На протяжении 19 лет я работаю в области моделирования в электроэнергетике: 13 - на рынке России, 6 - на рынке Европы. В 2020 ушла с российского рынка на европейский, но физически оставалась в РФ, работала по контракту как туташний ИП. Я работала в бизнесе и время от времени публиковала научные статьи, основанные за выполненных проектах. Это мое хобби: сделать проект, а после углубиться в теоретическую часть проблемы и обрисовать полученное решение по-научному. Мои статьи 1) были опубликованы на моем личном ресурсе, 2) имеют высокую цитируемость, 3) основных из них переведены на английский и недавно выложена на zenodo.org.

Нижеприведенный блог был написан в 2019 году. Через год мы с коллегой усовершенствовали нашу систему прогнозирования и выиграли промышленное соревнование весной 2020 — в период начала пандемии COVID-19. По итогам того эпопейного соревнования я написала статью The Short-term Electricity Consumption Forecast Competition Under COVID-19 Lockdown Conditions (английская и русская версии). В январе 2022, прямо накануне ..., подала эти тезисы на International Symposium on Forecasting 2022. В апреле они были приняты и вопреки всем прогнозам я доехала до Оксфорда в июле 2022 и выступила с докладом. Ниже история о том, как все это начиналось...

В августе 2015 года в ВАКовском журнале «Наука и образование» опубликована моя статья «Оптимизация работы ТЭЦ в условиях оптового рынка электроэнергии и мощности России». Это был мой первый большой труд по оптимизации, в рамках которого я делала серьезный обзор литературы. Из заметок по обзору и вытекли мои впечатления. Переношу их сюда, так как буду удалять свой личный сайт и уезжать из России.

Сегодня, в 2026 году, я перечитаю и понимаю, что с тех пор в России мало что поменялось. Мою статью цитируют (иногда воруют кусками; однажды сотрудники МЭИ просили не выносить на публику их плагиат), но дела в российской энергетики как шли неважно 10 лет назад, так и остаются плохими. Последняя работа от 2026, цитирующая мою статью, начинается словами: “Минэнерго заявило о конце рыночной экономики в электроэнергетике. В оценке ценовых и тарифных последствий реализации мероприятий Генсхемы дефицит средств на строительство новой генерации и электросетей в 2025–2042 гг. оценен почти в 41,57 трлн руб.” Напомню, что 44 трлн рублей это плановые затраты федерального бюджета в 2026 году...

Этот материал представляет собою перевод любопытнейшей научной статьи Peter Lynch “The Origins of Computer Weather Prediction and Climate Modeling”, которая вдохновляла мои научные изыскания долгие годы. Краткую ее версию я публиковала давно здесь. Вашему вниманию представлен полный вариант.

Моделирование паровых турбин — повседневная задача сотен людей в нашей стране. Вместо слова модель принято говорить расходная характеристика. Расходные характеристики паровых турбин используют при решении таких задач, как вычисление удельного расхода условного топлива на электроэнергию и тепло, производимые ТЭЦ; оптимизация работы ТЭЦ; планирование и ведение режимов ТЭЦ.

Мною разработана новая расходная характеристика паровой турбины — линеаризованная расходная характеристика паровой турбины. Разработанная расходная характеристика удобна и эффективна в решении указанных задач. Однако на текущий момент она описана лишь в двух моих научных работах:

Это старая запись с моего личного сайта, который будет удален в ближайшее время. За 15 лет он набрал 63К+ просмотров. Хочу его перенести сюда, чтобы он дальше набирал свои просмотры.

Рис. 1. Схема работы паровой турбины с двумя тепловыми отборами

Турбина потребляет пар высокого давления Q₀ и вырабатывает электрическую мощность P. Отпуск тепла турбиной осуществляется паром производственного отбора (П–отбор), общей мощностью Q_П, и теплофикационного отбора (Т–отбор), общей мощностью Q_Т.

Я зарегистрировалась на kaggle.com в 2015 году, но даже не помнила об этом. В апреле 2019 года перешла на Python, в октябре активировала свой профиль Kaggle и выложила два алгоритма (notebook). Для затравочки, так сказать.

Вот уже 13 лет мои разработки математических моделей посвящены электроэнергетике: процессам выработки, потребления и, главное, торговле электроэнергии на оптовом рынке. Да-да, почти во всех развитых странах функционируют оптовые рынки электричества. На Kaggle почти нет соревнований, посвященных электроэнергетике.

Предисловие

Это моя модель. Я ее придумала, программно реализовала, изучила особенности и описала. Полученное описание защитила как диссертацию по теме «Модель прогнозирования временных рядов по выборке максимального подобия». Разработанная модель относится к классу статистических моделей прогнозирования и строит прогноз временного ряда на основании фактических значений того же ряда. Подробнее о классификации я писала ранее. Одна из модификаций модели позволяет учитывать влияние внешних факторов на прогноз.

Файлы с реализованным примером можно скачать в архиве.

UPD 07.03.2026: Доступна обновленная версия примера для Python с комментариями на английском языке.

В рамках своей диссертации «Модель прогнозирования по выборке максимального подобия» мне нужно было делать обзор моделей прогнозирования. Кроме обзора, я сделала вариант классификации, который мне тогда не очень удался. Классификацию уже немного поправила, теперь хочется разобраться в существующих моделях прогнозирования временных рядов. Такие модели называют стохастическими моделями (stochastic models).

По оценке некто Тихонова в его «Прогнозировании в условиях рынка» на сегодняшний день (2006 год) существует около 100 методов и моделей прогнозирования. Эта оценка звучит бредово! Давайте теперь вместе разберемся, какие же модели прогнозирования временных рядов существуют на сегодняшний день.

1. Регрессионные модели прогнозирования
2. Авторегрессионные модели прогнозирования (ARIMAX, GARCH, ARDLM)
3. Модели экспоненциального сглаживания (ES)
4. Модель по выборке максимального подобия (MMSP)
5. Модель на нейронных сетях (ANN)
6. Модель на цепях Маркова (Markov chains)
7. Модель на классификационно-регрессионных деревьях (CART)
8. Модель на основе генетического алгоритма (GA)
9. Модель на опорных векторах (SVM)
10. Модель на основе передаточных функций (TF)
11. Модель на нечеткой логике (FL)
12. Что еще?...

Занимаясь прогнозированием временных рядов, часто сталкиваюсь с идеей: «Вот бы реализовать такую модель прогнозирования, которая бы все-все учитывала и давала самый точный на свете прогноз». Утопия ли это? В ответе на этот вопрос окунулась в историю одного из самых сложных вопросов прогнозирования — прогнозирование погоды.

Я занимаюсь прогнозированием временных рядов уже более 5 лет. В прошлом году мною была защищена диссертация по теме «Модель прогнозирования временных рядов по выборке максимального подобия», однако вопросов после защиты осталось порядочно. Вот один из них — общая классификация методов и моделей прогнозирования.

Обычно в работах как отечественных, так и англоязычных авторы не задаются вопросом классификации методов и моделей прогнозирования, а просто их перечисляют. Но мне кажется, что на сегодняшний день данная область так разрослась и расширилась, что пусть самая общая, но классификация необходима. Ниже представлен мой собственный вариант общей классификации.

В чем разница между методом и моделью прогнозирования?

Метод прогнозирования представляет собой последовательность действий, которые нужно совершить для получения модели прогнозирования. По аналогии с кулинарией метод есть последовательность действий, согласно которой готовится блюдо — то есть сделается прогноз.

Модель прогнозирования есть функциональное представление, адекватно описывающее исследуемый процесс и являющееся основой для получения его будущих значений. В той же кулинарной аналогии модель есть список ингредиентов и их соотношение, необходимый для нашего блюда — прогноза.

Совокупность метода и модели образуют полный рецепт!