Статистические модели прогнозирования цен на оптовых рынках электроэнергии: российский и зарубежный опыт
Бесплатный доступ
Предмет. В статье анализируются проблемы построения прогноза цен на электроэнергию в пределах функционирования оптового рынка. Задача прогнозирования будущих цен на электроэнергию является основой для планирования своей деятельности субъектами электроэнергетики (подаче заявок на покупку или продажу электроэнергии, заключении двусторонних контрактов, выборе режимов потребления электроэнергии и работы электростанций). Цели. Детальный анализ построения статистических моделей прогнозирования цен на электроэнергию с учетом российского и зарубежного опыта. Методология. Методологической основой стали исследование и систематизация научных трудов российских и зарубежных авторов. Результаты. Выделены основные этапы процесса построения статистических моделей прогнозирования цен на электроэнергию: анализ характеристик временных рядов, первичная корректировка рядов и учет сезонности, выбор статистической модели прогнозирования, в том числе временных параметров (глубина используемых данных, горизонт прогноза) и экзогенных переменных, оценка точности модели. Осуществлена систематизация подходов учета периодичности рядов и статистических моделей прогнозирования цен, а также анализ включенных экзогенных переменных. Выводы. Модель прогнозирования строится с учетом характеристик рядов цен конкретного оптового рынка. Объединение интегрированной модели авторегрессии - скользящего среднего и модели обобщенной авторегрессионной условной гетероскедастичности позволяет улавливать многие важные особенности рядов. Данный подход широко распространен и успешно используется. В ряде работ отмечено, что вейвлет-преобразования в сочетании с указанным подходом улучшают точность прогноза. Однако безусловных доказательств превосходства по точности прогнозирования какой-либо одной модели над остальными не выявлено. В большинстве работ в качестве экзогенных переменных использовались объем спроса, реже погодные переменные и цена на топливо. Отдельные работы уделили внимание вопросам технологических характеристик рынков, проявления рыночной силы производителями и особенностей правил рынков. Эти вопросы заслуживают дальнейшей проработки при построении моделей прогнозирования.
Оптовый рынок, электроэнергия, цена, характеристики временных рядов, модель прогнозирования, авторегрессия, обобщенная авторегрессионная условная гетероскедастичность, вейвлет-преобразование, точность модели, экзогенные переменные
Короткий адрес: https://sciup.org/147156378
IDR: 147156378 | DOI: 10.14529/em170306
Список литературы Статистические модели прогнозирования цен на оптовых рынках электроэнергии: российский и зарубежный опыт
- Batlle C., Barquin J. Fuel Prices Scenario Generation Based on a Multivariate GARCH Model for Risk Analysis in a Wholesale Electricity Market. Electrical Power and Energy Systems, 2004, vol. 23, pp. 273-280 DOI: 10.1016/j.ijepes.2003.10.007
- Aggarwal S., Saini L., Kumar A. Electricity Price Forecasting in Deregulated Markets: a Review and Evaluation. Electrical Power and Energy Systems, 2009, vol. 31. pp. 13-22 DOI: 10.1016/j.ijepes.2008.09.003
- Васин А.А., Васина П.А. Модели конкуренции функций предложения и их приложение к сетевым аукционам. М.: EERC, 2005. 48 c.
- Ladjicia A., Boudour M. Nash-Cournot Equilibrium of a Deregulated Electricity Market Using Competitive Coevolutionary Algorithms. Electric Power Systems Research, 2011, vol. 81, no. 4, pp. 958-966. DOI; 10.1016/j.epsr.2010.11.016
- Малинов С.Е. О необходимости применения моделей электроэнергетических систем при оценке эффективности инвестиций в развитие электростанций//Труды ИСА РАН. 2013. Т. 63. C. 115-120.
- Conejo A., Contreras J., Espinola R., Plazas M. Forecasting Electricity Prices For a Day-ahead Pool-based Electric Energy Market. International Journal of Forecasting, 2005, vol. 21, pp. 435-462 DOI: 10.1016/j.ijforecast.2004.12.005
- Айзенберг Н.И., Филатов А.Ю. Моделирование и анализ механизмов функционирования электроэнергетических рынков. Иркутск: Изд-во Иркут. гос. ун-та, 2013, 100 с.
- Чучуева И.А. Модель экстраполяции по максимуму подобия (ЭМП) для временных рядов цен и объемов на рынке на сутки вперед ОРЭМ (Оптовом рынке электроэнергии и мощности).//Наука и образование. 2010. № 1. URL: http://technomag.bmstu.ru/doc/135870.html.
- Higgs H., Worthington A. Stochastic Price Modeling of High Volatility, Mean-reverting, Spike-prone Commodities: The Australian Wholesale Spot Electricity Market. Energy Economics, 2008, vol. 30, pp. 3172-3185 DOI: 10.1016/j.eneco.2008.04.006
- Contreras J., Espinola R., Nogales F., Conejo A. ARIMA Models to Predict Next-day Electricity Prices. IEEE Transactions on power systems, 2003, vol. 18, no. 3, pp. 1014-2020 DOI: 10.1109/TPWRS.2002.804943
- Garcia R., Contreras J., Akkeren M., Garcia J. A GARCH Forecasting Model to Predict Day-ahead Electricity Prices. IEEE Transactions on power systems, 2005, vol. 20, no. 2, pp. 867-874 DOI: 10.1109/TPWRS.2005.846044
- Kian A., Keyhani A. Stochastic Price Modeling of Electricity in Deregulated Energy Markets. In: Proceedings of the 34th Hawaii international conference on system sciences, 2001, pp. 1-7 DOI: 10.1109/HICSS.2001.926292
- Knittel C., Roberts M. An Empirical Examination of Restructured Electricity Prices. Energy Economics, 2005, vol. 27, pp. 791-817 DOI: 10.1016/j.eneco.2004.11.005
- Nogales F., Contreras J., Conejo A., Espinola R. Forecasting Next-day Electricity Prices by Time Series models. IEEE Transactions on power systems, 2002, vol. 17, no. 2, pp. 342-348 DOI: 10.1109/TPWRS.2002.1007902
- Vucetic S., Tomsovic K., Obradovic Z. Discovering Price -Load Relationships in California’s Electricity Market. IEEE Transactions on power systems, 2001, vol. 16, no. 2, pp. 280-286 DOI: 10.1109/59.918299
- Weron R., Misiorek A. Forecasting Spot Electricity Prices: A Comparison of Parametric and Semiparametric Time Series Models. International Journal of Forecasting, 2008, vol. 24, pp. 744-763 DOI: 10.1016/j.ijforecast.2008.08.004
- Liu H., Shi J. Applying ARMA-GARCH Approaches to Forecasting Short-term Electricity Prices. Energy Economics, 2013, vol. 37, pp. 152-166 DOI: 10.1016/j.eneco.2013.02.006
- Tan Z., Zhang J., Wang J., Xu J. Day-ahead Electricity Price Forecasting Using Wavelet Transform Combined with ARIMA and GARCH Models. Applied Energy, 2010, vol. 87, pp. 3606-3610 DOI: 10.1016/j.apenergy.2010.05.012
- Bowden N., Payne J. Short Term Forecasting of Electricity Prices for MISO Hubs: Evidence from ARIMA-EGARCH Models. Energy Economics, 2008, vol. 30, pp. 3186-3197 DOI: 10.1016/j.eneco.2008.06.003
- Karakatsani N., Bunn D. Forecasting Electricity Prices: The Impact of Fundamentals and Time-varying Coefficients. International Journal of Forecasting, 2008, vol. 24, pp. 764-785 DOI: 10.1016/j.ijforecast.2008.09.008
- Kim C., Yu I., Song Y. Prediction of System Marginal Price of Electricity Using Wavelet Transform Analysis. Energy Conversion and Management, 2002, vol. 43, pp. 1839-1851 DOI: 10.1016/S0196-8904(01)00127-3
- García-Martos С., Rodríguez J., Sánchez M. Modelling and Forecasting Fossil Fuels, CO2 and Electricity Prices and their Volatilities. Applied Energy, 2013, vol. 101, pp. 363-375 DOI: 10.1016/j.apenergy.2012.03.046
- Koopman S., Ooms M., Carnero M. Periodic Seasonal Reg-ARFIMA-GARCH Models for Daily Electricity Spot Prices. Journal of the American Statistical Association, 2007, vol. 102, no. 477, pp. 16-27 DOI: 10.1198/016214506000001022
- Cuaresma J., Hlouskova J., Kossmeier S., Obersteiner M. Forecasting Electricity Spot-prices Using Linear Univariate Time-series Models. Applied Energy, 2004, vol. 77, pp. 87-106 DOI: 10.1016/S0306-2619(03)00096-5
- Diongue A., Guégan D., Vignal B. Forecasting Electricity Spot Market Prices with a k-factor GIGARCH Process. Applied Energy, 2009, vol. 86, pp. 505-510 DOI: 10.1016/j.apenergy.2008.07.005
- Gianfreda A., Grossi L. Forecasting Italian Electricity Zonal Prices with Exogenous Variables. Energy Economics, 2012, vol. 34, pp. 2228-2239 DOI: 10.1016/j.eneco.2012.06.024
- Petrella A., Sapio S. А Time Series Analysis of the Italian Day-ahead Electricity Prices. 6th International Conference on the European Energy Market, 2009. 24 p DOI: 10.1109/EEM.2009.5207141
- Перцовский О.Е. Моделирование валютных рынков на основе процессов с длинной памятью: препринт WP2/2004/03. М.: ГУ ВШЭ, 2003. 52 c.
- Lisi F., Nan F. Component Estimation for Electricity Prices: Procedures and Comparisons. Energy Economics, 2014, vol. 44, pp. 143-159 DOI: 10.1016/j.eneco.2014.03.018
- Box G., Jenkins G. Time Series Analysis: Forecasting and Control. San Francisco: Holden Day, 1976, 575 p.
- Granger C.W.J., Joyeux R. An Introduction to Long-Memory Time Series Models and Fractional Differencing. Journal of Time Series Analysis, 1980, no 1(1), pp. 15-29 DOI: 10.1111/j.1467-9892.1980.tb00297.x
- Engle R.F. Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of UK Inflation. Econometrica, 1982, vol. 50, pp. 987-1008 DOI: 10.2307/1912773
- Bollerslev T. Generalized Autoregressive Conditional Heteroscedasticity. Journal of Econometrics, 1986, vol. 21, pp. 307-327 DOI: 10.1016/0304-4076(86)90063-1
- Mallat S. A Theory for Multiresolution Signal Decomposition: The Wavelet Representation. Communications on Pure and Applied Mathematics, 1988, vol. 41, pp. 674-693.
- Guegan D. A New Model: The k-factor GIGARCH Process. Signal Process, 2000, vol. 4, pp. 265-271.
- Стофт С. Экономика энергосистем. Введение в проектирование рынков электроэнергии: пер. с англ. М.: Мир, 2006. 623 с.
