Жил-был Петя, у него была собственная хлебопекарня «Свежая булочка». В пекарне работало три мощные электропечи. Пекарня была подключена к линии электропередач напряжением 110 кВ. Такую линию считают высоковольтной. Обычные дома подключены к линиям 220, 380 В, то есть почти в тысячу раз меньше. Петя является так называемым промышленным потребителем, он покупает электроэнергию для своей хлебопекарни у компании «МойЭнергоСбыт». По сути всех потребителей электроэнергии можно разбить на две большие группы: промышленные потребители и население. В России в 2017 году на долю промышленных потребителей пришлось около 85% всей потребляемой электроэнергии. Цена на электроэнергию для Петиной «Свежей булочки» в том же 2017 году составила 4 руб./кВт·ч, то есть за каждые 250 кВт·ч Петя заплатил мешок денег — 1000 рублей.

Предисловие к первой части

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 научных работах:

1. Оптимизация работы ТЭЦ в условиях оптового рынка электроэнергии и мощности России;
2. Вычислительные методы определения удельных расходов условного топлива ТЭЦ на отпущенную электрическую и тепловую энергию в режиме комбинированной выработки.

И сейчас в своем блоге мне бы хотелось:

• во-первых, простым и доступным языком ответить на основные вопросы о новой расходной характеристике (см. Линеаризованная расходная характеристика паровой турбины. Часть 1. Основные вопросы);
• во-вторых, предоставить пример построения новой расходной характеристики, который поможет разобраться и в методе построения, и в свойствах характеристики (см. ниже);
  
• в-третьих, опровергнуть два известных утверждения относительно режимов работы паровой турбины (см. Линеаризованная расходная характеристика паровой турбины. Часть 3. Развенчиваем мифы о работе паровой турбины).
  

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 07.03.2019: Доступна обновленная версия примера для MATLAB 2015b 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, я полно разбирала ее! 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!