Методы прогнозирования неравномерных нестационарных временных рядов на примере задачи планирования электропотребления промышленного предприятия тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Руссков Олег Владимирович

• Руссков Олег Владимирович
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Руссков Олег Владимирович

ВВЕДЕНИЕ

ГЛАВА 1. ПОСТАНОВКА ЗАДАЧИ И ОБЗОР ЛИТЕРАТУРЫ

1.1. Общая постановка задачи

1.2. Классификация моделей временных рядов

1.3. Недостатки существующих моделей временных рядов

1.4. Детализация поставленной задачи

1.5. Классификация существующих моделей прогнозирования временных рядов промышленных предприятий

1.6. Существующие подходы к решению задачи

прогнозирования неравномерного временного ряда

Выводы

ГЛАВА 2. МЕТОД ПРОГНОЗИРОВАНИЯ НЕРАВНОМЕРНОГО ВРЕМЕННОГО РЯДА НА ОСНОВЕ ТЕОРИИ ВЕРОЯТНОСТЕЙ

2.1. Методический подход к прогнозированию неравномерного ряда

2.2. Особенности формирования неравномерного ряда

2.3. Формализация зависимости неравномерного ряда от смежного

2.4. Метод прогнозирования неравномерного временного ряда на

основе теории вероятностей

2.5. Шаги метода прогнозирования на основе теории вероятностей

Выводы

ГЛАВА 3. МЕТОД ПРОГНОЗИРОВАНИЯ НЕРАВНОМЕРНОГО ВРЕМЕННОГО РЯДА НА ОСНОВЕ ТЕОРИИ ИГР

3.1. Применение теории игр для прогнозирования

неравномерного временного ряда

3.2. Целевая функция метода прогнозирования на основе теории игр

3.3. Углубленный анализ разницы значений смежных

временных рядов

3.4. Анализ влияющих факторов

3.5. Метод прогнозирования неравномерного ряда на основе теории игр

3.6. Дополнительное применение предложенного методического

подхода к прогнозированию неравномерного временного ряда

Выводы

ГЛАВА 4. РЕАЛИЗАЦИЯ МЕТОДОВ ПРОГНОЗИРОВАНИЯ НЕРАВНОМЕРНЫХ ВРЕМЕННЫХ РЯДОВ

4.1. Описание базы данных прогнозного модуля

4.2. Общая схема алгоритмов моделей прогнозирования неравномерного временного ряда

4.3. Схема алгоритма модели прогнозирования неравномерного временного ряда на основе теории вероятностей

4.4. Схема алгоритма модели прогнозирования на основе теории игр

4.5. Схема алгоритма ретроспективного прогнозирования

4.6. Экспорт полученных результатов

4.7. Экранные формы разработанного программного модуля

4.8. Испытания программного модуля

Выводы

ГЛАВА 5. РЕЗУЛЬТАТЫ ИСПЫТАНИЙ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ НЕРАВНОМЕРНОГО ВРЕМЕННОГО РЯДА

5.1. Авторегрессионные модели

5.2. Нейросетевая модель

5.3. Модель прогнозирования на основе теории вероятностей

5.4. Модель прогнозирования на основе теории игр

5.5 Итоговое сравнение результатов

Выводы

ЗАКЛЮЧЕНИЕ

Список литературы

Приложение А. Акты и свидетельства разработанных моделей

Приложение Б. Фрагмент исходного кода программного модуля

Приложение В. Результаты испытаний прогнозных моделей

Введение диссертации (часть автореферата) на тему «Методы прогнозирования неравномерных нестационарных временных рядов на примере задачи планирования электропотребления промышленного предприятия»

ВВЕДЕНИЕ

Актуальность темы исследования. В настоящее время методы информационных технологий, позволяющие в режиме реального времени производить расчёты процессов различной природы, активно развиваются, позволяя определять алгоритмы функционирования исследуемых объектов и, следовательно, прогнозировать их будущее состояние. Предвосхищать будущее означает быть готовым к завтрашнему дню, что позволяет человеку удовлетворять одну из базовых потребностей - потребность в безопасности. Прогнозирование же с использованием современных быстродействующих ЭВМ значительно увеличивает его скорость и эффективность. В настоящее время задача прогнозирования временных рядов решается в основном с помощью хорошо зарекомендовавших себя авторегрессионных моделей, моделей на нейронных сетях, моделей экспоненциального сглаживания, на цепях Маркова, на базе классификационно-регрессивных деревьев. К их достоинствам можно отнести низкую погрешность прогнозирования, гибкость и широкую область применения. Однако, к известным недостаткам вышеприведённых моделей относится значительный рост погрешности прогноза при возрастании неравномерности или волатильности временного ряда.

К задачам, в которых применение вышеприведённых моделей неэффективно, относятся, в частности, задача прогнозирования потребления энергоресурсов промышленного предприятия, таких, как газ, тепло, вода, электрическая энергия и мощность, временные ряды которых являются неравномерными, а также задача прогнозирования цен на биржевых рынках, временные ряды которых склонны к волатильности. Определённые шаги в разработке подходов к решению задачи прогнозирования неравномерного электропотребления были предприняты путём создания класса моделей на базе параметров рыночной среды; тем не менее, и они пока не привели к созданию эффективного инструмента для прогнозирования неравномерного временного ряда. Задача прогнозирования неравномерного временного ряда

электропотребления позволила сформулировать некоторые новые общие информационные требования к прогнозированию неравномерных рядов в целом, выделив класс задач, которые не решались в полной мере с помощью известных подходов. Решение данной задачи имеет важное народнохозяйственное значение [1,2], что стимулирует учёных заниматься поиском новых эффективных подходов к прогнозированию неравномерного или волатильного временного ряда.

Таким образом, рост погрешности при прогнозировании неравномерного временного ряда потребления электроэнергии промышленными предприятиями вносит значительные ограничения на использование существующих методов и требует разработки новых подходов к решению задачи прогнозирования неравномерных временных рядов в целом. В соответствии с этим заявленная тема диссертации является актуальной.

Степень разработанности темы исследования. Существующие методы и модели прогнозирования временных рядов по способу определения будущих значений ряда относятся двум типам. К статистическим, в частности, относятся модели на базе рангового Н-распределения, разработанные российским профессором Б.И. Кудриным и его учениками [3-15], а также регрессионные (и их модификации) и модели экспоненциального сглаживания. К основным структурным относятся модели на цепях Маркова и на базе классификационно-регрессионных деревьев. Наиболее же популярными моделями этого типа являются нейросетевые, предложенные С. Хайкиным и развитые зарубежными учёными М. Шахидепуром, Х. Ямином, С. Кунгом и их российскими коллегами П.В. Валь, Ю.П. Поповым, И.В. Вороновым, Е.Ю. Косенко, В.П. Шкодыревым; несколько менее популярным инструментом являются модели семейства АММАХ, предложенные Н. Дрейпером и Г. Смитом и развитые Х. Альфаресом, А. Харви, С. Петерсом, С. Халимом, Дж. Дурбином, С.С. Новиковым, О.В. Перцовским, И.А. Чучуевой, Е.Ю. Ивановым; при этом проблема роста погрешности прогноза при возрастании неравномерности или волатильности временного ряда изучена в работах ряда российских исследователей: Б.И. Макоклюева, В.Ф. Ёч, А.П. Дзюбы, И.А. Баева, И.А. Соловьёвой, В.Ш.

Трофимовой, А.В. Липатникова, С. Бейдена [16-37]. Неравномерность можно сравнить с периодами слома тенденций равномерных временных рядов. Автор многолетнего исследования на тему прогнозирования подобных временных рядов на рынках США, учёный и практик М. Харрис, к примеру, остроумно замечает, что в этом случае «высокий уровень интеллекта и образования далеко не всегда гарантирует успех в ремесле прогнозирования» [38]. Обилие различных подходов к решению поставленной задачи говорит о том, что оптимального её решения до сих пор не найдено. Об этом, в частности, ярко свидетельствует множество работ, посвящённых прогнозированию неравномерного временного ряда электропотребления одного и того же предприятия [2; 20; 23; 24; 28; 29; 30]. Здесь следует привести ещё одно важнейшее замечание, сделанное М. Харрисом и в полной мере объясняющее причины нередких неудач существующих прогнозных моделей, которые экстраполируют прошлые значения ряда в будущие: «работа прогнозиста заключается не столько в том, чтобы предвосхитить будущее, сколько в том, чтобы не смотреть на него через зеркало заднего вида» [38, стр. 88-89]. Именно этих принципов и должен придерживаться учёный при разработке методов и моделей прогнозирования неравномерного нестационарного временного ряда.

Цели и задачи диссертационного исследования. Целью данной работы является разработка методов и моделей прогнозирования временных рядов в условиях их неравномерности и нестационарности.

В рамках достижения указанной цели поставлены следующие задачи:

1. Разработать новые методы и модели прогнозирования неравномерных нестационарных временных рядов.

2. Добиться уменьшения ошибки прогнозирования разработанных методов и моделей по сравнению с существующими на основе данных крупного промышленного предприятия.

3. Создать и в установленном порядке зарегистрировать модуль программы для ЭВМ, позволяющий осуществлять прогнозирование неравномерного нестационарного временного ряда.

Объект исследования. Прогнозирование неравномерных временных рядов в задачах планирования потребления электроэнергии крупными промышленными предприятиями.

Предмет исследования. Методы и модели прогнозирования неравномерного нестационарного временного ряда.

Методология и методы исследования. Методологической основой исследования являются научные работы российских и зарубежных авторов. Использовался математический аппарат теории вероятностей, теории игр, анализа временных рядов. Информационно-эмпирической базой исследования являются данные объёмов и цен электропотребления, научные статьи, материалы научных конференций, кандидатские и докторские диссертации и авторефераты, источники в сети Интернет, результаты работы прогнозных моделей. Теоретические исследования и моделирование проводилось при помощи программы статистического анализа Minitab 18, программного продукта MS Excel 2010 и программного модуля flow3 «Информационно-аналитический комплекс электроэнергетики v6.0» АО «Волжский трубный завод» (ВТЗ).

Соответствие содержания диссертации заявленной специальности. Работа выполнена в соответствии со следующими направлениями исследований паспорта ВАК 2.3.1. Системный анализ, управление и обработка информации, статистика:

4. Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта.

17. Прикладные статистические исследования, направленные на выявление, измерение, анализ, прогнозирование, моделирование складывающейся конъюнктуры и разработки перспективных вариантов развития сложных систем.

В соответствии с направлениями исследований специальности 2.3.1. осуществлены прикладные статистические исследования временных рядов для измерения, анализа и прогнозирование, моделирование перспективных вариантов развития сложной системы, разработка методов и алгоритмов решения задач

принятия решений, обработки информации, а также проведена разработка специального алгоритмического обеспечения на их основе.

Научная новизна:

1. Предложен метод прогнозирования, основанный на анализе вероятностей установления соотношений смежных временных рядов и отличающийся от известных методов снижением ошибки прогнозирования неравномерных нестационарных временных рядов, а также обладающий свойством автокоррекции ошибки прогноза.

2. Разработана модель прогнозирования неравномерных нестационарных временных рядов на базе предложенного метода прогнозирования на основе теории вероятностей.

3. Предложен метод прогнозирования, основанный на расчёте прогнозной величины в условиях неопределённости с применением теории игр и отличающийся от известных методов значительным снижением ошибки прогнозирования неравномерных нестационарных временных рядов, также обладающий свойством автокоррекции ошибки прогноза.

4. Разработана модель прогнозирования неравномерных нестационарных временных рядов на базе предложенного метода прогнозирования на основе теории игр.

Положения, выносимые на защиту:

1. Метод прогнозирования неравномерных нестационарных временных рядов, основанный на анализе вероятностей установления соотношений смежных временных рядов.

2. Модель прогнозирования на базе предложенного метода на основе теории вероятностей в виде алгоритма программного модуля.

3. Метод прогнозирования неравномерных нестационарных временных рядов, основанный на расчёте прогнозной величины в условиях неопределённости с применением теории игр.

4. Модель прогнозирования на базе предложенного метода на основе теории игр в виде алгоритма программного модуля.

Теоретическая и практическая значимость работы. Разработанные методы, модели и алгоритмы доведены до реализации в виде стандартного программного обеспечения, которое испытано и внедрено в промышленную эксплуатацию на предприятии металлургической промышленности. Эффективность разработанных методов подтверждена утверждённым на предприятии расчётом экономического эффекта. Разработанный модуль программы для ЭВМ может быть рекомендован для коммерческого использования на других металлургических предприятиях России. Кроме того, предложенные методы после небольшой доработки могут быть использованы для создания стороннего программного обеспечения для прогнозирования неравномерных временных рядов, в частности, потребления энергоресурсов (газа, нефти, пара), а также временных рядов электропотребления любой природы и временных рядов цен фондовых рынков.

Степень достоверности и апробация результатов. Достоверность полученных автором результатов экспериментов обеспечивается сравнением с результатами прогнозирования, полученными на лучших моделях других авторов, а также с результатами моделей, ранее используемых на предприятии. Результаты диссертационной работы освещались на международных и всероссийских конференциях. Программный модуль на языке программирования С++ принят в промышленную эксплуатацию в АО «Волжский трубный завод» 15.10.2015 (модель на основе теории вероятностей), 15.12.2016 (модель на основе теории игр) и официально зарегистрирован в установленном порядке. Разработанный программный модуль ежедневно используется персоналом промышленного предприятия для прогнозирования неравномерного временного ряда электропотребления.

Публикации. Основные результаты диссертационной работы опубликованы:

- в 3 статьях в научных журналах из перечня рецензируемых изданий Высшей аттестационной комиссии («Наука и образование» МГТУ им. Баумана, № 2 2015; «Главный энергетик», № 10-11 2015, «Современная наука: актуальные

проблемы теории и практики. Серия: Естественные и Технические Науки», № 4 2021, специальность 05.13.01), индексируемых в РИНЦ.

- в 3 статьях в зарубежных научных изданиях с индексацией в системе Scopus (журнал «Procedia Engineering», Оксфорд, Великобритания, август 2015; сборник IEEE «2017 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM)», октябрь 2017; журнал «IOP Conference Series: Earth and Environmental Science», Бристоль, Великобритания, ноябрь 2017);

- в 1 статье в зарубежном научном издании с индексацией в системе Web Of Science (журнал «SHS Web of Conferences», Volume 44, июнь 2018);

- в 4 сборниках всероссийских конференций «Национальная ассоциация учёных» (Екатеринбург, ноябрь 2014), «Европа-Азия» (Москва, декабрь 2014), «Компьютерное моделирование К0М0Д-2016» (Санкт-Петербург, июль 2016), «Новая наука: от идеи к результату» (Стерлитамак, декабрь 2016);

- в 2 сборниках международных конференций «Математические методы в технике и технологиях ММТТ-32» (СПбПУ, июнь 2019), «2nd International Conference Cyber-Physical Systems and Control» (СПбПУ, июнь-июль 2021);

- в 1 сборнике работ лауреатов международного конкурса научных, научно-технических и инновационных разработок Минэнерго РФ (апрель 2021).

Итого: 14 публикаций. Кроме того, получены 2 свидетельства о внедрении рационализаторских предложений (Приложение А), осуществлена защита проекта улучшений методологии «Лин 6 Сигм» в АО «Волжский трубный завод» (Приложение А) на основе предложенных методов и моделей.

Личный вклад соискателя. Все исследования, разработка методов и алгоритмов, программирование, настройка, испытания и внедрение в рамках данной диссертационной работы проведены лично автором.

Структура и объём работы. Диссертационная работа состоит из введения, пяти глав, заключения, списка литературы и трёх приложений, занимающих в общей сложности 241 лист.

В первой главе на 35 листах произведена постановка задачи и классифицированы существующие методы прогнозирования временных рядов,

изучены модели, построенные на их основе, рассмотрены их достоинства и недостатки. Выявлен главный недостаток существующих методов и моделей при прогнозировании неравномерного временного ряда. Определены существующие подходы для решения данной проблемы, разобраны их достоинства и недостатки.

Во второй главе на 34 листах описан предлагаемый метод прогнозирования неравномерного временного ряда на основе теории вероятности.

В третьей главе на 33 листах приведён предлагаемый метод прогнозирования неравномерного временного ряда на основе теории игр.

В четвёртой главе на 22 листах рассмотрено алгоритмическое обеспечение моделей, разработанных на основе предложенных методов прогнозирования неравномерного временного ряда на основе теории вероятностей и на основе теории игр, а также программная реализация этих моделей.

В пятой главе на 21 листе описано получение результатов экспериментальной проверки разработанных моделей прогнозирования неравномерного временного ряда на примере решения задачи прогнозирования неравномерного электропотребления промышленного предприятия. Проведён сравнительный анализ результатов работы разработанных и существующих моделей прогнозирования для репрезентативных данных объекта исследования. Показана эффективность применения предложенных методов и моделей прогнозирования неравномерного временного ряда относительно существующих при совершенствования управления и принятия решений с целью повышения эффективности функционирования объекта исследования.

В заключении на 3 листах сделаны выводы о том, что разработанные методы и модели прогнозирования неравномерного временного ряда позволяют решить задачу, поставленную во введении диссертации. Даны практические рекомендации по применению созданных моделей прогнозирования.

Список литературы диссертации приведён на 16 листах и состоит из 169 наименований. Охвачены работы как зарубежных, так и российских авторов.

Приложение А занимает 20 листов, Приложение Б - 13 листов, Приложение В - 33 листа.

ГЛАВА 1. ПОСТАНОВКА ЗАДАЧИ И ОБЗОР ЛИТЕРАТУРЫ

1.1. Общая постановка задачи

Принято считать, что наука выполняет в жизни общества пять основных функций: описательную, систематизирующую, информативную, объяснительную и предсказательную [39]. Объяснительная и предсказательная функции исследованы наиболее полно. Предсказание помогает научному познанию выполнять своё основное предназначение - быть ориентиром для человека во всех сферах жизни [40]. О связи между предвидением, управлением человеческой жизнью и свободой писал ещё Аристотель [41]. Выдающийся философ Карл Поппер отмечал, что будущее знание имеет свойство ожидания, имея в виду, что функция предвидения изначально находится в самой структуре знания [42].

При упоминании процесса осознания человеком будущего в научной литературе наиболее часто встречаются три термина: предсказание, предвидение, прогнозирование [43]. Предвидение - некое предположение о будущем состоянии процессов - подразделяется на ненаучное, обыденное и научное [43]. Научное опирается на твёрдую теоретическую основу и изучение закономерностей [44]. Предсказание е - научное предвидение, имеющее временные рамки [45]. И, наконец, прогнозирование - научное исследование перспектив развития явления, с количественными оценками и указанием сроков его изменения. Достоверный прогноз требует знания закономерностей в отношении прогнозируемого объекта и грамотной оценки всего комплекса условий, при которых произойдёт искомое событие [46].

Именно предсказательная функция научной теории, реализуемая в виде прогнозирования, позволяет удовлетворить одну из базовых потребностей человека в защите. Чем сложнее объект прогнозирования, тем сложнее должно быть описание модели этого объекта. Возможность использования подобных моделей прогнозирования подразумевает применение высокоскоростных средств вычислительной техники - устройств, которым человек в XX столетии смог впервые в собственной истории поручить осуществление громоздких и

невозможных для себя вычислений в реальном режиме времени. Моделирование - процесс имитации исследуемой системы путём создания моделей-аналогов, с достаточной достоверностью отражающих её организацию и функционирование [47]. При этом экспериментатор может изучать влияние каждого действующего фактора по отдельности, не изменяя, что очень ценно, реальный объект. Модели по своей природе подразделяются на натурные (части реальных объектов), физические (физический процесс, замещающий объект) и математические (формализованный алгоритм функционирования для замещения объекта). Поскольку современное общество является постиндустриальным, использующим информационные технологии, в наше время наиболее часто используются математические модели [21], поскольку построить натурную или физическую модель стало сложнее, чем найти адекватный алгоритм функционирования исследуемого объекта. Состояние процесса при этом отражается набором данных, называемым временным рядом. Нередко в значении прогнозирования имеют в виду экстраполяцию прошлых значений для получения значений будущих [21].

Время, на которое требуется определить будущие значения ряда, называется горизонтом прогнозирования. В зависимости от горизонта прогнозирования математические модели принято подразделять на следующие [35]:

- ультракраткосрочные (от нескольких минут до суток);

- краткосрочные (от суток до недели);

- среднесрочные (от недели до года);

- долгосрочные (от года до нескольких десятков лет).

Одни и те же модели могут иметь различную погрешность при разных горизонтах прогнозирования. Интервал, в котором с определённой вероятностью находятся прогнозные значения, называется доверительным. При этом понятия метода и модели прогнозирования имеют между собой некоторые отличия.

Метод прогнозирования - это последовательность действий, совершаемых в целях определения конкретной модели прогнозирования, достоверно с точки зрения исследователя описывающей процесс [21]. Общая последовательность действий при построении прогнозной модели состоит из нескольких этапов [48]:

- выбор класса моделей на основании опыта или интуитивно;

- определение подкласса моделей основе методов качественной оценки;

- определение конкретного типа модели на основе оценки её параметров;

- выбор нескольких участков (контрольных периодов) из накопленных статистических данных, диагностическое прогнозирование и оценка его качества;

- принятие модели к использованию. Если качество модели, определяемое важнейшими параметрами (погрешность, адекватность, скорость вычислений), устраивает экспериментатора, модель принимается к использованию. В противном случае исследователь возвращается к первому этапу.

В отличие от метода, модель прогнозирования является функциональным отражением процесса, адекватно с точки зрения исследователя описывающим его и позволяющим определять его будущие состояния с требуемой точностью [21].

По степени учёта влияющих факторов модели делятся на следующие:

- фундаментальные, учитывающие и предвосхищающие любые влияния, для работы такой модели не нужна опора на значения предыдущих данных; обратной стороной этих преимуществ является чрезмерная сложность и длительность создания действительно работающей модели;

- модели временных рядов, использующие статистические данные предыдущего периода для представления на их основе будущих значений временного ряда с помощью математического аппарата. Они более простые по сравнению с фундаментальными, однако, следствием этого становится невозможность адекватного прогнозирования без ранее накопленных данных;

- комбинированные, сочетающие опору на статистические значения временного ряда и учёт влияния одного или нескольких внешних факторов. Такие модели усиливают сильные стороны и нивелируют недостатки друг друга [49-56]. Если применяется несколько моделей, корректирующих и дополняющих работу друг друга, то речь идёт о консенсус-прогнозе.

Модели анализируют ряд, считая, что все будущие изменения уже описаны в его прошлых значениях. Основным достоинством таких моделей является

адекватное описание исследуемого процесса в условиях, когда получение информации обо всех влияющих факторах затруднено.

1.2. Классификация моделей временных рядов

Учитывая сложности, возникающие перед исследователем при создании фундаментальной модели прогнозирования, в настоящее время безусловной популярностью пользуются именно модели временных рядов [21]. Любой временной ряд имеет два основных компонента - время наблюдения t и соответствующие ему значения ряда Z(t). Важными свойствами временного ряда, от которых зависит выбор модели, являются его равномерность и стационарность.

По интервалу наблюдения t ряды делятся на равномерные с постоянным интервалом t и неравномерные, у которых интервал непостоянен (Рисунок 1).

часы

Рисунок 1 - Пример неравномерного временного ряда электропотребления

Временные ряды могут быть стационарными, находящимися в равновесии относительно своего среднего значения, и нестационарными, большинство значений которых лежит выше или ниже среднего.

Многие прогнозируемые временные ряды в промышленности являются неравномерными и нестационарными [57]. В частности, временной ряд электропотребления промышленного предприятия является неравномерным по оси абсцисс в части режима работы основного электропотребляющего агрегата и нестационарным по оси ординат (Рисунок 2). В дальнейшем тексте настоящей

диссертации термин «неравномерный» будет использоваться в значении «неравномерный и нестационарный».

ООООООООООч-т-т-т-т-т-т-т-т-т-СМСМСМСМ

Часы

Рисунок 2 - Нестационарный временной ряда на примере электропотребления ВТЗ за 5.02.2023

Модели временных рядов по способу описания зависимости между прошлыми и будущими значениями временного ряда в зарубежной литературе принято подразделять на статистические и структурные [35]. В российской научной литературе одним из первых авторов, классифицировавших модели временных рядов, является И.А. Чучуева [21].

Статистические модели описывают зависимость между прошлыми и будущими значениями ряда аналитически, с помощью совокупности математических формул, задающих формальное подобие процессов, протекающих в модели, процессам объекта исследования.

Основные статистические модели временных рядов [35]:

- регрессионные и авторегрессионные модели;

- модели экспоненциального сглаживания;

- модели на основе анализа техноценоза (рангового Н-распределения). Структурные модели описывают зависимость между прошлыми и

будущими значениями ряда структурно, строя сложную разветвлённую сеть прямых и обратных связей между элементами структуры. Структура взаимосвязей также при этом описывается также с помощью математического аппарата.

К основным структурным моделям временных рядов относятся:

- модели на основе искусственных нейронных сетей (нейросетевые);

- модели на цепях Маркова;

- модели на базе классификационно-регрессивных деревьев (CART).

Менее распространены модели на основе генетического алгоритма, на базе

передаточных функций, модели спектрально-сингулярного и фазового анализа, на основе концепции оценки риска VaR, на опорных векторах [58].

Ниже вышеописанные модели рассмотрены более подробно на основании принятой в настоящее время классификации [21].

1.2.1. Регрессионные модели

Регрессионный анализ изучает зависимости между переменными [48; 59]. Он помогает выявить зависимость между значениями ряда и регрессорами -факторами, на него влияющими. Коэффициенты регрессии показывают степень зависимости и могут определяться различными методами, наиболее распространёнными из которых являются методы наименьших квадратов и максимального подобия [60].

Список литературы диссертационного исследования кандидат наук Руссков Олег Владимирович, 2023 год

к использованию

под наименованием:

I I

V

Технический директор

Уведомление о гос. регистрации программы для ЭВМ, реализующей алгоритмы методов на основе теории вероятностей и теории игр (Рисунок А.2).

Форма № 43 ПР, БД, ТП-2011

федеральная служба по интеллектуальной собственности

(РОСПАТЕНТ)

Бережковская наб., 3«, корн. I, Москва, 159, ГСП-3, 125993. Телефон [phone]. Факс (S-495) 531-63-1К

На№ -

Наш № 2017Э02826

При переписке следует ссылаться на наш №

и сообщать дату получения

настоящей корреспонденции от 16.05.2017

от 20.03.2017 Г404131,

Волгоградская обл., г. Волжский, ул. Мира, 65, кв. 45,

Русскову О.В. [_

п

J

УВЕДОМЛЕНИЕ о государственной регистрации

Ставим Вас в известность о том, что программа для ЭВМ: «Программный модуль для планирования неравномерного электропотребления предприятия на оптовом рынке с использованием метода на основе теории вероятностей и метода на основе теории игр»

(21) по заявке X» 2017612497/69

(22) Дата поступления заявки 21.03.2017

(71) Заявитель(и) Русское Олег Владимирович (1Ш)

внесена в Реестр программ для ЭВМ, регистрационный № 2017615423 от 16.05.2017 Приложение: свидетельство о государственной регистрации на 1 л. в 1 экз.

Начальник отдела правового обеспечения предоставления государственных услут

ДОКУМЕНТ ПОДПИСАН ЭЛЕКТРОННОЙ подписью

Сведения о сертификате ЭП

Сертификат: 1Т1660А2000200001283 Владелец: Терещенко Даниил Геннадьевич Срок действия с 19.01.2017 по 01.04 2030

Терещенко Д.Г.

Бабенко О.А. [phone]

Свидетельство о гос. регистрации программы для ЭВМ [169], реализующей алгоритмы методов на основе теории вероятностей и теории игр (Рисунок А.3):

Ж

Ж Ж

ж

Ш€€ШМШАЖ <вМЕДИРМрщ

жжжжжж

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2017615423

«Программный модуль для планирования неравномерного

электропотребления предприятия на оптовом рынке с использованием метода на основе теории вероятностей и метода на основе теории игр»

Правообладатель: Русское Олег Владимирович (Ки)

Автор: Русское Олег Владимирович (ЯП)

Заявка № 2017612497

Дата поступления 21 марта 2017 Г. Дата государственной регистрации в Реестре программ для ЭВМ 16 МЧИ 201 7 г.

Руководитель Федеральной службы по интеллектуальной собственности

Г.П, Ивлиев

Ж

Удостоверение на рационализаторское предложение № 2/631 от 5.04.2016 приведено на Рисунке А.4.

</

О

2'

Л

7 С

(

с

2 2 «кх

5

УДОСТОВЕРЕНИЕ

на рационализаторское предложение

№ 2/631

05.04.2016 г.

(дата подачи)

Настоящее удостоверение выдано

Русскову Олегу Владимировичу

на предложение, признанное рационализаторским и принятое на АО «Волжский трубный завод» к использованию под

наименованием:

Программный модуль по планированию часового Ж эпергопотреблениягщём прогнозирования соотношений цен оптового р¿ц^ри^^о^^е теории вероятностей.

Главный инженер Н.В. Трутпев

и

Рисунок А.4 - Свидетельство на рационализаторское предложение метода 1

Устав проекта улучшений Лин 6 Сигм на основе метода 1 (Рисунок А.5):

УСТАВ ПРОЕКТА

Наименование проекта: Снижение стоимости часовых отклонений электроэнергии

Функция/Процесс/Подразделение: ОГЭ

Дата принятия решения 1.06.2015 Дата старта проекта 1.07.2015 Планируемая дата закрытия проекта 1,10.2015

Команда проекта (роли) Имя/ Должность/ Подразделение Телефон: Е-таИ:

Куратор (Заказчик проекта) Бондарев А.Г. / Главный энергетик / ОГЭ 10-83 BondarevAGOvtz.ru

Руководитель проекта Руссков О.В. / Инженер / ОГЭ 24-53 Кл1 sskovOV(лí vtz.ru

Главный эксперт проекта (консультант) Стручков С.А. / Начальник отдела / ОСУ 12-58 ЗгтсЬкоуЗАОМг.ги

Экономист Ким В.В. / Начальник бюро / пэо 12-21 Кт^.'оМг.ги

Рабочая группа Кузьминский М.Н. / Начальник ПДБ / ЭСПЦ 45-64 КигттзкгуМТЧйМг.ги

Рамки проекта: Планирование часового потребления электроэнергии ВТЗ

Формулировка проблемы: До настоящего момента в качестве планового в подавляющем большинстве случаев использовался ровный часовой график потребления ВТЗ (часовое потребление = [среднесуточное с поправкой на программу производства]/24) вследствие труднопредсказуемости часового потребления ДСП ЭСПЦ. Разница в стоимости между идеальным прогнозом (план = факт) и прогнозом «ровным графиком» ежесуточно в среднем составляет: декабрь 2014, январь, февраль 2015 - 25 тыс. руб., март 2015 - 20 тыс. руб., апрель 2015 - 16 тыс. руб., май 2015 - 36 тыс. руб. (в среднем ежесуточно за 6 предыдущих месяцев: 25 тыс. руб.)

Показатель проекта (проблема) "У": снижение стоимости часовых отклонений электроэнергии ВТЗ

Цель проекта: Снижение стоимости часовых отклонений электроэнергии ВТЗ на 10 % от разницы стоимости идеального прогноза и текущего прогноза «ровным графиком».

Планируемый экономический эффект / Планируемая выгода проекта: 2,5 тыс. руб. в сутки / 75 тыс. руб. в месяц / 900 тыс. руб. в год.

Утверждаю

Куратор проекта/ Руководитель подразделе

Согласовано: Начальник ОСУ

подпись

Бондарев А.Г.

ФИО

подпись

Стручков С.А.

ФИО

Сертификат «Зелёный пояс Лин 6 Сигм» за метод 1 приведён на Рисунке А.6.

Рисунок А.6 - Сертификат Лин 6 Сигм метода прогнозирования на основе теории вероятностей

Акт ввода в опытную эксплуатацию программного модуля «Прогноз соотношений цен на основе теории вероятностей» показан на Рисунке А.7:

АКЦИОНЕРНОЕ ОБЩЕСТВО

ВОЛЖСКИЙ ТРУБНЫЙ ЗАВОД .

ОТДЕЛ ГЛАВНОГО ЭНЕРГЕТИКА

Акт ввода в опытную эксплуатацию системы планирования часового электропотребления ВТЗ на основе прогноза соотношений цен оптового рынка электроэнергии

« 15 » октября 2015 г. Комиссия в составе:

A.Г. Бондарева - главного энергетика,

B.В. Соколова - начальника группы учёта и распределения электроэнергии, O.B. Русскова - администратора АИИС КУЭ

установила, что в ОГЭ с 1.07.2015 по 15.10.2015 проведены проектные и пусконаладочные работы по проекту Лиин 6 Сигма «Снижение стоимости часовых отклонений электроэнергии», в результате которых:

- собрана статистика цен и объёмов электропотребления за 2013-2015 годы;

- установлены причины, влияющие на неравномерность часового электропотребления ВТЗ;

- определён набор действий по решению проблемы трудности прогноза неравномерного электропотребления ВТЗ;

- проведён анализ часовых соотношений цен рынка на сутки вперёд и балансирующего рынка;

- создано и протестировано в режиме «пост-прогноза» программное обеспечение (язык С++, 1 экранная форма, 2756 строк) в виде модуля «Прогноз соотношений цен» к работающему в ОГЭ Информационно-аналитическому комплексу электроэнергетики "Flow".

Комиссия постановила:

Ввести с 15 октября 2015 года систему планирования часового потребления электроэнергии ВТЗ на основе соотношений цен оптового рынка электроэнергии в опытную эксплуатацию. Использовать рекомендации модуля «Прогноз соотношений цен» для корректировки суточных заявок на электропотребление рынка на сутки вперёд, формируемых персоналом группы учёта и распределения электроэнергии. Производить ежесуточное сравнение финансовых результатов работы на рынке для заявок персонала ОГЭ и скорректированных заявок._

А.Г. Бондарев

в.В. Соколов JSL О.В. Руссков

Рисунок А.7 - Акт ввода в опытную эксплуатацию программного модуля прогнозирования

Удостоверение на рационализаторское предложение № 4/631 от 15.12.2016 показано на Рисунке А.8.

Уд §

8 $6 !;д ю

(О

Й

[у

о

втз

УДОСТОВЕРЕНИЕ

на рационализаторское предложение

А1« 4/631

15.12.2016 г.

(дата подачи)

Настоящее удостоверение выдано

Русакову Олегу Владимировичу

на предложение, признанное рационализаторским и принятое на / АО «Волжский трубный завод» к использованию под наименованием:

Программный модуль планирования часового элергопотрсблййгё^^^Йишятия па оптовом рынке электп^р^№Н°иа бхр^юве теории игр.

Главный инженер Н.В. Трутнев

Бланк рационализаторского предложения по методу 2, лист 1 приведён на Рисунке А. 9.

Начальнику цеха:

оо

Зарегистрировано за №_

« ¿Г» /J.

Фамилия, имя, отчество автора(соавторов) Место работы Должность, № тел. Образование Год рождения Таб. №

оя 0ГЗ> и* хсечер ¿Н53 ¿ыси'бе л s s'a

ЗАЯВЛЕНИЕ НА РАЦИОНАЛИЗАТОРСКОЕ ПРЕДЛОЖЕНИЕ

Прошу (просим) рассмотреть предложение под

наименованием: il^c ¿а* ил 4accùi с_

(краткое название рационализаторского предложения) ïhifi enгслепи^ çurtét^t рынк* )леым/зtiH-ер/ич к с,_ос xt <ftf_те t лчи_ч гр _

признать его рационализаторским и принять к использованию.

ОПИСАНИЕ ПРЕДЛОЖЕНИЯ

(Писать разборчиво, без исправлений. Отразить изменение конструкций изделий, технологии производства или применяемой техники, изменение состава материала)

а ¿у м* р О'Э ¿¡м плини¡>1.¿о*«* у,

/\jHuA_] а С с ¿<1'»и<ь ш. .-I_прс ¿рь п пнь^ ме^^Ь сгчс<?<?

шгср^ц {рнч. .уАи^цух.,, ы ¿¡¿'М ,.,,1 -V ^ У. £ СИ ). £ичП К ГС 0 С С?я .1 ¿.- 4 е /1_с." С !>С0 7 Л'С у>У|Г с . ¡С <И1.1И».11Л

) КПЗ- (¿} ЗУ Г " -тп 1

и О >»í¡l■r^í ¿Не УЧ?П>1. (рг^пулцц ре'ш с Пий 1ЧИ»;

К/6 Hii4l.li' .^скоЯу' ¿«щ ¿373 »1 > £с л " 41 ¡1

КОЦ-> (¿Ь^ЦЛЬ.) и пр и hi.il Ти< ¿С (чип*:, Ычг с:; .я'-ци О » и С ¿С с

ы ср.: сг- с ^»(ги «яч^у.! г .чр^.'/е -а> У ррс 1г .и ь < ^с'У'-'г»

_0С1<с£( »1-<-1-1 у „ 4/У Г. с1_/"¿с ¡41 и с,1гп /3 иг'1С*

Бланк рационализаторского предложения по методу 2, лист 2 (Рисунок АЛО):

Я утверждаю, что действительно являюсь автором (соавторами) данного предложения. Мне известно, что в случае признания предложения секретным я обязуюсь соблюдать правила секретности, в том числе установленные частью IV ГК РФ.

Прилагаются:

а) графические материалы (эскизы, чертежи, схемы, графики и т.п.) на__листах;

б) технико-экономические расчёты обоснования и т.п. на_листах;

в) прочие материалы на '7 листах.

Подпись автора (соавторов) _

ЗАКЛЮЧЕНИЕ ГО^АЦИОНАЛИЗАТОРСКОМУ ПРЕДЛОЖЕНИЮ

(допускается заключение на отдельном листе вкладыше) а) производственного подразделения (цеха и т.п.):

¿И сгкгнь'М ьпс и прг д», с >а" <-' /1С Л сО +ГС <2 ййкб Ч¿f-

с) Че "1 с н (1й( £ а. И рак п и ь-е

(ьАныи к __ -—Л- Г. Ьрн^аре4

должность подпись Ф.И.О.

б) других подразделений^ Ц^ ~Г\

¿Гс-т , с усгс-с-^/а , /У / X/ У / ' , /

т „ .у . ___ т __ / 7

о а'£л'аи) г <5о ¿V_

/ - -V у-7Г-—--

должность подлис^ Ф.у1Ю.

ПРИНЯТОЕ РЕШЕНИЕ ПО ПРЕДЛОЖЕНИЮ

(варианты: признать рационализаторским, принять к использованию, принять к оггытной,проверке^тклонить -

подробно указав мотивы отклонения) У

-¿{Г"«'* 4 -%% ^ШгЬ,^/^

-;-"-

Главный инженер //$

У подпись ^ Ф.И.О.

СОГЛАСИЕ

о распределении вознаграждения (в %) за использование рационализаторского предложения

№ п/п Ф.И.О. автора % вознагра ждения Подпись Дата

i О.й (6 б ж

Акт ввода в промышленную эксплуатацию программного модуля прогнозирования электропотребления ВТЗ на основе теории игр (лист 3 рационализаторского предложения) показан на Рисунке А.11:

АКТ

ОБ ИСПОЛЬЗОВАНИИ РАЦИОНАЛИЗАТОРСКОГО ПРЕДЛОЖЕНИЯ Регистрационный номер

рационализаторского предложения № 4 / от « » /2-_ 20 /6 г.

Использовано с « ^ » апреля_20// г. на участке огэ, г РУР пс, и

в соответствии с описанием ращшншзи^атдрского предложения.

Начальник цеху-' . ---^1'''' — ^

ФИО.

Уполномоченный по /к) _ л

: __0 &

рационализаторской работе

(подшщ^) Ф.И.О.

Ответственный за использование рационализаторского предложения:

О в.

(подпись) Ф.И.О.

РАСЧЁТ РАЗМЕРА ВОЗНАГРАЖДЕНИЯ ЗА РАЦПРЕДЛОЖЕНИЕ ДАЮЩЕЕ ЭКОНОМИЧЕСКИЙ ЭФФЕКТ

Начальник БТП и И ТО ТУ Начальник ТУ_

Регламент планирования электропотребления ВТЗ, принятый в связи со вводом в эксплуатацию программного модуля прогнозирования (Рисунок А. 12):

ВТЗ АКЦИОНЕРНОЕ ОБЩЕСТВО

ОТДЕЛ ГЛАВНОГО ЭНЕРГЕТИКА

ВОЛЖСКИЙ ТРУБНЫЙ ЗАВОД

(Наименование подразделения)

РЕГЛАМЕНТ

планирования электропотребления ВТЗ на сутки вперёд

Данный регламент разработан для осуществления процесса подачи заявок на рынок на сутки вперёд, содержащей часовые пары цена/объём электропотребления.

Алгоритм формирования и отправки заявки на рынок на сутки вперёд персоналом группы учета и потребления электроэнергии:

1. Формирование предварительной заявки, учитывающей плановую загрузку остановки цехов на будущие сутки до 12:00.

2. Отправка предварительной заявки в ОАО «АТС» до 12:15.

3. Анализ сложившихся за предыдущие 31 сутки соотношений цен рынка на сутки вперёд и балансирующего рынка с помощью модуля «Цены» Информационно-аналитического комплекса электроэнергетики ВТЗ «flow» до 12:30.

4. Корректировка предварительной заявки на основе рекомендаций модуля «Цены» до 12:45

5. Отправка заявки в ОАО «АТС» через АРМ «Заявки» или АРМ Коммерческого учёта до 13:00.

Главный энергетик

А.Г. Бондарев

мам £Oi(

Исп. : Русское О. В. 24-53

Рисунок А. 12 - Регламент планирования электропотребления отдела главного энергетика ВТЗ

Акт ВТЗ об утверждении экономического эффекта от применения программного модуля, реализующего алгоритм на основе теории игр, в 2017 году приведён на Рисунке А. 13.

Рисунок А. 13 - Акт ВТЗ об утверждении экономического эффекта программного модуля на

основе теории игр в 2017 году

Акт ВТЗ об утверждении экономического эффекта от применения программного модуля, реализующего алгоритм на основе теории игр, в 2020 году (лист 1) показан на Рисунке А.14:

Рисунок А.14 - Акт ВТЗ об утверждении экономического эффекта программного модуля на

Акт ВТЗ об утверждении экономического эффекта от применения программного модуля, реализующего алгоритм на основе теории игр, в 2020 году (лист 2) показан на Рисунке А. 15:

Рисунок А.15 - Акт экономического эффекта программного модуля на основе теории игр ВТЗ

Акт внедрения модели прогнозирования неравномерного потребления мощности Волгоградской области (лист 1) приведён на Рисунке А.16:

Экономический эффект от внедрения модели прогнозирования неравномерного потребления мощности представлен на Рисунке А.16.

УТВЕРЖДАЮ

/ Н.В. Трутпев

~Р/ 202(/г.

ОТЧЕТ

о выполнении Программы снижения затрат на пршпводстио J» счет ткг.....мни тнергоресурсов

ЛО «ВТ!» за 4 квартал 202(1 года

Ла п/п Наименование энергосберегающего проект (мероприятия) из программы повышения чкергоэффективности предприятия Место внедрения Затраты, ТЬ1С. руб. Сроки выполнения квартал, год Срок окупаемости, лет Экономия ТЭР, в натуральных единицах (н е.)

Начало Окончание Пред уем. программой энергосбережения на год, н.е./тыс руб Фактическая за отчетный период, н.е./тыс. руб. Факт нарастающим ИТОГОМ, н.е./тыс руб.

J 2 3 J 6 7 S 9 10

Электрическая энергия: тыс. кВтч/тыс. pv6.

II Отключение верхнего освсшения производственного корпуса тэсц Без затрат 1 KB 20 IV кв. 20 - Ж -I—J ю

1.2 Отключение элдвигателей насосной I MAC 1 ни в выходные дни ТПЦ-2 Без затрат 1кв 20 IV кв 20 - <зь «Др «■3t

1.3 Уменьшение освещенности дорог на территории завода (отключение 1/3 светильников) ЦСнП Ьез затрат 1 кв 20 IV кв. 20 - м г м

1 -1 Продление бестокового интервала ДСП я час контроля мощности рабочих суток ЭСПЦ Ьсззатрат 1 кв 20 IV кв 20 - 3ft МВт 25 200,00 18.833 МВт 11 110.00 73.595 МВт 39 598.00

Итоги IIB II. I - •40Ш* тш** сир*.

2 Пяр, Гкял/тыс.руб.

2.1 Оптимизация режимов потребления пара ТПЦ-2 Вез затрат 1кв 20 IV кв 20 - jKMTi I It

11 того ив п.2 - mm mm ЯМ»

3 Природным газ, тыс. >Лтыс.руб.

3 1 Снижение расхода потребляемого природного газа за счет соблюдения графика работы вентхамеры III 1-13 согласно температуры окружающей среды ТЭСЦ Ьеззатрат 1 кв 20 IV кв 20 - S& ш

3 2 ннжсмис расхода природного газа па участке термоотдела за счет снижения температу рных переходов ТИЦ-1 Ьез затрат 1 кв 20 IV кв 20 - * Sfe

J.3 Оптимизация режимов потребления природного газа на участке термоотдела ТПЦ-2 Без затрат 1 кв 20 IV кв. 20 - *£> «а т**

Снижение общего времени нагрева и

3.4 сушки стальковшсй из-за уменьшения их количества ЭСПЦ Без затрат 1 кв. 20 IV кв. 20 - ЛЗРЬ

Итого по п.З - шшт

Рисунок А.16 - Эффект от внедрения модуля прогнозирования неравномерного потребления

Диплом победителя конкурса «Инженер года Волгоградской области» за программный модуль прогнозирования неравномерных временных рядов электропотребления и мощности приведён на Рисунке А.17.

Рисунок А.17 - Диплом победителя конкурса «Инженер года Волгоградской области» за 2018 г.

Диплом победителя конкурса «Инженер года Росси» за программный модуль прогнозирования неравномерных временных рядов электропотребления и мощности показан на Рисунке А. 18:

се^оссн4скн4 конкурс

«ИНЖЕНЕР ГОДА»

Диплом ЛАУРЕАТА

ВРУЧЕН

Русскову Олегу Владимировичу

по итогам конкурса по версии «Профессиональные инженеры» в номинации

I Г 1 к# .

электроэнергетика

« е,

Председатель жюри конкурса:

Ю.В. Гуляев академик РАН, член президиума РАН

25 января 2019 г.

г. Москва

№ 19-3290

Диплом победителя конкурса «Инженер года Росси» за работу «Методы и модели прогнозирования неравномерного электропотребления и мощности...»

приведён на Рисунке А. 19:

МИНИСТЕРСТВО ЭНЕРГЕТИКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

Международный конкурс научных, научно-технических и инновационных разработок, направленных на развитие топливно-энергетической и добывающей отрасли

ДИПЛОМ

ЛАУРЕАТА ПЕРВОЙ ПРЕМИИ КОНКУРСА ПРИСУЖДЕН

РУССКОВУ ОЛЕГУ ВЛАДИМИРОВИЧУ ЗА РАБОТУ

«МЕТОДЫ И МОДЕЛИ ПРОГНОЗИРОВАНИЯ НЕРАВНОМЕРНОГО ЭЛЕИТРОПОТРЕБЛЕНИЯ И МОЩНОСТИ ПРОМЫШЛЕННОГО ПРЕДПРИЯТИЯ НА ОПТОВОМ РЫНКЕ РОССИИ КАК ИНСТРУМЕНТ ПЕРЕХОДА К ЦИФРОВОЙ ЭНЕРГЕТИКЕ ЭНЕРДЖИНЕТ»,

АО «ВбЯЖСНИЙУРУБНЫЙ ЗАВОД»

..-..............

Заместитель Министра энергетики Российской Федерации

Рисунок А. 19 - Диплом лауреата I премии международного научного конкурса Министерства

Приложение Б. Фрагмент исходного кода программного модуля

(справочное)

Фрагмент исходного кода модуля, реализующего разработанные алгоритмы планирования неравномерного временного ряда электропотребления на основе теории вероятностей и теории игр (Модуль Unit24.cpp, язык С++):

void _fastcall TForm24::Show_data() // вывести данные в виде графиков на форму и в виде

прогноза на будущие сутки {

int i,z,n[2], x=0,y=0,w, f0=0,f1=0, V, W_av, gyg;

int v1_up,v1_down,v2_up,v2_down,v3_up,v3_down, vd1_up, vd1_down, vd2_up, vd2_down, vd3_up, vd3_down; double a, m1, W_aver[2],W_max[2],W_min[2]; char sql[300]; float v0,v1;

unsigned short dd,mm,yy; AnsiString s,s1; TImage *I[3];

TDateTime D1 = Date1->Date - Num_Of_Days + 1; GroupBox2->Visible = false; I[0] = new TImage(Form24); I[0]->Picture->LoadFromFile("white.bmp"); I[1] = new TImage(Form24); I[1]->Picture->LoadFromFile("black.bmp"); I[2] = new TImage(Form24); I[2]->Picture->LoadFromFile("shadow.bmp");

Image13->Canvas->Rectangle(0,0,Image13->Width,Image13->Height); // очистка области вывода

if (CH == 0)

{

Form24->Caption = "Мониторинг цен НОРЭМ";

sprintf^^"^™! НОРЭМ (час %d-%d), руб/МВт-ч:", Hour->ItemIndex,Hour->ItemIndex+1);

CheckBox2->Caption = "Покупка РСВ";

CheckBox3->Caption = "Продажа РСВ";

CheckBox4->Caption = "Покупка БР";

CheckBox5->Caption = "Продажа БР";

CheckBox6->Caption = "РД";

CheckBox6->Checked = true;

BitBtn2->Visible = false;

}

else {

Form24->Caption = "Узловые цены";

sprintf(sql,"Узловые цены (час %d-%d), руб/МВт-ч:", Hour->ItemIndex,Hour->ItemIndex+1);

CheckBox2->Caption = "30024 (Л-274)";

CheckBox3->Caption = "30025 (л-275)";

CheckBox4->Caption = "30091 (220кВ)";

CheckBox5->Caption = "30092 (110кв)";

CheckBox6->Caption = "Средневзв."; CheckBox6->Checked = false; BitBtn2->Visible = true;

Label2->Caption = sql;

if (MAX*1.03 < 1000) Chart1->LeftAxis->Maximum = 1000; else Chart1 ->LeftAxis->Maximum = MAX*1.03; Chart1->LeftAxis->Minimum = MIN*.98; Chart1->BottomAxis->Minimum = 0; Chart1->BottomAxis->Maximum = Num_Of_Days-1; UpDown1->Position = 100; // текущий масштаб принимаем за образец MM = 100; NN = Num_Of_Days;

for (z=0; z<Num_Of_Days; z++) // цикл по дням {

for (i=0; i<4; i++) // цикл по ценам РСВ и БР {

if (z == 0) Chart1->Series[i]->Clear(); // очищаем множество точек серии i в начале интервала

if (day_of_week == true) DecodeDate(Date1->Date-7*StrToInt(Edit1->Text)+7*(z+1), yy,mm,dd);

else DecodeDate(D1+z, yy,mm,dd); s = IntToStr(yy);

sprintf(sql,"%d.%2d.%s", dd,mm,s.SubString(3,2)); s = sql;

if (i == 0) a = pr_RSV_buy[z]; if (i == 1) a = pr_RSV_sell[z]; if (i == 2) a = pr_BR_buy[z]; if (i == 3) a = pr_BR_sell[z];

if (CheckBox11->Checked == true) // если надо округлять данные при выводе на график { _

if (i == 5) a = round(a,0); // РД округляется до целых чисел для удобства просмотра меток на экране

else a = round(a,1);

}

if (Ok[i*Num_Of_Days+z] == true) Chart1->Series[i]->AddXY(z, a, s); // данные выводим,

если они загружены

}

/***** подсчёт статистики: *****/

if (pr_RSV_buy[z] == pr_BR_buy[z] && (pr_RSV_buy[z]+pr_BR_buy[z]+pr_BR_sell[z] != 0) )

f0++;

if (pr_RSV_buy[z] == pr_BR_sell[z] && (pr_RSV_buy[z]+pr_BR_buy[z]+pr_BR_sell[z] != 0))

f1++; }

Image13->Canvas->Draw(902,10,I[0]->Picture->Bitmap); v0 = round((^oat)fD*100/Num_Of_Days,1); v1 = round((float)f1*100/Num_Of_Days,1);

for (z=0,W_min[0]=W_min[ 1]=100000,W_max[0]=W_max[ 1]=0,W_av=W_aver[0]=W_aver[ 1]=0; z<Num_Of_Days; z++) // классифицируем соотношения цен, корректируем статистику и

выводим штрих-код {

if (pr_RSV_buy[z]+pr_BR_buy[z]+pr_BR_sell[z] == 0) f_case[z] = -1;

else {

if (pr_BR_sell[z] == 0) a = W[z]/pr_BR_buy[z]; else a = W[z]/pr_BR_sell[z];

if (pr_RSV_buy[z] == pr_BR_buy[z]) // цена РСВ совпадает с ценой покупки БР {

if ((a < StrToFloat(Edit2->Text)/100 || W[z] < StrToInt(Edit9->Text)) && CheckBox14-

>Checked == true && v1 > v0)

{

f0-- ;

v0 = round((^oat)f0*100/Num_Of_Days,1); f_case[z] = -1;

}

else f_case[z] = 0;

if (W[z] > W_max[0]) W_max[0] = W[z]; // разница цен БР (дельта 0) на интервале: if (W[z] < W_min[0]) W_min[0] = W[z];

W_aver[0] += W[z];

}

if (pr_RSV_buy[z] == pr_BR_sell[z]) // цена РСВ совпадает с ценой продажи БР {

if ((a < StrToFloat(Edit2->Text)/100 || W[z] < StrToInt(Edit9->Text)) && CheckBox14-

>Checked == true && v0 > v1)

{

f1-- ;

v1 = round((float)f1*100/Num_Of_Days,1); f_case[z] = -1;

}

else f_case[z] = 1;

if (W[z] > W_max[1]) W_max[1] = W[z]; // разница цен БР (дельта 1) на интервале: if (w[z] < W_min[1]) W_min[1] = W[z];

W_aver[1] += W[z];

}

}

// вывод штрих-кода:

if (f_case[z] >= 0) Image13->Canvas->Draw(0+z*((Chart1->Width-

65)/Num_Of_Days),10,I[f_case[z]]->Picture->Bitmap);

else Image13->Canvas->Draw(0+z*((Chart1->Width-65)/Num_Of_Days),10,I[f_case[z]+3]-

>Picture->Bitmap);

}

Edit15->Text = IntToStr(Num_Of_Days); // вывод статистики: Edit11->Text = IntToStr(fO); // число совпадений цен: Edit12->Text = IntToStr(f1)

Edit13->Text = FloatToStr(v0); // частота совпадений: Edit14->Text = FloatToStr(v1);

W_av /= Num_Of_Days; // средняя разница цен БР на интервале: