Масштаб и динамика аварий из-за непогоды на энергообъектах регионов России

Масштаб и динамика аварий из-за непогоды на энергообъектах регионов России

Автор: Горбачева Н.В., Тимофеева А.Ю.

Журнал: Вестник Южно-Уральского государственного университета. Серия: Энергетика @vestnik-susu-power

Рубрика: Электроэнергетика

Статья в выпуске: 3 т.23, 2023 года.

Бесплатный доступ

Энергетика России является не только агентом, но и важным реципиентом последствий изменения климата, при этом неготовность энергосистемы реагировать на экстремальные погодные условия по-разному проявляется в регионах, расположенных в разных природно-климатических условиях и обладающих неоднородной энергообеспеченностью. Цель статьи - выявить наиболее уязвимые кластеры регионов и оценить промышленный и социальный ущерб от аварий из-за непогоды. На основе сбора уникального массива данных и кластерного анализа 5380 записей первичных данных Ситуационно-аналитического центра Минэнерго РФ об авариях на энергообъектах за 2014-2019 гг. сформированы шесть кластеров, отличающихся по масштабам, частоте и cезонности аварий. Регрессионная модель экономического ущерба показала, что в целом негативный эффект от аварий растет, при этом более долгосрочное влияние на экономическое развитие регионов России оказывают отключения электроснабжения населения, нежели промпредприятий.

Еще

Электроэнергетика, изменение климата, аварии, чрезвычайные ситуации, кластерный анализ, экономический ущерб, регионы, Россия

Короткий адрес: https://sciup.org/147241853

IDR: 147241853   |   DOI: 10.14529/power230301

Список литературы Масштаб и динамика аварий из-за непогоды на энергообъектах регионов России

  • H.R.5376 – Inflation Reduction Act of 2022. URL: https://www.congress.gov/bill/117th-congress/housebill/5376?q=%7B%22search%22%3A%5B%22Inflation+Reduction+Ac%22%2C%22Inflation%22%2C%22 Reduction%22%2C%22Ac%22%5D%7D&r=2&s=1.
  • REPowerEU Plan. URL: https://eur-lex.europa.eu/resource.html?uri=cellar:fc930f14-d7ae-11ec-a95f-01aa75ed71a1.0001.02/DOC_1&format=PDF.
  • Башмаков И.А. Прогнозы развития энергетики мира 30 лет спустя: проверка прошлым уроков будущего // Вопросы экономики. 2022. № 5. С. 51–78. DOI: 10.32609/0042-8736-2022-5-51-78
  • Ахамер Г. Сценарии системных переходов для энергетики и экономики // Форсайт. 2022. Т. 16. № 3. С. 17–34. DOI: 10.17323/2500-2597.2022.3.17.34
  • IPCC, 2022: Climate Change 2022: Impacts, Adaptation, and Vulnerability. Contribution of Working Group II to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change / H.-O. Pörtner, D.C. Roberts, M. Tignor et al. Cambridge University Press. URL: https://www.ipcc.ch/report/ar6/wg2/downloads/report/IPCC_AR6_WGII_FinalDraft_FullReport.pdf. DOI: 10.1017/9781009325844
  • Волны тепла – новая опасность для энергосистемы России / В.В. Клименко, А.С. Гинзбург, Е.В. Федотова, А.Г. Терешин // Доклады Российской академии наук. Физика, технические науки. 2020. Т. 494, № 1. С. 82–88. DOI: 10.31857/S2686740020050090
  • Анализ аварийности и травматизма в электроэнергетике Российской Федерации / А.Б. Тряпицын, И.М. Кирпичникова, В.Ф. Бухтояров, Г.А. Круглов // Вестник ЮУрГУ. Серия «Энергетика». 2018. Т. 18, № 4. С. 30–40. DOI: 10.14529/power180404
  • Ожегов Е.М., Попова Е.А. Спрос на электроэнергию и погода в регионе: непараметрический подход // Прикладная эконометрика. 2017. Т. 46. С. 55–73.
  • Журавлев О.А. Тенденции электропотребления населением Московской агломерации // Регион: экономика и социология. 2013. № 1 (77). С. 91–99.
  • Быков Ф.Л., Гордин В.А. Краткосрочный прогноз часового потребления электроэнергии с учетом погоды для субъектов РФ // Известия Российской академии наук. Энергетика. 2017. № 5. С. 47–56.
  • Папков Б.В., Куликов А.Л., Осокин В.Л. Вероятности редких случайных событий в электроэнергетике // Электричество. 2019. № 2. С. 4–9. DOI: 10.24160/0013-5380-2019-2-4-9
  • Климатические экстремумы – новый вызов для российских энергосистем / В.В. Клименко, А.В. Клименко, А.Г. Терешин, Е.В. Федотова // Теплоэнергетика. 2021. № 3. С. 3–17. DOI: 10.1134/S004036362103005X
  • Седнев В.А, Смуров А.В., Седнев А.В. Факторы, влияющие на электроэнергетическую безопасность субъектов Российской Федерации // Проблемы безопасности и чрезвычайных ситуаций. 2021. № 2. С. 78–91. DOI: 10.36535/0869-4176-2021-02-9
  • Лапшина К.М. Роль региональных властей в обеспечении энергетической безопасности субъектов РФ // Ars Administrandi. Искусство управления. 2017. Т. 9, № 4. С. 607–628. DOI: 10.17072/2218-9173-2017-4-607-628
  • Fulcher B.D., Jones N.S. Highly comparative feature-based time-series classification // IEEE Transactions on Knowledge and Data Engineering. 2014. 26 (12). P. 3026–037. DOI: 10.1109/tkde.2014.2316504
  • Нильсен Э. Практический анализ временных рядов: прогнозирование со статистикой и машинное обучение. СПб.: ООО «Диалектика», 2021. 544 с.
  • Статистическая климатология: современные достижения и новые идеи (Научные чтения памяти Георгия Вадимовича Груза) / Э.Я. Ранькова, Г.В. Алексеев, М.А. Алешина [и др.] // Фундаментальная и прикладная климатология. 2022. Т. 8, № 1. С. 5–50. DOI: 10.21513/2410-8758-2022-1-5-50
  • NbClust: an R package for determining the relevant number of clusters in a data set / M. Charrad, N. Ghazzali, V. Boiteau, A. Niknafs // Journal of Statistical Software. 2014. 61. P. 1–36. DOI: 10.18637/jss.v061.i06
  • Classifying Countries in Terms of Government Expenditure: A Multi-criteria Approach / L.K. Hoang, M. Chatterjee, K.T. Nguyen, D.A. Nguyen // Экономический журнал Высшей школы экономики. 2021. Т. 25, №. 4. С. 610–627. DOI: 10.17323/1813-8691-2021-25-4-610-627
  • Gautam N., Kumar N. Customer segmentation using k-means clustering for developing sustainable marketing strategies // Бизнес-информатика. 2022. Т. 16, № 1. С. 72–82. DOI: 10.17323/2587-814X.2022.1.72.82
  • Карпов Е.С. Сегментация клиентской базы методом К-средних, основанном на построении графа К-ближайших соседей // World Science: Problems and Innovations. 2019. С. 30–32.
  • Биджоян Д.С., Богданова Т.К., Неклюдов Д.Ю. Стресс-тестирование кредитного риска кластера российских коммерческих банков // Бизнес-информатика. 2019. Т. 13, №. 3. С. 35–51. DOI: 10.17323/1998-0663.2019.3.35.51
  • Piccardi C., Calatroni L., Bertoni F. Clustering financial time series by nework community analysis // International Journal of Modern Physics C. 2011. No. 22 (01). P. 35–50. DOI: 10.1142/s012918311101604x
  • Wang N., Li D., Wang Q. Visibility graph analysis on quarterly macroeconomic series of China based on complex network theory // Physica A: Statistical Mechanics and its Applications. 2012. No. 391 (24). P. 6543–6555. DOI: 10.1016/j.physa.2012.07.054
  • Csardi G., Nepusz T. The igraph software package for complex network research // InterJournal, complex systems. 2006. No. 1695 (5). P. 1–9.
  • STL: A Seasonal-Trend Decomposition Procedure Based on Loess / R.B. Cleveland, W.S. Cleveland, J.E. McRae, I. Terpenning // Journal of Official Statistics. 1990. No. 6. P. 3–73.
  • Assessment of yield and economic losses in agriculture due to weeds in India / Y. Gharde, P.K. Singh, R.P. Dubey, P.K. Gupta // Crop Protection. 2018. No. 107. P. 12–18. DOI: 10.1016/j.cropro.2018.01.007
  • Верескун А.В., Котосонов А.С. Совершенствование деятельности единой государственной системы предупреждения и ликвидации чрезвычайных ситуаций по ликвидации ЧС в условиях полного и (или) частичного ограничения режима потребления электрической энергии // Технологии гражданской безопасности. 2022. Т. 19, № 2 (72). С. 81–85. DOI: 10.54234/CST.19968493.2022.19.2.72.15.81
  • Хлебникова Е.И., Школьник И.М., Рудакова Ю.Л. Климатические изменения характеристик редких экстремумов атмосферных осадков: результаты регионального моделирования для территории России // Метеорология и гидрология. 2022. № 5. С. 42–53. DOI: 10.52002/0130-2906-2022-5-42-53
Еще
Статья научная
SciUp 2024 © 2024 ©