Какие существуют инструменты для прогнозирования потребления?

Аватар пользователя chuchueva

Существует сложившаяся шкала популярности инструментов прогнозирования энергопотребления. Рассмотрим четыре группы таких инструментов. Вообще, об инструментах анализа данных мы уже писали в записи Сравнение программных продуктов для анализа данных: R, MATLAB, SciPy, MS Excel, SAS, SPSS, Stata.

Возглавляет рейтинг инструментов прогнозирования чудо-решение от Microsoft — MS Excel. Громадное число специалистов ОРЭМ ничего не знают кроме MS Excel и искренно верят, что лучше этой «системы» нет ничего на свете. Действительно, как можно думать иначе, если это «иначе» остается за гранью известного? Безусловно, у Excel есть сильные стороны, такие как простота освоения и дешевизна лицензий, но в то же время назвать этот инструмент математическим пакетом, а тем более, отнести его к инструментам прогнозирования язык не поворачивается.

После Excel идут более математизированные программы, разработанные специалистами компаний участников ОРЭМ. Таких решений довольно много, они все подстроены под конкретного заказчика и стараются решить задачу прогнозирования именно в его постановке. Разработка и адаптация таких систем уже значительно дороже Excel. Кроме того, разработчики таких решений часто узкоспециализированы и заменить их сложно. Однако в связи с тем, что их математизированность таких разработок значительно выше, так что и качество прогноза переходит на новый более высокий уровень. Это в общем и целом неплохое решение для небольших потребителей с небольшим количеством ГТП.

Третье место в рейтинге занимают серьезные математические пакеты, предназначенные для разработки сложных математических алгоритмов. Таких пакетов целый парк: MATLAB, MathCAD, Scilab, SAS, SPSS, Stata и др. Они, во-первых, сложны в изучении, во-вторых, требуют от математика твердых навыков программирования, в-третьих, их лицензии стоят суерьезных вложений — до сотен тысяч рублей. Конечно, качество решения задачи прогнозирования, удобство использования и точность прогноза с такими системами значительно увеличивается. Такими пакетами на ОРЭМ пользуются единицы.

На предпоследнем месте в рейтинге популярности идут громадные интегрированные решения: iOPT, SAP, Oracle. Стоимость их внедрения и адаптации переваливает за миллионы рублей, требуют целого набора специалистов уникальной квалификации. Однако в целом эффективность прогнозов в таких системах не слишком высока, поскольку прогнозирование в большинстве случаев реализуется по остаточному принципу, а на первое место ставятся задачи интеграции и контроля. Такого рода интегрированные системы могут себе позволить горстка самых состоятельных участников ОРЭМ, большинство которых производит электроэнергию, а не потребляет.

И замыкает список инструментов прогнозирования энергопотребления пока мало распростроненный на ОРЭМ, но действительно удобный сервис Математического бюро. Мы постоянно работаем над тем, чтобы наши услуги были по-настоящему востребованы теми компаниями, у которых есть сложности с прогнозированием энергопотребления.

Сравнение инструментов прогнозирования

Краткое резюме поднятого вопроса отображено на рисунке:

  1. те системы, где возможна реализация математических алгоритмов, — дороги и сложны;
  2. те, которые малоэффективны для прогнозирования, — простые и удобны;
  3. есть уникальная система, которая впитала в себя плюсы от всевозможных решений — сервис Математического бюро.
Для добавления комментариев войдите или зарегистрируйтесь

2010 - 2018 © Математическое бюро

Все права защищены в соответствии с законодательством РФ

При полном или частичном использовании материалов ссылка на сайт обязательна