Везде
Краткосрочное прогнозирование цены электроэнергии на российском рынке с использованием класса моделей SCARX
Оглавление
Аннотация Оценить Содержание публикации
Библиография Комментарии
Поделиться
QR
Метрика
Краткосрочное прогнозирование цены электроэнергии на российском рынке с использованием класса моделей SCARX
Аннотация
Код статьи
S042473880003318-8-
DOI
10.31857/S042473880003318-8
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Афанасьев Дмитрий Олегович 
Должность: аспирант кафедры
Аффилиация: Финансовый университет при Правительстве РФ
Адрес: ,
Федорова Елена Анатольевна
Должность: профессор кафедры финансового менеджмента
Аффилиация: Финансовый университет при Правительстве РФ
Адрес: РФ
Выпуск
Том 55 Номер 1
Страницы
68-84
Аннотация

В данном исследовании для двух ценовых зон российского оптового рынка электроэнергии выполнена апробация класса прогнозных моделей авторегрессии с сезонной компонентой и экзогенными факторами SCARX, включающей экстраполяцию долгосрочной тренд-сезонной компоненты и отдельное прогнозирование краткосрочной сезонно-стохастической составляющей. Для заданного широкого набора параметров сглаживания временных рядов цен проведено сравнение моделей SCARX на базе вейвлет-разложения (SCARX-W) и фильтра Ходрика—Прескотта (SCARX-HP) с обычной авторегрессионной моделью ARX и «наивным» подходом (основанном на предположении равенства цен в идентичные дни недели). Оценка эффективности рассматриваемых моделей проводилась с использованием средневзвешенных недельных и дневных ошибок, а также формальной статистической процедуры сравнения прогностических способностей моделей — теста Диболда—Мариано (DM). Численный эксперимент был выполнен на исторических данных о цене и плановом потребление в зонах Европа—Урал и Сибирь российской электроэнергетической биржи. Тестовый период составил 104 недели или 728 дней. В результате проведенного исследования показано, что на российском рынке модель SCARX-W позволяет получить более высокую точность прогноза, по сравнению с SCARX-HP и ARX. При этом минимальная недельная ошибка, которую удалось достичь для ценовой зоны Европа–Урал, составила 4,932%, дневная ошибка — 4,997%. Для зоны Сибирь аналогичные показатели равны 9,144 и 10,051%, соответственно. Эти же результаты подтверждаются формальным DM-тестом, выполненным отдельно для каждого часа суток. Для преодоления проблемы априорного выбора параметров сглаживания в работе предложено использовать различные методы комбинирования прогнозов. 

Ключевые слова
прогнозирование цены электроэнергии, авторегрессия с сезонной компонентой, вейвлет-сглаживание, фильтр Ходрика—Прескотта, тест Диболда—Мариано.
Источник финансирования
Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований (проект 16-06-00237 A).
Классификатор
Получено
14.03.2019
Дата публикации
21.03.2019
Всего подписок
98
Всего просмотров
2158
Оценка читателей
0.0 (0 голосов)
Другие версии
S042473880003318-8-1 Дата внесения исправлений в статью - 20.12.2018
Цитировать   Скачать pdf

Библиография

1. Валь П.В., Клепче Н.С. (2011). Краткосрочное прогнозирование цены на электро-энергию в условиях оптового рынка электроэнергии и мощности. [Электронный ресурс]. Режим доступа: http://conf.sfu-kras.ru/sites/mn2011/thesis/s9/s9_30.pdf, доступ свободный. Загл. с экрана. Яз. рус. (дата обращения: 09.2017).

2. Чучуева И.А. (2012). Модель прогнозирования временных рядов по выборке мак-симального подобия. Кандидатская диссертация. М.: МГТУ им. Баумана.

3. Федорова Е.А., Афанасьев Д.О. (2015). Исследование взаимосвязи цены и спроса на российском рынке электроэнергии // Известия РАН. Энергетика. № 3. С. 3—17.

4. Afanasyev D., Fedorova E. (2016). The Long-Term Trends on the Electricity Markets: Comparison of Empirical Mode and Wavelet Decompositions // Energy Economics. No. 56. P. 432—442.

5. Carmon R., Coulon M. (2014). A Survey of Commodity Markets and Structural Models for Electricity Prices. In: “Modeling, Pricing, and Hedging in Energy and Commodity Markets”. New York: Springer.

6. Casazza J., Delea F. (2003). Understanding Electric Power Systems: An Overview of the Technology and the Marketplace. Hoboken, New Jersey: Wiley.

7. Conejo A.J., Contreras J., Espinola R., Plazas M.A. (2005). Forecasting Electricity Prices for a Day-Ahead Pool-Based Electric Energy Market // International Journal of Forecast-ing. Vol. 21. No. 3. P. 435—462.

8. De Jong C. (2006). The Nature of Power Spikes: A Regime-Switch Approach // Studies in Nonlinear Dynamics and Econometrics. Vol. 10. No. 3. P. 35—47.

9. Diebold F.X., Mariano R.S. (1995). Comparing Predictive Accuracy // Journal of Busi-ness and Economic Statistics. Vol. 13. P. 253—263.

10. Eydeland A., Wolyniec K. (2012). Energy and Power Risk Management. Hoboken, New Jersey: Wiley.

11. Haldrup N., Nielsen F., Nielsen M. (2010). A Vector Autoregressive Model for Elec-tricity Prices Subject to Long Memory and Regime Switching // Energy Economics. No. 32. P. 1044—1058.

12. Hodrick R., Prescott E. (1997). Postwar U.S. Business Cycles: An Empirical Investiga-tion // Journal of Money, Credit and Banking. Vol. 29. No. 1. P. 1—16.

13. Hyndman R., Athanasopoulos G. (2013). Forecasting: Principles and Practice. [Элек-тронный ресурс]. Режим доступа: http://otexts.org/fpp/, доступ свободный. Загл. с экрана. Яз. англ. (дата обращения: 09.2017).

14. Janczura J., Truck S., Weron R., Wolff R. (2013). Identifying Spikes and Seasonal Components in Electricity Spot Price Data: A Guide to Robust Modeling // Energy Economics. No. 38. P. 96—110.

15. Lisi F., Nan F. (2014). Component Estimation for Electricity Prices: Procedures and Comparisons // Energy Economics. No. 44. P. 143—159.

16. Maciejowska K., Nowotarski J., Weron R. (2016). Probabilistic Forecasting of Elec-tricity Spot Prices Using Factor Quantile Regression Averaging // International Journal of Fore-casting. Vol. 32. No. 3. P. 957—965.

17. Maciejowska K., Weron R. (2016). Short- and Mid-Term Forecasting of Baseload Elec-tricity Prices in the UK: The Impact of Intra-Day Price Relationships and Market Fundamentals // IEEE Transactions on Power Systems. Vol. 31. No. 2. P. 994—1005.

18. Misiorek A., Truck S., Weron R. (2006). Point and Interval Forecasting of Spot Elec-tricity Prices: Linear vs. Non-Linear Time Series Models // Studies in Nonlinear Dynamics and Econometrics. Vol. 10. No. 3. P. 57—66.

19. Nogales F.J., Contreras J., Conejo A.J., Espinola R. (2002). Forecasting Next-Day Electricity Prices by Time Series Models // IEEE Transactions on Power Systems. No. 17. P. 342—348.

20. Nowotarski J., Raviv E., Truck S., Weron R. (2014). An Empirical Comparison of Al-ternative Schemes for Combining Electricity Spot Price Forecasts // Energy Economics. No. 46. P. 342—348.

21. Nowotarski J., Tomczyk J., Weron R. (2013). Robust Estimation and Forecasting of the Long-Term Seasonal Component of Electricity Spot Prices // Energy Economics. No. 39. P. 13—27.

22. Nowotarski J., Weron R. (2016). On the Importance of the Long-Term Seasonal Com-ponent in Day-Ahead Electricity Price Forecasting // Energy Economics. No. 57. P. 228—235.

23. Weron R. (2014). Electricity Price Forecasting: A Review of the State-of-the-Art with a Look into the Future // International Journal of Forecasting. No. 30. P. 1030—1081.

24. Weron R., Zator M. (2015). A Note on Using the Hodrick—Prescott Filter in Electricity Markets // Energy Economics. No. 48. P. 1—6.

Комментарии

Сообщения не найдены

Написать отзыв
Перевести