Прогнозирование динамики потребления электроэнергии в России на основе линейной многофакторной модели
Автор: Шульга А.С., Затонский А.В.
Журнал: Juvenis scientia @jscientia
Рубрика: Информатика
Статья в выпуске: 3, 2016 года.
Бесплатный доступ
Обоснована актуальность исследования влияния различных факторов на потребление электроэнергии в России. Выбран вид модели и построена линейная многофакторная модель, которая описывает динамику энергопотребления и влияние на нее таких факторов, как численность населения со средним доходом ниже прожиточного минимума, индекс цен производителей на производство и распределение электроэнергии, экспорта электроэнергии и средних цен на добытый газ и нефть. На основании прогноза выбранных факторов получен прогноз энергопотребления. Выявлены закономерности изменения динамики энергопотребления в зависимости от включенных в модель факторов
Математическое моделирование, прогнозирование, энергопотребление
Короткий адрес: https://sciup.org/14110107
IDR: 14110107
Текст научной статьи Прогнозирование динамики потребления электроэнергии в России на основе линейной многофакторной модели
Развитие энергетики в целом и электроэнергетики в частности, выражающееся не только в увеличении объёмов потребляемой энергии, но и в расширении её источников и повышения эффективности производства, во многом определяет темпы экономического роста страны. По сравнению с другими видами энергоносителей, электроэнергия используется во всех сферах человеческой деятельности, является ключевой движущей силой роста мировой энергетики.
Так по данным Росстата, динамика потребления электроэнергии в Российской Федерации за период с 2006 по 2014 г. свидетельствует о положительной тенденции, что в свою очередь поднимает вопрос о решении таких проблем как: нерациональное и избыточное потребление электроэнергии и повышение эффективности её использования. На 2014 год этот показатель равен 1059041,8 ГВт\ч.
Проблемы математического моделирования объёмов потребления электроэнергии в условиях современного развития оптового рынка электроэнергии и мощности приобретают особое значение. В силу штрафных санкций со стороны поставщиков при отклонении реального потребления от заявленного ранее, крупные энергопотребители заинтересованы в составлении точных заявок планируемого объёма потребления энергии на оптовом рынке электроэнергии и мощности. Производители электроэнергии заинтересованы в прогнозах энергопотребления с целью оперативного реагирования на колебания спроса и оптимального развития инфраструктуры [1]. От достоверности построенных прогнозов потребления электроэнергии во многом зависят эффективность решений по управлению энергопотреблением, возможности экономии энергоресурсов и экономичность режимов работы всей энергосистемы в целом.
Из работы [1] были выделены следующие факторы, которые могут влиять на показатель потребления электроэнергии в РФ:
-
• x1 - Численность населения со среднедушевыми денежными доходами ниже величины прожиточного минимума \ За период, миллион человек
-
• x2 - Индекс цен производителей промышленной продукции: Производство, передача и распределение электроэнергии \ Темп роста к предыдущему периоду, 1991г=1
-
• x3 - Экспорт: электроэнергия \ За период, гигаватт-час
-
• x4 - Средние цены производителей на продукцию: газ горючий природный (естественный) \ За период, рублей за 1000 кубических метров
-
• x5 - Средние цены производителей на продукцию: нефть добытая \ За период, рублей за тонну
Таблица 1
Выбор факторов для модели
Фактор |
Причина включения в модель |
x 1 |
C экономической точки зрения оказывает воздействие на процесс потребления электроэнергии. Чем выше значение фактора, тем ниже потребление электроэнергии. |
x 2 |
Потребление электроэнергии промышленными производствами зависит от индексов промышленного производства, производств важнейших видов промышленной продукции, индексов цен на энергоресурсы, непосредственно определяющие тарифы на электроэнергию. |
x 3 |
Дополнительный фактор |
x 4 |
ГЭС – ресурсы газовых электростанций |
x 5 |
ТЭС – ресурсы тепловых электростанций |
Из числа доступных временных рядов выберем управляемые x2 [2], x3 и неуправляемые x1 , x4 , x5.
Широко распространенным методом повышения социально-экономических показателей является информационная поддержка принятия решений, позволяющая при помощи экономических (эконометрических) моделей прогнозировать развитие систем и выбирать решения, ведущие к наибольшему росту их эффективности.
Для моделирования социально-экономических систем применяются:
-
• Трендовые модели (ТрМ, развитие системы показывается через тренд её основных показателей [3])
-
• Линейные многофакторные модели (ЛММ, зависимость факторов и критериев)
-
• Авторегрессионные модели (АвРМ, зависимость от предыдущих состояний временного ряда)
-
• Модели в пространстве состояний (МПС, зависимость от состояния внешней среды)
Наиболее подходящими для задач прогнозирования считаются факторные модели: линейная многофакторная модель и модель в пространстве состояний [4]. Прогнозирование по модели предполагает выбор факторов ( xi ), напрямую или косвенно влияющих на критерий ( y ), выбор вида модели, построение модели, проверку на возможность прогнозирования, определение горизонта прогнозирования и экстраполяцию построенной модели.
В качестве критерия ( y ) разумно выбрать потребление электроэнергии в стране (За период, гигаватт-час). Для исключения влияния размерности данных нормируем их по формуле
' •V-mmCt.-G))
-
X. (Г) =----;—г^-----гг-
- max(x,(t))-min(x,(f))
где xt - элемент временного ряда, min( x, ( t ) ) - минимальное значение элемента временного ряда, max( x , ( t )) - максимальное значение элемента временного ряда.
Традиционным является анализ предварительно выбранных факторов с точки зрения их взаимной корреляции. Факторы с высокой взаимной корреляцией подлежат исключению из большинства моделей.
Анализ факторов показал, что из числа выбранных ничего исключать не нужно – все коэффициенты корреляции находятся в пределах допустимых значений.
Построим линейную многофакторную модель потребления электроэнергии и рассчитаем коэффициенты модели методом наименьших квадратов (МНК, минимизируем квадрат разности статистических данных и расчетных):
^(O^+S^XO
S^Cv^tO-J^O))1 -* ”™ где a0 – независимый коэффициент, ai – коэффициенты влияния i-х факторов xi(t) в момент времени (номер года) t на значение критерия.
Минимизацию произведем с помощью мастера поиска решения в MSExcel . В результате получены следующие коэффициенты ЛММ модели: a0 = 2,5211; a1 = -1,7374; a2 = -0,9706; a3 = -0,0966, a4 = -0,2675, a5 = -1,1309, где наиболее значащим факторам стал x1 , далее по значимости влияния на критерий идут x5иx2 Квадратичная погрешность аппроксимации ЛММ S = 0,0620 (Рис.1).

Рис. 1. Аппроксимация исходных данных ЛММ
Из рис.1 видно, что модель неплохо аппроксимирует данные и ее можно использовать для проведения прогноза, но также проверим возможность использования АвРМ.
Авторегрессионные модели 1-го, 2-го и 3-го порядков имеют вид:

где: N – порядок модели; a0 , a1 – коэффициенты модели.
При помощи мастера «поиск решения» MS Excel получаем коэффициенты:
Авторегрессионная модель 1-го порядка: a0 = 0,1332, a1 = 0,9821; квадратичная погрешность аппроксимации S = 0,3024.
Авторегрессионная модель 2-го порядка: a0 = 0,1625 , a1 = 0.6928, a2 = 0,3 квадратичная погрешность аппроксимации S = 0,3034.
Авторегрессионная модель 3-го порядка: a0 = 0,1879 , a1 = 1,044, a2 = -1,3783, a3 =1,6866; Квадратичная погрешность аппроксимации S = 0,1301. (Рис.2)

Рис. 2 Аппроксимация исходных данных АвРМ
Проанализировав график АвРМ разного порядка, можно сделать вывод, что наиболее хорошо аппроксимирует исходные данные модель с порядком N =3, где её квадратичная погрешность аппроксимации ниже, чем у остальных.
Соберем все квадратичные погрешности аппроксимаций в одну таблицу (Таблица 3).
Таблица 2
Погрешности аппроксимации всех моделей
Модель |
ЛММ |
АвРМ 1-го порядка |
АвРМ 2-го порядка |
АвРМ 3-го порядка |
s |
0,0620 |
0,3024 |
0,3034 |
0,1301 |
Так как целью настоящей работы является поддержка принятия решений по уменьшению энергопотребления в будущем, нас интересуют не только погрешность аппроксимации, но и прогнозные свойства получаемых моделей (Рис.3). Для проверки возможности прогнозирования применим широко распространенный метод постпрогноза [5], заключающийся в расчете реакции системы по модели при известных рядах факторов на протяжении нескольких последних лет. Как показано в работе [6], увеличение интервала постпрогноза позволяет определить также горизонт прогнозирования.

Рис. 3 Анализ приближения моделей к y(t)
Для всех вышеописанных моделей произведем расчет постпрогноза на 1, 2 и 3 года (Рис.4).
Постпрогноз линейной многофакторной модели

Рис. 4 Постпрогноз по ЛММ
На рис 4. изображены постпрогнозы только на 1 и 2 года, так как график на 3 года отклонился далеко от этих значений по оси y до -49.
Постпрогноз авторегрессионной модели 3-го порядка (Рис.5).

^^^— Исходный ряд|у)
.......УрасчАвРМ(1)
- -—- ¥расч АеРМ(2)
--Урасч АвРМ(З)
Рис. 5 Постпрогноз АвРМ
Таблица 3
Отклонение постпрогноза различных моделей от исходных данных
Модель / Постпрогноз |
1 год |
2 год |
3год |
ЛММ |
-46,8% |
12,5% |
-4660,8% |
АвРМ(3п) |
27.0% |
-31,8% |
19,8% |
Исходя из данных в таблице 4, можно сказать, что наименьшую погрешность при постпрогнозе на 3 года имеет АвРМ, наихудшую ЛММ, однако авторегрессионная модель непригодна для исследования реакции системы на изменения факторов, потому что не учитывает влияние факторов на критерий и не позволяет рекомендовать управленческие решения. Исходя из этого, горизонт прогнозирования необходимо ограничить двумя годами.
При постпрогнозе на 2 года погрешность ЛММ лучше, чем у АвРМ третьего порядка, это значит, что данные постпрогноза на 2 года у ЛММ выглядят более правдоподобно по отношению к исходным данным. Это позволяет выбрать именно её для дальнейшей работы.
Спрогнозируем развитие системы в зависимости от влияния неуправляемых факторов x1 , x4 , x5 и управляемых x2 , x3 .
Тенденцию развития этих факторов определим, сравнивая в пределах горизонта прогнозирования ряд значений фактора и его приближения линейной x ( t ) = a + b * t и квадратичной x ( t ) = a + b * t + c * t 2 моделями. Коэффициенты этих моделей также найдем с помощью МНК с применением мастера поиска решения. Выбор вида трендов определим с помощью величины достоверности аппроксимации R2 (Таблица 4).
Таблица 4
Выбор вида тренда для факторов по R 2
x i |
Лин. |
Квадр. |
x 1 |
0,3487 |
0,9453 |
x 2 |
0,4441 |
0,9992 |
x 3 |
0,94 |
0,9521 |
x 4 |
0,922 |
0,9442 |
x 5 |
0,1263 |
0,7536 |
Из всех R2 для управляемых и неуправляемых факторов была выбрана квадратичная тенденция развития.
Спрогнозируем все факторы на 2 года исходя из выбранной модели (Таблица 5)
Таблица 5
Прогноз факторов на 2015 и 2016 г.
x расч |
2014 |
2015 |
2016 |
x 1 |
0,1129 |
0,5443 |
1,2088 |
x 2 |
0,1806 |
-0,058 |
-0,4438 |
x 3 |
0 |
-0,4321 |
-0,9778 |
x 4 |
1 |
1,0456 |
1,0405 |
x 5 |
0,841 |
0,647 |
0,3198 |
Полученные прогнозом значения факторов подставим в нашу модель ЛММ и, используя рассчитанные коэффициенты модели ( a0 - a5 ) получим прогнозное значение критерия на 2015-2016 год.
Прогноз энергопортебления на 2015-2016 г. линейной многофакторной моделью, при спрогнозированных неуправляемых ( x1 , x4 , x5 ) и управляемых ( x2 , x3 ) факторах представлен на Рис.6.
При любом развитии неуправляемых факторов энергопотребление в стране снижается.
Теперь изменим на ± 5% тенденции развития неуправляемых факторов, и получим прогнозы развития системы на 2 года (Рис.7).
Из-за большого количества вариаций управления тре- мя факторами (27 значений), для удобного восприятия на графике оставлены значения худшей и лучшей ситуации при x1 ± 5%.

Рис. 6 Прогноз критерия (y) по ЛММ

Рис. 7 Прогноз критерия при малых изменениях неуправляемых факторов
Наихудшим вариантом развития ситуации при неуправляемых факторах является уменьшение x1 , x4 , x5 на 5%. Наилучшим является обратное увеличение всех факторов на 5%, при котором достигается уменьшение критерия на 1113%.
Исследуем возможность компенсации негативного влияния неуправляемого фактора путем изменения управляемых факторов x2 , x3 . Для этих факторов, образом аналогичным описанному выше, так же были определены тенденции развития (Таблица 4). Изменяя факторы на ± 5%, получим прогноз развития системы на 2 года вследствие решения ЛПР.
Наилучшим результатом изменения управляемых факторов является сочетание из x2 - 5%, x3 -5%, что приводит к значению критерия 0,52209. Он на 8,9% лучше, чем в наихудшем варианте развития системы без управления.
При этом значение 0,52209 меньше, чем 0,57331 (наихудший вариант развития событий при неуправляемых факторах). Следовательно, даже при наихудшем сочетании изменений тенденций неуправляемых факторов, ЛПР в состоянии не только сохранить позитивную тенденцию развития системы, но и улучшить ее на 70,6%.
Проверим значимость факторов и их оправданность включения в модель. Целью изменения факторов является снижение потребления электроэнергии (Таблица 6).
Таблица 6
Проверка и объяснение выдвинутых гипотез
Фактор |
Гипотеза |
Резуль-тат |
Возможное объяснение |
x 1 |
Чем меньше численность населения с среднедушевым денежным доходом ниже прожиточного минимума, тем энергопотребление больше. |
Да |
Население может позволить увеличить потребление электроэнергии исходя из своих доходов. |
x 2 |
Чем больше темп роста индекса цен производителей промышленной продукции, тем меньше будет потребляться электроэнергии населением. |
Да |
Индекс цен производителей влияет на тарифы предоставляемых услуг. Соответственно, чем больше индекс, тем дороже тарифы. Чем дороже тарифы, тем меньше население будет использовать электроэнергию. |
x 3 |
Чем больше экспорт произведенной электроэнергии, тем меньше энергопотребление. |
Нет |
Увеличивая экспорт электроэнергии, мы не уменьшим её потребление, так как население по-прежнему использует его на прежнем уровне. Увеличивая экспорт, необходимо будет увеличивать и производство электроэнергии. |
x 4 , x 5 |
Чем больше цены на ресурсы для электростанций, тем меньше потребление электроэнергии. |
x 4 - Да x 5 - Н 5 ет |
Возможное объяснение кроется в рамках глобального спроса и предложения в нефтегазовой экономике[7]. |
Проведя исследования, можно сделать следующие выводы:
-
• Основной фактор, который в значительной степени оказывает влияние на энергопотребление – это x1 (Численность населения со среднедушевыми денежными доходами ниже величины прожиточного минимума). Так как этот фактор является неуправляемым, то его уменьшение сильно скажется на энергопотреблении - оно увеличится, что повлечет за собой строительство новых электростанций для увеличения объема производства электроэнергии в лучшем случае или увеличение цен на тарифы в худшем.
-
• Фактором x2 можно замедлить повышение энергопотребления в стране, путем его увеличения.
-
• Фактор x3 не оказывает существенного влияния на потребление электроэнергии.
Список литературы Прогнозирование динамики потребления электроэнергии в России на основе линейной многофакторной модели
- Старкова Г.С. Комплекс экономико-математических моделей прогнозирования потребления электроэнергии в регионах РФиего инструментальная реализация: дис. канд. экон. наук: 08.00.13. - Пермь, 2014. [Электронный ресурс] - Режим доступа: http://www.psu.ru/nauka/dissertatsionnye-sovety/dsov-ekonomiczeskie/starkova-g-s-kompleks-ekonomiko-matematicheskikh-modelej-prognozirovaniya-potrebleniya-elektroenergii-v-regionakh-rf-i-ego-instrumentalnaya-realizatsiya
- Индекс цен производителей (Producer price index, PPI) -Режим доступа: http://forexaw.com/TERMs/Exchange_Economy/Macroeconomic_indicators/Inflation/l324_Индекс_цен_производителей _Producer_price_index_PPI_это
- Словари и энциклопедии «Академик», понятие трендовая модель, . Режим доступа: economic_mathematics.academic.ru/4621/Трендовая_модель
- Основы экономического прогнозирования -режим доступа: http://www.monographies.ru/10-170
- Экс-пост-значениями . -Режим доступа: http://help.sap.com/saphelp_scm70/helpdata/ru/ac/216b77337b11d398290000e8a49608/frameset.htm
- Сиротина Н.А., Янченко Т.В., Затонский А.В. Об аппроксимации факторов дифференциальной модели социально-экономической системы//Современные исследования социальных проблем (электронный научный журнал). 2012. № 11 (19)
- Перспективы энергетики и основные направления развития добычи нефти и газа в мире . Режим доступа: http://old.creativeconomy.ru/articles/29199/
- Затонский А.В., Сиротина Н.А. Прогнозирование экономических систем по модели на основе регрессионного дифференциального уравнения//Экономика и математические методы. 2014. Т. 50. № 1. С. 91-99
- Затонский А.В. Теоретический подход к управлению социально-техническими системами//Программные продукты и системы. 2008. № 1. С. 29-32
- Затонский А.В. Выбор вида модели для прогнозирования развития экономических систем//Новый университет. Серия: Технические науки. 2012. № 1 (7). С. 37-41