The 17 references with 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
Фролов И.Т. Гносеологические проблемы моделирования биологических систем // Вопросы философии. 1961. No 2. С. 39-51.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

2
Цены «Математического бюро» // Математическое бюро: сайт. Режим доступа: http://www.mbureau.ru/prices (дата обращения 01.12.2014).
Total in-text references: 2
  1. In-text reference with the coordinate 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].

  2. In-text reference with the coordinate 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.

3
Jingfei Yang. Power System Short-term Load Forecasting: Thesis for Ph.D. degree. Germany, Darmstadt, Elektrotechnik und Informationstechnik der Technischen Universitat, 2006. 139 p. Результат работы прогнозной модели по дням месяца (руб) -5 000 0 5 000 10 000 15 000 20 000 25 000 30 000 35 000
Total in-text references: 1
  1. In-text reference with the coordinate 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

4
Чучуева И.А. Модель прогнозирования временных рядов по выборке максимального подобия: дис. ... канд. техн. наук. М., 2012. 155 с.
Total in-text references: 2
  1. In-text reference with the coordinate 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 (

  2. In-text reference with the coordinate 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.

5
Хайкин С. Нейронные сети: полный курс: пер. с англ. 2-е изд. М.: Издательский дом «Вильямс», 2006. 1104 с.
Total in-text references: 1
  1. In-text reference with the coordinate 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

6
Дрейпер Н, Смит Г. Прикладной регрессионный анализ: пер. с англ. В 2 кн. Кн. 1. М.: Финансы и статистика, 1986. 366 с.
Total in-text references: 1
  1. In-text reference with the coordinate 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

7
Garcia R.C., Contreras J., van Akkeren M., Garcia J.B.C. A GARCH forecasting model to predict day-ahead electricity prices // IEEE Transactions on Power Systems. 2005. Vol. 20, no. 2. P. 867-874. DOI: 10.1109/TPWRS.2005.846044
Total in-text references: 1
  1. In-text reference with the coordinate 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

8
Чучуева И.А. Модель экстраполяции по максимуму подобия (ЭМП) для временных рядов цен и объемов на рынке на сутки вперед ОРЭМ (Оптовом рынке электроэнергии и мощности) // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2010. No 1. Режим доступа: http://technomag.bmstu.ru/doc/135870.html (дата обращения 01.12.2014).
Total in-text references: 1
  1. In-text reference with the coordinate 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

9
Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика, 2003. 416 с.
Total in-text references: 1
  1. In-text reference with the coordinate 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) [

10
Zhu J., Hong J., Hughes J.G. Using Markov Chains for Link Prediction in Adaptive Web Sites // Proc. of the 1st International Conference on Computing in an Imperfect World. UK, London, 2002. P. 60-73. DOI: 10.1007/3-540-46019-5_5
Total in-text references: 1
  1. In-text reference with the coordinate 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.

11
Brieman L., Friedamn J.H., Olsehn R.A., Stone C.J. Classification and Regression Trees. Wadsworth & Brooks, Monterey, CA, 1984. 368 p.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

12
Регламент определения объёмов, инициатив и стоимости отклонений // Совет Рынка: некоммерческое партнерство: сайт. Режим доступа: http://www.npsr.ru/regulation/joining/reglaments/index.htm?ssFolderId=58 (дата обращения 1.12.2014).
Total in-text references: 6
  1. In-text reference with the coordinate 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.

  2. In-text reference with the coordinate 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.

  3. In-text reference with the coordinate 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

  4. In-text reference with the coordinate 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].

  5. In-text reference with the coordinate 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).

  6. In-text reference with the coordinate 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.

13
Регламент проведения конкурентного отбора ценовых заявок на сутки вперед // Совет Рынка: некоммерческое партнерство: сайт. Режим доступа: http://www.npsr.ru/regulation/joining/reglaments/index.htm?ssFolderId=54 (дата обращения 1.12.2014).
Total in-text references: 5
  1. In-text reference with the coordinate 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.

  2. In-text reference with the coordinate 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.

  3. In-text reference with the coordinate 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

  4. In-text reference with the coordinate 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].

  5. In-text reference with the coordinate 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).

14
Бейден С., Смирнов Д., Матвеева М. Риски на рынке электроэнергии и методы прогнозирования цен // Энергорынок. 2004. No 4. С. 22-28.
Total in-text references: 3
  1. In-text reference with the coordinate 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

  2. In-text reference with the coordinate 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.

  3. In-text reference with the coordinate 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.

15
Макоклюев Б.И., Ёч В.Ф. Взаимосвязь точности прогнозирования и неравномерности графиков электропотребления // Электрические станции. 2005. No 5. С. 64-67.
Total in-text references: 2
  1. In-text reference with the coordinate 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

  2. In-text reference with the coordinate 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.

16
Дзюба А.П. Управление энергозатратами промышленных предприятий: дис. ... канд. техн. наук. Челябинск, 2014. 286 с.
Total in-text references: 3
  1. In-text reference with the coordinate 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

  2. In-text reference with the coordinate 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.

  3. In-text reference with the coordinate 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

17
Трофимова В.Ш., Липатников А.В. Разработка методики планирования почасового потребления электроэнергии крупным металлургическим предприятием (на примере ОАО «ММК») // Вестник МГТУ им. Г.И. Носова. 2014. No 3. С. 57-62.
Total in-text references: 1
  1. In-text reference with the coordinate 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