Прогнозирование электропотребления промышленных предприятий с помощью модели авторегрессии проинтегрированного скользящего среднего
Аннотация
Проблемы прогнозирования потребляемой электроэнергии на промышленных предприятиях чрезвычайно актуальны. Эффективным путем разрешения конфликтов между промышленным предприятием и энергоснабжающей организацией и предотвращения появления дополнительных затрат считается возможно более точное прогнозирование энергетических параметров электропотребления, что обеспечивается переводом их на договорный расчетный период. Прогнозирование потребления электрической энергии имеет важное значение как технологически, так и экономически, а его полнота непосредственно повышает конкурентоспособность производимой продукции. Это, в свою очередь, определяется значительной долей составляющих затрат на электроэнергию в себестоимости производимой продукции. При определении прогнозных показателей потребления электроэнергии промышленными предприятиями целесообразно использование современных и высокоточных методов прогнозирования, обеспечивающих минимальную величину ошибки прогноза.
Рассмотрены вопросы прогнозирования электропотребления промышленных предприятий c применением метода авторегрессии проинтегрированного скользящего среднего (ARIMA) и использованием языкa программирования Python 3.9 (взяты пакеты statsmodels, numpy, pandas, pmdarima, matplotlib) на примере металлургического предприятия Республики Узбекистан. Разработана укрупнённая схема алгоритма прогнозирования электропотребления методом авторегрессии проинтегрированного скользящего среднего. Проведено сравнение фактической и прогнозной величин электропотребления по созданной модели. Степень адекватности разработанных моделей обоснована низкими абсолютными и относительными ошибками между фактическими и прогнозными данными. Анализ значения прогнозных ошибок показал, что низкий процент погрешности обусловлен адекватностью спроектированных математических моделей параметров электропотребления, и их можно применять при определении прогнозных значений параметров электропотребления на предприятиях черной металлургии.
Литература
2. Rahmonov I.U. Existing Methods and Approaches to Forecasting Electric Consumption at Industrial Enterprises // Intern. J. Advanced Research in Sci., Eng. and Technol. 2019. V. 6. Iss. 2. Pp. 8183—8185.
3. Пальчиков А.С. Существующие способы прогнозирования электропотребления объектов в металлургической отрасли // Современные научные исследования и инновации. 2012. № 9. [Электрон. ресурс] www.web.snauka.ru/issues/2012/09/16877 (дата обращения 12.06.2021).
4. Преимущества и недостатки моделей ARIMA [Электрон. ресурс] www.studme.org/41020/ekonomika/preimuschestva_nedostatki_modeley_arima (дата обращения 12.06.2021).
5. Трофимов П.Ю., Носков В.Ю. Прогнозирование временных рядов методом ARIMA // Теплотехника и информатика в образовании, науке и производстве: Сб. докладов VI Всерос. науч.-практ. конф. студентов, аспирантов и молодых учёных. Екатеринбург: Изд-во УрФУ, 2017. С. 260—262.
6. Иткина А.Я. Временные ряды. Моделирование процессов типа ARIMA (p, d, q) [Электрон. ресурс] www.docplayer.com/26841530-Itkina-a-ya-vremennye-ryady-modelirovanie-processov-tipa-arima-p-d-q-ekonometricheskiy-paket-eviews-pozvolyaet-dovolno-legko-modelirovat-sluchaynye.html (дата обращения 12.06.2021).
7. Prabhakaran S. ARIMA Model — Complete Guide to Time Series Forecasting in Python [Электрон. ресурс] www.machinelearningplus.com/time-series/arima-model-time-series-forecasting-python/ (дата обращения 12.06.2021).
8. Крюков Ю.А., Чернягин Д.В.. ARIMA — модель прогнозирования значений трафика // Информационные технологии и вычислительные системы. 2011. № 2. С. 41—49.
9. Канторович Г.Г. Анализ временных рядов // Экономический журнал ВШЭ. 2002. № 3. С. 85—116.
10. Дуброва Т.А. Статистические методы прогнозирования. М.: ЮНИТИ-ДАНА, 2003.
11. Brownlee J. How to Create an ARIMA Model for Time Series Forecasting in Python [Электрон. ресурс] www.machinelearningmastery.com/arima-for-time-series-forecasting-with-python/ (дата обращения 12.06.2021).
12. Трегуб И.В., Трегуб А.В. Методика построения модели ARIMA для прогнозирования динамики временных рядов // Лесной вестник. 2011. № 5. C. 179—183.
13. Как создать модель ARIMA для прогнозирования временных рядов в Python [Электрон. ресурс] www.machinelearningmastery.ru/arima-for-time-series-forecasting-with-python/ (дата обращения 12.06.2021).
14. Петрусевич Д.А. Анализ математических моделей, используемқх для прогнозирования эконометрических временных рядов // Российский технологический журнал. 2019. Т. 7. № 2. С. 61—73.
---
Для цитирования: Рахмонов И.У., Курбонов Н.Н. Прогнозирование электропотребления промышленных предприятий с помощью модели авторегрессии проинтегрированного скользящего среднего // Вестник МЭИ. 2021. № 6. С. 11—19. DOI: 10.24160/1993-6982-2021-6-11-19
#
1. Hoshimov F.A., Rasulov A.N., Taslimov A.D., Rakhmonov I.U. The Current State of Electrometallurgy in Uzbekistan. Vienna: East West — Association Studies and Higher Education GmbH, 2017.
2. Rahmonov I.U. Existing Methods and Approaches to Forecasting Electric Consumption at Industrial Enterprises. Intern. J. Advanced Research in Sci., Eng. and Technol. 2019;6;2:8183—8185.
3. Pal'chikov A.S. Sushchestvuyushchie Sposoby Prognozirovaniya Elektropotrebleniya Ob′ektov v Metallurgicheskoy Otrasli. Sovremennye Nauchnye Issledovaniya i Innovatsii. 2012;9. [Elektron. Resurs] www.web.snauka.ru/issues/2012/09/16877 (Data Obrashcheniya 12.06.2021). (in Russian).
4. Preimushchestva i Nedostatki Modeley ARIMA [Elektron. Resurs] www.studme.org/41020/ekonomika/preimuschestva_nedostatki_modeley_arima (Data Obrashcheniya 12.06.2021). (in Russian).
5. Trofimov P.Yu., Noskov V.Yu. Prognozirovanie Vremennykh Ryadov Metodom ARIMA. Teplotekhnika i Informatika v Obrazovanii, Nauke i Proizvodstve: Sb. Dokladov VI Vseros. Nauch.-prakt. Konf. Studentov, Aspirantov i Molodykh Uchenykh. Ekaterinburg: Izd-vo UrFU, 2017:260—262. (in Russian).
6. Itkina A.Ya. Vremennye Ryady. Modelirovanie Protsessov Tipa ARIMA (p, d, q) [Elektron. Resurs] www.docplayer.com/26841530-Itkina-a-ya-vremennye-ryady-modelirovanie-processov-tipa-arima-p-d-q-ekonometricheskiy-paket-eviews-pozvolyaet-dovolno-legko-modelirovat-sluchaynye.html (Data Obrashcheniya 12.06.2021). (in Russian).
7. Prabhakaran S. ARIMA Model — Complete Guide to Time Series Forecasting in Python [Elektron. Resurs] www.machinelearningplus.com/time-series/arima-model-time-series-forecasting-python/ (Data Obrashcheniya 12.06.2021).
8. Kryukov Yu.A., Chernyagin D.V.. ARIMA — Model' Prognozirovaniya Znacheniy Trafika. Informatsionnye Tekhnologii i Vychislitel'nye Sistemy. 2011;2:41—49. (in Russian).
9. Kantorovich G.G. Analiz Vremennykh Ryadov. Ekonomicheskiy Zhurnal VSHE. 2002;3:85—116. (in Russian).
10. Dubrova T.A. Statisticheskie Metody Prognozirovaniya. M.: YUNITI-DANA, 2003. (in Russian).
11. Brownlee J. How to Create an ARIMA Model for Time Series Forecasting in Python [Elektron. Resurs] www.machinelearningmastery.com/arima-for-time-series-forecasting-with-python/ (Data Obrashcheniya 12.06.2021).
12. Tregub I.V., Tregub A.V. Metodika Postroeniya Modeli ARIMA dlya Progno-zirovaniya Dinamiki Vremennykh Ryadov. Lesnoy Vestnik. 2011;5:179—183. (in Russian).
13. Kak Sozdat' Model' ARIMA dlya Prognozirovaniya Vremennykh Ryadov v Python [Elektron. Resurs] www.machinelearningmastery.ru/arima-for-time-series-forecasting-with-python/ (Data Obrashcheniya 12.06.2021). (in Russian).
14. Petrusevich D.A. Analiz Matematicheskikh Modeley, Ispol'zuemқkh dlya Prognozirovaniya Ekonometricheskikh Vremennқkh Ryadov. Rossiyskiy Tekhnologicheskiy Zhurnal. 2019;7;2:61—73. (in Russian).
---
For citation: Rakhmonov I.U., Kurbonov N.N. Forecasting the Electricity Consumption at Industrial Enterprises Using an Autoregressive Integrated Moving Average Model. Bulletin of MPEI. 2021;6:11—19. (in Russian). DOI: 10.24160/1993-6982-2021-6-11-19
