Аннотация
В статье рассмотрена одна из задач повышения энергоэффективности электроэнергетической отрасли, а именно повышение точности прогнозирования электропотребления. Обоснована актуальность и значимость краткосрочного прогнозирования электропотребления малонаселенными пунктами, заключающаяся в увеличении количества автономных коттеджных поселков во многих регионах России, и в то же время по этой теме малое количество научных публикаций. Для реализации краткосрочного прогнозирования выбрана рекуррентная нейронная сеть LSTM, математическая модель которой состоит из шести уравнений, описывающих: учет предыдущих значений электропотребления (скрытое состояние LSTM); исключение значений электропотребления, не достигших порогового значения (фильтр LSTM); обновление временного ряда значений электропотребления (добавление в память LSTM новых значений); прогнозирование значений электропотребления с заданным шагом прогноза (новое скрытое состояние LSTM). Предложена архитектура искусственной нейронной сети, учитывающая все внешние факторы, влияющие на характер электропотребления системы электроснабжения малонаселенного пункта, а именно: метеоданные (температура, скорость ветра); тип дня (рабочий, выходной, праздничный); сезонность (зима, весна, лето, осень). Для программной реализации рекуррентной LSTM в среде моделирования Matlab с помощью функций библиотеки Deep Learning Toolbox был разработан алгоритм краткосрочного прогнозирования электропотребления. Тестирование разработанного программного средства проводилось с использованием архитектур ИНС с разным количеством скрытых слоев. Анализ полученных результатов позволил определить наиболее точную прогнозную модель – модель рекуррентной LSTM, содержащую четыре скрытых слоя. Экспериментально доказано повышение точности краткосрочного прогнозирования электропотребления посредством учета множества изменяющихся параметров внешней среды.
Ключевые слова
краткосрочное прогнозирование электропотребления, малонаселенный пункт, рекуррентная нейронная сеть, среда моделирования Matlab
1. Об утверждении комплексной государственной программы Российской Федерации «Энергосбережение и повышение энергетической эффективности»: Постановление Правительства Российской Федерации от 09 сентября 2023 года № 1473. URL: https://economy.gov.ru/material/dokumenty/postanovlenie_pravitelstva_rossiyskoy_federacii_ot_9_sentyabrya_2023_g_1473.html (дата обращения 27.02.2026).
2. Энергетическая стратегия Российской Федерации на период до 2050 года: Распоряжение Правительства Российской Федерации от 12 апреля 2025 года № 908-р. URL: http://static.government.ru/media/files/LWYfSENa10uBrrBoyLQqAAOj5eJYlA60.pdf (дата обращения 27.02.2026).
3. Об общих принципах организации местного самоуправления в Российской Федерации: Федеральный закон от 06 октября 2003 года № 131-ФЗ. http://www.kremlin.ru/acts/bank/20035 (дата обращения 27.02.2026).
4. Семенова Н.Г., Митрофанов Н.С. Выбор оптимальных параметров прогнозирования электропотребления в распределительной сети // Энергетика: состояние, проблемы, перспективы: материалы XVI Всерос. науч.-техн. конф. Оренбург: ОГУ, 2025. С. 292-295.
5. Семенова Н.Г., Митрофанов Н.С. К вопросу о выборе метода решения задач краткосрочного и долгосрочного прогнозирования электропотребления // ХХI Международная конференция по электромеханике и робототехнике: сб. докл. СПб: ГУАП, 2026. С. 342-346.
6. Виноградов Д. В., Косенко Е.Ю. Анализ методов прогнозирования потребления электроэнергии промышленных предприятий // Перспективные системы и задачи управления: материалы XVIII Всероссийской научно-практической конференции и XIV молодежной школы-семинара «Управление и обработка информации в технических системах». Таганрог: ЮФУ, 2023. С. 634-639.
7. Адаптивное краткосрочное прогнозирование потребления электроэнергии автономными энергосистемами малых северных поселений на основе методов корреляционного анализа / Ю.Н. Исаев, О.В. Архипова, В.З. Ковалев, Р.Н. Хамитов // Известия Томского политехнического университета. Инжиниринг георесурсов. 2023. Т. 334, № 2. С. 224-239. doi: 10.18799/24131830/2023/2/4076.
8. Семенова Н.Г., Влацкая Л.А. Искусственный интеллект в задачах электроэнергетики: монография. Оренбург: ОГУ, 2025. 234 с.
9. Мамуров Б.Ж., Абдуллаев Ж.Ж. Регрессионный анализ как средство изучения зависимости между переменными // European Science. 2021. № 2(58). С. 7-10.
10. Исследование подходов к краткосрочному прогнозированию электропотребления малыми северными поселениями в составе РОЭТК / В.З.Ковалев, О.В.Архипова, А.В.Шицелов, С.Ю. Швецов // Известия Тульского государственного университета. Технические науки. 2023. № 8. С. 196-204. doi: 10.24412/2071-6168-2023-8-196-197
11. Таваров С.Ш. Алгоритм обучения искусственной нейронной сети для факторного прогнозирования электропотребления бытового сектора // Электричество. 2022. № 3. С. 30-38. doi: 10.24160/0013-5380-2022-3-30-38.
12. Electricity Consumption Prediction Using Machine Learning / G.V. Reddy, L.J. Aitha, C. Poojitha, A.N. Shreya, D.K. Reddy, G. Meghana // E3S Web of Conferences. 2023. No. 391. Pp. 1-9. doi: 10.1051/e3sconf/202339101048.
13. Power Consumption Prediction Using Machine Learning / K. Rani, V. Praveen, A. Gupta, A. Timmasarti // Journal of Machine Learning and Deep Learning (JMLDL). 2024. No. 1 (1). Pp. 47-52. doi: 10.64820/AEPJMLDL.11.47.51.122024.
14. Predicting Power Consumption Using Deep Learning with Stationary Wavelet / M. Frikha, K. Taouil, A. Fakhfakh, F. Derbel // Forecasting. 2024. No. 6 (3). Pp. 864-884. doi: 10.3390/forecast6030043.
15. Серебряков Н.А. Краткосрочное прогнозирование почасового электропотребления гарантирующего поставщика с помощью нейросетевых моделей // Южно-Сибирский научный вестник. 2023. № 5(51). С. 166-169. doi: 10.25699/SSSB.2023.51.5.023.
16. Магасумов М. А., Снытников А.В. Прогнозирование электропотребления на участке распределительной сети 0,4 кВ поселка большое Исаково // Актуальные вопросы инженерной отрасли: cб. науч. тр. Калининград: Калининградский государственный технический университет, 2024. С. 63-72.
17. Unlocking the Power of LSTM for Long Term Time Series Forecasting / Y. Kong, Z. Wang, Y. Nie, T. Zhou, S. Zohren, Y. Liang, P. Sun, Q. Wen // 39th Annual AAAI Conference on Artificial Intelligence (AAAI-25). 2024. Pp. 11968-11976. doi: 10.48550/arXiv.2408.10006.
18. Li Y., Xu J., Anastasiu D. C. An Extreme-Adaptive Time Series Prediction Model Based on Probability-Enhanced LSTM Neural Networks // 37th Annual AAAI Conference on Artificial Intelligence (AAAI-23). 2022. Pp. 8684-8691. doi: 10.48550/arXiv.2211.15891.
19. Forecasting Residential Energy Consumption with the Use of Long Short-Term Memory Recurrent Neural Networks / Z. Severiche-Maury, C.E. Uc-Rios, W. Arrubla-Hoyos, D. Cama-Pinto, J.A. Holgado-Terriza, M. Damas-Hermoso, A. Cama-Pinto / Energies. 2025. No. 18 (5). 1247. doi: 10.3390/en18051247.
20. Прогнозирование электропотребления с помощью нейронных сетей с LSTM / И.У. Рахмонов, В.Я. Ушаков, Н.Н. Ниезов, Н.Н. Курбонов // Известия Томского политехнического университета. Инжиниринг георесурсов. 2023. Т. 334. № 12. С. 125-133. doi: 10.18799/24131830/2023/12/4407.
21. A survey on long short-term memory networks for time series prediction / B. Lindemann, T. Muller, H. Vietz, N. Jazdi, M. Weyrich // 14th CIRP Conference on Intelligent Computation in Manufacturing Engineering. Procedia CIRP. 2021. Vol. 99. Pp. 650-655. doi: 10.1016/j.procir.2021.03.088.
22. Свидетельство о гос. регистрации прогр. для ЭВМ №202666591. Краткосрочное прогнозирование потребления электрической энергии / Семенова Н.Г., Митрофанов Н.С.; заявитель Оренбург. гос. ун-т им. В. А. Бондаренко; заявл. 07.05.2026, опубл. 27.05.2026.
23. POWER| Data Access Viewer. URL: https://power.larc.nasa.gov/data-access-viewer/ (дата обращения: 13.01.2026).
Семенова Н.Г., Митрофанов Н.С. Краткосрочное прогнозирование электропотребления малонаселенными пунктами на основе рекуррентной нейронной сети// Электротехнические системы и комплексы. 2026. № 3(72). С. 34-41. https://doi.org/10.18503/2311-8318-2026-3(72)-34-41
© Семенова Н.Г., Митрофанов Н.С. 2026 Контент доступен под лицензией Creative Commons Attribution 4.0 License