ПРОИЗВОДСТВО ЭЛЕКТРОЭНЕРГИИ В РОССИИ: АНАЛИЗ ДИНАМИКИ И ПРОГНОЗЫ

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.

1. Алюнов 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.

2. 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.

3. 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.

4. 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.

5. Владимиров С. С., 2022. Анализ проблем электроэнергетической отрасли и стратегические пути их решения // Конкурентоспособность в глобальном мире: экономика, наука, технологии. № 9. С. 24–26.

6. 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.

7. 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.

8. 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.

9. 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.

10. Затонский А. В., Тугашова Л. Г., 2021. Выбор модели прогнозирования отпуска тепловой энергии // Теплоэнергетика. № 3. С. 89–98. DOI: 10.1134/S0040363621020090.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.

17. 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.

18. 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.

19. Федеральная служба государственной статистики. Промышленное производство. // https://rosstat.gov.ru/enterprise_industrial, дата обращения 01.05.2025.

20. 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.

21. 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.

22. 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.2022.10.055

23. Bilgili 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.2023.128575

24. 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.

25. 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.2023.129566

26. 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.

27. 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.

28. 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: 10.1080/15567036.2021.1924316

29. 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.

30. 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.

31. 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.