Краткосрочное прогнозирование цены электроэнергии на российском рынке с использованием класса моделей SCARX
Отзывы
Оценка читателей
0.0 (0 голосов)


Всего просмотров
2418


Скачивания
87
УДК
33 Экономика. Народное хозяйство. Экономические науки
Дата выпуска
21.03.2019
Год выпуска
2019
DOI
10.31857/S042473880003318-8
Краткосрочное прогнозирование цены электроэнергии на российском рынке с использованием класса моделей SCARX
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. 

Об авторах
Афанасьев Дмитрий Олегович
аспирант
Финансовый университет при Правительстве РФ
Федорова Елена Анатольевна
профессор кафедры финансового менеджмента
Финансовый университет при Правительстве РФ
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.

Полная версия доступна только подписчикам
Подпишитесь прямо сейчас