Методы повышения точности прогнозов энергопотребления

  • Продолжительность: 5 дня

  • Город: Санкт-Петербург

Для кого будет полезен тренинг?

Производство (инженеры, технологи, метрологи) / Predictive analytics (предсказательная аналитика) / Руководители (производство)

Тренинг для энергетиков, сбытовиков, специалистов по энергоэффективности. Формирование практических навыков прогнозирования использования энергоресурсов. Определение предела прогнозирования для имеющихся данных.

Возможность использования своих данных в процессе обучения

Вы получите

  • Пошаговые инструкции по применению каждого метода

  • Сертификат на 4-месячную бесплатную консультационную поддержку

  • Набор бесплатных надстроек и шаблонов Excel, необходимых для прогнозирования

Требования

  • Высшее образование

  • Опыт работы в Excel на уровне пользователя

После окончания обучения Вы сможете

  • Определять наилучший метод прогнозирования для потребления энергоресурсов: электричества, газа, угля и т.п.

  • Быстро прогнозировать

  • Прогнозировать суточное энергопотребление предприятия на основе производственных факторов и показателей развития региона

  • Повышать точность прогнозов

  • Прогнозировать в случае, если имеются данные только энергопотребления, и нет дополнительной информации о факторах, влияющих на него

  • Прогнозировать суточное энергопотребление с учетом дополнительной информации о разных факторах (температуры воздуха, продолжительности светового дня, наличия осадков, графика включения / выключения оборудования потребителя и т.п.)

  • Прогнозировать часовое энергопотребление на последующие дни

День 1. Азы прогнозирования и анализа, подготовка данных.

  • Инструменты, методики, алгоритмы

  • Основные принципы построения прогноза энергопотребления: технология «Пять шагов»
  • Классификация методов, которые можно использовать для построения прогнозов энергопотребления
  • Три способа систематизации факторов, влияющих на энергопотребление:

– диаграмма Исикавы
– таблица факторных влияний
– причинно-следственная диаграмма

  • Подготовка исходных данных. Работа с пропущенными данными

  • Инструменты, методики, алгоритмы

  • Анализ динамики энергопотребления:

– определение грубых выбросов
– чистка данных
– выявление сезонности

  • Различия в анализе часовых, суточных и месячных данных
  • Основные статистические показатели и графики, используемые при прогнозировании:

– среднее значение, медиана, стандартное отклонение, стандартная ошибка, размах
– гистограмма, диаграмма последовательности, диаграмма рассеяния

  • Доверительный интервал прогноза
  • Точность модели и точность прогнозов
  • Показатели точности прогнозной модели и прогнозов: MAPE, MAD и другие
  • Подходы к выбору адекватного показателя оценки точности модели и прогноза

  • Кейсы

  • Пример. Строим диаграмму Исикавы с целью классификации факторов, влияющих на электропотребление, и заполняем таблицу факторных влияний.
  • Пример в Excel. Изучаем динамику потребления электроэнергии. Учимся анализировать колебания в потреблении и формировать правильные ожидания.
  • Пример в Excel. Проводим графический анализ динамики потребления. Самостоятельно учимся определять наличие, сезонности, структурных сдвигов и выбросов.

День 2. Прогнозирование энергопотребления без учета дополнительной информации о факторах

  • Инструменты, методики, алгоритмы

  • Прогнозирование на основе метода сезонной декомпозиции:

– требования к периодичности данных
– пошаговый алгоритм прогнозирования в Excel
– влияние выбросов и структурных сдвигов на точность прогнозов
– плюсы и минусы подхода

  • Правила оценки качества прогнозной модели. Анализ остатков
  • Правила графического анализа остатков модели:

– график автокорреляции
– гистограмма
– диаграмма рассеяния

  • Инструменты, методики, алгоритмы

  • Прогнозирование на основе метода экспоненциального сглаживания:

– идея метода, четыре параметра сглаживания
– пошаговый алгоритм в Excel
– влияние горизонта прогноза на точность прогнозов
– влияние выбросов и структурных сдвигов на точность прогнозов
– плюсы и минусы подхода

  • Особенности прогнозирования на основе экспоненциального сглаживания для суточных и часовых данных
  • Критерии выбора между экспоненциальным сглаживанием и сезонной декомпозицией

  • Кейсы

  • Пример в Excel. Проводим сезонную декомпозицию потребления электроэнергии и строим прогноз на несколько месяцев. Оцениваем качество построенной модели.
  • Пример в Excel. Строим прогноз на несколько месяцев с помощью экспоненциального сглаживания. Оцениваем качество модели и прогноза.
  • Пример в Excel. На основе истории энергопотребления строим прогноз на 3 месяца двумя способами (на основе сезонной декомпозиции и методом экспоненциального сглаживания). Оцениваем качество моделей и выбираем наиболее адекватный подход.
  • Пример в Excel. На основе экспоненциального сглаживания прогнозируем электропотребление на 2 дня вперед по часам.

Станьте профессионалом прогнозирования

На курсе вы в простой и доступной форме, на реальных примерах
из вашего бизнеса освоите все этапы прогнозирования продаж.

День 3. Прогнозирование энергопотребления с учетом дополнительной информации о факторах

  • Инструменты, методики, алгоритмы

  • Многофакторный регрессионный анализ: идея и требования к исходным данным
  • Пошаговый алгоритм прогнозирования на основе регрессионного анализа в Excel
  • Диагностика и решение проблемы взаимозависимых факторов (мультиколлинеарность)
  • Правила оценки качества модели:

– анализ остатков
– ANOVA
– R-квадрат и скорректированный R-квадрат

  • План действий при «плохих» остатках модели
  • Интерпретация коэффициентов регрессионного уравнения:

– как влияют факторы на энергопотребление
– ранжирование факторов по силе влияния

  • Инструменты, методики, алгоритмы

  • Особенности прогнозирования при недостатке информации о факторах. Техника фиктивных (dummy) переменных
  • Учет в регрессии сезонности разного типа
  • Разработка сценариев потребления на основе регрессионного анализа
  • Пессимистический и оптимистический прогноз: варианты построения
  • Плюсы и минусы прогнозирования на основе регрессионного анализа
  • Правила перехода от регрессии к авторегрессии
  • Авторегрессионные модели для прогнозирования: идея и реализация
  • Плюсы и минусы прогнозирования на основе авторегрессионного анализа

  • Кейсы

  • Пример в Excel. Изучаем влияние макроэкономических факторов на потребление электроэнергии для прогнозирования по месяцам.
  • Пример в Excel. Анализируем влияние погодных условий (температуры и влажности воздуха, атмосферного давления, скорости ветра, осадков и т.п.) на потребление.
  • Пример в Excel. Учитываем график включения / отключения оборудования на предприятии, длины светового дня и температуры воздуха на электропотребление этого предприятия. Делаем прогноз на 2 суток вперед.
  • Пример в Excel. Прогнозируем потребление с использованием фиктивных переменных.
  • Пример в Excel. Проводим сравнительный анализ прогнозов потребления на основе регрессии и авторегрессии.
  • Пример в Excel. Строим прогноз энергопотребления группы потребителей всеми изученными способами и выбираем наиболее адекватный подход (самостоятельно).

День 4. Пути повышения точности прогнозов

  • Инструменты, методики, алгоритмы

  • Способы учета нелинейного влияния факторов на энергопотребление
  • Анализ влияния выходных и праздничных дней на энергопотребление
  • Учет запаздывающего влияния факторов при прогнозировании
  • Особенности и ограничения при прогнозировании часового потребления
  • Два способа расчета часовых индексов
  • Правила проведения ручной корректировки прогнозов
  • Классификация потенциальных причин ошибки прогноза
  • Структура ошибки прогноза
  • Пути улучшения модели в случае неудовлетворительных прогнозов. Методика анализа ошибок прогноза за период

  • Кейсы

  • Примеры в Excel. Разбираем типичные ситуации нелинейного влияния температуры воздуха на энергопотребление и учимся учитывать их при прогнозировании.
  • Пример в Excel. Выясняем, влияет ли «вчерашний» объем производства промышленного предприятия на «сегодняшнее» энергопотребление. Учимся интерпретировать выявленные задержки во влиянии.
  • Пример в Excel. Учитываем влияние выходных и праздничных дней при прогнозировании.
  • Примеры в Excel. Отрабатываем методику анализа ошибок прогноза за период с целью улучшения построенной модели.

Станьте профессионалом прогнозирования

На курсе вы в простой и доступной форме, на реальных примерах
из вашего бизнеса освоите все этапы прогнозирования продаж.

День 5. Отработка навыков прогнозирования на примерах слушателей. Анализ возможностей и целесообразности повышения точности прогнозов

  • Инструменты, методики, алгоритмы

  • Повторение ключевых идей курса:

– алгоритм выбора подходящего метода прогнозирования энергопотребления в зависимости от количества имеющихся данных и их формата (часовые, суточные и т.п.), наличия информации о факторах, горизонта прогноза

  • Разбор типовых ошибок при прогнозировании энергопотребления

  • Кейсы

  • Работа с данными слушателей. Строим прогнозные модели энергопотребления на основе данных слушателей. Оцениваем качество моделей и точность прогнозов на ее основе. Разрабатываем рекомендации по дальнейшему улучшению построенных моделей.

Преподаватели

Анна Монахова

  • Преподаватель-аналитик, эксперт
  • Руководитель отдела развития образовательных программ Analytera.
  • Опыт консультационной деятельности 10 лет.
  • Большой опыт аналитика-практика.

Юлия Берлин

  • Преподаватель-аналитик Центра Статистических Технологий
  • Кандидат экономических наук, доцент.
  • Опыт преподавания и консультирования более 10 лет.
  • Реализовала более двадцати консалтинговых проектов по анализу данных в бизнесе и научных исследованиях.
  • Консультировала специалистов таких компаний, как "Пивоваренная компания "Балтика", "Пивоварня Москва — Эфес", "ВымпелКом", "МегаФон", "Газпром нефть", "Монокристалл", "НЛМК", "Кока-Кола", "Маревен Фуд Сентрал" и др.
  • Является одним из ведущих консультантов в области использования статистических инструментов для решения прикладных задач.
  • Проводит подготовку специалистов по концепции SixSigma.
  • Преподаватель-аналитик Центра Статистических Технологий
  • Кандидат экономических наук, доцент.
  • Опыт преподавания и консультирования более 10 лет.
  • Разработка системы прогнозирования и анализа продаж компаний рынка FMCG.
  • Исследование потребительских предпочтений.
  • Планирование исследований и разработка планов экспериментов.
  • Обработка результатов анкетирования и тестов.
  • Разработка прогнозных моделей энергопотребления.
  • Автор более 40 учебно-методических и научных работ.

Отправить заявку на участие в тренинге

Стоимость участия

Один человек (от компании) – 54 000 ₽
Два и более человек (от компании) – 52 000 ₽
Один человек (физическое лицо) – 54 000 ₽

* Все скидки действуют только при предоплате
** Стоимость участия может изменяться в зависимости от даты и места проведения тренинга

ООО "Ново Би Ай"©
199026, Россия, Санкт-Петербург, 
В.О. 26-я линия, д.15, корп.2, Литер А – БЦ «Биржа»
Государственная аккредитация Минкомсвязи России № 8353

Компания Novo BI не является поставщиком данных.
Мы разрабатываем решения для загрузки, обработки и хранения маркетинговых данных предоставленных клиентом.