Проанализированы результаты прогнозирования почасового электропотребления (с 0-го по 23-й час суток) в республике Хакасия с использованием методов линейной регрессии, скользящих средних, нейронных сетей. Выявлена необходимость корректировки полученных прогнозных решений с помощью метода кластеризации параметров. Проведена процедура кластеризации согласно фактору «статус дня» (будний или праздничный/выходной). Представлено графическое изображение фактических и прогнозных значений электропотребления на сутки вперёд, полученных как без учёта, так и с использованием кластерного подхода. Сопоставительный анализ прогнозных ошибок позволил сделать вывод о повышении эффективности прогноза при выполнении предварительной кластеризации. Детальный анализ значений ошибок на участках перелома тренда, а именно: 8–9; 12–13; 17–18 часов, позволил выявить необходимость и дальнейшей корректировки прогнозных значений.
The results of the hourly power consumption (from the zero to the twenty-third hour) forecasting in the Republic of Khakassia using linear regression, moving averages and neural networks are analyzed. The necessity of the correction of obtained predictive solutions using the clustering of parameters method is identified. The clustering procedure based on the «Day status» factor (workday or day off) is made. The graphical interpretation of actual and forecast power consumption values for the twenty-four hours both without accounting and with using clustering approach is given. The comparative analysis has led to the conclusion about the accuracy improving of the forecast values with applying of preliminary clustering based on the «Day status». The detailed analysis of errors in trend turning points: 8–9; 12–13; 17–18 hours revealed that there is the need to correct the forecast values further.
1. Кластеризация [Электронный ресурс] // BaseGroupLabs: технологии анализа данных. – URL: https://basegroup.ru/deductor/function/algorithm/clustering (дата обращения: 11.03.2016).
2. Кластерный анализ. Научный подход при изучении сложных явлений [Электронный ресурс] // ФБ. – URL: http://arcticaoy.ru/fb.ru/article/22911/klasternyiy-analiz-nauchnyiy-podhod-pri-izuchenii-slojnyih-yavleniy.html (дата обращения: 13.02.2016).
3. Макоклюев Б.И. Анализ и планирование электропотребления. – М.: Энергоатомиздат, 2008. – 296 с.
4. Методы принятия решений в электроэнергетике [Электронный ресурс] // ИД «Библио-Глобус». – URL: http://bgscience.ru/lib/7261/ (дата обращения: 21.03.2016).
5. Сглаживание скользящих средних – достоинства и недостатки [Электронный ресурс] // ВебМастерМаксим.ру. – URL: ВебМастерМаксим. Ру. – URL: http://webmastermaksim.ru/ foreks/sglazhivanie-skolzyashhix-srednix-dostoinstva-nedostatki.html (дата обращения: 21.11.2015).
6. Хайкин С. Нейронные сети. – М.: Вильямс, 2008. – 1104 с.
7. Чувилкин А.В., Гордеев А.С. Влияние метеорологических и производственных факторов на потребление электроэнергии предприятий АПК [Электронный ресурс] // Профессиональный образовательный портал по Тамбовской области. – URL: http://www.edu68.ru/nauka/290-vliyanie-meteorologicheskix-i-proizvodstvennyx-faktorov-na-potreblenie-.html (дата обращения: 17.03.2016).
8. Чучуева И. Два способа повысить точность прогноза [Электронный ресурс] // Математическое бюро. – URL: http://www.mbureau.ru/blog/dva-sposoba-povysit-tochnost-prognoza (дата обращения: 19.03.2016).
9. Чучуева И.А. Модель прогнозирования временных рядов по выборке максимального правдоподобия // Математическое бюро. – URL: http://www.mbureau.ru/articles/dissertaciya-model-prognozirovaniya-vremennyh-ryadov-glava-1 (дата обращения: 11.03.2016).
10. Шилов А.В. Анализ методов в системе выработки и принятия прогнозных решений // С.С. Чернов. – Новосибирск: Изд-во ЦРНС, 2014. – С. 27–34.