Комбинирование почасовых прогнозов потребления электроэнергии на примере сбытовой организации Кубани

<p style="text-align: justify;">Диссертация посвящена исследованию проблемы краткосрочного прогнозирования объемов потребления электроэнергии. Целью данной работы является выбор оптимальной модели для почасового прогнозирования объемов потребления электроэнергии и их применение к построению прогноза на сутки вперед.</p><p style="text-align: justify;">Почасовое прогнозирование очень важно для планирования и контроля энергосистем. Оно является основным инструментом для определения оптимального использования генераторов и электростанций. Коммерческий успех участников оптового рынка электроэнергии зависит&nbsp; от способности точно спланировать необходимые объемы электроэнергии, и даже незначительный успех в сфере прогнозирования может привести к существенным результатам по получению прибыли. Эффективная&nbsp; торговля возможна при точном прогнозировании величин потребления, производства и дисбаланса между ними.</p><p style="text-align: justify;">В данной работе проанализирован ряд данных по электропотреблению на примере российской сбытовой организации и выявлены характерные особенности ряда, позволяющие ограничить круг рассматриваемых моделей прогнозирования. Было проведено исследование существующих методов краткосрочного прогнозирования потребления электроэнергии по данным различных стран, и выбраны модели класса сезонных ARIMA, как наиболее точно описывающие рассматриваемый ряд данных. В рамках данной диссертации были рассмотрены индивидуальные модели, включающие различные экзогенные факторы, и построенные на интервалах разной длины; а также комбинированные модели, представляющие собой линейные регрессии с различными весами, в которых факторами выступают индивидуальные модели и календарные индикаторы. По результатам построенных почасовых прогнозов на сутки вперед была определена модель с минимальной ошибкой. Примененный в данной работе метод прогнозирования отличается от существующих подходов тем, что используются комбинации моделей не только включающих различные факторы, но и моделей, построенных на интервалах разной длины; а также тем, что в качестве факторов линейной регрессии добавлены индикаторы дней с максимальной ошибкой прогнозирования.</p>