КОНФЕРЕНЦІЇ ВНТУ електронні наукові видання, 
Молодь в науці: дослідження, проблеми, перспективи (МН-2026)

Розмір шрифта: 
ЗАСТОСУВАННЯ КВАНТИЛЬНОЇ РЕГРЕСІЇ ДЛЯ ЙМОВІРНІСНОЇ ОЦІНКИ ПОХИБОК ПРОГНОЗУВАННЯ АГРЕГАТОРІВ РОЗПОДІЛЕНИХ ЕНЕРГЕТИЧНИХ РЕСУРСІВ
Максим Пилипович Залізняк, Володимир Васильович Нетребський

Остання редакція: 2026-06-10

Анотація


В роботі досліджено застосування квантильної регресії для ймовірнісної оцінки похибок прогнозування агрегаторів розподілених енергетичних ресурсів. Виконано статистичний аналіз експлуатаційних даних агрегатора однотипних енергетичних ресурсів. В середовищі MATLAB проведено моделювання меж похибок прогнозування із застосуванням лінійної та квадратичної моделей квантильної регресії. Показано, що квадратична модель забезпечує більш адекватний опис нелінійного характеру розподілу похибок прогнозування порівняно з лінійною моделлю. Отримані результати можуть бути використані для оцінки ризиків небалансів та побудови витратної характеристики агрегатора на основі оцінки вартості небалансів на ринку електричної енергії.

Ключові слова


квантильна регресія, агрегатор, розподілені енергетичні ресурси, відновлювані джерела енергії, інтелектуальні електричні мережі

Посилання


Koenker R. Quantile Regression. — Cambridge University Press, 2005. — 367 p. Hao L., Naiman D. Quantile Regression. — United States of America: SAGE Publications, Inc., 2007. — 25 p. DOI: https://doi.org/10.4135/9781412985550.


Uribe J. M., Guillen M. Quantile Regression for Cross-Sectional and Time Series Data: Applications in Energy Markets Using R. — Cham: Springer International Publishing, 2020. ("SpringerBriefs in Finance" Series). DOI: https://doi.org/10.1007/978-3-030-44504-1.

Ren X., Liu Y., Zhang F. et al. A Deep Learning Quantile Regression Photovoltaic Power-Forecasting Method under a Priori Knowledge Injection. Energies, 2024, Volume 17, Issue 16. – P. 4026. DOI: https://doi.org/10.3390/en17164026.

Lauret P., David M., Pedro H. T. C. Probabilistic Solar Forecasting Using Quantile Regression Models. Energies, 2017, Volume 10, Issue 10. – P. 1591. DOI: https://doi.org/10.3390/en10101591.

Noh J., Lee S. Quantile Regression for Location-Scale Time Series Models with Conditional Heteroscedasticity. arXiv.org. 03.01.2014. URL: https://arxiv.org/abs/1401.0688v2 (accessed 08.05.2026).

Massidda L., Marrocu M. Quantile Regression Post-Processing of Weather Forecast for Short-Term Solar Power Probabilistic Forecasting. Energies, 2018, Volume 11, Issue 7. – P. 1763. DOI: https://doi.org/10.3390/en11071763.

Ait Mouloud L., Kheldoun A., Oussidhoum S. et al. Seasonal quantile forecasting of solar photovoltaic power using Q-CNN-GRU. Scientific Reports, 2025, Volume 15, Issue 1. – P. 27270. DOI: https://doi.org/10.1038/s41598-025-12797-8.

Про затвердження Правил ринку. Офіційний вебпортал парламенту України. URL: https://zakon.rada.gov.ua/go/v0307874-18 (дата звернення: 10.05.2026).


Повний текст: PDF