с т. гр. Ем-13м Марущенко Тетяна

1. ПРОГНОЗУВАННЯ СПОЖИВАННЯ ЕЛЕКТРИЧНОЇ ЕНЕРГІЇ НА ПІДПРИЄМСТВІ (НА ПРИКЛАДІ ПАТ «ВІННИЦЬКИЙ МОЛОКОЗАВОД») ст. гр. Ем-13м Марущенко Тетяна

2. Діяльність підприємств енергетичного комплексу пов'язана з необхідністю прогнозувати споживання електроенергії , проводити розрахунок оптимальних тарифів і вирішувати багато інших завдань аналізу даних. В даний час фахівці компанії StatSoft Росія розробили унікальну методику прогнозування споживання електроенергії з урахуванням погодних факторів , сезонної коригування , коригування на дні тижня і т.д. Будуютьсяпрогнози на кількаднів вперед з помилкою , що не перевищує 3%!

3. STATISTICA дозволяєвирішуватитакізавданняяк: • Прогнозуванняспоживанняелектроенергії; • прогнозуванняцін на електроенергію; • розрахунокоптимальнихтарифів; • діагностуванняенергетичнихоб'єктів.

4. Перевагивикористання STATISTICA : • Зручнийінтерфейс і унікальніможливостіналаштування; • Аналізданих проводиться інтерактивно , в режиміпослідовноговідкриттядіалоговихвікон; • Чудові графічні можливості ; • STATISTICA надає сотні двовимірних і тривимірних графіків

5. З допомогою програми можна здійснити: • Дисперсійний аналіз; • Багатократна регресія; • Непараметричні методи; • Підгонрозподілень; • Аналізпотужності; • Загальні лінійні моделі; • Узагальнені лінійні моделі; • Загальні регресійні моделі;

6. З допомогою програми можна здійснити : • Компонентидисперсії; • Аналізвживаності; • Нелінійнаоцінка; • Логічний лінійний аналіз; • Часовіряди; • Структурневирівнювання; • Кластернийаналіз; • Факторнийаналіз; • Канонічнийаналіз; • Аналізнадійності; • Деревакласифікацій; • Аналізвідповідностей; • Багатовимірне шкалування; • Дискримінантнийаналіз; • Загальний дискримінант ний аналіз; • Нейронні мережі.

7. ПРОГНОЗУВАННЯ СПОЖИВАННЯ ЕЛЕКТРИЧНОЇ ЕНЕРГІЇ НА ПІДПРИЄМСТВІ Завдання прогнозування часових рядів знаходять практичне застосування в багатьох сферах енергетики, бізнесу,економіки. Спроба передбачення різних розподілених у часі параметрів, може принести хороші результати за умови , що завдання сформульовано розумно і немає спроби вирішити всі поставленні проблеми тільки за допомогою прогнозування .

8. Істотними моментами в даній області є наступні: • Хороший прогноз можна отримати практично тільки для детермінованого ряду , розвиток якого і так відомо; • прогноз передбачає , що в майбутньому не відбудеться яких-небудь істотних змін факторів, які можуть вплинути на ряд; • як правило , віддача від прогнозування досягається при застосуванні комплексних рішень , що включають не тільки методи прогнозу , але і засоби оптимізації.

9. Застосування методів прогнозування ми розглянемо на прикладі задачі , що стоїть перед будь-яким підприємством - завдання прогнозування спожитої електричної енергії. Важко очікувати , що вихідний часовий ряд (розподілені в часі споживання) буде детермінованим ; споживання схильне до впливу з боку багатьох факторів , врахувати які практично неможливо. Ряд , який ми розглядатиме сформувався за два з невеликим роки - протягом цього часу фіксувалася щоденна споживана потужність (Розглядається на прикладі місячного 30-ти денного споживання).

10. Вихідний часовий ряд був представлений у вигляді таблиці excel ; дані були успішно імпортовані в STATISTICA

11. Дані являють собою щоденну споживану потужність . Всього 116 спостережень . Таким чином ми вже маємо " спущену згори" сезонну структуру. Експертно встановлено, що ряд схильний високочастотним коливанням невеликої амплітуди з періодом в 4 вимірювання . Такі коливання властиві будь-якому підприємству. Необхідно побудувати прогноз споживання електричної енергії - короткостроковий і середньостроковий . Для вирішення цього завдання буде використаний пакет STATISTICA 7 , що володіє , зокрема , можливостями для побудови прогнозів часових рядів .

12. ОПИСОВИЙ АНАЛІЗ Першим кроком зазвичай є візуалізація часового ряду . Це можна зробити за допомогою контекстного меню або скориставшись схемою Графіка - 2М графіки - Лінійні графіки.

13. Крок 2. На вкладці параметри 1 задайте змінну з позначенням сезонних циклів як відповідальну за розмітку по осі Х

14. Крок 3. Натисніть на кнопку ОК - буде відображений лінійний графік для змінної

15. Сезонна декомпозиція Подальші дослідження будуть стосуватися структури ряду і побудови його прогнозу . Одним із перших завдань є отримання картини довгострокового розвитку ряду. Це може бути зроблено за допомогою методів класичної сезонної декомпозиції .

16. Крок 1 . Виберете Аналіз - Поглиблені методи аналізу - Тимчасові ряди і прогнозування . У вікні виберете Класична сезонна декомпозиція ( Census 1 )

17. Крок 2 У діалоговому вікні задайте тип моделі на « Аддитивная » , значення сезонного лага встановіть рівним 4 . Задайте додавання в робочу область компоненти змінного середнього для нашого ряду. Правильно налаштована панель аналізу виглядає так :

18. Крок 3Обчислення.По закінченні буде відображена панель аналізу з доданим поруч змінного середнього

19. Крок 4На вкладці “review series”задайте змінну з циклами як відповідальну за розмітку по осі Х і натисніть на кнопку “Plot two var”

20. Графік змінного середнього і початкового ряду

21. Висновок З цього графіка видно, що ковзне середнє відчуває низькочастотні коливання великої амплітуди. Їх можна інтерпретувати як річні цикли. Подальше згладжування недоцільно, оскільки ряд занадто короткий для цього. Тобто, для нашої вибірки числових значень споживання електричної енергії підприємством, на наступний місяць з прогнозоване споживання буде мати вигляд графіка рожевого кольору. Що чітко візуально показує на скільки і як буде відрізнятись споживання, а також , яким буде покращення.

22. Літературні джерела • В.П. Боровиков. Популярное введение в современный анализ данных в системе STATISTICA. Учебное пособие для вузов. – М.: Горячая линия - Телеком, 2013. – 288 с., ил. • В.П. Боровиков. STATISTICA. Искусство анализа данных на компьютере: для профессионалов (2-е издание), СПб.: Питер, 2003. – 688 с.: ил. • Г.И. Ивченко, Ю.И. Медведев. Математическая статистика. – М.: Высшая школа, 1984. – 248 с. • Вероятность и математическая статистика: Энциклопедия / Под ред. Ю.В. Прохорова. – М.: Большая Российская энциклопедия, 2003. – 912 с. • Электронный учебник на www.statsoft.ru • http://epp.eurostat.ec.europa.eu/statistics_explained/index.php/Natural_gas_market_indicators • http://epp.eurostat.ec.europa.eu/statistics_explained/index.php/Energy_price_statistics • http://epp.eurostat.ec.europa.eu/portal/page/portal/energy/data/database • Электронный учебник компании StatSoft. • Айвазян С. А., Бежаева З. И., Староверов О. В. Классификация многомерных наблюдений.— М.: Статистика,1974.— 238 с.