Повышение точности предсказания цены электроэнергии за счет применения комбинированных моделей прогноза

  • Анна [Anna] Владимировна [V.] Шихина [Shikhina]
  • Татьяна [Tatyana] Владимировна [V.] Ягодкина [Yagodkina]
Ключевые слова: временной ряд, модель прогноза, предсказание цены электроэнергии, авторегрессия, регрессионный анализ

Аннотация

Рассмотрено решение задач предсказания свободной рыночной цены на электроэнергию с построением различного типа моделей прогноза. Осуществлен переход от анализа традиционных регрессионных и авторегрессионных моделей скользящего среднего к предлагаемым комбинированным многофакторным моделям, включающим также временной тренд и дамми-переменные.  Подобный переход, отчасти, обоснован спецификой поведения цены электроэнергии свободного рынка, что обусловлено жестко циклическим изменением цены, например, по признакам отопительного сезона, дням недели и т. д. Методика построения комбинированных моделей прогноза проработана до уровня разработки эффективных вычислительных процедур на основе пакетов Statistica и OsiSoft PI-System.

На примере российского рынка авторегрессионные и комбинированные регрессионные модели прогноза показали достаточно хорошую работоспособность, обеспечив приемлемый уровень точности. Сравнение достигнутых уровней точности конкурирующих моделей между собой не показало преимуществ перехода к комбинированным регрессионным многофакторным моделям из соображений достижения более высокой точности прогноза, однако использование последних для целей анализа влияния факторов на прогнозируемую переменную может стать принципиальным преимуществом при выборе типа модели прогноза. Полученные результаты, хотя и ограничены анализом рынка Белгородской области, но по достижимой точности прогноза не хуже, а в основном даже лучше, чем большинство представленных в обзоре результатов Европейских рынков электроэнергии. Дано обоснование изучения комбинированных регрессионных моделей в качестве инструмента изучения влияния отдельных факторов, как составляющих формирования цены электроэнергии на прогнозируемый период при том, что уровень точности комбинированных регрессионных моделей соответствует достигнутым в настоящее время уровням точности прогноза цены электроэнергии.

Сведения об авторах

Анна [Anna] Владимировна [V.] Шихина [Shikhina]

аспирант кафедры управления и интеллектуальных технологий НИУ «МЭИ», e-mail: ShikhinaAV@mail.ru

Татьяна [Tatyana] Владимировна [V.] Ягодкина [Yagodkina]

(02.07.1948 — 13.01.2020) — кандидат технических наук, профессор кафедры управления и интеллектуальных технологий НИУ «МЭИ»

Литература

1. Современная рыночная электроэнергетика Российской Федерации. М.: Изд-во Совет Рынка, 2017.
2. Смирнова Е.О. Решение задачи прогнозирования цен на электроэнергию на рынке «на сутки вперед» эконометрическими методами. [Электрон. ресурс], www.olymp.msu.ru/archive/Lomonosov_2012/1946/44283_e645.pdf. (дата обращения 05.02.2020).
3. Шихин В.А., Павлюк Г.П. Построение областей заданного качества управления на основе статистического подхода: метод отсекающих моделей // Мехатроника, автоматизация, управление. 2010. № 10. С. 39—45.
4. Дробыш И.И. Статистические модели прогнозирования цен на оптовых рынках электроэнергии: российский и зарубежный опыт // Вестник Южно-Уральского гос. ун-та. Серия «Экономика и менеджмент». 2017. Т. 11. № 3. С. 41—54.
5. Shikhin V.A., Kochengin A.E., Pavliuk G.P. Significant Events Detection and Identification through Electrical Grid Load Profile // Proc. Renewable Energies, Power Systems & Green Inclusive Economy (REPS-GIE), Casablanca, 2018. Pp. 848—857.
6. Karakatsani N., Bunn D. Forecasting Electricity Prices: The Impact of Fundamentals and Time-varying Coefficients // Intern. J. Forecasting. 2008. V. 24. Pp. 764—785.
7. Weron R., Misiorek A. Forecasting Spot Electricity Prices: A Comparison of Parametric and Semiparametric Time Series Models // Ibid. 744—763.
8. Conejo A., Contreras J., Espinola R., Plazas M. Forecasting Electricity Prices for a Day-ahead Pool-based Electric Energy Market // Intern. J. Forecasting. 2005. V. 21. Pp. 435—462.
9. Tan Z., Zhang J., Wang J., Xu J. Day-ahead Electricity Price Forecasting Using Wavelet Transform Combined with ARIMA and GARCH Models // Appl. Energy. 2010. V. 87. Pp. 3606—3610.
10. Kim C., Yu I., Song Y. Prediction of System Marginal Price of Electricity Using Wavelet Transform Analysis // Energy Conversion and Management. 2002. V. 43. Pp. 1839—1851.
11. Nogales F., Contreras J., Conejo A., Espinola R. Forecasting Next-day Electricity Prices by Time Series Models // IEEE Trans. Power Systems. 2002. V. 17. No. 2. Pp. 342—348.
12. García-Martos С., Rodríguez J., Sánchez M. Modelling and Forecasting Fossil Fuels, ????????2 and Electricity Prices and their Volatilities // Appl. Energy. 2013. V. 101. Pp. 363—375.
13. Higgs H., Worthington A. Stochastic Price Modeling of High Volatility, Mean-reverting, Spike-prone Commodities: The Australian Wholesale Spot Electricity Market // Energy Economics. 2008. V. 30. Pp. 3172—3185.
14. Koopman S., Ooms M., Carnero M. Periodic Seasonal Reg-ARFIMA-GARCH Models for Daily Electricity Spot Prices // J. American Statistical Association. 2007. V. 102. No. 477. Pp. 16—27.
15. Cuaresma J., Hlouskova J., Kossmeier S., Obersteiner M. Forecasting Electricity Spot-prices Using Linear Univariate Time-series Models // Appl. Energy. 2004. V. 77. Pp. 87—106.
16. Liu H., Shi J. Applying ARMA–GARCH Approaches to Forecasting Short-term Electricity Prices // Energy Economics. 2013. V. 37. Pp. 152—166.
17. Garcia R., Contreras J., Akkeren M., Garcia J. A GARCH Forecasting Model to Predict Day-ahead Electricity Prices // IEEE Trans. Power Syst. 2005. V. 20. No. 2. Pp. 867—874.
18. Knittel C., Roberts M. An Empirical Examination of Restructured Electricity Prices // Energy Economics. 2005. V. 27. Pp. 791—817.
19. Contreras J., Espinola R., Nogales F., Conejo A. ARIMA Models to Predict Next-day Electricity Prices // IEEE Trans. Power Systems. 2003. V. 18. No. 3. Pp. 1014—2020.
20. Diongue A., Guégan D., Vignal B. Forecasting Electricity Spot Market Prices with a k-factor GIGARCH Process // Appl. Energy. 2009. V. 86. Pp. 505—510.
21. Gianfreda A., Grossi L. Forecasting Italian Electricity Zonal Prices with Exogenous Variables // Energy Economics. 2012. V. 34. Pp. 2228—2239.
22. База тарифов на электроэнергию. [Электрон. ресурс] www.time2save.ru/calculaters/nereguliruemie-ceni-na-elektroenergiu (дата обращения 05.02.2020).
---
Для цитирования: Шихина А.В., Ягодкина Т.В. Повышение точности предсказания цены электроэнергии за счет применения комбинированных моделей прогноза // Вестник МЭИ. 2020. № 6. С. 119—128. DOI: 10.24160/1993-6982-2020-6-119-128.
#
1. Sovremennaya Rynochnaya Elektroenergetika Rossiyskoy Federatsii. M.: Izd-vo Sovet Rynka, 2017. (in Russian).
2. Smirnova E.O. Reshenie Zadachi Prognozirovaniya Tsen na Elektroenergiyu na Rynke «na Sutki Vpered» Ekonometricheskimi Metodami. [Elektron. Resurs], www.olymp.msu.ru/archive/Lomonosov_2012/1946/44283_e645.pdf. (Data Obrashcheniya 05.02.2020). (in Russian).
3. Shikhin V.A., Pavlyuk G.P. Postroenie Oblastey Zadannogo Kachestva Upravleniya na Osnove Statisti-Cheskogo Podkhoda: Metod Otsekayushchikh Modeley. Mekhatronika, Avtomatizatsiya, Upravlenie. 2010;10:39—45. (in Russian).
4. Drobysh I.I. Statisticheskie Modeli Prognozirovaniya Tsen na Optovykh Rynkakh Elektroenergii: Rossiyskiy i Zarubezhnyy Opyt. Vestnik Yuzhno-Ural'skogo Gos. Un-ta. Seriya «Ekonomika i Menedzhment». 2017;11;3:41—54. (in Russian).
5. Shikhin V.A., Kochengin A.E., Pavliuk G.P. Significant Events Detection and Identification through Electrical Grid Load Profile. Proc. Renewable Energies, Power Systems & Green Inclusive Economy (REPS-GIE), Casablanca, 2018:848—857.
6. Karakatsani N., Bunn D. Forecasting Electricity Prices: The Impact of Fundamentals and Time-varying Coef-ficients. Intern. J. Forecasting. 2008;24:764—785.
7. Weron R., Misiorek A. Forecasting Spot Electricity Prices: A Comparison of Parametric and Semiparametric Time Series Models. Ibid. 744—763.
8. Conejo A., Contreras J., Espinola R., Plazas M. Forecasting Electricity Prices for a Day-ahead Pool-based Electric Energy Market. Intern. J. Forecasting. 2005;21:435—462.
9. Tan Z., Zhang J., Wang J., Xu J. Day-ahead Electricity Price Forecasting Using Wavelet Transform Com-bined with ARIMA and GARCH Models. Appl. Energy. 2010;87:3606—3610.
10. Kim C., Yu I., Song Y. Prediction of System Marginal Price of Electricity Using Wavelet Transform Analysis. Energy Conversion and Management. 2002;43:1839—1851.
11. Nogales F., Contreras J., Conejo A., Espinola R. Forecasting Next-day Electricity Prices by Time Series Models. IEEE Trans. Power Systems. 2002;17;2:342—348.
12. García-Martos S., Rodríguez J., Sánchez M. Modelling and Forecasting Fossil Fuels, ????????2 and Electricity Prices and their Volatilities. Appl. Energy. 2013;101: 363—375.
13. Higgs H., Worthington A. Stochastic Price Modeling of High Volatility, Mean-reverting, Spike-prone Commodities: The Australian Wholesale Spot Electricity Market. Energy Economics. 2008;30:3172—3185.
14. Koopman S., Ooms M., Carnero M. Periodic Seasonal Reg-ARFIMA-GARCH Models for Daily Electricity Spot Prices. J. American Statistical Association. 2007;102;477:16—27.
15. Cuaresma J., Hlouskova J., Kossmeier S., Obersteiner M. Forecasting Electricity Spot-prices Using Linear Univariate Time-series Models. Appl. Energy. 2004;77:87—106.
16. Liu H., Shi J. Applying ARMA–GARCH Approaches to Forecasting Short-term Electricity Prices. Energy Economics. 2013;37:152—166.
17. Garcia R., Contreras J., Akkeren M., Garcia J. A GARCH Forecasting Model to Predict Day-ahead Electrici-ty Prices. IEEE Trans. Power Syst. 2005;20;2:867—874.
18. Knittel C., Roberts M. An Empirical Examination of Restructured Electricity Prices. Energy Economics. 2005;27:791—817.
19. Contreras J., Espinola R., Nogales F., Conejo A. ARIMA Models to Predict Next-day Electricity Prices. IEEE Trans. Power Systems. 2003;18;3:1014—2020.
20. Diongue A., Guégan D., Vignal B. Forecasting Electricity Spot Market Prices with a k-factor GIGARCH Process. Appl. Energy. 2009;86:505—510.
21. Gianfreda A., Grossi L. Forecasting Italian Electricity Zonal Prices with Exogenous Variables. Energy Economics. 2012;34:2228—2239.
22. Baza Tarifov na Elektroenergiyu. [Elektron. Resurs] www.time2save.ru/calculaters/nereguliruemie-ceni-na-elektroenergiu (Data Obrashcheniya 05.02.2020). (in Russian).
---
For citation: Shikhina A.V., Yagodkina T.V. Improving the Electricity Price Prediction Accuracy by Applying Combined Prediction Models. Bulletin of MPEI. 2020;6:119—128. (in Russian). DOI: 10.24160/1993-6982-2020-6-119-128.
Опубликован
2020-02-25
Раздел
Системный анализ, управление и обработка информации (05.13.01)