Детальная информация

В данной работе было проведено исследование возможностей и преимуществ прогнозирования цен на оптовом рынке электроэнергии России для потребителей рынка на сутки вперед. Задачи, которые решались в ходе исследования: 1) анализ функционирования рынка электроэнергии России; 2) особенности функционирования рынка на сутки вперёд (РСВ); 3) анализ деятельности ПАО «ТГК-1»; 3) описание методов машинного обучения с целью предсказания цен на электроэнергию; 4) создание моделей машинного обучения на примере моделей ARIMA и RandomForrestRegressor; 5) оценка качества построенных в ходе работы моделей и их сравнение между собой. Актуальность заключается в необходимости наличия у субъектов рынка электроэнергии информации о перспективных уровнях цен на электроэнергию в условиях неопределенности. В ходе данной работы были разработаны и обучены несколько моделей на данных, взятых из открытых источников и проведено сравнение получившихся моделей по точности и эффективности прогнозирования. Результаты показали, что некоторые модели, в частности модель RandomForrestRegressor, в зависимости от настраиваемых параметров и характеристик, имеют лучший показатель точности прогнозирования, чем другие. Был проведен предварительный анализ исходных данных, с целью создания подходящего для работы датасета. На основании  получившихся данных, были обучены модели с использованием языка программирования Python и различных библиотек и функций, таких как: Tensorflow и Keras, stats-models, sklearn и других.

In this paper, a study was conducted on the possibilities and advantages of forecasting prices in the wholesale electricity market of Russia for consumers of the market for the day ahead. Tasks that were solved during the research: 1) analysis of the functioning of the russian electricity market; 2) features of the functioning of the market for the day ahead (RSV); 3) analysis of the activities of TGC-1 PJSC; 3) description of machine learning methods for predicting electricity prices; 4) creation of machine learning models using the example of arima and randomforrestregressor models; 5) evaluation of the quality of the models built during the work and their comparison with each other. The relevance lies in the need for the subjects of the electricity market to have information about the prospective levels of electricity prices in conditions of uncertainty. In the course of this work, several models were developed and trained on data taken from open sources and the resulting models were compared in terms of accuracy and forecasting efficiency. The results showed that some models, in particular the RandomForrestRegressor model, have a better predictive accuracy rate than others, depending on the parameters and characteristics being adjusted. A preliminary analysis of the source data was carried out in order to create a suitable dataset. Based on the resulting data, models were trained using the Python programming language and various libraries and functions such as Tensorflow and Keras, stats-models, sklearn and others.