После появления в России оптового рынка электроэнергии и мощности участники данного рынка функционируют в конкурентных условиях, где каждый день сталкиваются с проблемами формирования рыночной стратегии и планирования будущих финансовых потоков. В этих условиях прогнозирование цены на электроэнергию становится неотъемлемой и повседневной задачей для большинства участников рынка.

На сегодняшний день прогнозирование цены на электроэнергию производится на основе умозрительного анализа предыдущих значений цены (так как величина цены имеет некую цикличность) и знаний эксперта о предметной области (например, ремонт какой-либо ГЭС влияет на перетоки электроэнергии и ее цену).

Существует несколько закрытых зарубежных программных проектов для прогнозирования цен на электроэнергию («Energy-Forecast: Prices» от компании StatSoft [1], «Energy price forecasting» от компании AleaSoft [2]), однако они обладают очень ограниченным количеством используемых моделей и не имеют возможности строить объединенные прогнозы. Поэтому для решения данной проблемы разрабатывается новая программная система, которая позволит упростить задачу прогнозирования цены на электроэнергию работникам специализированного отдела Новосибирской ГЭС.

В настоящей работе рассматривается возможность применения ансамблевых алгоритмов для краткосрочного прогнозирования цен на электроэнергию. Объединение прогнозов зарекомендовало себя как подход, который наиболее полезен в следующих ситуациях: имеется неопределенность в выборе наиболее точного метода прогнозирования, имеется неопределенность, связанная с ситуацией прогнозирования, необходимо избежать больших субъективных ошибок прогнозирования. Также одним из достоинств ансамблевого подхода является то, что по сравнению с частными прогнозами объединение прогнозов не может быть хуже, чем частные прогнозы, входящие в его состав.

Также в статье приводятся результаты сравнительного анализа точности прогнозирования временного ряда (ВР) цен на электроэнергию с помощью одиночных и ансамблевой моделей.

1. Система «Energy-Forecast: Цены» // StatSoft: web-сайт. – URL: http://statsoft.ru/solutions/ready_solutions/energy-forecast-prices.php (дата обращения: 10.11.2019).

2. Система «Energy price forecasting» // AleaSoft: web-сайт. – URL: https://aleasoft.com/energy-price-forecasting/ (дата обращения: 10.11.2019).

3. Герасимов И.А. Формирование целевой модели розничного рынка электроэнергии // Эффективное антикризисное управление. – 2011. – № 4. – С. 94–103.

4. Золотова И.Ю., Дворкин В.В. Краткосрочное прогнозирование цен на российском оптовом рынке электроэнергии на основе нейронных сетей // Проблемы прогнозирования. – 2017. – № 6. – С. 47–57.

5.      Киреев С.В., Тюнин И.Б. Методика прогнозирования свободных цен на электроэнергию // Экономический анализ: теория и практика. – 2011. – № 19 (226). – С. 48–52.

6.      Френкель А.А, Сурков А.А. Методологические подходы к улучшению точности прогнозирования путем объединения прогнозов // Вопросы статистики. – 2015. – № 8. – С. 17–36.

7.      Френкель А.А, Сурков А.А. Объединение прогнозов – эффективный инструмент повышения точности прогнозирования // Экономист. – 2015. – № 1. – С. 44–56.

8. Bates J.M., Granger C.W.J. The combination of forecasts // Operational Rsearch Quarterly. – 1969. – Vol. 20. – P. 451–468.

9.      Шитиков В.К., Мастицкий С.Э. Классификация, регрессия и другие алгоритмы Data Mining с использованием R. – 2017. – 351 с. – URL: https://github.com/ranalytics/data-mining (дата обращения: 10.11.2019).

10. Opera v1.0. Online prediction by expert aggregation. – URL: https://www.rdocumentation.org/packages/opera/versions/1.0 (дата обращения: 10.11.2019).

11. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. – М.: Финансы и статистика, 2003. – 416 с.

12. Yang Y. Combining forecasting procedures: some theoretical results // Econometric Theory. – 2004. – Vol. 20, N 1. – P. 176-222.

13. Yang Y. Adaptive regression by mixing // Journal of American Statistical Association. – 2001. – Vol. 96. – P. 574–588.

14. Bunn D.W.A. Bayesian approach to the linear combination of forecasts // Operational Research Quarterly. – 1975. – Vol. 26. – P. 325–329.

15. Integrating R and Java. The JVM-based interpreter for the R language for statistical computing. – URL: https://www.renjin.org (дата обращения: 10.11.2019).