Прогнозирование электропотребления на горнопромышленных предприятиях с использованием статистических методов

DOI: https://doi.org/10.30686/1609-9192-2022-1-82-88

Читать на русскоя языкеС.М. Карпенко1, Н.В. Карпенко2, Г.Ю. Безгинов1
1 Горный институт, Национальный исследовательский технологический университет «МИСиС», г. Москва, Российская Федерация
2 Институт экономики и финансов, Российский университет транспорта (МИИТ), г. Москва, Российская Федерация

Горная Промышленность №1 / 2022 стр. 82-88

Резюме: Прогнозирование потребления электрической энергии с учетом оценки влияния различных факторов позволяет формировать эффективные технические и управленческие решения для оптимизации процессов электропотребления, в том числе при формировании заявок на участие в оптовом рынке электроэнергии и мощности. Для построения моделей в статье используются многомерные методы статистического анализа и эконометрические методы на основе анализа временных рядов. В статье приведены результаты разработки следующих моделей: многофакторной модели электропотребления с использованием регрессионного анализа, метода главных компонент и оценкой влияния производственных факторов на объем электропотребления с помощью коэффициентов эластичности, а также фактора энергосбережения на основе модели с переменной структурой; трендовых аддитивной и мультипликативной прогнозных моделей электропотребления с учетом фактора сезонности, модели с учетом смены тенденции, линейной динамической модели электропотребления с учетом объемов производства; прогнозной адаптивной полиномиальной модели электропотребления, а также модели Уинтерса. Разработанные прогнозные модели имеют достаточно высокую точность (точность MAPE составила менее 7%). Выбор типа модели для прогнозирования электропотребления зависит от количественных и качественных характеристик временных рядов, структуры связи между рядами, цели и задач моделирования. Для повышения точности прогноза в процессе построения различных вариантов сценарных и комбинированных прогнозных моделей электропотребления необходимо проводить регулярное уточнение модели и её настройку на фактическую ситуацию, учитывать новые факторы и тенденции производства.

Ключевые слова: электропотребление, прогнозирование, горнопромышленные предприятия, статистические методы

Для цитирования: Карпенко С.М., Карпенко Н.В., Безгинов Г.Ю. Прогнозирование электропотребления на горнопромышленных предприятиях с использованием статистических методов. Горная промышленность. 2022;(1):82–88. https://doi.org/10.30686/1609-9192-2022-1-82-88


Информация о статье

Поступила в редакцию: 29.12.2021

Поступила после рецензирования: 16.01.2022

Принята к публикации: 21.01.2022


Информация об авторах

Карпенко Сергей Михайлович – кандидат технических наук, доцент кафедры энергетики и энергоэффективности горной промышленности Горного института, Национальный исследовательский технологический университет «МИСиС», г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Карпенко Надежда Викторовна – кандидат технических наук, доцент кафедры информационных систем цифровой экономики Института экономики и финансов, Российский университет транспорта (МИИТ), г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Безгинов Глеб Юзович – аспирант кафедры энергетики и энергоэффективности горной промышленности Горного института, Национальный исследовательский технологический университет «МИСиС», г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.


Список литературы

1. Шаюхов Т.Т. Математическое моделирование влияния внешних факторов на параметры электропотребления. Интернетжурнал «Науковедение». 2017;9(5). Режим доступа: https://naukovedenie.ru/PDF/101TVN517.pdf

2. Lozinskaia A., Redkina A., Shenkman E. Electricity consumption forecasting for integrated power system with seasonal patterns. Applied Econometrics. 2020;60:5–25. https://doi.org/10.22394/1993-7601-2020-60-5-25

3. Бугаец В.А. Краткосрочное прогнозирование электропотребления энергорайонов с учетом влияния метеофакторов: дис. … канд. техн. наук. Новочеркасск; 2015. 241 с.

4. Карпенко С.М., Карпенко Н.В. Эконометрическое моделирование энергопотребления с учетом влияния производственных факторов. Энергобезопасность и энергосбережение. 2020;(1):14–17. https://doi.org/10.18635/2071-2219-2020-1-14-17

5. Chou J.S., Tran D.S. Forecasting energy consumption time series using machine learning techniques based on usage patterns of residential householders. Energy. 2018;165(Part B):709–726. https://doi.org/10.1016/j.energy.2018.09.144

6. Guo H., Chen Q., Xia Q., Kang C., Zhang X. A monthly electricity consumption forecasting method based on vector error correction model and self adaptive screening method. International Journal of Electrical Power & Energy Systems. 2018;95:427–439. https://doi.org/10.1016/j.ijepes.2017.09.011

7. Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы. М.: Финансы и статистика; 1998. 352 с.

8. Wied D.A Nonparametric test for a constant correlation matrix. Econometric Reviews. 2017;36(10):1157–1172. https://doi.org/10.1080/07474938.2014.998152

9. Айвазян С.А., Березняцкий А. Н., Бродский Б.Е., Дарховский Б.С. Статистический анализ моделей с переменной структурой. Прикладная эконометрика. 2015;(3):84–105.

10. Кирпичникова И.М., Соломахо К.Л. Исследование методов прогнозирования электропотребления сбытового предприятия. Электротехнические системы и комплексы. 2014;(3):39–43. Режим доступа: http://www.esik.magtu.ru/doc/2014-3/0039-0043.pdf

11. Бокс Дж., Дженкинс Г. Анализ временных рядов, прогноз и управление. М.: Мир; 1974. Кн. 1. 406 с.

12. Орлов Ю.Н., Осминин К.П. Нестационарные временные ряды: Методы прогнозирования с примерами анализа финансовых и сырьевых рынков. М.: Книжный дом «ЛИБРОКОМ»; 2020. 384 с.

13. Романов Б.А. Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика; 2003. 416 c.

14. Макоклюев Б.И. Анализ и планирование электропотребления. М.: Энергоатомиздат; 2008. 296 с.

15. Zhang X., Wang J., Zhang K. Short-term electric load forecasting based on singular spectrum analysis and support vector machine optimized by Cuckoo search algorithm. Electric Power Systems Research. 2017;146:270–285. https://doi.org/10.1016/j.epsr.2017.01.035

16. Бабокин Г.И., Шпрехер Д.М. Повышение энергоэффективности механизированного очистного забоя угольной шахты. Горный информационно-аналитический бюллетень. 2021;(9):122–134. https://doi.org/10.25018/0236_1493_2021_9_0_122

17. Reshetnyak S., Bondarenko A. Analysis of technological performance of the extraction area of the coal mine. 3rd International innovative mining symposium, IIMS 2018 Kemerovo. E3S Web of Conferences. 2018;41:01014. https://doi.org/10.1051/e3sconf/20184101014

18. Petrov V.L., Sadridinov A.B., Pichuev A.V. Mathematical Simulation of Electrotechnology Characteristics of Mining Complexes. IOP Conference Series: Materials Science and Engineering. 2021;1031:012045. https://doi.org/10.1088/1757-899X/1031/1/012045

19. Belyaevsky R., Gerasimenko A. Development of Mechanisms for Active-Adaptive Control of Reactive Power Based on Intelligent Electrical Networks. ENERGY-21 – Sustainable Development & Smart Management. E3S Web of Conferences. 2020;209:02004. https://doi.org/10.1051/e3sconf/202020902004

20. Shevyrev Yu.V., Pichuev A.V., Shevyreva N.Yu. Electricity Quality Assurance in Open-Pit Mining: Considerations of Today. In: 2020 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). Sochi, 18–22 May 2020. https://doi.org/10.1109/ICIEAM48468.2020.9112036

21. Lyakhomskii A.V., Perfil’eva E.N., Kychkin A.V., Genrikh N. A software-hardware system of remote monitoring and analysis of the energy data. Russian Electrical Engineering. 2015;86(6):314–319. https://doi.org/10.3103/S1068371215060103

22. Валь П.В. Краткосрочное прогнозирование электропотребления горного предприятия в условиях оптового рынка электроэнергии и мощности: дис. … канд. техн. наук. Красноярск; 2012. 191 с.