Прогнозирование часовых цен для субъектов оптового рынка с труднопредсказуемым потреблением электроэнергии

Загрузка...

ВВЕДЕНИЕ

Во многих областях науки и техники для повышения эффективности работы применяется предварительное моделирование различных процессов. Само по себе моделирование 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 [4]. В зависимости от природы модели делятся на натурные, являющиеся частями реальных объектов, физические, замещающие объект его физическим процессом той же природы, и математические, с помощью формул описывающие алгоритм функционирования объекта. С точки зрения философии моделирование это мощное средство познания человеком мира. Но моделирование с использованием современных быстродействующих ЭВМ увеличивает его эффективность в разы. Можно утверждать, что компьютерное моделирование значительно облегчает и ускоряет процесс познания мира человеком. Помимо этого, компьютерное моделирование обладает рядом несомненных преимуществ, главным из которых является неизменность реального исследуемого объекта при эксперименте. Также при компьютерном моделировании экспериментатор имеет возможность подключать действующие на объект факторы по отдельности, чего невозможно достичь в случае экспериментов с реальной моделью. Компьютерное моделирование позволяет решать задачи в любых областях науки и техники. Медицина, физика, психология, астрономия, энергетика повсюду успешно применяется компьютерный эксперимент.

Одной из важных задач в энергетике является моделирование ежечасных процессов покупки и продажи электроэнергии на оптовом рынке. В настоящее время для субъекта оптового рынка электроэнергии (ОРЭ) в статусе крупного потребителя, имеющего труднопредсказуемый график потребления электроэнергии, существует проблема построения эффективной модели работы на двух основных секторах ОРЭ рынке на сутки вперёд (РСВ) и балансирующем рынке (БР). Труднопредсказуемый график потребления свойственен промышленным предприятиям, характер потребления электроэнергии которых не поддаётся чёткому планированию вследствие полной зависимости от требований технологического процесса производства. В частности, это относится к металлургическим заводам, имеющим в составе оборудования электросталеплавильные печи. Для рынка с нерегулируемыми меняющимися каждый час ценами, каким является ОРЭ, задача прогнозирования цен и объёмов электроэнергии очень важна. Решить её можно путём моделирования работы субъекта на ОРЭ, создав модель-аналог, с достаточной степенью достоверности воспроизводящую принципы организации и функционирования ОРЭ единой энергосистемы России для узлов расчётной модели субъекта. Учитывая тот факт, что оптовый рынок функционирует по математическим алгоритмам, описанным в Регламентах ОРЭ, математическое моделирование наиболее подходит для задачи прогнозирования работы субъекта ОРЭ на РСВ и БР.

Не имея достоверного прогноза, субъект ОРЭ с труднопредсказуемым потреблением электроэнергии не способен выстроить эффективную модель работы на рынке, позволяющую минимизировать затраты на покупку электроэнергии. Ежечасные изменения соотношений цен РСВ и БР таят в себе для подобного субъекта ОРЭ постоянную угрозу переплаты за электроэнергию. Чтобы обезопасить себя от этого, подобному субъекту ОРЭ нужна эффективная математическая модель прогноза соотношений цен ОРЭ, позволяющая обойти проблему трудности предсказания часовых объёмов электроэнергии. Только это позволит предприятию работать на ОРЭ столь же эффективно, как и субъектам ОРЭ с относительно легко прогнозируемыми объёмами электроэнергии (таким, как, например, сбытовые компании, имеющие график нагрузки с регулярно повторяющимися закономерностями или крупные потребители с отсутствием превалирования требований технологии над требованиями энергетического планирования), а также предоставит ему конкурентное преимущество перед другими подобными участниками ОРЭ. Учесть все факторы, влияющие на складывающиеся соотношения часовых цен РСВ и БР, человеческим умом не представляется возможным из-за ограничений в скорости мысли, поэтому для решения этой задачи следует применить компьютерное математическое имитационное моделирование, написав программу, позволяющую решить задачу прогнозирования цен РСВ и БР для субъектов ОРЭ с труднопредсказуемым потреблением (СТП).

АНАЛИЗ СУЩЕСТВУЮЩИХ МОДЕЛЕЙ ПРЕДСКАЗАНИЯ

Краткое описание существующих моделей предсказания

Главной задачей построения эффективной модели работы любого субъекта ОРЭ является предсказание с заданной степенью точности одновременно цен рынка и объёмов электроэнергии для каждого часа. Учитывая тот факт, что в часовых расчётах итоговой стоимости электроэнергии на ОРЭ участвует пара цена объём электроэнергии, только в этом случае возможно выстраивание стратегии минимизации стоимости потреблённой или поставленной на ОРЭ электроэнергии. Для решения этой задачи нужно, чтобы временные статистические ряды цен и объёмов электроэнергии субъекта ОРЭ имели такую степень волатильности и неравномерности, которая позволяла бы использовать существующие на сегодняшний день модели предсказания с заданной степенью точности прогноза.

Модели предсказания, в настоящее время использующиеся на либерализованных рынках электроэнергии различных стран, в той или иной мере прогнозируют 2 вышеописанных компонента рынка цены и объёмы. Целевой функцией всех подобных моделей является как можно более высокая точность прогноза. 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 [10].

В зависимости от горизонта прогноза используются различные модели предсказания - от имитационных (фундаментальных), включающих в себя сложные расчёты влияния всех внешних факторов, связанных с ценой и объёмами конкретного субъекта ОРЭ, до моделей временных рядов, подразделяющихся на статистические и структурные [13]. 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 деревьев [12].

К используемым в России и за рубежом моделям предсказаний можно отнести следующие:

1. Модели на базе нейронных сетей, эмулирующие работу головного мозга человека с

помощью построения математической модели сети нейронов [3].

2. Модели из семейств ARIMAX (процесс авторегрессии интегрированного скользящего

среднего, используемый для анализа временных рядов) [1].

3. GARCH-модели (обобщенный авторегрессионный процесс с условной

гетероскедастичностью). Предполагается, что временной ряд не инвариантен и

разность между реальным значением и предсказанным имеет ненулевое среднее,

дисперсия нетривиально зависит от прошлых состояний и развивается во времени [6].

4. Модель по выборке максимального подобия (MMSP), находящая во ретроспективных

данных участки, максимально похожие на участки данных текущего времени и на их

основе производящая расчёт будущих значений временного ряда [5].

5. Модели экспоненциального сглаживания используют расчёт экспоненциальных

средних, один из самых простых и распространённых приёмов выравнивания ряда [2].

6. Модели на базе цепей Маркова используют только ближайшую к настоящему моменту

часть временного ряда, считая, что его будущее зависит в большей степени от

настоящего, а не прошлого [14].

7. Модели на базе классификационно-регрессионных деревьев, согласно которым

будущее состояние временного ряда зависит от прошлого , а также от некоторых

независимых переменных (CART) [15].

8. Фундаментальные модели [7]. Используются для целей долгосрочного

прогнозирования.

Следует отметить, что в настоящее время популярность приобрели комбинированные модели, сочетающие в себе математический аппарат нескольких вышеописанных моделей.

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 [12].

В целом можно резюмировать, что для решения задачи предсказания 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 [9].

Недостатки существующих моделей предсказания

К недостаткам фундаментальных моделей для целей краткосрочного прогнозирования в рамках узлов расчётной модели субъекта ОРЭ относится то, что персоналу субъекта по объективным причинам неизвестно большинство внешних факторов, фигурирующих в формулах Регламентов расчётной модели единой энергосистемы Коммерческого Оператора рынка [7,11]. 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.

К недостаткам моделей временных рядов относится зависимость от характера накопленных статистических данных временного ряда. Например, ARIMA и GARCH-модели имеют высокую точность прогноза во времена стабильности рынка и резко её снижают, когда на рынке происходят серьёзные изменения [9]. Основная функция моделей временных рядов посредством математического аппарата находить похожие участки временного ряда в прошлом и на их основе предсказывать цены и потребление энергии в будущем. 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 [8]. К примеру, при прогнозировании на основе модели максимального подобия достоверным считается прогноз с ошибкой до 11 % для цен РСВ и до 7,5 % - для энергопотребления [10].

Особенности СТП-трейдинга

Трейдинг (покупка-продажа электроэнергии на ОРЭ) для СТП в соответствии с текущими редакциями Регламентов ОРЭ характерен следующими свойствами. Сначала происходит покупка планируемого потребления на РСВ по сложившейся на этом рынке цене по ценопринимающей заявке. Затем разница между планируемым и фактическим потреблением покупается (если факт плана) или продаётся (если факт плана) на БР:

 

В подавляющем большинстве случаев согласно статистике ОАО Волжский трубный завод подаёт одноступенчатую ценопринимающую заявку РСВ, т.к. если подобный субъект будет пытаться влиять на цены РСВ, выставляя в заявке конкретные значения цен, то в часы, когда заявка с заданной ценой не прошла, он будет вынужден приобретать электроэнергию на БР по заведомо более высокой цене (даже если цены покупки БР и РСВ в какой-то час равны, то в конце месяца сложившиеся цены покупки БР обязательно изменит в большую сторону ежемесячная корректировка стоимости электроэнергии на БР). Как показывает практика трейдинга ОАО Волжский трубный завод, следствием труднопредсказуемого характера графика нагрузки является указание в заявке РСВ в качестве прогнозного значения часового потребления одинаковых значений. Получаемый ровный график планового часового потребления обеспечивает минимальные из возможных отклонения плана от факта. Попытки предсказать значения фактического потребления электроэнергии с помощью математических моделей временных рядов (на базе нейронных сетей, ARIMAX) и интуитивных моделей не оказались вследствие детально рассмотренных ниже особенностей временного ряда графика нагрузки. На данный момент ровный график планового потребления электроэнергии для ОАО Волжский трубный завод как СТП является меньшим из зол, но не обеспечивает оптимальной работы СТП на ОРЭ. Создание прогнозной СТП-модели призвано преодолеть эту ситуацию.

ОСОБЕННОСТИ ВРЕМЕННОГО РЯДА ГРАФИКА НАГРУЗКИ СТП

 Временной ряд потребления электроэнергии субъектов рынка, относящихся к категории крупных потребителей с превалированием требований технологии над требованиями часового энергетического планирования, имеет труднопредсказуемый вид (причина этого будет показана ниже). Подобным субъектом ОРЭ является, например, металлургическое предприятие с электросталеплавильными печами, доля которых в энергопотреблении завода составляет около 50 %. Согласно статистике, доля потребления дуговой сталеплавильной печи (включая затраты на технологию разливки стали) электросталеплавильного цеха ОАО Волжский трубный завод составляет 44 - 49 процентов от общезаводского потребления. 

Рис. 1 Потребление печи ЭСПЦ относительно потребления ВТЗ в 2014 году

 Характер потребления печи жёстко определяется технологическим процессом плавки стали с отсутствием привязки производственного процесса к началу и окончанию часового интервала. Предсказать длительность каждой плавки заранее трудно. Например, от плотности укладки шихты в бадье зависит устойчивость горения дуги и, соответственно, время плавления. Если же загруженный в печь лом оказался легковесным, то после частичного расплавления первой порции шихты потребуется открытие печи и подсадка шихты с соответствующим увеличением времени плавки. Для ускорения плавления сталевар может применить газо-кислородные горелки, введя их в рабочее пространство печи, или продувку жидкого металла кислородом. Длительность плавки зависит также от электрического режима печного трансформатора. От плавки к плавке возможны изменения его режима из-за обвалов шихты во время плавления, кипения металла, обгорания электродов, подъема уровня металла, изменения сопротивления дугового промежутка. Также от плавки к плавке может меняться нестабильность состава шихты, нестационарность протекания реакций в ванне, введение присадок, износ кладки, выбивания и подсос газов в электросталеплавильную печь. Влияние вышеприведённых факторов приводит к тому, что длительность плавки объективно не может быть привязана к началу и окончанию часовых периодов энергопланирования оптового рынка электроэнергии. Подобная привязка позволила бы планировать потребление с минимальным отношением планируемого и фактического потребления, однако, в условиях сталеплавильного производства она сильно затруднена из-за необходимости безусловного следования требованиям технологического процесса плавки и разливки стали. В противном случае возможно снижение качества стали, а то и заморозка печи.
 Если потребление субъекта ОРЭ в статусе сбытовой компании, обслуживающей, в основном, население и мелкие производственные предприятия, можно предсказывать с ошибкой прогноза  5% вследствие чёткой повторяемости суточных всплесков потребления энергии (см. рис. 2), то практический опыт работы на ОРЭ СТП показывает, что, хотя характер графика потребления печи, безусловно, имеет ярко выраженные повторяющиеся участки высокого и низкого потребления (это собственно плавки и промежуток между ними), очень трудно предсказать, в какое именно время начнётся и закончится очередная плавка (см. рис. 3).

Рис. 2. Вид прогноза потребления с ошибкой прогноза 5%

Рис. 3. Типичный график потребления электросталеплавильного цеха ВТЗ (на основе статистики 2014 года)

На рисунке 3 видно, что даже при ошибке прогноза потребления ниже 5% временной сдвиг всего на полчаса от утверждённого графика производства в 7:00 по требованиям технологии приводит к огромным расхождениям плана и факта потребления электроэнергии. Часовая ошибка MAPE при таком сдвиге приближается к 400% (в час 16:00 17:00: [41МВт*ч 8,3 МВт*ч]/ 8,3 МВт*ч = 3,93). И это главная трудность, с которой сталкивается персонал субъекта ОРЭ с труднопредсказуемым графиком при энерготрейдинге. Потребление ЭСПЦ придаёт характеру графика нагрузки предприятия ту долю неравномерности, которая не позволяет рассчитывать на помощь моделей временных рядов, применение которых на ОРЭ в целом показывает их состоятельность [9].

Одновременно с тем в научной литературе отмечается, что точность прогнозирования электропотребления имеет сильную зависимость от характера неравномерности графика потребления [8]. Таким образом, для СТП вследствие показанной неравномерности характера графика нагрузки отсутствует возможность качественного предсказания часовой пары цена объём электроэнергии на ОРЭ. Вследствие этого затруднено применение существующих на сегодняшний день моделей предсказания, поскольку возможность предсказания с заданной точностью только одного компонента пары цена-объём - часовой цены - не даёт никакой возможности выстроить эффективную модель трейдинга на ОРЭ. Исходя из этого, очевидно, что для преодоления проблемы труднопрогнозируемости графика потребления необходимо применение принципиально иной модели предсказания на ОРЭ для СТП.

ПРЕДЛАГАЕМАЯ ПРОГНОЗНАЯ МОДЕЛЬ (СТП-МОДЕЛЬ)

Предлагаемая модель прогнозирования для СТП для преодоления проблемы труднопредсказуемости графика потребления СТП основана на качественном типе прогноза в отличие от количественного, применяемого в используемых на ОРЭ в данное время моделях. Именно в этом переходе от количественного прогноза к качественному и состоит принципиальное отличие и новизна предлагаемой СТП-модели. Её особенностью является то, что она не сосредоточена на попытках предсказать точные значения объёмов электроэнергии и цен на неё, как это делает любая из моделей предсказания, использующихся на ОРЭ в данное время. Для решения проблемы труднопредсказуемости графика нагрузки СТП-модель использует нюанс работы ОРЭ, заключающийся в том, что для любой группы точек поставки, соответствующей субъекту 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 за разные сутки. Поэтому важнейшим элементом прогноза предлагаемой модели выступают не точные значения цен, а соотношения цен РСВ и БР. Реализация качественного прогноза часового соотношения цен РСВ и БР позволяет снизить требования к точности прогноза объёмов электроэнергии до такого уровня, при котором можно использовать для прогноза заданный коридор значений, величина которого в принципе может быть любым. Поэтому вторым важным элементом прогноза является коридор цен БР - разница цены покупки и продажи БР в каждый час. Важно отметить, что для предсказания ширины коридора не требуется прогнозировать точного абсолютного значения верхней и нижней границы цен; для целей моделирования достаточно знать только относительную ширину коридора.

Статистика цен РСВ и БР для ОАО Волжский трубный завод в посуточном срезе показывает, что для большинства часов (16 из 24) соотношение цен (покупка БР, продажа БР, покупка РСВ) меняется почти каждые сутки (рис. 4).

Рис. 4. Мониторинг соотношения цен РСВ и БР по часу 11:00-12:00 в разные сутки.

В другие часы график может быть более предсказуем, имея в составе только отдельные участки смены соотношений цен РСВ и БР (рис. 5). Таких часов по статистике 4 из 24.

Рис. 5. Мониторинг соотношения цен РСВ и БР по часу 3:00-4:00 в разные сутки.

В остальные часы суток (0:00-2:00, 8:00-9:00 и 23:00-24:00) график может длительное время (около месяца) не иметь смен соотношений цен РСВ и БР (рис. 6).

Рис. 6. Мониторинг соотношения цен РСВ и БР по часу 23:00-24:00 в разные сутки.

Исходя из анализа вышеприведённой статистики для качественного прогноза соотношений цен необходимо сочетание моделирования влияния на смену соотношений цен внешних факторов, описанных в Регламентах функционирования БР и РСВ [7,11], использование открытых данных о работе смежных субъектов ОРЭ, размещённых на сайте Коммерческого оператора ОРЭ (www.rosenergo.com), а также применение знаний о сменах соотношений цен в предыдущие периоды.

Зная основные элементы СТП-прогноза относительное соотношение цен РСВ и БР и коридор цен БР можно успешно заниматься СТП-трейдингом. Исходя от спрогнозированного соотношения цен, можно понять, какой тип сделки на БР - покупка или продажа - в конкретный час будет выгоден предприятию. Обладая знанием о соотношении цен, СТП-модель сформирует в заявке РСВ ту величину потребления электроэнергии, которая с достаточной степенью вероятности гарантированно обеспечит нужный тип сделки на БР. Учитывая труднопрогнозируемый характер потребления, применение СТП-модели позволяет снизить зависимость от точности прогноза потребления электроэнергии.

Особенности прогнозной СТП-модели

СТП-модель, принимая во внимание стимулирующий характер БР, использует тот факт, что при любых вариантах почасовая цена покупки БР всегда больше цены продажи БР. Кроме того, СТП в статусе крупного потребителя, для целей которого создаётся СТП-модель, согласно Регламентам ОРЭ на РСВ всегда только покупает электроэнергию. Поэтому модель рассматривает два основных типа соотношения цен РСВ и БР:

1. Цена покупки РСВ = цене продажи БР:

Выгодна продажа на БР.

2. Цена покупки РСВ = цене покупки БР:

 

Выгодна покупка на БР

Выгодной для предприятия сделкой на БР является та, с ценой которой в конкретный час совпадает цена РСВ. Осуществив этот тип сделки, можно купить или продать разницу между фактическим и планируемым потреблением электроэнергии на БР по той же цене, что и на РСВ. Противоположный тип сделки приносит убыток. Именно поэтому для СТП-модели важно предсказать соотношение цен РСВ и БР, которое напрямую определяет конкретный тип почасовой сделки БР.

В зависимости от ширины коридора цен определяется степень риска при прогнозе на конкретный час. Анализ складывающихся цен ОРЭ показывает наличие однократных гигантских(в 1,5-2 раза и более) повышений цен с частотой один-два раза в месяц.

Рис. 7 Однократный гигантский скачок цены покупки БР в час 18:00-19:00 14 августа 2014

Как видно из рисунка 7, цена покупки БР в час 18:00-19:00 14 августа 2014 резко увеличилась более, чем в 2 раза (3900 руб/МВт∙ч) относительно предыдущих суток, при этом в следующие сутки она резко упала и ещё через сутки её значение практически вернулось к обычному, близкому к среднему за рассматриваемый период (1 500 руб/МВт∙ч). В сутки скачка цены ширина коридора цен БР увеличилась настолько, что степень риска в прогнозе стала максимальной: ошибка в прогнозе типа сделки БР при наличии отклонения план-факт даже в 5 МВт*ч стоила бы предприятию (3900 1500) * 5 = 12 000 рублей всего за 1 час. Анализ статистики ОАО Волжский трубный завод показывает наличие подобных резких скачков цен в 12 из 24 часов суток (10:00-11:00, 11:00-12:00, , 21:00-22:00) 1-2 раз в месяц. Поэтому для СТП-модели важно предсказывать ширину коридора цен и в зависимости от неё регулировать степень риска прогноза, которая полностью зависит от цены ошибки предсказания.

Поскольку СТП-модель имеет дело с труднопрогнозируемым потреблением, для формирования прогнозного значения объёмов электроэнергии она использует страховой интервал такую разницу между прогнозным потреблением и будущим фактическим, которая с достаточной степенью вероятности при любом сложившемся значении фактического потребления обеспечит нужный тип сделки БР, определяемый предсказанным часовым соотношением цен РСВ и БР. От требуемой степени вероятности совершения нужного типа сделки БР и зависит размер страхового интервала. Если СТП-модель в конкретный час прогнозирует узкий коридор цен, то цена риска невелика, и модель уменьшает размер страхового интервала. И наоборот, если ожидается широкий коридор цен, то цена ошибки возрастает, и модель делает размер страхового интервала максимально возможным.

При этом максимальный размер страхового интервала ограничен правилами функционирования ОРЭ. В случае чрезмерного его увеличения соответственно вырастает и доля ежемесячной корректировки небаланса БР, в результате применения которой постфактум вырастают цены покупки и уменьшаются цены продажи БР субъекта ОРЭ. Поэтому СТП-модель не может чрезмерно увеличивать страховой интервал для гарантированного попадания в нужный тип сделки БР. Например, чтобы со 100% вероятностью обеспечить нужное отношение плана и факта в час с прогнозируемым выгодным тип сделки покупка БР и потреблением в районе 100-130 МВт*ч (или 200-230 МВт*ч), СТП-модель, не имеющая ограничений на размер страхового интервала, спрогнозировала бы 50 МВт*ч для потребления в обоих случаях. Часовой тип сделки БР был бы гарантированно исполнен, ожидаемый часовой финансовый результат получен. Однако, если отсутствие данного ограничения оправданно тактически, то стратегически - нет, так как в конце месяца к результатам работы субъекта на ОРЭ будет применена корректировка БР, доля которой вырастет пропорционально объёму сделок БР. Поэтому СТП-модель должна быть настроена таким образом, чтобы степень риска была оптимальной, обеспечивающей, с одной стороны, достаточный для прохождения нужной сделки БР страховой интервал, и небольшие объёмы БР по итогам месяца, с другой.

Согласно статистике ОАО Волжский трубный завод зависимость ежемесячной корректировки от объёмов БР не является прямой, так как от месяца к месяцу меняется и сам размер небаланса всего ОРЭ, доля которого относится субъекту ОРЭ, однако, чем больше у субъекта отклонений плана от факта, тем большая размер ежемесячной корректировки небаланса [7].

Рис. 7. Зависимость доли корректировки БР от объёмов БР ОАО Волжский трубный завод по месяцам 2014

Таким образом, целевой функцией работы модели является максимизация точности качественного прогноза отношений цен РСВ и БР (а также коридора цен БР) при минимизации месячных объёмов БР:

При выполнении этих условий происходит оптимизации размера страхового интервала.

Свойство автокоррекции ошибки прогноза СТП-модели

Особенность характера графика нагрузки СТП наряду с негативным свойством труднопредсказуемости даёт СТП-модели позитивное свойство автоисправления ошибки прогноза. Это происходит в том случае, когда СТП-модель неверно предсказывает тип выгодной часовой сделки БР, но график нагрузки СТП выходит за рамки страхового интервала, в свою очередь, также меняя тип операции БР:

Согласно статистике работы прототипа прогнозной СТП-модели для ОАО Волжский трубный завод, до 5% ошибок предсказания нивелируется этим достоинством, вытекающим из недостатка, каким является труднопредсказуемость графика нагрузки.

Испытания прототипа СТП-модели

Рабочий прототип СТП-модели прогнозирования отношений цен РСВ и БР выполнен в виде программного модуля, являющегося математической имитационной компьютерной моделью ОРЭ для СТП ОАО Волжский трубный завод. В настоящее время написана основа модуля предсказания, и он продолжает развиваться в сторону полного соответствия концептуального описания СТП-прогноза, изложенного в настоящей статье.

Главная задача СТП-модели обойти проблему труднопрогнозируемости графика потребления электроэнергии субъекта ОРЭ в статусе крупного потребителя с превалированием требований технологий над требованиями энергетического планирования. Ежесуточно прототип СТП-модели рассчитывает прогнозное соотношение цен РСВ и БР для группы точек поставки ОРЭ ОАО Волжский трубный завод, основываясь на принципах, описанных в данной статье. В зависимости от спрогнозированного соотношения СТП-модель выставляет в заявке РСВ такое значение планового потребления электроэнергии, которое обеспечит нужный тип сделки на БР. При этом спрогнозированная моделью ширина коридора цен БР определяет величину страхового интервала. Для вспомогательного чернового прогноза потребления электроэнергии СТП-модель использует данные статистики предыдущих 3 месяцев и утверждённый график производства. Таким образом, компьютерная суточная заявка на РСВ оказывается заполненной. Одновременно с этим свою заявку для РСВ формирует персонал отдела главного энергетика. После получения суточного отчёта от Коммерческого оператора оптового рынка происходит сравнение результатов работы двух заявок.

Вследствие специфики СТП-трейдинга, такой, как наличие труднопредсказуемого графика нагрузки и автокоррекции ошибок предсказания, критерием оценки работы прогнозной модели является не точность предсказания, как у традиционно использующихся на ОРЭ моделей предсказаний, а финансовый результат, получающийся после математического подсчёта результатов часовых сделок покупки и продажи электроэнергии по РСВ и БР. Можно точно предсказать все 24 операции БР в сутках, но в некоторые часы (трудно заранее сказать в какие и сколько их) график нагрузки СТП поменяет тип операции БР и тогда точный прогноз, как ни парадоксально, будет убыточен. Оценка работы СТП-модели происходит ежесуточно путём сравнения финансового результата работы на РСВ и БР прототипа прогнозной модели и реального результата работы ОАО Волжский трубный завод, полученного после подачи заявки РСВ персоналом отдела главного энергетика. Ежесуточный финансовый результат складывается из часовых финансовых результатов операций на РСВ и БР.

Поскольку сделки на РСВ и БР происходят ежечасно, итоговый объём цифр за месяц выходит слишком большим для рамок данной статьи. Расчёт в рамках одних суток в результате работы прототипа СТП-модели выглядит следующим образом:

Рис.8 Графический суточный результат работы на РСВ и БР прототипа прогнозной модели и реальной РСВ-заявки предприятия

Пример работы ОАО Волжский трубный завод на РСВ и БР 30 августа 2014 года показывает выгоду от применения прогноза СТП-модели относительно заявки РСВ, поданной персоналом, равную 4124 руб. При этом объёмы БР, что важно для последующей месячной корректировки БР, не сильно отличаются (покупка: 238 МВт*ч у прогнозной модели против 263 МВт*ч у заявки РСВ; продажа: 165 МВт*ч против 152 МВт*ч).

Рис.9 Финансовый результат работы модели в августе 2014

Сравнение результатов СТП-модели и человеческой заявки РСВ за август 2014 года показывает выгоду около 170 тысяч рублей. Как видно из рисунка 9, на данном этапе развития СТП-модели не всегда удаётся предсказать лучше, чем это сделано в заявке, поданной человеком, но, в основном, это удаётся.

Заключение

Таким образом, работа прототипа СТП-модели показывает, что проблему труднопредсказуемости графика потребления электроэнергии, характерного для субъектов оптового рынка электроэнергии России в статусе крупного потребителя с превалированием требований технологии производства над энергетическим планированием, не решаемую моделями предсказания на основе временных рядов и фундаментальными моделями, можно успешно обойти, применив принципиально иной качественный прогноз соотношений цен рынка на сутки вперёд и балансирующего рынка. Это позволяет субъектам ОРЭ с труднопредсказуемым потреблением получить инструмент эффективной работы на ОРЭ, которого до этого они были лишены вследствие характера своего графика нагрузки. Получив инструмент достоверного прогноза, субъект ОРЭ с труднопрогнозируемым потреблением становится способен ориентироваться в ежечасно меняющейся рыночной ситуации и минимизировать стоимость потребленной на ОРЭ электроэнергии.

Литература:

1. Н. Дрейпер, Г. Смит Прикладной регрессионный анализ в 2-х кн. М.: Финансы и статистика, 1986. 366 с.

2. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. (с. 17). М.: Финансы и статистика, 2003. 416 с.

3. Хайкин С. Нейронные сети: полный курс, 2ое издание: Пер. с англ. М.: Издательский дом Вильямс, 2006. 1104 с.

4. Фролов И.Т. Гносеологические проблемы моделирования. М.: Наука, 1961.

5. 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. 2010 г. - № 1.

6. Reinaldo C. Garcia A. GARCH Forecasting Model to Predict Day-Ahead Electricity Prices. German Institute of Economic Research, Germany. 2003. С. 9 12.

7. Регламент определения объёмов, инициатив и стоимости отклонений ОРЭ (http://www.np-sr.ru/regulation/joining/reglaments/index.htm?ssFolderId=58).

8. Макоклюев Б.И., Ёч В. Ф. Взаимосвязь точности прогнозирования и неравномерности графиков электропотребления // Энергетик. 2005 г. № 5. С .20.

9. Бейден С., Смирнов Д., Матвеева М. Риски на рынке электроэнергии и методы прогнозирования цен // Энергорынок. 2004 г. - № 4.

10. Цены Математического бюро. Электронный ресурс (http://www.mbureau.ru/prices).

11. Регламент проведения конкурентного отбора ценовых заявок на сутки вперед (http://www.np-sr.ru/regulation/joining/reglaments/index.htm?ssFolderId=54).

12. Чучуева И.А. Кандидатская диссертация Модель прогнозирования временных рядов по выборке максимального подобия, глава 1, раздел 1.3. МГТУ им. Баумана, Москва, 2012. 155 с.

13. Jingfei Yang M. Sc. Power System Short-term Load Forecasting: Thesis for Ph.d degree. Germany, Darmstadt, Elektrotechnik und Informationstechnik der Technischen Universitat, 2006. 139 p.

14. Zhu J., Hong J., Hughes J.G. Using Markov Chains for Link Prediction in Adaptive Web Sites // 1st International Conference on Computing in an Imperfect World, UK, London, 2002. P. 60 73.

15. Brieman L., Friedamn J.H., Olsehn R.A., and Stone C.J. Classification and Regression Trees, Wadsworth Brooks, Monterey, CA, 1984.

Загрузка...
Комментарии
Отправить