Представлены результаты исследований по разработке прогностических моделей по ретроспективным данным о плановом потреблении электроэнергии в регионе со значительной долей предприятий минерально-сырьевого комплекса. Поскольку энергоемкость промышленности остается довольно высокой, актуальна задача по рационализации потребления электроэнергии. Одним из путей повышения точности управления при планировании расходов на электроэнергию является прогнозирование электрических нагрузок. Несмотря на большое количество научных работ по теме прогнозирования электропотребления, данная проблема остается актуальной из-за изменяющихся требований оптового рынка электроэнергии и мощности к точности прогнозов. Поэтому цель настоящего исследования – поддержка управленческих решений в процессе планирования объемов электропотребления. Для этого необходимо создать прогностическую модель и определить перспективное электропотребление энергосистемы. С этой целью проведен сбор и анализ исходных данных, их предобработка, отбор признаков, создание моделей и их оптимизация. Созданные модели основаны на ретроспективных данных о плановом электропотреблении, показателях работы энергосистемы (частоте), а также метеорологических данных. Методы исследований – ансамблевые методы машинного обучения (алгоритмы случайного леса, градиентного бустинга XGBoost и CatBoost), а также модель рекуррентной нейронной сети долгой краткосрочной памяти (LSTM). Полученные модели позволяют с достаточно высокой точностью создавать краткосрочные прогнозы электропотребления (на период от одних суток до недели). Применение моделей, основанных на алгоритмах градиентного бустинга, и моделей нейронных сетей дали прогноз с погрешностью менее 1 %, что позволяет рекомендовать их для применения при прогнозировании планового электропотребления объединенных энергосистем.
