The 28 reference contexts in paper O. Russkov V., S. Saradgishvili E., О. Руссков В., С. Сараджишвили Э. (2016) “Планирование неравномерного потребления субъекта оптового рынка электроэнергии на основе прогноза соотношений часовых цен // Entity’s Irregular Demand Scheduling of the Wholesale Electricity Market based on the Forecast of Hourly Price Ratios” / spz:neicon:technomag:y:2015:i:2:p:115-135

  1. Start
    1930
    Prefix
    Само по себе оно означает материальное или мысленное имитирование реально существующей или воображаемой системы с помощью создания моделей-аналогов, в которых с достаточной степенью достоверности воспроизводятся принципы организации и функционирования исследуемой системы
    Exact
    [1]
    Suffix
    . В зависимости от природы модели делятся на следующие: - натурные, являющиеся частями реальных объектов, - физические, замещающие объект его физическим процессом той же природы, - математические, формулами описывающие алгоритм функционирования объекта.
    (check this in PDF content)

  2. Start
    6362
    Prefix
    Цены на услуги компаний, специализирующихся на предоставлении прогнозов для субъектов ОРЭ, напрямую зависят от точности. Например, компания «Математическое бюро» предлагает дифференцированную стоимость услуг прогнозирования в зависимости от процента ошибки прогноза
    Exact
    [2]
    Suffix
    . В зависимости от горизонта прогноза используются различные модели прогноза - от имитационных (фундаментальных), включающих в себя сложные расчёты влияния всех внешних факторов, до моделей временных рядов, подразделяющихся на статистические и структурные [3].
    (check this in PDF content)

  3. Start
    6619
    Prefix
    В зависимости от горизонта прогноза используются различные модели прогноза - от имитационных (фундаментальных), включающих в себя сложные расчёты влияния всех внешних факторов, до моделей временных рядов, подразделяющихся на статистические и структурные
    Exact
    [3]
    Suffix
    . Эти модели используют уже накопленные статистические данные, представляя с помощью математического аппарата будущие значения временного ряда. К статистическим моделям временных рядов относятся, например, регрессионные, авторегрессионные и модели экспоненциального сглаживания, к структурным - модели на нейронных сетях, на цепях Маркова, на базе классификационно-регрессивных
    (check this in PDF content)

  4. Start
    7023
    Prefix
    К статистическим моделям временных рядов относятся, например, регрессионные, авторегрессионные и модели экспоненциального сглаживания, к структурным - модели на нейронных сетях, на цепях Маркова, на базе классификационно-регрессивных деревьев
    Exact
    [4]
    Suffix
    . К используемым в России и за рубежом моделям прогноза можно отнести следующие. 1) Модели на базе нейронных сетей, эмулирующие работу головного мозга человека с помощью построения математической модели сети нейронов [5]. 2) Модели из семейств ARIMAX (процесс авторегрессии интегрированного скользящего среднего), используемые для анализа временных рядов [6]. 3) GARCH-модели (
    (check this in PDF content)

  5. Start
    7248
    Prefix
    К используемым в России и за рубежом моделям прогноза можно отнести следующие. 1) Модели на базе нейронных сетей, эмулирующие работу головного мозга человека с помощью построения математической модели сети нейронов
    Exact
    [5]
    Suffix
    . 2) Модели из семейств ARIMAX (процесс авторегрессии интегрированного скользящего среднего), используемые для анализа временных рядов [6]. 3) GARCH-модели (обобщенный авторегрессионный процесс с условной гетероскедастичностью), предполагающие, что временной ряд не инвариантен и разность между реальным значением и спрогнозированным имеет ненулевое среднее, дисперсия
    (check this in PDF content)

  6. Start
    7386
    Prefix
    К используемым в России и за рубежом моделям прогноза можно отнести следующие. 1) Модели на базе нейронных сетей, эмулирующие работу головного мозга человека с помощью построения математической модели сети нейронов [5]. 2) Модели из семейств ARIMAX (процесс авторегрессии интегрированного скользящего среднего), используемые для анализа временных рядов
    Exact
    [6]
    Suffix
    . 3) GARCH-модели (обобщенный авторегрессионный процесс с условной гетероскедастичностью), предполагающие, что временной ряд не инвариантен и разность между реальным значением и спрогнозированным имеет ненулевое среднее, дисперсия нетривиально зависит от прошлых состояний и развивается во времени [7]. 4) Модель по выборке максимального подобия (MMSP), находящая
    (check this in PDF content)

  7. Start
    7701
    Prefix
    скользящего среднего), используемые для анализа временных рядов [6]. 3) GARCH-модели (обобщенный авторегрессионный процесс с условной гетероскедастичностью), предполагающие, что временной ряд не инвариантен и разность между реальным значением и спрогнозированным имеет ненулевое среднее, дисперсия нетривиально зависит от прошлых состояний и развивается во времени
    Exact
    [7]
    Suffix
    . 4) Модель по выборке максимального подобия (MMSP), находящая в ретроспективных данных участки, максимально похожие на участки данных текущего времени и на их основе производящая расчёт будущих значений временного ряда [8]. 5) Модели экспоненциального сглаживания, рассчитывающая экспоненциальные средние, применяя один из самых простых приёмов выравнивания ряда [9
    (check this in PDF content)

  8. Start
    7945
    Prefix
    реальным значением и спрогнозированным имеет ненулевое среднее, дисперсия нетривиально зависит от прошлых состояний и развивается во времени [7]. 4) Модель по выборке максимального подобия (MMSP), находящая в ретроспективных данных участки, максимально похожие на участки данных текущего времени и на их основе производящая расчёт будущих значений временного ряда
    Exact
    [8]
    Suffix
    . 5) Модели экспоненциального сглаживания, рассчитывающая экспоненциальные средние, применяя один из самых простых приёмов выравнивания ряда [9]. 6) Модели на базе цепей Маркова, анализирующие только ближайшую к настоящему моменту часть временного ряда, считая, что его будущее зависит в большей степени от настоящего, а не прошлого [10]. 7) Модели на базе классификационно-регре
    (check this in PDF content)

  9. Start
    8086
    Prefix
    ]. 4) Модель по выборке максимального подобия (MMSP), находящая в ретроспективных данных участки, максимально похожие на участки данных текущего времени и на их основе производящая расчёт будущих значений временного ряда [8]. 5) Модели экспоненциального сглаживания, рассчитывающая экспоненциальные средние, применяя один из самых простых приёмов выравнивания ряда
    Exact
    [9]
    Suffix
    . 6) Модели на базе цепей Маркова, анализирующие только ближайшую к настоящему моменту часть временного ряда, считая, что его будущее зависит в большей степени от настоящего, а не прошлого [10]. 7) Модели на базе классификационно-регрессионных деревьев, согласно которым будущее состояние временного ряда зависит от прошлого, а также от некоторых независимых переменных (CART) [
    (check this in PDF content)

  10. Start
    8285
    Prefix
    расчёт будущих значений временного ряда [8]. 5) Модели экспоненциального сглаживания, рассчитывающая экспоненциальные средние, применяя один из самых простых приёмов выравнивания ряда [9]. 6) Модели на базе цепей Маркова, анализирующие только ближайшую к настоящему моменту часть временного ряда, считая, что его будущее зависит в большей степени от настоящего, а не прошлого
    Exact
    [10]
    Suffix
    . 7) Модели на базе классификационно-регрессионных деревьев, согласно которым будущее состояние временного ряда зависит от прошлого, а также от некоторых независимых переменных (CART) [11]. 8) Фундаментальные модели [12,13], применяемые для целей долгосрочного прогноза.
    (check this in PDF content)

  11. Start
    8522
    Prefix
    6) Модели на базе цепей Маркова, анализирующие только ближайшую к настоящему моменту часть временного ряда, считая, что его будущее зависит в большей степени от настоящего, а не прошлого [10]. 7) Модели на базе классификационно-регрессионных деревьев, согласно которым будущее состояние временного ряда зависит от прошлого, а также от некоторых независимых переменных (CART)
    Exact
    [11]
    Suffix
    . 8) Фундаментальные модели [12,13], применяемые для целей долгосрочного прогноза. Следует отметить, что в настоящее время популярность приобрели комбинированные модели, сочетающие в себе математический аппарат нескольких вышеописанных моделей.
    (check this in PDF content)

  12. Start
    8553
    Prefix
    , анализирующие только ближайшую к настоящему моменту часть временного ряда, считая, что его будущее зависит в большей степени от настоящего, а не прошлого [10]. 7) Модели на базе классификационно-регрессионных деревьев, согласно которым будущее состояние временного ряда зависит от прошлого, а также от некоторых независимых переменных (CART) [11]. 8) Фундаментальные модели
    Exact
    [12,13]
    Suffix
    , применяемые для целей долгосрочного прогноза. Следует отметить, что в настоящее время популярность приобрели комбинированные модели, сочетающие в себе математический аппарат нескольких вышеописанных моделей.
    (check this in PDF content)

  13. Start
    9127
    Prefix
    Кроме того, для прогноза также применяются модели временных рядов на основе генетического алгоритма, на опорных векторах, на основе передаточных функций, на нечёткой логике и модели группового учёта аргументов. Однако, они используются в специфических случаях и значительно реже, чем перечисленные выше модели
    Exact
    [4]
    Suffix
    . В целом можно резюмировать, что для решения задачи прогноза будущего состояния временных рядов высокой точностью прогноза, относительной простотой, возможностью моделирования влияния внешних факторов зарекомендовали себя модели временных рядов на нейронных сетях и авторегрессионные модели [14]. 1.2.
    (check this in PDF content)

  14. Start
    9440
    Prefix
    В целом можно резюмировать, что для решения задачи прогноза будущего состояния временных рядов высокой точностью прогноза, относительной простотой, возможностью моделирования влияния внешних факторов зарекомендовали себя модели временных рядов на нейронных сетях и авторегрессионные модели
    Exact
    [14]
    Suffix
    . 1.2. Недостатки существующих моделей прогноза К недостаткам фундаментальных моделей для целей краткосрочного прогноза в рамках узлов расчётной модели субъекта ОРЭ относится то, что персоналу участника ОРЭ по объективным причинам неизвестно большинство внешних факторов, фигурирующих в формулах Регламентов расчётной модели единой энергосистемы Коммерческого Оператора рынка [12
    (check this in PDF content)

  15. Start
    9831
    Prefix
    Недостатки существующих моделей прогноза К недостаткам фундаментальных моделей для целей краткосрочного прогноза в рамках узлов расчётной модели субъекта ОРЭ относится то, что персоналу участника ОРЭ по объективным причинам неизвестно большинство внешних факторов, фигурирующих в формулах Регламентов расчётной модели единой энергосистемы Коммерческого Оператора рынка
    Exact
    [12,13]
    Suffix
    . Данные, необходимые для расчёта цен, участники ОРЭ раскрывают только Коммерческому Оператору и не обязаны сообщать о них смежным субъектам. Если вести речь о субъекте ОРЭ в статусе крупного потребителя, то очевидно, что такие факторы, как цены и объёмы в заявках РСВ соседних субъектов ОРЭ и в целом по ценовой зоне, участнику ОРЭ не могут быть известны.
    (check this in PDF content)

  16. Start
    10520
    Prefix
    К недостаткам моделей временных рядов относится зависимость от характера накопленных статистических данных временного ряда. Например, ARIMA и GARCHмодели имеют высокую точность прогноза во времена стабильности рынка и резко её снижают, когда на рынке происходят серьёзные изменения
    Exact
    [14]
    Suffix
    . Основная функция моделей временных рядов – посредством математического аппарата находить похожие участки временного ряда в прошлом и на их основе прогнозировать цены и потребление энергии в будущем.
    (check this in PDF content)

  17. Start
    10976
    Prefix
    Таким образом, если реальный статистический временной ряд в сильной степени волатилен или неравномерен, то модели временных рядов объективно не могут обеспечить точность прогноза, достаточную для эффективной работы предприятия на ОРЭ
    Exact
    [15]
    Suffix
    . Например, согласно статистике «Математического бюро» клиенты согласны оплачивать прогнозы с ошибкой до 11 % для цен РСВ и до 7,5 % - для энергопотребления [2]. Таким образом, для совместного прогноза пары «цена-объём электроэнергии» субъекта ОРЭ с неравномерным графиком потребления использование существующих моделей прогноза затруднительно, и требуется отыскание путей обхода д
    (check this in PDF content)

  18. Start
    11136
    Prefix
    , если реальный статистический временной ряд в сильной степени волатилен или неравномерен, то модели временных рядов объективно не могут обеспечить точность прогноза, достаточную для эффективной работы предприятия на ОРЭ [15]. Например, согласно статистике «Математического бюро» клиенты согласны оплачивать прогнозы с ошибкой до 11 % для цен РСВ и до 7,5 % - для энергопотребления
    Exact
    [2]
    Suffix
    . Таким образом, для совместного прогноза пары «цена-объём электроэнергии» субъекта ОРЭ с неравномерным графиком потребления использование существующих моделей прогноза затруднительно, и требуется отыскание путей обхода данной проблемы. 2.
    (check this in PDF content)

  19. Start
    11622
    Prefix
    «цена-объём электроэнергии» субъекта ОРЭ с неравномерным графиком потребления использование существующих моделей прогноза затруднительно, и требуется отыскание путей обхода данной проблемы. 2. Особенности трейдинга субъекта ОРЭ Трейдинг (покупка-продажа электроэнергии на ОРЭ) для субъекта в статусе крупного потребителя в соответствии с текущими редакциями Регламентов ОРЭ
    Exact
    [12,13]
    Suffix
    характерен следующими свойствами. Сначала происходит покупка планируемого потребления на РСВ по сложившейся на этом рынке цене. Затем разница между планируемым и фактическим потреблением покупается (если факт > плана) или продаётся (если факт < плана) на БР: Стоимость электроэнергии БР при этом составит:       ФактПлан(ПланФакт)*цена_БР, ФактПлан(ФактПлан)*ц
    (check this in PDF content)

  20. Start
    18285
    Prefix
    суточная неравномерность, вытекающая из особенностей технологии производства стали, и неравномерность часовая, вытекающая из превалирования требований технологии над требованиями часового планирования ОРЭ. В научной литературе отмечается, что точность прогнозирования электропотребления имеет сильную зависимость от характера неравномерности графика потребления
    Exact
    [15]
    Suffix
    . Таким образом, для подобных ВТЗ субъектов ОРЭ вследствие показанной неравномерности характера графика потребления отсутствует возможность совместного прогноза часовой пары «цена – объём электроэнергии» на ОРЭ.
    (check this in PDF content)

  21. Start
    19197
    Prefix
    Потребление ЭСПЦ придаёт характеру графика потребления завода ту долю неравномерности, которая не позволяет рассчитывать на помощь моделей временных рядов, применение которых на ОРЭ в целом показывает их состоятельность
    Exact
    [14]
    Suffix
    . И это – главная трудность, с которой сталкивается персонал ВТЗ. Из-за этого затруднено применение существующих на сегодняшний день моделей прогноза, поскольку возможность прогноза с заданной точностью лишь одного компонента пары «цена-объём» - часовой цены - не даёт возможности выстроить эффективную модель трейдинга на ОРЭ. 4.
    (check this in PDF content)

  22. Start
    20248
    Prefix
    поставки субъекта ОРЭ в каждый час цена покупки РСВ совпадает с одной из цен БР (покупки или продажи), при этом соотношение цен РСВ и БР может быть различно как от часа к часу внутри одних суток, так и по одному часу в разные сутки. При определённых соотношениях цен зависимость от точности прогноза потребления снижается. Данный нюанс работы ОРЭ проистекает из его Регламентов
    Exact
    [12,13]
    Suffix
    . Поэтому важнейшим элементом прогноза выступают не точные значения цен, а их соотношения. В научной литературе отмечено несколько работ, заостряющих внимание на данном нюансе работы ОРЭ. Например, предлагается его использование для корректировки прогнозных значений регрессионной модели с целью оптимизации стоимости электроэнергии [16, § 2.4].
    (check this in PDF content)

  23. Start
    20599
    Prefix
    В научной литературе отмечено несколько работ, заостряющих внимание на данном нюансе работы ОРЭ. Например, предлагается его использование для корректировки прогнозных значений регрессионной модели с целью оптимизации стоимости электроэнергии
    Exact
    [16, § 2.4]
    Suffix
    . При этом прогноз соотношений цен РСВ и БР выполняется на основе статистики прошлых периодов с применением многих допущений о вероятностях наступления того или иного соотношения цен [16, § 3.1]. Однако, для промышленного предприятия с неравномерным графиком потребления и превалированием требований технологии над требованиями планирования возможность применения регрессионных или лю
    (check this in PDF content)

  24. Start
    20794
    Prefix
    Например, предлагается его использование для корректировки прогнозных значений регрессионной модели с целью оптимизации стоимости электроэнергии [16, § 2.4]. При этом прогноз соотношений цен РСВ и БР выполняется на основе статистики прошлых периодов с применением многих допущений о вероятностях наступления того или иного соотношения цен
    Exact
    [16, § 3.1]
    Suffix
    . Однако, для промышленного предприятия с неравномерным графиком потребления и превалированием требований технологии над требованиями планирования возможность применения регрессионных или любых других моделей временных рядов крайне ограничена.
    (check this in PDF content)

  25. Start
    21705
    Prefix
    Кроме того, опираться только на статистику соотношений цен предыдущих периодов недостаточно, нужно учитывать внешние факторы, влияющие на соотношения цен РСВ и БР. Также не принимается во внимание зависимость доли небаланса БР от корректирующих воздействий модели
    Exact
    [16, стр. 234]
    Suffix
    . Для случая прогноза неравномерного графика потребления эту зависимость очень важно учитывать из-за больших отклонений плана от факта. В другой работе, посвящённой прогнозу электропотребления ОАО «Магнитогорский металлургический комбинат», авторы также, сталкиваясь с труднопрогнозируемостью графика потребления предприятия, предлагают минимизировать функцию средних
    (check this in PDF content)

  26. Start
    22164
    Prefix
    В другой работе, посвящённой прогнозу электропотребления ОАО «Магнитогорский металлургический комбинат», авторы также, сталкиваясь с труднопрогнозируемостью графика потребления предприятия, предлагают минимизировать функцию средних ожидаемых потерь от работы предприятия на БР
    Exact
    [17]
    Suffix
    . Однако, в целевой функции отсутствуют показатели цены РСВ, и данная методика применима только для предприятия, работающего на розничном рынке электроэнергии. Для ОРЭ данная функция не подходит. Предлагаемый метод качественного прогноза часового соотношения цен РСВ и БР позволяет снизить требования к точности прогноза объёмов электроэнергии до такого уровня, при котором можно и
    (check this in PDF content)

  27. Start
    24216
    Prefix
    Таким образом, в большинстве часов суток для прогноза соотношений цен РСВ и БР недостаточно использовать только статистические методы и необходимо учитывать влияние внешних факторов, описанных в Регламентах функционирования БР и РСВ
    Exact
    [12,13]
    Suffix
    . Рис. 5. Мониторинг соотношения цен РСВ и БР по часу 23:00-24:00 в разные сутки. Кроме этого, следует максимально использовать открытые данные о параметрах работы смежных субъектов ОРЭ, размещённые на сайте Коммерческого оператора ОРЭ (www.rosenergo.com).
    (check this in PDF content)

  28. Start
    30944
    Prefix
    Согласно статистике зависимость ежемесячной доли корректировки небаланса ВТЗ от объёмов БР не является прямой, так как от месяца к месяцу меняется и сам размер небаланса всего ОРЭ (рис. 8, 9). Однако, чем больше у субъекта отклонений плановых объёмов электроэнергии от фактических, тем больше размер доли ежемесячной корректировки небаланса
    Exact
    [12]
    Suffix
    . Поэтому модель прогноза должна быть настроена таким образом, чтобы размер страхового интервала был оптимальным, обеспечивающим, с одной стороны, выполнение нужного типа сделки БР, и небольшие объёмы БР по итогам месяца, с другой.
    (check this in PDF content)