• Что вы знаете об оптовой и розничной торговле электроэнергией?

    • Tutorial


    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.
    Внимание, вопрос: за что были заплачены эти деньги?
  • Линеаризованная расходная характеристика паровой турбины. Часть 2. Пример построения для турбины ПТ-80 в MATLAB

    • Tutorial

    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:



    Читать
  • Модель прогнозирования временных рядов по выборке максимального подобия: пояснение и пример

    • Tutorial

    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.

    1. Пояснение модели прогнозирования по выборке максимального подобия


    1.1. Основная идея и ее иллюстрация на выборках временного ряда


    Полное формальное описание модели прогнозирования можно найти во второй главе моей диссертации. Однако если говорить просто, то в основу модели положена идея о развитии истории по спирали: этапы повторяются, но с изменяющимися свойствами.

    Если приложить указанную идею к временным рядам, то можно сказать так: в фактических значениях временного ряда, если их достаточно много, наверняка есть отрезок, который очень похож на то, что происходит накануне прогноза.

    На рис. 1 представлена часть временного ряда Z(t), для которого без специальных вычислений заметны похожие отрезки. Назовем отрезок временного ряда, имеющий начало в отметке времени tи длину (число отсчетов) M, выборкой временного ряда (time series pattern) и обозначим ZMt.

    Временной ряд Z(t)и некоторые его выборки

    Рис. 1. Временной ряд Z(t)и некоторые его выборки

    Всякая модель прогнозирования исходит из некоторого предположения. В модели по выборке максимального подобия предполагается, что если история повторяется, то для каждой выборки, предшествующей прогнозу, есть подобная выборка, содержащаяся в фактических значениях этого же временного ряда. Формально это называется гипотеза подобия (см. диссертацию).

    Соотношение выборок и их название можно увидеть на рис. 2.

    Выборки временного ряда Z(t)

    Рис. 2. Выборки временного ряда Z(t)

    В момент времени T, который называется моментом прогноза, нужно определить Pзначений временного ряда в будущем, т. е. вычислить выборку Прогноз. При этом значения Выборки новой истории являются доступными. Далее, исходя из предположения о том, что для каждой выборки есть подобная, нужно найти Выборку максимального подобия для Выборки новой истории и предположить, что история повторится, то есть основой для прогнозных значений станет Базовая выборка.

    Далее необходимо ответить на три вопроса.

    Определим вопросы и ответы
  • Обзор моделей прогнозирования временных рядов: проба пера

    • Tutorial
    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?...

    Разберемся по очереди со всеми
  • История прогноза погоды

    • Tutorial
    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.

    Прогноз погоды
    Попробуем разобраться на примере прогноза погоды
  • Классификация методов и моделей прогнозирования

    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!


    Читать дальше →