Все
 
 
 


Краткосрочное прогнозирование цены электроэнергии на российском рынке с использованием класса моделей SCARX
 
Код статьиS042473880003318-8-1
DOI10.31857/S042473880003318-8
Тип публикации Статья
Статус публикации Опубликовано
Авторы
Афанасьев Дмитрий Олегович 
Должность: аспирант кафедры
Аффилиация: Финансовый университет при Правительстве РФ
Адрес: ,
Федорова Елена Анатольевна
Должность: профессор кафедры финансового менеджмента
Аффилиация: Финансовый университет при Правительстве РФ
Адрес: РФ
Название журналаЭкономика и математические методы
ВыпускТом 55 Номер 1
Страницы68-84
Аннотация

В данном исследовании для двух ценовых зон российского оптового рынка электроэнергии выполнена апробация класса прогнозных моделей авторегрессии с сезонной компонентой и экзогенными факторами SCARX, включающей экстраполяцию долгосрочной тренд-сезонной компоненты и отдельное прогнозирование краткосрочной сезонно-стохастической составляющей. Для заданного широкого набора параметров сглаживания временных рядов цен проведено сравнение моделей SCARX на базе вейвлет-разложения (SCARX-W) и фильтра Ходрика—Прескотта (SCARX-HP) с обычной авторегрессионной моделью ARX и «наивным» подходом (основанном на предположении равенства цен в идентичные дни недели). Оценка эффективности рассматриваемых моделей проводилась с использованием средневзвешенных недельных и дневных ошибок, а также формальной статистической процедуры сравнения прогностических способностей моделей — теста Диболда—Мариано (DM). Численный эксперимент был выполнен на исторических данных о цене и плановом потребление в зонах Европа—Урал и Сибирь российской электроэнергетической биржи. Тестовый период составил 104 недели или 728 дней. В результате проведенного исследования показано, что на российском рынке модель SCARX-W позволяет получить более высокую точность прогноза, по сравнению с SCARX-HP и ARX. При этом минимальная недельная ошибка, которую удалось достичь для ценовой зоны Европа–Урал, составила 4,932%, дневная ошибка — 4,997%. Для зоны Сибирь аналогичные показатели равны 9,144 и 10,051%, соответственно. Эти же результаты подтверждаются формальным DM-тестом, выполненным отдельно для каждого часа суток. Для преодоления проблемы априорного выбора параметров сглаживания в работе предложено использовать различные методы комбинирования прогнозов. 

Ключевые словапрогнозирование цены электроэнергии, авторегрессия с сезонной компонентой, вейвлет-сглаживание, фильтр Ходрика—Прескотта, тест Диболда—Мариано.
Источник финансированияИсследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований (проект 16-06-00237 A).
Получено14.03.2019
Дата публикации21.03.2019
Кол-во символов37588
Цитировать   Скачать pdf Для скачивания PDF необходимо авторизоваться

Оглавление

1. Введение
2. Методология исследования
3. Заключение
1

1. Введение
2 В последние 25—30 лет прогнозирование цены электроэнергии, которая формируется на оптовом рынке, стало одной из наиболее актуальных и вместе с тем достаточно сложных задач, решаемых в рамках операционной деятельности генерирующих компаний и крупных потребителей (Eydeland, Wolyniec, 2012; Weron, 2014). Причиной этому послужил глобальный мировой тренд дерегулирования сектора электроэнергетики, который в первом десятилетии XX в. затронул и Россию. Планирование деятельности энергокомпаний в рыночных условиях ценообразования существенно усложнилось, а принимаемые финансовыми службами решения привели к более существенным последствиям (Carmon, Coulon, 2014).
3 В чем сложность прогнозирования цены электроэнергии? Прежде всего в особенностях свойств этого продукта, которые приводят к существенным отличиям динамики рынка электроэнергии от других товарных рынков. Для нее характерны (Casazza, Delea, 2003; Janczura et al.,2013; Carmon, Coulon, 2014): невозможность формирования запасов, совпадение моментов производства и потребления, высокая волатильность цены, наличие выбросов в ценах, краткосрочная неэластичность спроса по цене, тенденция возврата цены к среднему значению, использование поставщиками различных технологий генерирования электроэнергии с существенно отличающимися размерами предельных издержек.
4 Учитывая актуальность обсуждаемой проблемы, неудивительно, что за последние 15—20 лет было предложено много различных математических инструментов и моделей для формирования прогноза. Одной из наиболее динамически развивающихся здесь областей является краткосрочное прогнозирование, которое ставит задачу сформировать понимание динамики цены на ближайшие 24 часа для так называемого рынка «на сутки вперед» (РСВ). Комплексный обзор последних достижений в этом направлении можно найти в работе (Weron, 2014). В ней же автор отмечает один из существенных пробелов в имеющейся на текущий момент литературе: мало внимания уделяется вопросам моделирования и прогнозирования долгосрочной тренд-сезонной компоненты в динамике цены на электроэнергию, особенно в контексте построения краткосрочного прогноза.
5 Действительно, с одной стороны, интуитивно понятно, что при работе с горизонтом в 24 часа важнее всего учитывать краткосрочную дневную и недельную сезонные компоненты, в то время как трендовой составляющей можно пренебречь, заменив ее на простое среднее за период от одного года и более в прошлом. С другой стороны — есть ли формальные или эмпирические данные для подтверждения такой рассуждений. В работе (Nowotarski, Weron, 2016) задаются этим вопросом и сравнивают предложенную ими модель SCARX (Seasonal Component AutoRegressive — авторегрессия с сезонной компонентой и экзогенными факторами) — комбинацию экстраполяции оценочной тренд-сезонной составляющей на базе модели случайного блуждания и прогноза остатка, полученного с помощью авторегрессии, — с традиционной моделью ARX. Авторы приходят к выводу, что учет долгосрочной компоненты, а также правильный выбор метода и параметров для ее оценки ведут к существенному повышению точности получаемых прогнозов. Особенностью прогнозирования цены электроэнергии на РСВ России является относительная скромность числа академических исследований на данную тематику. В то же время на рынке существует ряд компаний, которые готовы оказывать информационно-консультационных услуги по формированию прогнозов цены, но при этом ожидаемо не раскрывают детали используемых алгоритмов и моделей. Среди них можно упомянуть компанию «StatSoft Russia» (система «Energy–Forecast: Цены»)1, ООО «Форексис» (система «Energy4Cast»)2, ООО «ЭНКОСТ»3 и пр. Исключение здесь составляет прогнозирование Математического бюро4. Его информация на официальном сайте этой компании основывается на публично доступной диссертационной работе одного из ее организаторов (Чучуева, 2012). Учитывая вышесказанное, целью данного исследования является апробация и проверка оправданности применения предложенного (Nowotarski, Weron, 2016) класса моделей SCARX на российском рынке на сутки вперед. Его результаты не только расширят число общедоступных подходов к прогнозированию цены электроэнергии на рынке России, так и позволит более детально верифицировать результаты, полученные ранее упомянутыми исследователями. Для достижения указанной цели в работе решается ряд задач. Во-первых, выбираются бенчмарк-модели, с которыми будет выполняться сравнение точности прогноза SCARX («наивная» модель (Nogales et al., 2002) и экономичная ARX-спецификация (Misiorek et al., 2006)). Во-вторых, кратко рассматривается математический формализм класса моделей SCARX и методов оценки долгосрочной тренд-циклической компоненты, применяемой в рамках SCARX. В-третьих, обосновывается выбор базовых мер ошибки, с помощью которых сравнивается качество полученных прогнозов, а также предлагается использовать формальную процедуру сравнения прогностических способностей — тест (Diebold, Mariano, 1995). В-четвертых, формируются наборы данных о цене электроэнергии на РСВ и прогнозе потребления. Наконец, в-пятых, выполняется эмпирическое сравнение точности SCARX с более простыми — «наивной» и моделями ARX, а также сопоставляется аккуратность прогнозов, получаемых на базе SCARX с различными методами сглаживания временных рядов. 1. >>>>

2. >>>>

3. >>>>

4. >>>>

Цена публикации: 0

Всего подписок: 2, всего просмотров: 1439

Оценка читателей: голосов 0 

1. Валь П.В., Клепче Н.С. (2011). Краткосрочное прогнозирование цены на электро-энергию в условиях оптового рынка электроэнергии и мощности. [Электронный ресурс]. Режим доступа: http://conf.sfu-kras.ru/sites/mn2011/thesis/s9/s9_30.pdf,  доступ свободный. Загл. с экрана. Яз. рус. (дата обращения: 09.2017).
2. Чучуева И.А. (2012). Модель прогнозирования временных рядов по выборке мак-симального подобия. Кандидатская диссертация. М.: МГТУ им. Баумана.
3. Федорова Е.А., Афанасьев Д.О. (2015). Исследование взаимосвязи цены и спроса на российском рынке электроэнергии // Известия РАН. Энергетика. № 3. С. 3—17.
4. Afanasyev D., Fedorova E. (2016). The Long-Term Trends on the Electricity Markets: Comparison of Empirical Mode and Wavelet Decompositions // Energy Economics. No. 56. P. 432—442.
5. Carmon R., Coulon M. (2014). A Survey of Commodity Markets and Structural Models for Electricity Prices. In: “Modeling, Pricing, and Hedging in Energy and Commodity Markets”. New York: Springer.
6. Casazza J., Delea F. (2003). Understanding Electric Power Systems: An Overview of the Technology and the Marketplace. Hoboken, New Jersey: Wiley.
7. Conejo A.J., Contreras J., Espinola R., Plazas M.A. (2005). Forecasting Electricity Prices for a Day-Ahead Pool-Based Electric Energy Market // International Journal of Forecast-ing. Vol. 21. No. 3. P. 435—462.
8. De Jong C. (2006). The Nature of Power Spikes: A Regime-Switch Approach // Studies in Nonlinear Dynamics and Econometrics. Vol. 10. No. 3. P. 35—47.
9. Diebold F.X., Mariano R.S. (1995). Comparing Predictive Accuracy // Journal of Busi-ness and Economic Statistics. Vol. 13. P. 253—263.
10. Eydeland A., Wolyniec K. (2012). Energy and Power Risk Management. Hoboken, New Jersey: Wiley.
11. Haldrup N., Nielsen F., Nielsen M. (2010). A Vector Autoregressive Model for Elec-tricity Prices Subject to Long Memory and Regime Switching // Energy Economics. No. 32. P. 1044—1058.
12. Hodrick R., Prescott E. (1997). Postwar U.S. Business Cycles: An Empirical Investiga-tion // Journal of Money, Credit and Banking. Vol. 29. No. 1. P.  1—16.
13. Hyndman R., Athanasopoulos G. (2013). Forecasting: Principles and Practice. [Элек-тронный ресурс]. Режим доступа: http://otexts.org/fpp/,  доступ свободный. Загл. с экрана. Яз. англ. (дата обращения: 09.2017).
14. Janczura J., Truck S., Weron R., Wolff R. (2013). Identifying Spikes and Seasonal Components in Electricity Spot Price Data: A Guide to Robust Modeling // Energy Economics. No. 38. P. 96—110.
15. Lisi F., Nan F. (2014). Component Estimation for Electricity Prices: Procedures and Comparisons // Energy Economics. No. 44. P. 143—159.
16. Maciejowska K., Nowotarski J., Weron R. (2016). Probabilistic Forecasting of Elec-tricity Spot Prices Using Factor Quantile Regression Averaging // International Journal of Fore-casting. Vol. 32. No. 3. P. 957—965.
17. Maciejowska K., Weron R. (2016). Short- and Mid-Term Forecasting of Baseload Elec-tricity Prices in the UK: The Impact of Intra-Day Price Relationships and Market Fundamentals // IEEE Transactions on Power Systems. Vol. 31. No. 2. P. 994—1005.
18. Misiorek A., Truck S., Weron R. (2006). Point and Interval Forecasting of Spot Elec-tricity Prices: Linear vs. Non-Linear Time Series Models // Studies in Nonlinear Dynamics and Econometrics. Vol. 10. No. 3. P. 57—66.
19. Nogales F.J., Contreras J., Conejo A.J., Espinola R. (2002). Forecasting Next-Day Electricity Prices by Time Series Models // IEEE Transactions on Power Systems. No. 17. P. 342—348.
20. Nowotarski J., Raviv E., Truck S., Weron R. (2014). An Empirical Comparison of Al-ternative Schemes for Combining Electricity Spot Price Forecasts // Energy Economics. No. 46. P. 342—348.
21. Nowotarski J., Tomczyk J., Weron R. (2013). Robust Estimation and Forecasting of the Long-Term Seasonal Component of Electricity Spot Prices // Energy Economics. No. 39. P. 13—27.
22. Nowotarski J., Weron R. (2016). On the Importance of the Long-Term Seasonal Com-ponent in Day-Ahead Electricity Price Forecasting // Energy Economics. No. 57. P. 228—235.
23. Weron R. (2014). Electricity Price Forecasting: A Review of the State-of-the-Art with a Look into the Future // International Journal of Forecasting. No. 30. P. 1030—1081.
24. Weron R., Zator M. (2015). A Note on Using the Hodrick—Prescott Filter in Electricity Markets // Energy Economics. No. 48. P. 1—6.

Система Orphus

Загрузка...
Вверх