Прогнозирование часов пик энергопотребления региональных энергосистем

В статье приводится исследование эффективности методов машинного обучения в контексте прогнозирования пикового часа региональной энергосистемы. Исследование затрагивает временной период с ноября 2011-го по октябрь 2023 г., охватывает 76 регионов Российской Федерации, включая субъекты ценовых (1-й и 2-й) и неценовых зон и насчитывает 10 методов машинного обучения. Результаты исследования показали, что статистически метод кластеризации K-ближайших соседей оказывается наиболее точным, хоть и не универсальным. Высокую эффективность (с точки зрения точности и быстродействия) продемонстрировали методы опорных векторов и классификация деревьями. В ходе исследований также было опровергнуто предположение о том, что наибольшую ценность при прогнозировании пикового часа оказывают наиболее близкие, с позиции временного ряда, данные.