Родионов Д.Г.доктор экономических наук, профессор, директор Высшей инженерно-экономической школы, Санкт-Петербургский политехнический университет Петра Великого (СПбПУ), Санкт-Петербург, Российская Федерация rodion_dm@mail.ru https://orcid.org/0000-0002-1254-0464 SPIN-код: 2889-8516
Борисов О.Ю.соискатель Высшей инженерно-экономической школы, Санкт-Петербургский политехнический университет Петра Великого (СПбПУ), Санкт-Петербург, Российская Федерация borisov.ol@inbox.ru ORCID id: отсутствует SPIN-код: 4557-5175
Смирнова И.А.студентка Высшей инженерно-экономической школы, Санкт-Петербургский политехнический университет Петра Великого (СПбПУ), Санкт-Петербург, Российская Федерация ir_almazova@mail.ru ORCID id: отсутствует SPIN-код: отсутствует
Предмет. Устойчивость электроэнергетической системы региона. Цели. Разработка авторского подхода к мониторингу состояния устойчивости электроэнергетической системы региона. Методология. В качестве подхода к решению поставленной цели была выбрала нечеткая логика, обоснованность применения которой удалось определить благодаря проведенному литературному обзору. Использование деревьев решения при построении математических моделей позволило добиться эффективного функционального описания паттернов энергопотребления со стороны региона. При построении моделей использовался язык программирования Python. Результаты. Предложен алгоритм мониторинга состояния устойчивости электроэнергетической системы региона на основе социально доступной информации, основанный на нечетком подходе. Предложенный алгоритм исследования прогнозирования состоит из пяти последовательных этапов. Итогом прогнозирования стала полиномиальная функция, отражающая изменение параметра нагрузки на систему во времени. Выводы. Показатель потребления во времени нестабилен, склонен к резким изменениям в отрицательную и положительную стороны, что может быть обусловлено спецификой формирования спроса на электроэнергию, где ключевое значение имеет решение потребителя. Результаты исследования могут использоваться при развитии стратегий систем регионального электропотребления, а также могут быть внедрены в практику работы конкретных электроэнергетических предприятий в рамках построения прогнозов по потреблению энергии.
Ключевые слова: электроэнергетическая система, непрерывный мониторинг, устойчивость системы, дерево решений
Список литературы:
Mounir N., Ouadi H., Jrhilifa I. Short-term Electric Load Forecasting Using an EMD-BI-LSTM Approach for Smart Grid Energy Management System. Energy and Buildings, 2023, vol. 288, no. 113022. URL: Link
De Oliveira E.M., Oliveira F.L.C. Forecasting Mid-Long Term Electric Energy Consumption Through Bagging ARIMA and Exponential Smoothing Methods. Energy, 2018, vol. 144, pp. 776–788. URL: Link
Uzlu E., Kankal M., Akpınar A. et al. Estimates of Energy Consumption in Turkey Using Neural Networks with the Teaching–Learning-Based Optimization Algorithm. Energy, 2014, vol. 75, pp. 295–303. URL: Link
Hamzacebi C., Es H.A. Forecasting the Annual Electricity Consumption of Turkey Using an Optimized Grey Model. Energy, 2014, vol. 70, pp. 165–171. URL: Link
Bianco V., Manca O., Nardini S. Electricity Consumption Forecasting in Italy Using Linear Regression Models. Energy, 2009, vol. 34, iss. 9, pp. 1413–1421. URL: Link
Chaima E., Lian Jijian, Chao Ma et al. Long-term Electricity Demand Scenarios for Malawi's Electric Power System. Energy for Sustainable Development, 2023, vol. 73, pp. 23–38. URL: Link
Castelli M., Vanneschi L., De Felice M. Forecasting Short-term Electricity Consumption Using a Semantics-Based Genetic Programming Framework: The South Italy Case. Energy Economics, 2015, vol. 47, pp. 37–41. URL: Link
Kaboli S.Hr.A., Fallahpour A., Selvaraj J., Rahim N.A. Long-term Electrical Energy Consumption Formulating and Forecasting via Optimized Gene Expression Programming. Energy, 2017, vol. 126, pp. 144–164. URL: Link
Meira E., Lila M.F., Oliveira F.L.C. A Novel Reconciliation Approach for Hierarchical Electricity Consumption Forecasting Based on Resistant Regression. Energy, 2023, vol. 269, no. 126794. URL: Link
Jianjun Wang, Li Li, Dongxiao Niu, Zhongfu Tan. An Annual Load Forecasting Model Based on Support Vector Regression with Differential Evolution Algorithm. Applied Energy, 2012, vol. 94, pp. 65–70. URL: Link
Арбузов А.Д. Метод мониторинга динамики кластеров социотехнических систем на основе нечеткого когнитивного подхода // Международный журнал информационных технологий и энергоэффективности. 2021. Т. 6. № 1. С. 23–33. URL: Link
Кочеткова Т.С. Комплексная оценка бизнес-процессов предприятий: нечетко-множественный подход // Современные наукоемкие технологии. Региональное приложение. 2016. № 4. С. 78–83. URL: Link kompleksnaya-otsenka-biznes-protsessov-predpriyatiy-nechyotko-mnozhestvennyy-podhod?ysclid=lp8a0fupil128140844
Zhibao Wang, Lijie Wei, Xiaoping Zhang, Guangzhi Qi. Impact of Demographic Age Structure on Energy Consumption Structure: Evidence from Population Aging in Mainland China. Energy, 2023, vol. 273, no. 127226. URL: Link
Родионов Д.Г., Короткова Е.А., Крыжко Д.А. и др. Трансформация экологической среды социально-экономических систем под воздействием факторов информационной среды // Экономические науки. 2021. № 8. С. 98–111. URL: Link
Даванков А.Ю., Двинин Д.Ю., Постников Е.А. Методический инструментарий оценки социо-эколого-экономической среды региона в границах устойчивости биосферы // Экономика региона. 2016. Т. 12. Вып. 4. С. 1029–1039. URL: Link
Алексеев В.А., Родионов Д.Г., Конников Е.А. Специфика реализации концепции устойчивого развития применительно к атомной энергетике // Экономические науки. 2022. № 10. С. 155–161. URL: Link
Родионов Д.Г., Кулагина Н.А., Лагутенков А.А. Основные тенденции на международном рынке энергоресурсов: факты и уроки пандемии COVID-19 // Вестник Алтайской академии экономики и права. 2022. № 2-2. С. 244–250. URL: Link
Затонский А.В., Сиротина Н.А., Янченко Т.В. Об аппроксимации факторов дифференциальной модели социально-экономической системы // Russian Journal of Education and Psychology. 2012. № 11. URL: Link
Зенков В.В. Применение аппроксимации дискриминантной функции Андерсона и метода опорных векторов для решения некоторых задач классификации // Автоматика и телемеханика. 2020. Т. 81. № 1. С. 147–160. URL: Link
Барбашова Е.В., Гайдамакина И.В., Польшакова Н.В. Прогнозирование в коротких временных рядах: методологические и методические аспекты // Вестник аграрной науки. 2020. № 2. С. 84–98. URL: Link
Пчелинцев С.Ю. Сравнительный анализ фреймворков глубокого обучения // Информационно-экономические аспекты стандартизации и технического регулирования. 2020. № 1. URL: Link
Сенин А.С., Лясников Н.В. Принятие управленческих решений в кризисных ситуациях на основе нейронной сети «дерево решений» // Экономика и социум: современные модели развития. 2019. Т. 9. № 1. URL: Link
Коваленко А.В., Гаврилов А.А., Теунаев Д.М. и др. Использование методов многомерного статистического анализа для оценки социально-экономического развития городских округов Краснодарского края // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2002. № 155. URL: Link
Чернышова Г.Ю., Самаркина Е.А. Методы интеллектуального анализа данных для прогнозирования финансовых временных рядов // Известия Саратовского университета. Новая серия. Серия: Экономика. Управление. Право. 2019. Т. 19. № 2. С. 181–188. URL: Link
