Вариантное регрессионное моделирование производства электроэнергии в Российской Федерации

Цель. Целью исследования является построение линейной регрессионной модели производства электроэнергии в Российской Федерации в зависимости от ресурсных показателей, к которым относятся: объем добычи угля и газа, производство мазута. В качестве информационной базы исследования использованы статистические данные за 2005 – 2020 г. г.

Метод. Оценивание неизвестных параметров модели осуществляется с использованием трех методов – наименьших квадратов, модулей и антиробастного оценивания. Они ведут себя по-разному по отношению к выбросам – наблюдениям, не согласующимся с выборкой данных в целом. Второй из них вообще не реагирует на выбросы, полностью игнорируя их, а третий, напротив, сильно к ним тяготеет, следовательно, эти методы являются своего рода антагонистами друг по отношению к другу.

 Результат. Получены три альтернативных модели линейной регрессионной модели производства электроэнергии, обладающие высокой точностью. Рассчитано значение индекса параметрической стабильности выборки данных, основанного на свойствах методов оценивания параметров. Выделены наблюдения, в максимальной и минимальной степени соответствующие линейной модели на анализируемой выборке. Вычислены значения вкладов факторов в правые части моделей.

Вывод. Три построенных различными методами варианта модели могут успешно использоваться для решения задач, связанных с прогнозированием производства электроэнергии в стране. При этом вариант, построенный методом наименьших квадратов, является своего рода компромиссным.

1. Meng M., Sanders K.T. A data-driven approach to investigate the impact of air temperature on the efficiencies of coal and natural gas generators //Applied Energy. – 2019.- 253.-113486.

2. Adebisi O.I., Adejumobi I.A. Development of a Load Management Scheme for the Nigerian Deregulated Electricity Market Using Regression Model // IEEE PES/IAS Power Africa Conference: Power Economics and Energy Innovation in Africa, Power Africa. - 2019.- 8928928.- рр. 682-687.

3. Sağlam Ü. Assessment of the productive efficiency of large wind farms in the United States: An application of two-stage data envelopment analysis // Energy, Conversion and Management. - 2017- 153.- рр. 188- 214.

4. Ke Y., Yang X., Xiong Y., Liang X. Power generation dispatching for environmental protection based on recursive neural network and ant colony optimization algorithm//Information and Control. - 2017- 46(4).- рр. 415-421.

5. Мохов В.Г., Демьяненко Т.С. Определение значимых факторов при прогнозировании объема потребления электроэнергии по объединенной энергосистеме Урала на основе регрессионного анализа // Вестник УрФУ. Серия: Экономика и управление. - 2017. - Т. 16. - № 4. - С. 642-662.

6. Зуева В.Н. Регрессионные методы прогнозирования графика нагрузки электрооборудования // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. - 2017. - № 126. - С. 119-130.

7. Стенников В.А., Добровольская Т.В. Методы регрессионного анализа в исследованиях теплопотребления в России // Вестник Российского экономического университета имени Г.В. Плеханова. - 2018. - № 2 (98). - С. 142-153.

8. Официальный портал Федеральной службы государственной статистики. [Электронный ресурс] URL: https://rosstat.gov.ru (дата обращения: 21.12.2022).

9. Сайт статистики и аналитики: Мировые финансы. Добыча газа. [Электронный ресурс] URL: http://global-finances.ru/dobycha-gaza-v-rossii-po-godam/ (дата обращения: 21.12.2022).

10. Сайт статистики и аналитики: Мировые финансы. Добыча угля. [Электронный ресурс] URL: http://global-finances.ru/dobycha-uglya-v-rossii-po-godam/ (дата обращения: 19.12.2022).

11. Официальный сайт Министерства энергетики Российской Федерации (Минэнерго России). [Электронный ресурс] URL: https://minenergo.gov.ru/node/1212 (дата обращения: 21.12.2022).

12. Витрина статистических данных статистики. [Электронный ресурс] URL: https://showdata.gks.ru/finder (дата обращения: 2.12.2022).

13. Официальный портал Единой межведомственной информационно-статистической системы (ЕМИСС). [Электронный ресурс] URL: https://www.fedstat.ru/ (дата обращения: 21.12.2022).

14. Демиденко Е.З. Линейная и нелинейная регрессии. - М.: Финансы и статистика.- 1981. - 302с.

15. Носков, С.И. О методе смешанного оценивания параметров линейной регрессии / С.И. Носков // Информационные технологии и математическое моделирование в управлении сложными системами. - 2019. - № 1. - С. 14-20.

16. Носков С. И. Метод антиробастного оценивания параметров линейной регрессии: число максимальных по модулю ошибок аппроксимации // Южно-Сибирский научный вестник. - 2020.- № 1. - С. 51- 54.

17. Носков С.И. Дискретная модель производства алюминия в Российской Федерации // Вестник Технологического университета. - 2022. - Т.25. - № 2. - С. 80-82.

18. Носков С.И. Индекс параметрической стабильности регрессионной модели // Вестник транспорта Поволжья. - 2021. - № 2 (86). - С. 74-77.

19. Носков С. И., Ильюшонок Д. М. Подход к кластеризации выборки данных на основе метода наименьших модулей // Южно-Сибирский научный вестник. - 2020. - № 6. - С. 255-259.

20. Носков С.И. Оценка динамики вкладов факторов в линейной регрессионной модели // Вестник Воронежского государственного технического университета. - 2021. - Т. 17. - № 5. - С. 15-19.