Загострення конкурентної боротьби в умовах постійного росту цін на сировину, транспорт, енергоресурси змушує підприємства постійно підтримувати на достатньому рівні рентабельність виробництва. На практиці існує безліч способів зниження виробничих витрат. Ця робота присвячена одному з них, а саме, зниженню частки витрат на енергоресурси у випускаємій продукції. Ні для кого не секрет, що цей вид витрат виробництва становить майже чверть собівартості більшості товарів і послуг.
Витрати на енергоресурси - одна з основних видаткових статей у бюджеті будь-якого промислового підприємства. Тому одержання повної картини витрати всіх видів енергії, можливість аналізу цієї інформації, прогнозування й керування споживанням енергоресурсів на всіх етапах виробництва має стратегічне значення.
Ефективність використання енергетичних ресурсів впливає на рентабельність роботи підприємства, будучи одним з важелів керування його конкурентоспроможністю.
Це аксіома, що знає кожний керівник. Однак, на сьогоднішній день, не на багатьох підприємствах впроваджені й використовуються засоби ефективного обліку й керування енергоресурсами. Причин декілька - недостача грошей, інші пріоритети, а іноді просте нерозуміння важливості даного питання. Але життя бере своє й факти говорять багато про що. На тих підприємствах, де існують і ефективно працюють автоматизовані системи обліку й аналізу теплоенергоресурсів (АСОАТЕР), частка витрат на енергоносії істотно знижується. Знижується не сама по собі, адже АСОАТЕР - тільки інструмент, при грамотній роботі з яким досягається поставлена мета.

2. Мети й завдання роботи

Інформаційно-аналітична система (ІАС) "Облік і аналіз споживання ТЕР" призначена для автоматизації обліку й аналізу фактичного споживання ТЕР, фінансових показників по оплаті енергоресурсів, розрахунків нормативного споживання, а також інформаційної підтримки керівництва підприємства при рішенні поточних завдань керування енергоспоживанням і формуванні лімітів.
Необхідною умовою забезпечення ефективної роботи системи є  автоматизація процесу збору даних про споживання й оплату енергії.
Інформація, що накопичується в базах даних системи, може ефективно застосовуватися для рішення аналітичних завдань і підтримки прийняття рішень по керуванню підприємством.
Основною метою створення й впровадження ІАС є автоматизація завдань обліку й аналізу споживання ТЕР, лімітування ТЕР, енергозбереження й економії матеріальних засобів на підприємстві.

Загальну концепцію системи відбиває мал. 1.

Рис. 1. Загальна концепція ІАС

3. Передбачувана наукова новизна

У процесі вивчення питання споживання енергоресурсів необхідно встановити залежності споживання від різних параметрів (сезонність, вартість і ін.). Установити як саме вони корелірують зі споживанням і забезпечити реалізацію отриманої моделі в програмному продукті. Також необхідно вирішити завдання: які саме методи аналізу й прогнозування найбільш оптимальні при отриманій моделі.

4. Передбачувана практична цінність

У ході виконання магістерської роботи, передбачається, що буде забезпечена наступна цінність для підприємства:
1. Збір первинної інформації від цехів про фактичне споживання всіх видів ТЕР. Розрахунок балансу споживання/оплати ТЕР.
2. Ведення (зберігання, актуалізація інформації) баз даних для зберігання фактів (показників) по споживанню, оплаті ТЕР і іншим тематичним розділам статистичної інформації.
3. Розрахунок енергозберігаючих заходів і одержання оцінок їхньої економічної ефективності.
4. Прогнозування планових показників споживання ТЕР з урахуванням розрахункових значень нормативних показників і прогнозованих значень зовнішніх факторів, що впливають.
5. Підтримка прийняття рішень по призначенню лімітів для цехів, оптимізація розподілу лімітів.
6. Розрахунок балансу по виконанню планових показників споживання ТЕР.
7. Інтеграція (одержання зведеної) інформації із всіх видів показників, статистичний аналіз із метою виявлення залежностей, закономірностей, тенденцій і т.д. (Data Mining: кластерний аналіз, тренди тимчасових рядів, і т.д.).
8. Створення й розвиток моделей, призначених для параметричного подання сукупності організацій як об'єкта керування.
9. Перевірка вірогідності надаваної цехами первинної інформації (показників споживання ТЕР) за інформацією зовнішніх джерел.
10. Виділення (на основі розрахункових методик, що оперують статистичними даними ІАС) "кандидатур" організацій для першочергового проведення повного енергоаудіта.
11. Виконання комплексу типових і довільних завдань вибірки й подання інформації ІАСу цехах, у т.ч. подання інформації у вигляді таблиць, графіків, діаграм, підготовка звітної інформації в типовій формі, проектування нових звітних форм. Документування результатів всіх видів діяльності над інформацією ІАС.
12. Зв'язок із зовнішніми інформаційними системами, інтеграція в єдину автоматизовану систему Міненерго.
13. Зберігання й надання нормативної документації.
14. Публікація й контроль виконання приписань керівних органів.

5. Огляд існуючих методів прогнозування

Процес побудови прогнозу складатися з декількох етапів, послідовність яких у загальному випадку не завжди однозначна. Однак деяку логічну лінію можна простягнути:
- вибір факторів і прогнозованого параметра(ів);
- збір вихідних даних;
 - предобработка даних;
 - візуалізація даних;
 - вибір виду прогнозної моделі;
 - вибір адекватних методів оцінювання параметрів прогнозної моделі;
 - побудова моделей;
 - оцінка адекватності побудованих моделей;
 - вибір найкращої моделі;
 - побудова прогнозу;
 - моніторинг даних і адаптація моделі з урахуванням нових даних
Щоб будувати адекватні моделі й грамотні прогнози необхідно:
- теоретична база;
- навичка роботи в статистичному програмному забезпеченні;
 - досвід побудови моделей і прогнозів.
Будь-яке завдання можна вирішити декількома способами. Прогнозування - не виключення із цього правила. У більшості ситуацій при розробці моделі аналітик вправі застосувати кілька підходів, і впровадити на практиці найбільш ефективний. Для перевірки прогностичних якостей моделі використовують процедуру кросу-перевірки. Модель будується по вибірці з обрізаним «хвостом», а потім рівняються «хвіст» і прогноз. Крім цього, прийнято тестувати прогноз на стійкість шляхом видалення декількох спостережень із вихідної вибірки. І, нарешті, навіть одержавши «гарну» у змісті якості прогнозу модель не слід зневажати процедурою моніторингу.

Методи Хольта й Брауна

У середині минулого століття Хольт запропонував удосконалений метод експонентного згладжування, згодом названий його ім'ям. У запропонованому алгоритмі значення рівня й тренда згладжуються за допомогою експонентного згладжування. Причому параметри згладжування в них різні.

 
Тут перше рівняння описує згладжений ряд загального рівня.
Друге рівняння служить для оцінки тренда.
Третє рівняння визначає прогноз на p отсчетов за часом уперед.
Постійні згладжування в методі Хольта ідеологічно грають ту ж роль, що й постійна в простому експонентному згладжуванні. Підбираються вони, наприклад, шляхом перебору по цих параметрах з якимсь кроком. Можна використовувати й менш складні в змісті кількості обчислень алгоритми. Головне, що завжди можна підібрати таку пару параметрів, що дає більшу точність моделі на тестовому наборі й потім використовувати цю пару параметрів при реальному прогнозуванні.
Часткою случаємо методу Хольта є метод Брауна, коли a=?.

Метод Винтерса

Хоча описаний вище метод Хольта (метод двухпараметрического експонентного згладжування) і не є зовсім простим (відносно "наївних" моделей і моделей, заснованих на усередненні), він не дозволяє враховувати сезонні коливання при прогнозуванні. Говорячи більш акуратно, цей метод не може їх "бачити" у передісторії. Існує розширення методу Хольта до трьохпараметрического експонентного згладжування. Цей алгоритм називається методом Винтерса. При цьому робиться спроба врахувати сезонні тридцятилітні в даних. Система рівнянь, що описують метод Винтерса виглядає в такий спосіб:

Дріб у першому рівнянні служить для виключення сезонності з Y(t). Після виключення сезонності алгоритм працює з "чистими" даними, у яких немає сезонних коливань. З'являються вони вже в самому фінальному прогнозі, коли "чистий" прогноз, полічений майже по методу Хольта множиться на сезонний коефіцієнт.

Методи Боксу-Дженкинса (ARIMA)

У середині 90-х років минулого століття був розроблений принципово новий і досить потужний клас алгоритмів для прогнозування тимчасових рядів. Більшу частину роботи з дослідження методології й перевірці моделей була проведена двома статистиками, Г.Е.П. Боксом (G.E.P. Box) і Г.М. Дженкинсом (G.M. Jenkins). З тих пор побудова подібних моделей і одержання на їхній основі прогнозів іноді називатися методами Боксу-Дженкинса. Більш докладно ієрархію алгоритмів Боксу-Дженкинса ми розглянемо трохи нижче, поки ж відзначимо, що в це сімейство входить кілька алгоритмів, найвідомішим і використовуваним з них є алгоритм ARIMA. Він убудований практично в будь-який спеціалізований пакет для прогнозування. У класичному варіанті ARIMA не використовуються незалежні змінні. Моделі опираються тільки на інформацію, що втримується в передісторії прогнозованих рядів, що обмежує можливості алгоритму. У цей час у науковій літературі часто згадуються варіанти моделей ARIMA, що дозволяють ураховувати незалежні змінні. У даному підручнику ми їх розглядати не будемо, обмежившись тільки загальновідомим класичним варіантом. На відміну від розглянутих раніше методик прогнозування тимчасових рядів, у методології ARIMA не передбачається якої-небудь чіткої моделі для прогнозування даної тимчасової серії. Задається лише загальний клас моделей, що описують часовий ряд і дозволяють якось виражати поточне значення змінної через її попередні значення. Потім алгоритм, підбудовуючи внутрішні параметри, сам вибирає найбільш підходящу модель прогнозування. Як ми вже відзначали вище, існує ціла ієрархія моделей Боксу-Дженкинса. Логічно її можна визначити так:
AR(p)+MA(q)->ARMA(p,q)->ARMA(p,q)(P,Q)->ARIMA(p,q,r)(P,Q,R)->...

6. Перелік невирішених завдань

Перед підприємством коштують наступні завдання відносно політики споживання енергоресурсів:
• максимально зменшити людський фактор у процесі внесення інформації в базу даних обліково-аналітичної системи;
• максимально зменшити людський фактор у процесі обробки інформації;
• максимально збільшити ступінь інформованості як керівництва так і персоналу про поточний стан споживання енергоресурсів;
• полегшити роботу персоналу з документами (обробка, аналіз, складання й ін.);
• забезпечити максимально достовірний прогноз споживання енергоресурсів у майбутньому на основі різних методів пргонозквання й аналізу й т.д.

7. Висновок

Варіант створення власної системи на основі готового нейропакета підходить для менш великих компаній і навіть для приватних осіб - інвесторів, трейдерів, підприємців. Втім, є й кілька прикладів найбільших концернів, що обрали цей варіант і домоглися успіх. Так, наприклад, компанія DuPont розробила новий матеріал - безпечне скло, використовуючи нейросітєвий пакет NeuroShell. Також цей пакет використовується у великих західних банках, таких як Citibank, Security Pacific National Bank, The World Bank, Lloyds Bank, The Federal Reserve Board, Federal Reserve Bank of New York, і в страхових компаніях Royal Insurance, Presidential Life Insurance, New York Life Insurance і інших.
У випадку великого підприємства, їсти зміст розробляти власний програмний продукт, що максимально враховує специфіку діяльності даного підприємства. У даному продукті має сенс крім аналітичної підсистеми реалізувати облікову й ін. підсистеми.

8. Перелік посилань