МАСШТАБ И ДИМАМИКА АВАРИЙ ИЗ-ЗИ НЕПОГОДЫ НА ЭНЕРГООБЪЕКТАХ РЕГИОНОВ РОССИИ

N.V. Gorbacheva; A.Y. Timofeeva

doi:10.14529/power230301

Authors

N.V. Gorbacheva Institute of Economics and Industrial Engineering, Siberian Branch of the Russian Academy of Sciences
A.Y. Timofeeva Novosibirsk State Technical University

DOI:

https://doi.org/10.14529/power230301

Keywords:

power generation, climate change, accidents, emerging situation, cluster analysis, economic damage, regions, Russia

Abstract

The Russian energy system is a principal agent in and an important recipient of climate change. The performance of the power system in response to extreme weather conditions manifests to different degrees in different regions with particular climate characteristics and with different power generation facilities. This article identifies the most vulnerable clusters of regions and assesses industrial and social damage from energy accidents caused by extreme weather. On the basis the cluster analysis of 5,380 recorded primary data about energy accidents provided by Situational Analytical Center of the Russian Ministry of Energy from 2014 to 2019, six accident groups are formed according to scale, frequency, and seasonality. A regression model of economic damage demonstrates that, in general, the negative effects of energy accidents are increasing, although the long-term impact on economic development of Russian regions is caused more by household electricity outages than industrial outages.

Downloads

Download data is not yet available.

Author Biographies

N.V. Gorbacheva, Institute of Economics and Industrial Engineering, Siberian Branch of the Russian Academy of Sciences

PhD (Econ.), docent, Institute of Economics and Industrial Engineering

A.Y. Timofeeva, Novosibirsk State Technical University

PhD (Econ.), docent

References

H.R.5376 - Inflation Reduction Act of 2022. URL: https://www.congress.gov/bill/117th-congress/house-bill/5376?q=%7B%22search%22%3A%5B%22Inflation+Reduction+Ac%22%2C%22Inflation%22%2C%22Reduction%22%2C%22Ac%22%5D%7D&r=2&s=1

REPowerEU Plan. URL: https://eur-lex.europa.eu/resource.html?uri=cellar:fc930f14-d7ae-11ec-a95f-01aa75ed71a1.0001.02/DOC_1&format=PDF

Башмаков И.А. Прогнозы развития энергетики мира 30 лет спустя: проверка прошлым уроков будущего // Вопросы экономики. 2022. № 5. С. 51-78. https://doi.org/10.32609/0042-8736-2022-5-51-78

Ахамер Г. Сценарии системных переходов для энергетики и экономики // Форсайт. 2022. Т. 16. № 3. С. 17-34.

IPCC, 2022: Climate Change 2022: Impacts, Adaptation, and Vulnerability. Contribution of Working Group II to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [H.-O. Pörtner, D.C. Roberts, M. Tignor, E.S. Poloczanska, K. Mintenbeck, A. Alegría, M. Craig, S. Lang-sdorf, S. Löschke, V. Möller, A. Okem, B. Rama (eds.)]. Cambridge University Press. URL: https://www.ipcc.ch/report/ar6/wg2/downloads/report/IPCC_AR6_WGII_FinalDraft_FullReport.pdf DOI: 10.1017/9781009325844

Клименко В.В., Гинзбург А.С., Федотова Е.В., Терешин А.Г. Волны тепла – новая опасность для энергосистемы России // Доклады Российской Академии Наук. Физика, технические науки. 2020. Т. 494. С. 82-88

Тряпицын А.Б., Кирпичникова И. М., Бухтояров В. Ф., Круглов Г. А. Анализ аварийности и травматизма в электроэнергетике Российской Федерации // Вестник Южно-Уральского государственного университета. Серия: Энергетика. 2018. Т. 18. № 4. С. 30-40.

Ожегов Е.М., Попова Е.А. Спрос на электроэнергию и погода в регионе: непараметрический подход // Прикладная эконометрика. 2017. Т. 46. С. 55-73.

Журавлев О.А. Тенденции электропотребления населением Московской агломерации. // Регион: экономика и социология. 2013. №1 (77). С. 91-99.

Быков Ф.Л., Гордин В.А. Краткосрочный прогноз часового потребления электроэнергии с учетом погоды для субъектов РФ // Известия Академии наук. Энергетика. 2017. №5. С. 47-56.

Папков Б. В., Куликов А. Л., Осокин В. Л. Вероятности редких случайных событий в электроэнергетике // Электричество. 2019. № 2. С. 4-9.DOI 10.24160/0013-5380-2019-2-4-9

Клименко В.В., Клименко А.В., Терешин А.Г., Федотова Е.В. Климатические экстремумы – новый вызов для российских энергосистем // Теплоэнергетика. 2021. №3. С. 3-17. DOI 10.1134/S004036362103005X

Седнев В. А, Смуров А. В., Седнев А. В. Факторы, влияющие на электроэнергетическую безопасность субъектов Российской Федерации // Проблемы безопасности и чрезвычайных ситуаций. 2021. № 2. С. 78-91. DOI 10.36535/0869-4176-2021-02-9

Лапшина К. М. Роль региональных властей в обеспечении энергетической безопасности субъектов РФ // Ars Administrandi. Искусство управления. 2017. Т. 9. № 4. С. 607-628. DOI 10.17072/2218-9173-2017-4-607-628

Fulcher, B. D., Jones, N. S. Highly comparative feature-based time-series classification // IEEE Transactions on Knowledge and Data Engineering, 2014. 26(12). P. 3026-3037. DOI:10.1109/tkde.2014.2316504

Нильсен Э. Практический анализ временных рядов: прогнозирование со статистикой и машинное обучение. – СПб.: ООО «Диалектика», 2021. 544 с.

Статистическая климатология: современные достижения и новые идеи (Научные чтения памяти Георгия Вадимовича Груза) / Э. Я. Ранькова, Г. В. Алексеев, М. А. Алешина [и др.] // Фундаментальная и прикладная климатология. 2022. Т. 8. № 1. С. 5-50. DOI 10.21513/2410-8758-2022-1-5-50.

Charrad, M., Ghazzali, N., Boiteau, V., & Niknafs, A. NbClust: an R package for determining the relevant number of clusters in a data set // Journal of Statistical Software. 2014. 61. P. 1-36. DOI: 10.18637/jss.v061.i06

Hoang L. K. et al. Classifying Countries in Terms of Government Expenditure: A Multi-criteria Approach // Экономический журнал Высшей школы экономики. – 2021. – Т. 25. – №. 4. – С. 610-627. DOI: 10.17323/1813-8691-2021-25-4-610-627

Gautam N., Kumar N. Customer segmentation using k-means clustering for developing sustainable marketing strategies // Бизнес-информатика. 2022. Т. 16. №. 1. С. 72-82. DOI: 10.17323/2587-814X.2022.1.72.82

Карпов Е. С. Сегментация клиентской базы методом К-средних основанном на построении графа К-ближайших соседей // World Science: Problems and Innovations. 2019. С. 30-32.

Биджоян Д. С., Богданова Т. К., Неклюдов Д. Ю. Стресс-тестирование кредитного риска кластера российских коммерческих банков //Бизнес-информатика. 2019. Т. 13. №. 3. С. 35-51. DOI: 10.17323/1998-0663.2019.3.35.51

Piccardi, C., Calatroni, L., & Bertoni, F. Clustering financial time series by nework community analysis // International Journal of Modern Physics C. 2011. No. 22(01). P. 35-50. DOI: 10.1142/s012918311101604x

Wang, N., Li, D., & Wang, Q. Visibility graph analysis on quarterly macroeconomic series of China based on complex network theory. Physica A: Statistical Mechanics and its Applications. 2012. No. 391(24). P. 6543-6555. DOI: 10.1016/j.physa.2012.07.054

Csardi, G., Nepusz, T. The igraph software package for complex network research. InterJournal, complex systems. 2006. No. 1695(5). P. 1-9.

Cleveland R. B., Cleveland W. S., McRae J.E., and I. Terpenning STL: A Seasonal-Trend Decomposition Procedure Based on Loess // Journal of Official Statistics. 1990. No. 6. P. 3-73.

Gharde, Y., Singh, P. K., Dubey, R. P., & Gupta, P. K. Assessment of yield and economic losses in agriculture due to weeds in India // Crop Protection. 2018. No. 107. P. 12-18. DOI: 10.1016/j.cropro.2018.01.007

Верескун А. В., Котосонов А. С. Совершенствование деятельности единой государственной системы предупреждения и ликвидации чрезвычайных ситуаций по ликвидации ЧС в условиях полного и (или) частичного ограничения режима потребления электрической энергии // Технологии гражданской безопасности. 2022. Т. 19. № 2(72). С. 81-85. DOI 10.54234/CST.19968493.2022.19.2.72.15.81

Хлебникова Е. И. Климатические изменения характеристик редких экстремумов атмосферных осадков: результаты регионального моделирования для территории России / Е. И. Хлебникова, И. М. Школьник, Ю. Л. Рудакова // Метеорология и гидрология. 2022. № 5. С. 42-53. DOI 10.52002/0130-2906-2022-5-42-53.