Прогнозирование цен на электроэнергию с учетом данных о ценообразовании от географически близких узлов генерации

Данная практическая работа посвящена вопросу интеграции цен на электроэнергию географически близких узлов генерации (таких как электростанции), в классические статистические модели прогнозирования и модели машинного обучения, прогнозированию цен на электроэнергию на месяц вперед ("в будущее"), корректировке, при возможности, разработанных моделей и оценке результата в сравнении со стандартным подходом. Во введении дается общий обзор прогнозирования временных рядов, включая проблемы прогнозирования цен на электроэнергию, рассматриваются базовые статистические (ARIMA, SARIMA) и продвинутые модели машинного обучения (Prophet, XGBoost). В качестве целей были сформулированы задачи проекта, после чего был проведен обзор литературы, который лег в основу проведенного исследования. Практическая работа начинается со сбора и обработки данных. В соответствующей главе рассматривается сбор данных (“web-scrapping”), предварительная обработка и анализ данных с акцентом на визуализацию географических и аналитических данных. Далее, в экспериментальной части, применяются выбранные модели прогнозирования, демонстрируется интеграция близлежащих генерирующих узлов и оцениваются разработанные модели. Полученные результаты обобщаются в главе "Результаты экспериментов", закладывая основу для будущих исследований. Данная работа вносит вклад в исследуемую область, предлагая пространственно-обоснованный подход к прогнозированию цен на электроэнергию, оценивая важность ценообразования близких генерирующих узлов для повышения точности прогнозирования.