Поиск наилучшей модели для прогнозирования спроса на рынке электроэнергии

Период изготовления: июль 2023 года.

Целью данной курсовой работы является поиск наилучшей модели прогнозирования спроса на электроэнергию, путем сравнения самых популярных из моделей. Для этого требуется выполнение ряда задач, таких как:

1. Изучить энергетический рынок Австралии, его проблемы и перспективы

2. Рассмотреть теоретические аспекты моделей SARIMAX NeuralProphet и метрик, которые будут в дальнейшем использованы для сравнения

3. Произвести поиск и обработку данных спроса на электроэнергию за период 2015-2020 годов

4. С помощью моделей SARIMAX и NeuralProphet построить прогноз на спрос на электроэнергию и оценить их корректность

5. Сравнить качества прогнозов разных моделей, используя метрики, и сделать выводы, касаемо выбора предпочтительных моделей

Работа была успешно сдана - заказчик претензий не имел.

Готовые работы я могу оперативно проверить на оригинальность по Antiplagiat .ru и сообщить Вам результат.

Введение 3

ГЛАВА 1. Состояние и проблемы электроэнергетической отрасли Австралии 5

1.1 Энергетический профиль Австралии 5

1.2 Проблемы и перспективы развития сферы электроэнергетики в Австралии и штате Виктория 9

ГЛАВА 2. Обзор моделей прогнозирования спроса на электроэнергию 17

2.1 Методы и модели прогнозирования в экономике 17

2.2 Регрессионные модели 19

2.3 Авторегрессионные модели 22

2.4 Модели экспоненциального сглаживания 23

2.5 Модели искусственных нейронных сетей 24

2.6 Метрики оценки и сравнения различных моделей 28

ГЛАВА 3. Построение и сравнение моделей 29

3.1 Визуальная оценка данных 29

3.2 Разделение данных 30

3.3 Автокорреляция и тест Дики-Фуллера 31

3.4 Прогноз по последнему значению и метод экспоненциального сглаживания 32

3.5 SARIMAX 32

3.6 NeuralProphet 33

3.7 Сравнение моделей 37

Заключение 38

Список использованной литературы 39

Австралийский путь энергоперехода / Мастепанов А.М., Сумин А.М., Чигарев Б.Н. // Энергетическая политика. №2 (168). 2022. C. 26-42.

Айзенберг Н.И., Филатов А.Ю. Моделирование и анализ механизмов функционирования электроэнергетических рынков. Иркутск: Изд-во Иркут. гос. ун-та, 2013. 100 с.

Бирюков Е.В., Манусов В.З. Краткосрочное прогнозирование электрической нагрузки на основе нечеткой нейронной сети и ее сравнение с другими методами // Известия Томского политехнического университета. 2006. №6. С. 153-158.

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

Громова Н. М., Громова Н. И. Основы экономического прогнозирования. М.: Академия Естествознания, 2006. 112 с.

Ивченко В. Д., С. С. Кананадзе. Применение нейросетевых технологий в различных областях науки и техники // Приборы и системы. Управление, контроль, диагностика. 2005. №6. С. 28 – 29.

Использование нейронной сети для краткосрочного прогнозирования электропотребления промышленного предприятия / И.В. Воронов И.В., Политов Е.А, Ефременко В.М. // Вестник КузГТУ. 2006. № 6. С. 71-73.

Исследования молодых ученых: отраслевая и региональная экономика, инновации, финансы и социология / Под ред. В.Е. Селиверстова, Н.Ю. Самсонова, И.О. Семыкиной. Новосибирск: ИЭОПП СО РАН, 2013. 320 с.

Клеопатров Д. И., А. А. Френкель. Прогнозирование экономических показателей с помощью метода экспоненциального сглаживания. М.: Наука, 1973. 298 с.

Линдер Н., Трачук А.В. Влияние перекрестного субсидирования в электро- и теплоэнергетике на изменение поведения участников оптового и розничного рынков электро- и теплоэнергии // Стратегические решения и риск-менеджмент. 2017. №3. С. 78-86.

Льюис, К.Д. Методы прогнозирования экономических показателей / К.Д. Льюис; пер. с англ.: Е. З. Демиденко. – М.:Финансы и статистика,1986. – 132 с.

Мамонтов Д. В., Селезнев С. В. Классификация методов и моделей прогнозирования // Устойчивое развитие горных территорий. 2014. № 1. С. 51-55.

Мастепанов А.М., Хирофуми Араи. Основные проекты водородной стратегии Японии и их потенциальное влияние на перспективы развития нефтегазовой отрасли России// Проблемы экономики и управления нефтегазовым комплексом. Научно-экономич. журнал. №12 (192). 2020. С. 45-54.

Методика выбора входных параметров нейронной сети для прогнозирования электропотребления промышленного предприятия / Воронов И.В., Ефременко В.М., Политов Е.А // Вестник КузГТУ. 2007. № 3. С. 38.

Михайлова Е.Б. Проблема классификации моделей и методов прогнозирования // Учет и статистика. 2017. №1 (45). С. 75-81.

Старкова Г.С. Комплекс экономико-математических моделей прогнозирования потребления электроэнергии в регионах РФ и его инструментальная реализация: дис. канд. экон. наук: 08.00.13. Пермь, 2014. 153 с.

Тихонов Э. Е. Методы прогнозирования в условиях рынка. Невинномысск, 2006. 221 с.

Хайкин С. Нейронные сети: полный курс. М.: ООО «И. Д. Вильямс», 2006. 1104 с.

ABC News. Scott Morrison to spend extra $539 million on new 'clean' energy projects. But will they reduce emissions? URL: https://www.abc.net.au/news/2021-04-21/scott-morrison-clean-energy-hydrogen-and-carbon-capture/100082792 (дата обращения: 03.07.2023).

Annual Benchmarking Report Electricity distribution network service providers 2022. URL: https://www.aer.gov.au/system/files/AER%20-%202022%20Annual%20Benchmarking%20Report%20-%20Electricity%20distribution%20network%20service%20providers%20-%20November%202022_2.pdf (дата обращения: 02.07.2023).

Application of SARIMAX Model to Forecast Daily Sales in Food Retail Industry / Arunraj N. S., Ahrens D., Fernandes M. // International Journal of Operations Research and Information Systems. 2016. №7. Pp. 1-21.

Australian Energy Market Operator. Distributed Energy Resources Data Dashboard. URL: https://aemo.com.au/energy-systems/electricity/der-register/data-der/data-dashboard (дата обращения: 02.07.2023).

Australian Energy Market Operator. Generation Information. URL: https://www.aemo.com.au/energy-systems/electricity/national-electricity-market-nem/nem-forecasting-and-planning/forecasting-and-planning-data/generation-information (дата обращения: 01.07.2023).

Australian Energy Regulator. Annual Benchmarking Report Electricity transmission network service providers 2022. URL: https://www.aer.gov.au/system/files/AER%20-%202022%20Annual%20Benchmarking%20Report%20-%20Electricity%20transmission%20network%20service%20providers%20-%20November%202022_0.pdf (дата обращения: 02.07.2023).

Bergmeir С., Godahewa R., Hyndman R., Montero-Manso P., Webb G. Australian Electricity Demand Dataset 2021. URL: https://zenodo.org/record/4659727 (дата обращения: 04.04.2023).

Competition and Consumer Act 2010 Compilation No.131 (ред. от 16.12.2020). URL: https://www.legislation.gov.au/Details/C2021C00010 (дата обращения: 02.07.2023).

Department of Climate Change, Energy, the Environment and Water. Australian Energy Statistics. URL: https://www.energy.gov.au/government-priorities/energy-data/australian-energy-statistics (дата обращения: 01.07.2023).

Draper N., Smith H. Applied regression analysis. New York: Wiley, In press. 1981. 693 p.

Energy Networks Australia, Commonwealth Scientific and Industrial Research Organisation. Electricity Network Transformation Roadmap: Final Report 2017. URL: https://www.energynetworks.com.au/resources/reports/electricity-network-transformation-roadmap-final-report/ (дата обращения: 02.07.2023).

Ghaderi S.F., Javanmard M. E. Energy demand forecasting in seven sectors by an optimization model based on machine learning algorithms // Sustainable Cities and Society. 2023. №95. Pp. 29-47.

HESC. The world-first Hydrogen Energy Supply Chain (HESC) Project. URL: https://www.hydrogenenergysupplychain.com (дата обращения: 03.07.2023).

Karakatsani N., Bunn D. Forecasting Electricity Prices: The Impact of Fundamentals and Time-varying Coefficients // International Journal of Forecasting. 2008. №24. Pp. 764-785.

Makridakis S., Hibon M. Evaluating accuracy (or error) measures. Fontainebleau, 1995. 41 p.

Murphy A.H., Winkler R.L. On Seeking a Best Performance Measure or a Best Forecasting Method // International Journal of Forecasting. 1992. №8. Pp. 104-107.

National Electricity (South Australia) Act 1996 (ред. от 14.04.2023). URL: https://www.legislation.sa.gov.au/__legislation/lz/c/a/national%20electricity%20(south%20australia)%20act%201996/current/1996.44.auth.pdf (дата обращения: 30.06.2023).

National Electricity Amendment (Register of distributed energy resources) Rule 2018. URL: https://www.aemc.gov.au/sites/default/files/2018-09/ERC0227%20-%20DER%20register%20-%20Final%20Determination%20%28final%29.pdf (дата обращения: 02.07.2023).

National Energy Retail Law (South Australia) Act 2011 (ред. от 30.06.2023). URL: https://www.legislation.sa.gov.au/__legislation/lz/c/a/national%20energy%20retail%20law%20(south%20australia)%20act%202011/current/2011.6.auth.pdf (дата обращения: 01.07.2023).

On the selection of forecasting accuracy measures / Assimakopoulos V., Koutsandreas D., Petropoulos F., Spiliotis E. // Journal of the Operational Research Society. 2021. №73. Pp. 1-18.

Shilpa G. N., Sheshadri G. S. ARIMAX Model for Short-Term Electrical Load Forecasting // International Journal of Recent Technology and Engineering. 2019. №8. Pp. 2786-2790.

Taylor S.J., Letham B. Forecasting at Scale. URL: https://peerj.com/preprints/3190.pdf (дата обращения: 06.07.2023).

The International Energy Agency. Australia. Key energy statistics 2019. URL: https://iea.org/countries/australia (дата обращения: 03.07.2023).

The International Energy Agency. Key World Energy Statistics 2020. URL: https://iea.blob.core.windows.net/assets/1b7781df-5c93-492a-acd6-01fc90388b0f/Key_World_Energy_Statistics_2020.pdf (дата обращения: 03.07.2023).

The International Energy Agency. Statistic report World Energy Balances Outlook 2020. URL: https://iea.blob.core.windows.net/assets/23f096ab-5872-4eb0-91c4-418625c2c9d7/World_Energy_Balances_Overview_2020_edition.pdf (дата обращения: 03.07.2023).

Wallin F., Torstensson D. Energy demand model design for forecasting electricity consumption and simulating demand response scenarios in Sweden. Suzhou, 2012. P. 7.