УДК 330
DOI: 10.36871/ek.up.p.r.2026.03.10.016

Авторы

Петимат Адамовна Бисултанова,
Ахмед Яхьяевич Альмурзаев,
ФГБОУ ВО «ГГНТУ им. акад. М.Д. Миллионщикова», г. Грозный, Российская Федерация

Аннотация

В статье рассматриваются теоретико-методологические основания применения машинного обучения в задачах прогнозирования выработки электроэнергии на объектах распределённой генерации. Актуальность исследования определяется возрастанием роли распределённых энергетических ресурсов в структуре электроэнергетики и необходимостью повышения точности прогноза для обеспечения режимной устойчивости, оптимизации диспетчеризации и снижения экономических потерь. Современные обзоры показывают, что наибольшую результативность в энергетическом прогнозировании демонстрируют нелинейные, ансамблевые и гибридные модели, способные учитывать метеорологическую стохастичность, сезонно-суточную цикличность и многопараметрическую природу временных рядов. Особое внимание уделено формализации задачи, составу признакового пространства, источникам неопределённости и ограничениям внедрения моделей в контур оперативного управления распределённой генерацией.

Ключевые слова

распределённая генерация, прогнозирование выработки электроэнергии, машинное обучение, временные ряды

Список литературы

  1. Ахмаров А. В. Смарт-города и их вклад в устойчивое экономическое развитие / А. В. Ахмаров, А. А. Потапов, Е. А. Жидкова // Экономика: вчера, сегодня, завтра. – 2023. – Т. 13, № 11-1. – С. 590-599. – DOI 10.34670/AR.2023.29.69.064. – EDN PFUYYS.
  2. Го С., Ван Л., Сюй Т. и др. Методы краткосрочного прогнозирования ветровой мощности на основе машинного обучения: обзор и примерный разбор // Энергетические отчёты. 2025. С. 3753–3782. DOI: 10.1016/j.egyr.2025.10.040.
  3. Гупта М., Кумар А., Кумар М. и др. Обзор прогнозирования мощности фотоэлектрических установок методами машинного обучения // Прогресс инженерной науки. 2025. Т. 2. № 1. Ст. 100058. DOI: 10.1016/j.pes.2025.100058.
  4. де Оливейра Сантос Л., Санторо П., Сантос М. и др. Модели оценки и прогнозирования мощности фотоэлектрических установок, интегрирующие физику и машинное обучение: обзор гибридных методов // Солнечная энергия. 2024. Т. 284. Ст. 113044. DOI: 10.1016/j. solener.2024.113044.
  5. Зацаринная Ю. Н., Реутин Г. В., Курилов С. С., Исаева О. В. Прогнозирование выработки электроэнергии фотоэлектрической станции методами машинного обучения // Известия высших учебных заведений. Проблемы энергетики. 2023. Т. 25. № 3. С. 81–92.
  6. Лю Ч., Чжан И., Ли Х. и др. Комплексный обзор прогнозирования ветровой мощности на основе машинного обучения: модели, приложения и вызовы // Энергетика. 2025. Т. 18. № 2. Ст. 350. DOI: 10.3390/en18020350.
  7. Моргоева А. Д., Попадюк А. В., Соловьев А. А. и др. Прогнозирование почасовой выработки электроэнергии солнечной электростанцией с помощью алгоритмов машинного обучения // Известия Томского политехнического университета. Инжиниринг георесурсов. 2023. Т. 334. № 12. С. 7–19. DOI: 10.18799/24131830/2023/12/4253.
  8. Сингх А. Р., Кумар А., Патель А. и др. Управление энергией и прогнозирование мощности в микросетях, присоединённых к сети, на основе машинного обучения и множественных распределённых источников // Научные отчёты. 2024. Т. 14. Ст. 19207. DOI: 10.1038/s41598- 024-70336-3.
  9. Фоуз Н., Кумар С., Стамателатос М., Рамчаран Р. Расширение возможностей операторов распределительных систем: обзор методов прогнозирования распределённых энергетических ресурсов // Гелион. 2024. Т. 10. № 15. Ст. e34800. DOI: 10.1016/j.heliyon.2024.e34800.