Введение 3
ГЛАВА 1. Состояние и проблемы электроэнергетической отрасли Австралии 5
1.1 Энергетический профиль Австралии 5
1.2 Проблемы и перспективы развития сферы электроэнергетики в Австралии и штате Виктория 9
ГЛАВА 2. Обзор моделей прогнозирования спроса на электроэнергию 17
2.1 Методы и модели прогнозирования в экономике 17
2.2 Регрессионные модели 19
2.3 Авторегрессионные модели 22
2.4 Модели экспоненциального сглаживания 23
2.5 Модели искусственных нейронных сетей 24
2.6 Метрики оценки и сравнения различных моделей 28
ГЛАВА 3. Построение и сравнение моделей 29
3.1 Визуальная оценка данных 29
3.2 Разделение данных 30
3.3 Автокорреляция и тест Дики-Фуллера 31
3.4 Прогноз по последнему значению и метод экспоненциального сглаживания 32
3.5 SARIMAX 32
3.6 NeuralProphet 33
3.7 Сравнение моделей 37
Заключение 38
Список использованной литературы 39
Данная курсовая работа посвящена рассмотрению темы: сравнение и выбор наилучшей модели для прогнозирования спроса на рынке электроэнергии.
Эта тема является крайне актуальной, поскольку современный рынок электроэнергии постоянно расширяется и не стоит на месте: все больше аспектов жизни современного человека включает в себя различные приборы-потребители электричества, растет население земли, т.е. появляется все больше потребителей, которые точно будут предъявлять спрос на электричество, правительства многих стран стимулируют переход на электрические машины, которые так же нужно заряжать.
Объектом исследования выступает спрос на рынке электроэнергии в городе Виктория за период 2015-2020 годов. Предметом исследования является прогнозирование спроса на электроэнергию.
Целью данной курсовой работы является поиск наилучшей модели прогнозирования спроса на электроэнергию, путем сравнения самых популярных из моделей. Для этого требуется выполнение ряда задач, таких как:
1. Изучить энергетический рынок Австралии, его проблемы и перспективы
2. Рассмотреть теоретические аспекты моделей SARIMAX NeuralProphet и метрик, которые будут в дальнейшем использованы для сравнения
3. Произвести поиск и обработку данных спроса на электроэнергию за период 2015-2020 годов
4. С помощью моделей SARIMAX и NeuralProphet построить прогноз на спрос на электроэнергию и оценить их корректность
5. Сравнить качества прогнозов разных моделей, используя метрики, и сделать выводы, касаемо выбора предпочтительных моделей
В первой главе приведена информация об общем состоянии энергетической структуры Австралии и штата Виктория в частности, обоснована актуальность и необходимость проблемы исследования спроса.
Во второй главе происходит обзор различных моделей, применяемых для прогнозирования спроса на электроэнергию во всем мире.
В третьей главе будет проведен первичный анализ данных, выявлены различные закономерности, проверен ряд на стационарность, построена автокорреляции, а также применены различные модели, по ним будут построены прогнозы, по качеству которых с помощью метрик будет выбрана наилучшая.
Проведенная работа показала, что самой эффективной моделью для прогнозирования спроса на рынке электроэнергии является библиотека NeuralProphet, поскольку показывает наименьшую ошибку прогноза, среди сравниваемых моделей, к которым так же относились: прогноз по последнему значению, экспоненциальная сглаживающая и SARIMAX.
Стоит отметить, что модель NeuralProphet все еще находится в стадии доработки, поэтому при нежелании исследователя пользоваться незавершенными методами, для рынка электроэнергии подойдет SARIMAX(7,1,1)x(1,1,0,12).
Также в процессе подготовки исходных данных был установлен факт реального влияния различных погодных условий на потребление электроэнергии. Подготовка данных была необходима для построения модели SARIMAX, что заняло достаточное количество времени.
На фоне SARIMAX, NeuralProphet выделяется большей неприхотливостью к данным, за счет чего сам процесс обучения модели проходит проще. Более того, в последствии модель можно модернизировать, изменяя значения различных параметров, добавляя в нее процесс авторегрессии и затем, сравнивая различные версии модели с помощью метрик, выбирать наиболее эффективную.
