Статья 2319

Название статьи

АНАЛИЗ ИНФОРМАТИВНОСТИ ДАННЫХ ПРИ ПОСТРОЕНИИ ПРОГНОЗНОЙ МОДЕЛИ ЦЕНЫ НА ЭЛЕКТРОЭНЕРГИЮ 

Авторы

Петухова Наталья Юрьевна, кандидат физико-математических наук, доцент, старший научный сотрудник, лаборатория численного моделирования, ООО «Базовые Технологии» (Россия, г. Москва, 3-я улица Ямского Поля, 2), E-mail: natpet967@gmail.com 

Индекс УДК

004.75, 004.047 

DOI

10.21685/2072-3059-2019-3-2 

Аннотация

Актуальность и цели. Рассматривается задача построения эффективного метода прогноза показателей равновесной цены на электроэнергию на рынке на сутки вперед. Цель работы – предварительный анализ прогнозных данных для выявления наиболее важных прогнозных факторов.
Материалы и методы. Основой для построения прогноза являются модели с применением нейронных сетей и бустинга над композицией алгоритмов. Проведен математический анализ входных данных на основе оценки их информативности и метода выделения главных компонент в корреляционных зависимостях.
Результаты. Для выбора оптимального набора прогнозных факторов был проведен корреляционный и кластерный анализ. Уменьшение размерности данных проведено методом главных компонент. Информативность признаков определялась выборочной оценкой их взаимной энтропии.
Выводы. Рассмотренные методы анализа данных позволяют ранжировать признаки по их информативности, проводить кластерный анализ, своевременно добавлять новые факторы прогноза. Все это приводит к наиболее оптимальной прогнозной модели. Описано применение информационных критериев для создания дополнительных параметров. 

Ключевые слова

рынок электроэнергии, решающие алгоритмы, нейронные сети, главные компоненты, информативность прогнозных данных, информационные критерии, константа Липшица 

 

 Скачать статью в формате PDF

Список литературы

1. Хайкин, С. Нейронные сети / С. Хайкин. – Москва : Вильямс, 2006. – Ч. 1, 2. – 654 с.
2. Friedman, H. Greedy function approximation: a gradient boosting machine / H. Friedman // Annals of Statistics & Data Analysis. – 2002. – Vol. 38, № 4. – P. 1189–1232.
3. Бидюк, П. И. Структурный анализ методик построения регрессионных моделей по временным рядам наблюдений / П. И. Бидюк, Т. Ф. Зворыгина // Управляющие системы и машины. – 2003. – № 2. – С. 93–99.
4. Загору йко, Н. Г. Прикладные методы анализа данных и знаний / Н. Г. Загоруйко. – Новосибирск : ИМ СО РАН, 1999. – 271 с.
5. Пупков, К. А. Нестационарные системы автоматического управления: анализ, синтез и оптимизация / К. А. Пупков, Н. Д. Егупов. – Москва : Изд-во МГТУ им. Баумана, 2007. – 340 с.
6. Комарцева, Л. Г. Нейрокомпьютеры / Л. Г. Комарцева, А. В. Максимов. – Москва : Изд-во МГТУ им. Баумана, 2004. – 410 с.
7. URL: http://www.atsenergo.ru/
8. Осовский, С. Нейронные сети для обработки информации / С. Осовский. – Москва : Финансы и статистика, 2002. – 485 с.
9. Бахвалов, Н. С. Численные методы / Н. С. Бахвалов, Н. П. Жидков, Г. М. Кобельков. – 7-е изд. – Москва : БИНОМ. Лаборатория знаний, 2011. – 630 с. 

 

Дата создания: 24.09.2019 13:51
Дата обновления: 21.01.2020 15:08