В структуре себестоимости продукции современного промышленного предприятия затраты на потребление электроэнергии занимают значительное место. По оценкам экспертов, в черной металлургии доля подобных затрат достигает 11 % [1]. Поэтому оптимизация затрат на электропотребление является одной из приоритетных задач современного предприятия, стремящегося повысить свою конкурентоспособность в свете роста цен на энергоносители и распространения мирового финансового кризиса.
Помимо реализации разнообразных энергосберегающих мероприятий, одним из способов снижения затрат на электропотребление является выход предприятия на оптовый рынок электроэнергии Российской Федерации (ОРЭ). По сравнению с региональным розничным рынком, цены которого определяются гарантирующими поставщиками и энергосбытовыми компаниями, предприятие получает более низкую цену на электроэнергию. Тем не менее работа на ОРЭ накладывает определенные обязательства по четкому часовому планированию электропотребления на сутки вперед. Таким образом, субъект ОРЭ вынужден применять модели прогноза своего часового электропотребления.
Для целей краткосрочного прогноза энергопотребления хорошо зарекомендовали себя математические модели временных рядов. Этот тип моделей использует для прогноза будущих значений временного ряда его прошлые данные, тем или иным способом пытаясь отыскать в них закономерность и перенести ее в завтрашний день. Основными моделями, используемыми для прогноза, являются авторегрессионные, модели экспоненциального сглаживания, модели на нейронных сетях, на цепях Маркова, на базе классификационно-регрессивных деревьев. В частности, модели на нейронных сетях используются для прогноза электропотребления Оскольского электрометаллургического комбината [1], Сорского производственного комплекса [2], КОАО «Азот» [3]. Разновидность авторегрессионных моделей – модель максимального подобия – применяется для прогноза цен и объемов электроэнергии на ОРЭ [4].
К известным недостаткам моделей временных рядов относится снижение точности прогноза в зависимости от характера временного ряда [5]. Чем больше неравномерность графика электропотребления, тем ниже точность прогноза средствами математических моделей временных. Именно неравномерным характером графика потребления отличается, например, металлургическое предприятие. Так, при анализе попыток прогноза часового электропотребления Магнитогорского металлургического комбината указано, что модели временных рядов и корреляционно-регрессионного анализа неэффективны [6]. Пути преодоления ограничений применения моделей временных рядов [7] и факторы, влияющие на возникновение неравномерности, детально рассматриваются в научной литературе [8]. Влияние совокупности этих факторов придает графику электропотребления предприятия критическую долю неравномерности, не позволяющую использовать в целом эффективно работающие на ОРЭ модели временных рядов, используемые в том числе для прогноза уровня цен [9].