najgeГеоэкономика энергетикиGeoeconomics of Energetics2687-0703АНО Институт стран СНГ10.48137/26870703_2025_32_4_52najge-195Research ArticleТЭК РОССИИ И ВНЕШНИЕ РИСКИFUEL AND ENERGY COMPLEX OF RUSSIA AND EXTERNAL RISKSПРОИЗВОДСТВО ЭЛЕКТРОЭНЕРГИИ В РОССИИ: АНАЛИЗ ДИНАМИКИ И ПРОГНОЗЫELECTRICITY PRODUCTION IN THE RUSSIAN FEDERATION: ANALYSIS OF DYNAMICS AND FORECASTShttps://orcid.org/0000-0001-9753-0072ЧуриловаЭ. Ю.ChurilovaE. Yu.

ЧУРИЛОВА Эльвира Юрьевна, кандидат экономических наук, доцент, доцент кафедры бизнес-аналитики

г. Москва, 125057, Ленинградский проспект, 49 

Elvira Yu. CHURILOVA, PhD in Economics, Associate Professor, Associate Professor of the Business Analytics Department

49 Leningradsky Prospekt, Moscow, 125057

EChurilova@fa.ruhttps://orcid.org/0009-0001-9172-3428ЧуриловА. Д.ChurilovaA. D.

ЧУРИЛОВ Александр Дмитриевич, студент 

г. Москва, 119454, проспект Вернадского, 78 

Alexander D. CHURILOV, fourth-year student

78 Vernadsky Prospekt, Moscow, 119454

alexandrchurilov@mail.ruФинансового университет при Правительстве РФРоссияFinancial University under the Government of the Russian FederationRussian FederationМИРЭА-РТУ Институт искусственного интеллекта направления подготовки «Прикладная математика и информатика»РоссияMIREA-RTU Institute of Artificial Intelligence, majoring in Applied Mathematics and InformaticsRussian Federation202525012026045277Copyright © Чурилова Э.Ю., Чурилов А.Д., 20262026Чурилова Э.Ю., Чурилов А.Д.Churilova E.Y., Churilova A.D.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.geoenergy-journal.ru/jour/article/view/195

Статья посвящена анализу динамики производства электроэнергии в Российской Федерации за период 2010–2024 гг. и разработке прогнозных моделей на 2025–2027 гг. Исследование охватывает производство электроэнергии на основных типах электростанций: тепловых, атомных и гидроэлектростанциях, а также общий объем производства по стране. За анализируемый период общее производство электроэнергии возросло на 16,5%, с наибольшими темпами прироста у атомных и гидроэлектростанций. В работе проводится сравнительный анализ двух методологических подходов к прогнозированию: сезонных моделей авторегрессии SARIMA и рекуррентных нейронных сетей LSTM. Исследование показало различную степень предсказуемости показателей в зависимости от типа электростанции. Лучше всего прогнозированию поддаются показатели общего производства и производства на тепловых электростанциях, в то время как производство на гидроэлектростанциях характеризуется высокой зависимостью от природных факторов и соответственно меньшей точностью прогнозов. На основе построенных моделей определены ожидаемые объемы производства электроэнергии на трехлетний период. Проведена верификация прогнозов на основе оперативных данных Федеральной службы государственной статистики за начало 2025 г., которая подтвердила приемлемую точность предложенных моделей для краткосрочного и среднесрочного прогнозирования. Результаты исследования могут быть использованы при разработке энергетической политики и стратегического планирования в энергетическом секторе России.

The article analyzes electricity production dynamics in the Russian Federation for the period 2010–2024 and develops forecast models for 2025–2027. The research covers electricity production from major power plant types: thermal, nuclear, and hydroelectric facilities, as well as total national production. Over the analyzed period, total electricity production increased by 16.5%, with the highest growth rates observed at nuclear and hydroelectric plants. The study provides a comparative analysis of two methodological approaches to forecasting: seasonal SARIMA autoregression models and LSTM recurrent neural networks. The investigation revealed varying degrees of predictability of indicators depending on power plant type. Total production and thermal power plant output demonstrated the best forecasting performance, while hydroelectric production exhibited high sensitivity to natural factors and consequently lower forecast accuracy. Based on the constructed models, expected electricity production volumes for the three-year period are determined. Forecast verification was conducted using operational data from the Federal State Statistics Service for early 2025, which confirmed acceptable accuracy of the proposed models for short-term and medium-term electricity production forecasting. The results of the study can be applied in the development of energy policy and strategic planning in Russia’s energy sector.

энергетикапроизводство электроэнергиипрогнозированиепрогнозы производства электроэнергиимодели SARIMAмодели LSTM-сетейатомные электростанциитепловые электростанциигидроэлектростанцииenergyelectricity productionforecastingelectricity production forecastsSARIMA modelsLSTM network modelsnuclear power plantsthermal power plantshydroelectric power plantsReferencesАлюнов А. Н., Мосолова К. Д., 2023. Прогнозирование объемов потребления электрической энергии с применением методов машинного обучения // Нейрокомпьютеры: разработка, применение. Т. 25. № 5. С. 58–70. DOI: 10.18127/j19998554-202305-08.Alyunov A. N., Mosolova K. D., 2023. Forecasting Electricity Consumption Volumes Using Machine Learning Methods // Neurocomputers: Development, Application. Vol. 25. No. 5. pp. 58–70. DOI: 10.18127/j19998554-202305-08. (In Russ.)Бородин А. Е., 2024. Анализ барьеров развития электроэнергетики России: история вопроса, современное состояние и перспективы // Вестник Астраханского государственного технического университета. Серия: Экономика. № 1. С. 74–81. DOI: 10.24143/2073-5537-2024-1-74-81.Borodin A. E., 2024. Analysis of Barriers to the Development of the Electric Power Industry in Russia: History, Current Status, and Prospects // Bulletin of the Astrakhan State Technical University. Series: Economics. No. 1. pp. 74–81. DOI: 10.24143/2073-5537-2024-1-74-81. (In Russ.)Валиуллин А. Э., 2022. Исследование тенденций потребления энергетических ресурсов в российской промышленности на основе статистического энергобаланса // Вестник Белгородского университета кооперации, экономики и права. № 3(94). С. 146–154. DOI: 10.21295/2223-5639-2022-3-146-154.Valiullin A. E., 2022. Study of Trends in Energy Resource Consumption in Russian Industry Based on Statistical Energy Balance // Bulletin of the Belgorod University of Cooperation, Economics and Law. No. 3(94). pp. 146–154. DOI: 10.21295/2223-5639-2022-3-146-154. (In Russ.)Васильев Г. В., Бердоносов В. Д., 2022. Методика по эффективному применению гибридных моделей нейронных сетей для прогнозирования энергопотребления // Электротехнические системы и комплексы. № 4(57). С. 88–95. DOI: 10.18503/2311-8318-2022-4(57)-88-95.Vasiliev G. V., Berdonosov V. D., 2022. Methodology for the Effective Application of Hybrid Neural Network Models for Forecasting Energy Consumption // Electrical Systems and Complexes. No. 4(57). pp. 88–95. DOI: 10.18503/2311-8318-2022-4(57)-88-95. (In Russ.)Владимиров С. С., 2022. Анализ проблем электроэнергетической отрасли и стратегические пути их решения // Конкурентоспособность в глобальном мире: экономика, наука, технологии. № 9. С. 24–26.Vladimirov S. S., 2022. Analysis of the Problems of the Electric Power Industry and Strategic Ways to Address Them // Competitiveness in the Global World: Economics, Science, Technology. No. 9. pp. 24–26. (In Russ.)Вымятнина Ю. В., Раскина Ю. В., Артюхова Е. В., Бабкина Е. А., 2022. Рыночные реформы в электроэнергетике: аргументы за и против // Экономический журнал Высшей школы экономики. Т. 26. № 3. С. 404–428. DOI: 10.17323/1813-8691-2022-26-3-404-428.Vymyatnina Yu. V., Raskina Yu. V., Artyukhova E. V., Babkina E. A., 2022. Market Reforms in the Electric Power Industry: Arguments for and Against // Economic Journal of the Higher School of Economics. Vol. 26. No. 3. pp. 404–428. DOI: 10.17323/1813-8691-2022-26-3-404-428. (In Russ.)Вялкова С. А., Моргоева А. Д., Гаврина О. А., 2022. Разработка гибридной модели прогнозирования потребления электрической энергии для горно-металлургического предприятия // Устойчивое развитие горных территорий. Т. 14. № 3(53). С. 486–493. DOI: 10.21177/1998-4502-2022-14-3-486-493.Vyalkova S. A., Morgoeva A. D., Gavrina O. A., 2022. Development of a hybrid model for forecasting electric energy consumption for a mining and metallurgical enterprise // Sustainable development of mountain territories. Vol. 14. No. 3(53). P. 486–493. DOI: 10.21177/1998-4502-2022-14-3-486-493. (In Russ.)Гильмутдинова И. М., Нурыйахметова С. М., Фатхутдинова О. А., 2022 Анализ тенденций развития российской и зарубежной электроэнергетики // Экономика и предпринимательство. № 5(142). С. 111–117. DOI: 10.34925/EIP.2022.142.5.020.Gilmutdinova I. M., Nuryakhmetova S. M., Fatkhutdinova O. A., 2022. Analysis of Development Trends in the Russian and Foreign Electric Power Industry // Economy and Entrepreneurship. No. 5 (142). Pp. 111–117. DOI: 10.34925/EIP.2022.142.5.020. (In Russ.)Демьяненко Т. С., Семененко Л. М., 2024. Построение трендовой составляющей аддитивной математической модели объема планового производства электрической энергии для повышения энергоэффективности // Известия КабардиноБалкарского научного центра РАН. Т. 26. № 4. С. 71–82. DOI: 10.35330/1991-6639-2024-26-4-71-82.Demyanenko T. S., Semenenko L. M., 2024. Construction of the Trend Component of an Additive Mathematical Model of the Volume of Planned Electric Energy Production to Improve Energy Efficiency // Bulletin of the Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences. Vol. 26. No. 4. Pp. 71–82. DOI: 10.35330/1991-6639-2024-26-4-71-82. (In Russ.)Затонский А. В., Тугашова Л. Г., 2021. Выбор модели прогнозирования отпуска тепловой энергии // Теплоэнергетика. № 3. С. 89–98. DOI: 10.1134/S0040363621020090.Zatonsky A. V., Tugashova L. G., 2021. Selecting a model for forecasting thermal energy supply // Thermal Power Engineering. No. 3. P. 89–98. DOI: 10.1134/S0040363621020090. (In Russ.)Карпенко С. М., Карпенко Н. В., Безгинов Г. Ю., 2022. Прогнозирование электропотребления на горнопромышленных предприятиях с использованием статистических методов // Горная промышленность. № 1. С. 82–88. DOI: 10.30686/1609-9192-2022-1-82-88.Karpenko S. M., Karpenko N. V., Bezginov G. Yu., 2022. Forecasting Electricity Consumption at Mining Enterprises Using Statistical Methods // Mining Industry. No. 1. pp. 82–88. DOI: 10.30686/1609-9192-2022-1-82-88. (In Russ.)Карякина И. Е., Максимов В. П., Кулишова А. Ю., 2022. Проблемы и перспективы электроэнергетики Российской Федерации // Экономика и предпринимательство. № 7(144). С. 103–110. DOI: 10.34925/EIP.2022.144.7.016.Karyakina I. E., Maksimov V. P., Kulishova A. Yu., 2022. Problems and Prospects of the Electric Power Industry of the Russian Federation // Economy and Entrepreneurship. No. 7(144). pp. 103–110. DOI: 10.34925/EIP.2022.144.7.016. (In Russ.)Модернизация энергетической инфраструктуры России: энергосбережение и повышение эффективности на рынке // Деловой профиль. Режим доступа: https://delprof.ru/press-center/open-analytics/modernizaciya-ehnergeticheskojinfrastruktury-rossii/, дата обращения 21.04.2025.Modernization of Russia’s Energy Infrastructure: Energy Saving and Improving Efficiency in the Market [Electronic resource] // Business Profile. Access mode: https://delprof.ru/press-center/open-analytics/modernizaciya-ehnergeticheskojinfrastruktury-rossii/ Date of access: 21.04.2025. (In Russ.)Моргоева А. Д., Моргоев И. Д., Клюев Р. В., Гаврина О. А., 2022. Прогнозирование потребления электрической энергии промышленным предприятием с помощью методов машинного обучения // Известия Томского политехнического университета. Инжиниринг георесурсов. Т. 333. № 7. С. 115–125. DOI: 10.18799/24131830/2022/7/3527.Morgoeva A. D., Morgoev I. D., Klyuev R. V., Gavrina O. A., 2022. Forecasting electric energy consumption by an industrial enterprise using machine learning methods // Bulletin of Tomsk Polytechnic University. Georesources Engineering. Vol. 333. No. 7. pp. 115–125. DOI: 10.18799/24131830/2022/7/3527. (In Russ.)Некрасов С. А., 2022. Рост электропотребления российских регионов как фактор их социально-экономического развития // Экономика региона. Т. 18. № 2. С. 509–527. DOI: 10.17059/ekon.reg.2022-2-15.Nekrasov S. A., 2022. Growth of Electricity Consumption in Russian Regions as a Factor in Their Socioeconomic Development // Regional Economy. Vol. 18. No. 2. pp. 509–527. DOI: 10.17059/ekon.reg.2022-2-15. (In Russ.)Носков С. И., Попов Е. С., Середкин С. П., 2023. Вариантное регрессионное моделирование производства электроэнергии в Российской Федерации // Вестник Дагестанского государственного технического университета. Технические науки. Т. 50. № 1. С. 123–129. DOI: 10.21822/2073-6185-2023-50-1-123-129.Noskov S. I., Popov E. S., Seredkin S. P., 2023. Variant Regression Modeling of Electricity Production in the Russian Federation // Bulletin of the Dagestan State Technical University. Technical Sciences. Vol. 50. No. 1. pp. 123–129. DOI: 10.21822/2073-6185-2023-50-1-123-129. (In Russ.)Садов С. Л., 2022. Сравнительная оценка неопределенности информации в прогнозных моделях отраслей энергетики // Корпоративное управление и инновационное развитие экономики Севера: Вестник Научно-исследовательского центра корпоративного права, управления и венчурного инвестирования Сыктывкарского государственного университета. Т. 2. № 4. С. 438–446. DOI: 10.34130/2070-4992-2022-2-4-438.Sadov S. L., 2022. Comparative assessment of information uncertainty in forecast models of energy industries // Corporate governance and innovative development of the Northern economy: Bulletin of the Research Center for Corporate Law, Management and Venture Investment of Syktyvkar State University. Vol. 2. No. 4. Pp. 438-446. DOI: 10.34130/2070-4992-2022-2-4-438. (In Russ.)Сурков А. А. Построение объединенного прогноза в R// РИСК: Ресурсы, Информация, Снабжение, Конкуренция. 2022. № 3. С. 116–122. DOI: 10.56584/1560-8816-2022-3-116-122.Surkov A. A. “Building a Combined Forecast in R// RISK: Resources, Information, Supply, Competition.” 2022, No. 3, pp. 116–122. DOI: 10.56584/1560-8816-2022-3-116-122. (In Russ.)Федеральная служба государственной статистики. Промышленное производство. // https://rosstat.gov.ru/enterprise_industrial, дата обращения 01.05.2025.Federal State Statistics Service. Industrial Production. // https://rosstat.gov.ru/enterprise_industrial, accessed 01.05.2025. (In Russ.)Хомутов С. О., Серебряков Н. А., 2023. Нейросетевой алгоритм краткосрочного прогнозирования электропотребления сельхозпроизводителей // Вестник Алтайского государственного аграрного университета. № 12(230). С. 95–99. DOI: 10.53083/1996-4277-2023-230-12-95-99.Khomutov S. O., Serebryakov N. A., 2023. “A Neural Network Algorithm for ShortTerm Forecasting of Agricultural Producers’ Electricity Consumption.” Bulletin of the Altai State Agrarian University. No. 12(230). pp. 95–99. DOI: 10.53083/1996-4277-2023-230-12-95-99. (In Russ.)Aguirre Rodríguez E. Ya., Rodríguez Gamboa A. A., Aguirre Rodríguez E. C. [et al.], 2022. Comparison of adaptive neuro-fuzzy inference system (ANFIS) and machine learning algorithms for electricity production forecasting // IEEE Latin America Transactions. Vol. 20. № 10. С. 2288–2294. DOI: 10.1109/tla.2022.9885166.Aguirre Rodríguez E. Ya., Rodríguez Gamboa A. A., Aguirre Rodríguez E. C. [et al.], 2022. Comparison of adaptive neuro-fuzzy inference system (ANFIS) and machine learning algorithms for electricity production forecasting // IEEE Latin America Transactions. Vol. 20. № 10. С. 2288–2294. DOI: 10.1109/tla.2022.9885166.Akbal Y., Ünlü K.D., 2022. A univariate time series methodology based on sequenceto-sequence learning for short to midterm wind power production // Renewable Energy. Vol. 200. P. 832–844. DOI: 10.1016/j.renene.2022.10.055Akbal Y., Ünlü K.D., 2022. A univariate time series methodology based on sequenceto-sequence learning for short to midterm wind power production // Renewable Energy. Vol. 200. P. 832–844. DOI: 10.1016/j.renene.2022.10.055Bilgili M., Pinar E., 2023. Gross electricity consumption forecasting using LSTM and SARIMA approaches: A case study of Türkiye // Energy. Vol. 284. P. 128575. DOI: 10.1016/j.energy.2023.128575Bilgili M., Pinar E., 2023. Gross electricity consumption forecasting using LSTM and SARIMA approaches: A case study of Türkiye // Energy. Vol. 284. P. 128575. DOI: 10.1016/j.energy.2023.128575Gellert A., Fiore U., Florea A. [et al.], 2022. Forecasting Electricity Consumption and Production in Smart Homes through Statistical Methods // Sustainable Cities and Society. Vol. 76. P. 103426. DOI: 10.1016/j.scs.2021.103426.Gellert A., Fiore U., Florea A. [et al.], 2022. Forecasting Electricity Consumption and Production in Smart Homes through Statistical Methods // Sustainable Cities and Society. Vol. 76. P. 103426. DOI: 10.1016/j.scs.2021.103426.Gulay E., Sen M., Akgun O. B., 2024. Forecasting electricity production from various energy sources in Türkiye: A predictive analysis of time series, deep learning, and hybrid models // Energy. Vol. 286. P. 129566. DOI: 10.1016/j.energy.2023.129566Gulay E., Sen M., Akgun O. B., 2024. Forecasting electricity production from various energy sources in Türkiye: A predictive analysis of time series, deep learning, and hybrid models // Energy. Vol. 286. P. 129566. DOI: 10.1016/j.energy.2023.129566Klyuev R. V., Morgoeva A. D., Morgoev I. D. [et al.], 2022. Methods of Forecasting Electric Energy Consumption: A Literature Review // Energies. Vol. 15. No. 23. P. 8919. DOI: 10.3390/en15238919.Klyuev R. V., Morgoeva A. D., Morgoev I. D. [et al.], 2022. Methods of Forecasting Electric Energy Consumption: A Literature Review // Energies. Vol. 15. No. 23. P. 8919. DOI: 10.3390/en15238919.Lee M., Ser Ye., Selvachandran G. [et al.], 2022. A Comparative Study of Forecasting Electricity Consumption Using Machine Learning Models // Mathematics. Vol. 10, No. 8. P. 1329. DOI: 10.3390/math10081329.Lee M., Ser Ye., Selvachandran G. [et al.], 2022. A Comparative Study of Forecasting Electricity Consumption Using Machine Learning Models // Mathematics. Vol. 10, No. 8. P. 1329. DOI: 10.3390/math10081329.Ozbek A., Yildirim A., Bilgili M., 2021. Deep learning approach for one-hour ahead forecasting of energy production in a solar-PV plant // Energy Sources, Part A: Recovery, Utilization, and Environmental Effects. Vol. 44 No. 4. P. 10 465–10 480. DOI: 10.1080/15567036.2021.1924316Ozbek A., Yildirim A., Bilgili M., 2021. Deep learning approach for one-hour ahead forecasting of energy production in a solar-PV plant // Energy Sources, Part A: Recovery, Utilization, and Environmental Effects. Vol. 44 No. 4. P. 10 465–10 480. DOI: 10.1080/15567036.2021.1924316Popławski T., Dudzik S., Szeląg P., 2023. Forecasting of Energy Balance in Prosumer Micro-Installations Using Machine Learning Models// Energies. Vol. 16. No. 18. P. 6726. DOI: 10.3390/en16186726.Popławski T., Dudzik S., Szeląg P., 2023. Forecasting of Energy Balance in Prosumer Micro-Installations Using Machine Learning Models// Energies. Vol. 16. No. 18. P. 6726. DOI: 10.3390/en16186726.Solyali D. A., 2020. Comparative Analysis of Machine Learning Approaches for Short-/Long-Term Electricity Load Forecasting in Cyprus // Sustainability. Vol. 12. No. 9. P. 3612. DOI 10.3390/su12093612.Solyali D. A., 2020. Comparative Analysis of Machine Learning Approaches for Short-/Long-Term Electricity Load Forecasting in Cyprus // Sustainability. Vol. 12. No. 9. P. 3612. DOI 10.3390/su12093612.Yörük G., Bac U., Yerlikaya-Özkurt F., Ünlü K. D., 2023. Strategic Electricity Production Planning of Turkey via Mixed Integer Programming Based on Time Series Forecasting // Mathematics. Vol. 11. No. 8. P. 1865. DOI: 10.3390/math11081865.Yörük G., Bac U., Yerlikaya-Özkurt F., Ünlü K. D., 2023. Strategic Electricity Production Planning of Turkey via Mixed Integer Programming Based on Time Series Forecasting // Mathematics. Vol. 11. No. 8. P. 1865. DOI: 10.3390/math11081865.

The authors declare that there are no conflicts of interest present.