В своих материалах я не однажды буду касаться темы использования прогнозных значений временных рядов для решения последующих задач, например, формирования заявок на РСВ, финансового планирования и т.д. Сегодня начну с самых общих слов.

Как использовать прогноз энергопотребления в ГТП?

Все участники ОРЭМ знают, что система финансовых расчетов на рынке создана таким образом, чтобы заставлять потребителя, в первую очередь гарантирующих поставщиков, планировать, т.е. прогнозировать собственное потребление как можно точнее. Отклонения фактических значений от прогнозных являются собственной инициативой и оплачиваются по невыгодной цене на балансирующем рынке.

Для каждого потребителя, в зависимости от его объемов потребления, финансовые последствия неточности прогнозирования высчитываются индивидуально, однако, в статье [1], например, приведены данные, что при повышении средней точности прогнозирования энергопотребления ОАО «СахаЭнерго» с 5% до 4.3% (всего на 0.7%) предприятие в год экономит 20.4 млн. руб.

Кроме того, что точный краткосрочный прогноз энергопотребления необходим для формирования заявки на РСВ, на основании среднесрочного и долгосрочного прогноза выполняется расчет плановых финансовых требований и обязательств компаний. В действительности, компаниям для повседневной работы необходим весь спектр прогнозов энергопотребления.

Прогнозирование энергопотребления в собственной ГТП – большая и важная задача для всех участников-потребителей. Решение задачи прогнозирования временного ряда энергопотребления выполняется на основе создания модели прогнозирования. Точность прогнозирования есть величина, которая зависит не только от модели прогнозирования, но и от качества исходных данных, от квалификации эксперта, от доступности программно-аппаратных средств, на которых возможна реализация математических алгоритмов. Подробнее этот вопрос я рассматривала в записи: «Что влияет на точность прогнозирования временного ряда?» Очевидно, что прогнозировать со средней ошибкой прогноза, равной 0, невозможно, а потому у исследователей всегда будет финансовый и научный стимул повысить точность прогнозирования.

Как использовать прогноз цен РСВ в ГТП?

Прогноз цен РСВ в собственной ГТП, так же как и прогноз энергопотребления, необходим как генераторам так и потребителям для расчета плановых финансовых требований и обязательств.

Кроме того, для генерирующих компаний прогноз цен РСВ необходим для поэтапного решения задачи планирования. На основании долгосрочного прогноза (на месяц или несколько месяцев вперед) решается задача закупки топлива (газа, угля); на основании среднесрочного прогноза (недельного) решается задача формирования заявки на ВСВГО; на основании краткосрочного прогноза формируется стратегия станции на будущие сутки в виде заявки на РСВ. Для всех этих задач прогноз цен РСВ является входной величиной. Схематично задача представлена на рисунке.

В дополнение к финансовым расчетам на базе прогноза цен РСВ, возможно определение плановых требований и обязательств на БР на базе прогноза индикатора БР. В довершении ко всему прогноз индикатора БР может быть учтен компаниями-генераторами при формировании стратегии на РСВ и в текущих сутках, например, для подачи ОЦЗ.

Как использовать данные из пакета прогнозов показателей ОРЭМ?

Пакет прогнозов общих показателей ОРЭМ может быть гибко использован для решения следующих задач.

1. Используя прогнозы цен РСВ и торговых графиков по ОЭС возможно проведение сценарного моделирования, которое выполняется на основании, так называемой, фундаментальной модели. В статье [2] приведено краткое описание достоинств и недостатков фундаментальных моделей на Nord Pool.
2. На основании прогноза цен РСВ в своей ОЭС производить расчет прогноза цен РСВ в своей ГТП.
3. Учитывать прогнозы цен РСВ, а также энергопотребления по ОЭС как внешние факторы, представленные в виде временного ряда, для внутреннего прогноза.

Точность прогнозирования показателей ОРЭМ по итогам более чем двух лет работы Математического бюро высока.

Литература

1. Многофакторное прогнозирование потребления электроэнергии в промышленном и бытовом секторах / Т. Кирилова [и др.] // Энергорынок. 2009. №11. С. 40 – 43. (URL: http://gebeus.ru/joom/publications/kirilova1946.pdf)
2. Mazengia D.H. Forecasting Spot Electricity Market Prices Using Time Series Models: Thesis for the degree of Master of Science in Electric Power Engineering. Gothenburg, Chalmers University of Technology, 2008. 89 p. (URL: http://webfiles.portal.chalmers.se/et/MSc/DawitHailuMazengia.pdf)