Модели и алгоритмы прогнозирования электропотребления субъекта оптового рынка электроэнергии с использованием машинного обучения деревьев решений тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Блохин Александр Владимирович

• Блохин Александр Владимирович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Блохин Александр Владимирович

ВВЕДЕНИЕ

1 ПРОГНОЗИРОВАНИЕ В СИСТЕМАХ ЭНЕРГЕТИЧЕСКОЙ ОТРАСЛИ

1.1 Оптовый рынок электроэнергии и мощности: история, структура

и перспективы развития

1.2 Необходимость построения прогнозов потребления электроэнергии

1.3 Обзор классических методов прогнозирования

1.4 Обзор методов прогнозирования с использованием инструментов искусственного интеллекта

1.5 Использование методов предварительной обработки данных

1.6 Выводы по главе

2 РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ РЕСУРСОСНАБЖАЮЩЕГО ПРЕДПРИЯТИЯ

2.1 Формирование массива ретроспективных данных о потребляемой электрической мощности на предприятии

2.2 Исследование влияния временных и метеофакторов на потребляемую предприятием электрическую энергию

2.3 Предварительная обработка ретроспективных данных для формирования обучающей выборки для модели прогнозирования

2.4 Разработка модели обнаружения нештатных состояний оборудования

на предприятии, основанной на машинном обучении деревьев решений

2.5 Оценка значимости признаков обучающей выборки

2.6 Разработка методики формирования обучающей выборки для модели краткосрочного прогнозирования

2.7 Разработка модели краткосрочного прогнозирования электропотребления, основанной на машинном обучении деревьев решений

2.8 Выводы по главе

3 РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

3.1 Проектирование и разработка архитектуры системы краткосрочного

прогнозирования электропотребления

3.2 Верификация системы краткосрочного прогнозирования электропотребления ресурсоснабжающего предприятия

3.3 Оценка экономического эффекта от внедрения разработанной модели краткосрочного прогнозирования электропотребления на предприятии

3.4 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. АКТЫ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ

ПРИЛОЖЕНИЕ Б. СВИДЕТЕЛЬСТВА О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ ПРОГРАММ ДЛЯ ЭВМ

Введение диссертации (часть автореферата) на тему «Модели и алгоритмы прогнозирования электропотребления субъекта оптового рынка электроэнергии с использованием машинного обучения деревьев решений»

ВВЕДЕНИЕ

Актуальность темы исследования. Энергетическая отрасль играет ключевую роль в развитии экономики и обеспечивает функционирование всех сфер жизнедеятельности общества. В современных условиях, когда увеличивается доля возобновляемых источников энергии, характеризующихся высокой нестабильностью производства, и растут требования к точности баланса между генерацией и потреблением, внедрение современных подходов к прогнозированию электропотребления становится критически важным.

Одной из ключевых проблем является повышение точности прогнозов в условиях изменчивости внешних факторов. Традиционные методы, такие как статистические и физические модели, показывают ограниченные результаты при высокой динамике процессов. Интеграция технологий искусственного интеллекта позволяет учитывать сложные нелинейные зависимости и многомерность данных, что открывает новые перспективы для повышения эффективности энергосистем.

Ресурсоснабжающие предприятия, функционирующие на оптовом рынке электроэнергии, сталкиваются с необходимостью минимизации экономических потерь, возникающих из-за ошибок прогнозирования. Нестабильность потребления и генерации приводит к увеличению затрат на балансировку сети, что негативно сказывается на общей экономической эффективности. Использование адаптивных моделей, основанных на машинном обучении, позволяет не только повышать точность прогнозов, но и своевременно выявлять аномальные состояния оборудования, что в итоге способствует повышению надёжности электроснабжения.

Научная и практическая значимость темы исследования определяется растущей потребностью в решениях, способных адаптироваться к изменяющимся условиям. Разработка методики, интегрирующей производственные данные с традиционными статистическими подходами, а также создание алгоритмов, выявляющих нештатные состояния оборудования, представляют собой важный шаг на пути к более устойчивой и экономически эффективной энергетической

системе.

Данное исследование направлено на разработку прогностических моделей, основанных на ансамбле деревьев решений, с учётом специфики ресурсоснабжающих предприятий. Полученные результаты могут быть применены как в энергетическом секторе, так и в смежных областях, где прогнозирование потребления играет ключевую роль.

Состояние вопроса. На протяжении последних десятилетий вопрос прогнозирования электропотребления находится в центре внимания научного сообщества и индустрии. Постоянное увеличение доли возобновляемых источников энергии, а также рост сложности энергосистем подталкивают к разработке новых методов и подходов, которые способны учитывать как детерминированные, так и стохастические факторы.

Статистические и физические модели, как методы прогнозирования, долгое время служили основой для анализа потребления электроэнергии. Статистические методы, включая линейную регрессию, модели ARIMA и экспоненциальное сглаживание, демонстрируют высокую эффективность в условиях стационарности процессов. Однако они ограничены в способности учитывать динамичные и нелинейные зависимости, характерные для современных энергосистем.

Физические модели предоставляют детерминированные результаты, основываясь на законах физики и учёте факторов окружающей среды. Они нашли своё применение в краткосрочном прогнозировании, особенно в системах с высокой зависимостью от погодных условий. Основное ограничение таких моделей - сложность адаптации к изменениям производственных процессов и структуры энергосистемы.

Интеграция искусственного интеллекта (ИИ) открывает новые возможности для прогнозирования. Нейронные сети, алгоритмы ансамблевых методов, такие как XGBoost и Random Forest, а также глубокое обучение позволяют учитывать большое количество факторов и адаптироваться к изменениям входных данных. Эти методы демонстрируют высокую точность при прогнозировании электропотребления как на краткосрочных, так и на среднесрочных интервалах.

Гибридные модели, как объединяющие преимущества традиционных подходов и технологий ИИ привлекают к себе особое внимание. Такие модели позволяют учесть широкий спектр факторов, включая метеорологические данные, внутренние параметры энергосистем и исторические временные ряды потребления.

В Российской Федерации значительные успехи в области разработки прогностических моделей достигнуты рядом ведущих научных организаций. Среди них можно выделить:

- Институт систем энергетики имени Л.А. Мелентьева СО РАН, который активно занимается моделированием энергосистем и разработкой методов прогнозирования потребления в условиях интеграции возобновляемых источников энергии;

- Российский энергетический институт имени Г.М. Кржижановского, который фокусируется на создании гибридных моделей прогнозирования для промышленных предприятий;

- акционерное общество «Научно-технический центр Единой энергетической системы», занимающееся разработкой инновационных решений для анализа и прогнозирования электропотребления. В центре внимания - методы обработки больших данных и интеграция машинного обучения в системы управления энергосетями;

- Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, который проводит исследования в области адаптивного управления электропотреблением. Основное внимание уделяется разработке гибридных моделей, объединяющих подходы физического моделирования и алгоритмы машинного обучения;

- Казанский государственный энергетический университет, специализирующийся на оптимизации прогнозирования для промышленного сектора. Учёные института активно работают над задачами повышения точности прогнозов на основе временных рядов и анализа корреляций данных;

- Институт энергетических исследований РАН, вектор направления которых - стратегическое прогнозирование энергосистем с учётом влияния климатических

и социально-экономических факторов. Разрабатываются сценарные подходы для долгосрочного планирования;

- Энергетический институт Санкт-Петербургского политехнического университета Петра Великого, занимающийся исследованиями в области интеграции возобновляемых источников энергии в единую энергосистему. Особое внимание уделяется разработке методов прогнозирования для региональных сетей с высокой долей возобновляемых источников энергии.

Рассмотрению вопросов моделирования и прогнозирования процессов в системах электроснабжения посвящены основополагающие работы российских учёных: В.А. Костюковича, О.В. Кивчуна, Е.И. Мартынова, Б.И. Макоклюева, И.И. Надтоки, В.И. Гнатюка и Р.В. Манусова. Эти исследователи заложили фундамент для разработки современных подходов к анализу временных рядов, выявлению нелинейных зависимостей и учёту стохастических факторов.

Вопросы применения инструментов машинного обучения для прогнозирования электроэнергии рассмотрены в последних работах таких российских учёных, как:

- П.В. Матрёнин, исследующий применение ансамблевых методов для прогнозирования на основе временных рядов;

- Р.В. Клюев, изучающий использование гибридных моделей машинного обучения для анализа энергосистем с высоким уровнем нестабильности;

- А.В. Серебряков, разрабатывающий методы обработки больших данных и их применения для прогнозирования в энергосистемах;

- С.О. Хомутов, специализирующийся на разработке алгоритмов глубокого обучения для анализа стохастических факторов электропотребления.

Среди зарубежных исследователей можно отметить:

- T. Chen, автора алгоритма XGBoost, который активно используется для прогнозирования в энергосистемах;

- J.F. Torres, разрабатывающего методы глубокого обучения для анализа временных рядов с высоким уровнем нестабильности;

- I.K. Nti, исследующего использование ансамблевых моделей для

долгосрочного прогнозирования электропотребления;

- G. Sharma, изучающего подходы к интеграции IoT-данных и машинного обучения для повышения точности прогнозов;

- L. Wang, внедряющего гибридные методы машинного обучения и физического моделирования для анализа возобновляемых источников энергии.

Несмотря на успехи в исследуемой области, существует ряд нерешённых задач. Среди них - ограниченная интерпретируемость адаптивных моделей, высокая вычислительная сложность и недостаточная интеграция с существующими системами управления энергосистемами. Кроме того, важным аспектом остаётся необходимость своевременного выявления аномальных состояний оборудования, что требует разработки специализированных алгоритмов анализа временных рядов.

Разработка и новой модели, интегрирующей современные подходы машинного обучения с традиционными методиками, позволяет учитывать влияние как внутренних параметров энергосистем, так и внешних факторов. Это делает представленное исследование актуальным и полезным для дальнейшего развития отрасли и повышения надёжности электроснабжения.

Целью диссертационной работы является повышение эффективности планирования объёмов потребления электрической энергии ресурсоснабжающего предприятия путём увеличения точности прогнозирования электропотребления.

Для достижения указанной цели в работе поставлены и решены следующие задачи:

1. Провести анализ проблем цифровизации и автоматизации в электроэнергетических системах и применения методов машинного обучения для прогнозирования электропотребления.

2. Разработать методику и алгоритм анализа данных, позволяющие определить структуру обучающей выборки, используемой для прогнозирования электропотребления, на основе оценки значимости параметров для модели краткосрочного прогноза.

3. Разработать модель и алгоритм обнаружения нештатных состояний оборудования предприятия, позволяющие оперативно выявлять и динамические производственные признаки.

4. Разработать модель и алгоритм на основе ансамбля деревьев решений, обеспечивающие повышение точности краткосрочного прогноза в сравнении с традиционными методами прогнозирования при планировании объёмов электропотребления субъектами ОРЭМ.

5. Создать программный комплекс системы прогнозирования для поддержки принятия решений при планировании объёмов электропотребления, а также провести экспериментальные исследования для оценки точности прогнозов, полученных с использованием предлагаемых моделей и алгоритмов. Оценить экономическую эффективность внедрения программного комплекса по результатам его использования на ресурсоснабжающем предприятии.

Научная новизна. В процессе исследований получены следующие новые научные результаты:

1. Разработана методика формирования обучающей выборки для модели краткосрочного прогнозирования, отличающаяся от известных оценкой значимости входных признаков с учётом частоты их применения в модели прогнозирования электропотребления.

2. Разработаны модель и алгоритм обнаружения нештатных состояний в работе производственного оборудования с использованием машинного обучения деревьев решений, отличающиеся от известных использованием эмпирически полученных правил выявления аномалий, что повысило точность прогноза объёмов электропотребления.

3. Разработаны модель и алгоритм краткосрочного прогнозирования электропотребления, отличительной особенностью которых является использование обучающей выборки, сформированной с учётом динамически изменяющихся производственных характеристик оборудования. Предлагаемая модель машинного обучения деревьев решений позволяет повысить эффективность принятия решений при планировании объёмов

электропотребления.

Практическая значимость работы заключается в разработке:

- модели обнаружения нештатных состояний в работе оборудования предприятия на основе методов машинного обучения, позволяющей повысить точность прогноза в условиях постоянных изменений в профиле электропотребления предприятия;

- модели прогнозирования электропотребления, основанной на ансамбле деревьев решений, позволяющей повысить точность прогноза за счёт использования динамических производственных признаков;

- программного комплекса системы прогнозирования, позволяющего автоматизировать процесс агрегирования и обработки исходных данных, с использованием методики формирования обучающей выборки, модели обнаружения нештатных ситуаций в работе оборудования предприятия, а также формировать почасовой прогноз объёмов электропотребления.

Внедрение результатов исследований. Разработанная модель краткосрочного прогнозирования на основе деревьев решений внедрена в производственный процесс ресурсоснабжающего предприятия АО «ОмскВодоканал». Прогнозы, полученные в результате работы модели, используются предприятием при планировании объёмов электропотребления для формирования заявок на покупку электроэнергии на ОРЭМ. Модель краткосрочного прогнозирования электропотребления используется в качестве вспомогательного средства наряду с прогнозом эксперта.

Результаты исследований также были интегрированы в учебный процесс на кафедре «Информатика и вычислительная техника» Омского государственного технического университета. На их основе разработаны учебные материалы для проведения лабораторных работ, позволяющие студентам изучать современные подходы к прогнозированию и диагностике в энергетических системах.

Основные результаты, полученные автором и выносимые на защиту:

1. Методика формирования обучающей выборки для модели краткосрочного прогнозирования, отличающаяся от известных оценкой значимости входных

признаков с учётом частоты их применения в модели прогнозирования электропотребления.

2. Модель и алгоритм обнаружения нештатных состояний в работе производственного оборудования с использованием машинного обучения деревьев решений, отличающиеся от известных использованием эмпирически полученных правил выявления аномалий, что повысило точность прогноза объёмов электропотребления.

3. Модель и алгоритм краткосрочного прогнозирования электропотребления, отличительной особенностью которых является использование обучающей выборки, сформированной с учётом динамически изменяющихся производственных характеристик оборудования. Предлагаемая модель машинного обучения деревьев решений позволяет повысить эффективность принятия решений при планировании объёмов электропотребления.

Объектом исследования является процесс электропотребления ресурсоснабжающего предприятия - субъекта оптового рынка электроэнергии и мощности Российской Федерации.

Предметом исследования являются математические модели, методы и алгоритмы машинного обучения предназначенные для прогнозирования электропотребления электроэнергетическими системами.

Методология исследования базируется на основах системного анализа; математической статистике; технологиях искусственного интеллекта, включающих в себя машинное обучение ансамблей деревьев решений и методы анализа временных рядов.

Основная идея работы заключается в разработке адаптивных моделей прогнозирования электропотребления и оценке состояния оборудования на основе алгоритмов машинного обучения и анализа временных рядов. Разработанные модели позволят увеличить эффективность планирования объёмов электроэнергии за счёт учёта нелинейных зависимостей и стохастических факторов, влияющих на профиль электропотребления предприятия, оптимизации гиперпараметров модели,

а также формирования обучающей выборки с использованием оценки значимости входных параметров для модели прогнозирования.

Соответствие паспорту специальности. Диссертация соответствует областям исследований: п. 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта», п. 5 «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта», п. 11 «Методы и алгоритмы прогнозирования и оценки эффективности, качества, надёжности функционирования сложных систем управления и их элементов».

Достоверность полученных результатов. Обоснованность и достоверность теоретических результатов, положений и выводов в диссертационной работе базируются на использовании апробированных научных положений и методов исследования, таких как методы статистического анализа временных рядов, методы оценки значимости признаков, градиентные методы оптимизации, а также на корректном применении математического аппарата, согласованности новых результатов с известными теоретическими положениями. Обоснованность и достоверность прикладных результатов диссертации подтверждаются проведением верификации предложенных моделей и алгоритмов путём расчета ошибок и тестирования на ретроспективных данных для оценки их точности, а также результатами апробации и внедрения при проектировании программного комплекса системы краткосрочного прогнозирования объёмов электропотребления.

Апробация результатов исследования. Результаты работы отражались в научных докладах, которые представлялись на III Международной научно-технической конференции «Проблемы машиноведения» - III International scientific and technical conference «Mechanical Science and Technology Update» (г. Омск, 2019, 2020); XII Международной молодежной научно-практической конференции с элементами научной школы «Прикладная математика и фундаментальная

информатика» (г. Омск, 2022); IX Всероссийской молодежной научно-технической конференции «Информационные технологии в науке и производстве» (г. Омск, 2022); LIII Всероссийской научно-практической конференции с международным участием (с элементами научной школы для молодёжи) «Фёдоровские чтения -2023» (г. Москва, 2023).

Публикации по теме исследования. По теме диссертации опубликовано 18 научных работ, в том числе 6 статей в рецензируемых научных изданиях, рекомендованных ВАК при Минобрнауки России; одна статья в издании, индексируемом в международной базе данных Scopus; одна статья в издании, индексируемом в международной базе данных Web of Science; 6 свидетельств о государственной регистрации программ для ЭВМ.

Личный вклад автора. Решение задач диссертации, разработанные методика, модели и алгоритмы, их программная реализация, экспериментальные и теоретические результаты, представленные в работе и выносимые на защиту, принадлежат лично автору.

Структура и объем диссертации. Диссертация состоит из введения, трёх глав, заключения, списка литературы из 130 наименований и двух приложений. Общий объём работы: 155 страниц, в том числе 114 страниц основного текста, включая 40 рисунков и 10 таблиц.

Автор выражает благодарность главному инженеру АО «ОмскВодоканал»

Д.А. Хохлову, сотрудникам отдела главного энергетика ЭМС ТД АО «ОмскВодоканал»: главному энергетику М.Б. Иванову, начальнику отдела главного энергетика Ю.А. Бугровой, инженеру 2-й категории отдела главного энергетика К.Ю. Ермаковой - за помощь при разработке и внедрении программного комплекса системы краткосрочного прогнозирования в деятельность АО «ОмскВодоканал».

Автор благодарит научного руководителя, кандидата технических наук, доцента А.С. Грицая за помощь при проведении исследований и подготовке диссертационной работы.

1 ПРОГНОЗИРОВАНИЕ В СИСТЕМАХ ЭНЕРГЕТИЧЕСКОЙ

ОТРАСЛИ

1.1 Оптовый рынок электроэнергии и мощности: история, структура

и перспективы развития

Оптовый рынок электроэнергии и мощности (ОРЭМ) представляет собой основу функционирования электроэнергетической системы Российской Федерации. Его задачи - обеспечение баланса спроса и предложения, формирование прозрачных ценовых механизмов и поддержание надёжности электроснабжения. Эти цели достигаются через использование рыночных механизмов, регулируемых Федеральным законом «Об электроэнергетике» и подзаконными актами [1, 2].

ОРЭМ охватывает всех ключевых участников электроэнергетического рынка: производителей электроэнергии, электросбытовые организации, системных операторов и крупных потребителей. Структура и правила работы ОРЭМ позволяют участникам рынка оптимизировать свои операционные процессы и взаимодействовать на конкурентной основе. Однако функционирование ОРЭМ связано с рядом вызовов, включая необходимость интеграции возобновляемых источников энергии (ВИЭ) и управление ценовой волатильностью.

Реформирование электроэнергетического сектора в России началось в начале 2000-х годов и имело целью создание конкурентной среды, способствующей привлечению инвестиций и модернизации инфраструктуры. Это включало разделение вертикально интегрированных компаний, создание новых рынков электроэнергии, таких как рынок «на сутки вперед» и балансирующий рынок, а также формирование институциональной базы для обеспечения прозрачности сделок.

Введение ОРЭМ стало значительным шагом к построению эффективной и гибкой системы управления энергоресурсами. Несмотря на достигнутые успехи, текущие вызовы, такие как высокая волатильность цен, дефицит генерирующих

мощностей и необходимость цифровизации процессов, продолжают стимулировать развитие и совершенствование рынка.

История формирования ОРЭМ

История формирования ОРЭМ берёт своё начало в конце 1990-х годов, когда были заложены основы реформирования электроэнергетической отрасли. До реформы электроэнергетический сектор функционировал в условиях централизованного планирования, где цена на электроэнергию определялась административными методами, а производственные мощности управлялись вертикально интегрированными структурами.

Первый этап реформирования включал разработку концептуальных основ перехода к рыночным отношениям. В 2001 году был принят Федеральный закон «Об электроэнергетике», который заложил правовые основы для создания ОРЭМ [3]. Основной задачей реформ стало обеспечение конкуренции через разделение вертикально интегрированных компаний на отдельные сегменты: генерацию, передачу и сбыт электроэнергии.

Второй этап, охватывающий период 2002-2005 годов, включал создание рыночных механизмов. Были сформированы такие сегменты, как:

- рынок «на сутки вперед» (РСВ), где торговля электроэнергией осуществляется за день до её поставки;

- балансирующий рынок (БР), предназначенный для корректировки отклонений между плановым и фактическим потреблением [4];

- рынок мощности, обеспечивающий долгосрочное планирование поставок и резервирование мощностей для пиковых нагрузок [5].

На третьем этапе, начавшемся в 2006 году, ключевым достижением стало создание независимых операторов: НП «Совет рынка», ответственного за организацию торгов, и АО «Системный оператор ЕЭС», обеспечивавшего управление энергосистемой в реальном времени. Эти организации внесли значительный вклад в повышение прозрачности сделок и надёжности электроснабжения [6].

Параллельно с институциональными изменениями проводилась модернизация инфраструктуры: обновление генерирующего оборудования, строительство новых электростанций и создание современных систем управления. На рисунке 1.1 представлена структура участников ОРЭМ после завершения основных этапов реформ.

Рисунок 1.1 - Структура рынка ОРЭМ

В ходе реформирования были внедрены принципы свободного ценообразования на конкурентных сегментах рынка. Это позволило повысить экономическую эффективность отрасли, но также создало новые вызовы, связанные с ценовой волатильностью и доступностью энергетических ресурсов.

На сегодняшний день ОРЭМ продолжает развиваться, реагируя на изменения в экономических, технологических и экологических условиях. Эволюция рынка показывает важность сочетания рыночных механизмов с государственным регулированием для обеспечения устойчивого роста и надежного электроснабжения.

Основные механизмы работы ОРЭМ

Основные механизмы работы ОРЭМ включают в себя три ключевых сегмента, которые обеспечивают баланс спроса и предложения, стабильность энергосистемы и её долговременную надёжность.

1. Рынок «на сутки вперёд» (РСВ)

Основной сегмент, где торги электроэнергией осуществляются за день до её фактической поставки. Участники рынка подают заявки, включающие объёмы поставки и желаемую цену. Цены формируются на основе равновесия спроса и предложения, что позволяет учитывать текущую ситуацию на рынке и распределять электроэнергию оптимальным образом. РСВ является важным инструментом для учёта сезонных и суточных колебаний потребления [7].

2. Балансирующий рынок

Основная задача балансирующего рынка - устранение отклонений между запланированными и фактическими объёмами производства и потребления электроэнергии. Эти отклонения могут быть вызваны непредвиденными изменениями погодных условий, отказами оборудования или ошибками в прогнозировании. Участники балансирующего рынка получают ценовые сигналы для коррекции своих заявок. Стоимость отклонений зависит от их влияния на общую стабильность энергосистемы [8]. Балансирующий рынок также служит инструментом для поддержания частотных характеристик сети, что критически важно для её надёжной работы.

Список литературы диссертационного исследования кандидат наук Блохин Александр Владимирович, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Об электроэнергетике : Федер. закон от 26 марта 2003 г. № 35-Ф3 : [принят Государственной Думой 21 февр. 2023 г. : одобрен Советом Федерации 12 марта 2003 г.]. - URL: https://www.consultant.ru/document/cons_doc_LAW_41502/ (дата обращения: 08.01.2025).

2. Об утверждении Правил оптового рынка электрической энергии и мощности и о внесении изменений в некоторые акты Правительства Российской Федерации по вопросам организации функционирования оптового рынка электрической энергии и мощности (с изм. и доп.) : постановление Правительства Российской Федерации № 1172 от 27 дек. 2010 г. - URL: https://base.garant.ru/12184415/ (дата обращения: 08.01.2025).

3. Орлова, Ю. А. Оптовый рынок электроэнергии и мощности: возрождение регулирования? / Ю. А. Орлова // ЭКО. - 2019. - № 4. - С. 113-131.

4. Федчишин, В. В. Новый оптовый рынок электроэнергии и мощности: реформирование, структура и целевая модель / В. В. Федчихин, А. Н. Кудряшов, А. В. Чалбышев // Вестник Иркутского государственного технического университета. - 2010. - № 5 (45). - С. 266-272.

5. Малинина, Т. В. Основные направления развития оптового рынка электрической энергии и мощности в России / Т. В. Малинина, И. А. Королев // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. - 2009. - № 3 (79). - С. 8491.

6. Бахтеева, Н. З. Конкурентный оптовый рынок электроэнергии и мощности: состояние и новые вызовы / Н. З. Бахтеева, Л. А. Галимзянов, З. В. Шацких // Проблемы энергетики. - 2016. - № 5-6. - С. 70-78.

7. Ященко, А. В. Оптовый рынок электроэнергии и мощности как результат реформирования РАО ЕЭС (на примере Алтайского края) / А. В. Ященко // Экономика. Профессия. Бизнес. - 2021. - № 4. - С. 118-125.

8. Данилова, Е. В. Реформирование российской электроэнергетики

(предпосылки и суть реформы) / Е. В. Данилова // Вестник Томского государственного университета. - 2009. - № 324. - С. 274-277.

9. Рынок мощности: обеспечение долговременной готовности генерирующих мощностей к работе в условиях пиковых нагрузок. - URL: https://encost.com/publikacii/rynok-moshhnosti/ (дата обращения: 11.01.2025).

10. Федорова, Е. А. Влияние внешних и внутренних факторов и их волатильности на ценообразование на рынке электроэнергии РФ / Е. А. Федорова, К. И. Шеина, Д. О. Афанасьев // Финансовый менеджмент. - 2014. - № 5. - С. 3744. - URL: https://dis.ru/library/707/36216/ (дата обращения: 11.01.2025).

11. Мухамметниязов, А. Интеграция возобновляемых источников энергии в существующие сети: вызовы и возможности для линий электропередач в контексте перехода на устойчивую энергетику / А. Мухамметниязов, М. Атамырадова, Г. Атаева // Вестник науки. - 2024. - Т. 2, № 10 (79). - С. 819-821.

12. Калмацкий, М. Россия наряду с традиционной генерацией активно развивает возобновляемые источники энергии / М. Калмацкий. Киловатт становится чище // Российская газета. - 2023. - 22 дек. - URL: https://rg.ru/2023/12/22/kilovatt-stanovitsia-chishche.html (дата обращения: 11.01.2025).

13. Массель, А. Г. Методы и подходы к обеспечению кибербезопасности объектов цифровой энергетики / А. Г. Массель, Д. А. Гаськова // Энергетическая политика. - 2018. - Вып. 5. - С. 62-72.

14. Грабчак, Е. П. Цифровизация в электроэнергетике: к чему должна прийти отрасль? / Е. П. Грабчак // Энергетическая политика. - 2020. - № 1 (143). - С. 1621.

15. Трухин, А. Как сгенерировать инвестиционные мощности / А. Трухин // Neftegaz.RU. - 2013. - № 1-2. - С. 16-19.

16. Нейросети спрогнозируют выработку ВИЕ-генерации // Системный оператор Единой энергетической системы. - URL: https://www.so-ups.ru/news/press/press-view/news/23304/ (дата обращения: 11.01.2025).

17. Городнишенин, К. В. Энергоэффективность в системах передачи: как

снизить потери и повысить надежность / К. В. Городнишенин, А. А. Грибанов // Вестник науки. - 2024. - Т. 4, № 12 (81). - С. 2167-2171.

18. Перспективы развития возобновляемых источников энергии в России и крупнейшие генерирующие компании // Деловой профиль. - URL: https://delprof.ru/press-center/open-analytics/perspektivy-razvitiya-vozobnovlyaemykh-istochnikov-energii-v-rossii-i-krupneyshie-generiruyushchie-k/ (дата обращения: 11.01.2025).

19. Илюшин, П. В. Интеграция электростанций на основе возобновляемых источников энергии в Единую энергетическую систему России: обзор проблемных вопросов и подходов к их решению / П. В. Илюшин. - DOI: https://doi.org/10.24160/1993-6982-2022-4-98-107 // Вестник МЭИ. - 2022. - № 4. -С. 98-107.

20. Шевцов, О. Обзор перспектив ВИЭ-технологий и других актуальных трендов российской энергетики / О. Шевцов. // Elec.ru. - URL: https://www.elec.ru/publications/alternativnaja-energetika/7962/ (дата обращения: 11.01.2025).

21. Четошников, С. А. Интеграция возобновляемых источников энергии в локальные электрические сети / С. А. Четошников. - URL: https://elar.urfu.rU/bitstream/10995/63837/1/ere_2015_175.pdf (дата обращения: 11.01. 2025).

22. Кулагин, В. А. Прогноз развития энергетики мира и России до 2050 года / В. А. Кулагин, Д. А. Грушевенко, А. А. Галкина. - DOI: 10.17323/2949-5776-20242-1-6-22 // Современная мировая экономика. - 2024. - Т. 2, № 1 (5). - URL: https: //cwej ournal .hse.ru/vkulagin-dgrushevenko-agalkina-1-2024 (дата обращения: 11.01. 2025).

23. Обзор методов прогнозирования генерации энергии / А. С. Котов, Т. М. Сивцев, А. Г. Груздов, Е. Е. Пашковская // Столыпинский вестник. - 2022. - Т. 4, № 9. - С. 4937-4951.

24. Абдугулова, Ж. К. Прогнозирование электрической нагрузки: методы и значимость в энергетической отрасли / Ж. К. Абдугулова, Р. А. Бисенов // Endless

light in science. - 2024. - Т. 4, № 5. - С. 58-61.

25. Технологии прогнозирования энергопотребления в проекте // Energy Systems. - URL: https://energy-systems.ru/main-articles/inzhenernye-sistemy/tehnologii-prognozirovaniya-energopotrebleniya-v-proekte (дата обращения: 11.01.2025).

26. Бушуев, В. Роль возобновляемых источников энергии в снижении выбросов парниковых газов: перспективы и вызовы для Дальнего Востока России / В. Бушуев, Д. Соловьев, Н. Сокотушенко. - DOI: 10.46920/2409-5516_2023_9_98_98 // Энергетическая политика. - 2023. - № 9 (198). - С. 98-111.

27. Надтока, И. И. Развитие теории и методов моделирования и прогнозирования электропотребления на основе данных средств автоматизации учета и телеизмерений : специальность 05.14.02 «Электрические станции и электроэнергетические системы» : дис. ... д-ра техн. наук / И. И. Надтока ; Южно-Рос. гос. техн. ун-т. - Новочеркасск, 1998. - 346 с.

28. Прогнозирование потребления электрической энергии промышленным предприятием с помощью методов машинного обучения / А. Д. Моргоева, И. Д., Моргоев, Р. В. Клюев, О. А. Гаврина. - DOI: 10.18799/24131830/2022/7/3527 // Известия Томского политехнического университета. Инжиниринг георесурсов. -2022. - Т. 333, № 7. - С. 115-125.

29. Ибраева, Р. М. Оценка эффективности и прогнозирование показателей энергосберегающих проектов : специальность 08.00.05 «Экономика и управление народным хозяйством» : дис. ... канд. экон. наук / Р. М. Ибраева. - Уфа, 2002. - 161 с.

30. Себельдин, А. С. Повышение точности краткосрочного прогнозирования энергопотребления с учетом использования математических моделей / А. С. Себельдин // Молодой ученый. - 2023. - № 52 (499). - С. 44-46. - URL: https://moluch.ru/archive/499/109643/ (дата обращения: 11.01.2025).

31. Прогнозирование потребления электроэнергии предприятиями народнохозяйственного комплекса в условиях неполноты информации / И. Д. Моргоев, А. Э. Дзгоев, Р. В. Клюев, А. Д. Моргоева. - DOI: 10.35330/1991-6639-

2022-3-107-9-20 // Известия Кабардино-Балкарского научного центра РАН. - 2022.

- № 3 (107). - С. 9-20.

32. 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. - DOI: 10.18799/24131830/2023/2/4076 // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2023. - Т. 334, № 2. -С. 224-239.

33. Макоклюев, Б. И. Методы и средства анализа и планирования электропотребления энергообъединений и энергосистем : специальность 05.14.02 «Электрические станции и электроэнергетические системы» : дис. ... д-ра техн. наук / Б. И. Макоклюев ; Науч.-исслед. ин-т электроэнергетики. - Москва, 2005. -295 с.

34. Гилев, Д. В. Регрессионный анализ влияния климатических факторов на электропотребление объектов нефтедобычи / Д. В. Гилев, Д. К. Елтышев. - DOI: 10.15593/2224-9397/2020.3.10 // Вестник ПНИПУ. Электротехника, информационные технологии, системы управления. - 2020. - № 35. - С. 152-168.

35. Тарасов, Р. В. К вопросу применения экспертных методов в прогнозировании процессов, оценке уровня качества и принятии управленческих решений / Р. В. Тарасов, Л. В. Макарова, О. Ф. Акжигитова // Современные научные исследования и инновации. - 2014. - № 4 (36), ч. 1. - URL: https://web.snauka.ru/issues/2014/04/33142 (дата обращения: 11.01.2025).

36. Сидельников, Ю. В. Технология экспертного прогнозирования : специальность 05.13.10 «Управление в социальных и экономических системах» : дис. ... д-ра техн. наук / Ю. В. Сидельников. - Моства, 2002. - 469 с.

37. Дзюба, А. П. Графическое исследование показателей энергетической эффективности потребления топливно-энергетических ресурсов странами мира / А. П. Дзюба // Вестник Волгоградского государственного университета. Экономика.

- 2023. - Т. 25, № 3. - С. 148-163.

38. Староверов, Б. А. Повышение точности оперативных прогнозов

потребления электроэнергии с помощью нейронных сетей за счет объединения процессов классификации и аппроксимации суточных профилей / Б. А. Староверов,

B. А. Изотов, М. А. Мормылев // Вестник ИГЭУ. - 2007. - Вып. 4. - С. 1-3.

39. Доманов, В. И. Прогнозирование объемов энергопотребления в зависимости от исходной информации / В. И. Доманов, А. И. Биланова. - DOI: 10.14529/power160208 // Вестник Южно-Уральского государственного университета. Сер. Энергетика. - 2016. - Т. 16, № 2. - С. 59-65.

40. Алексеева, И. Ю. Краткосрочное прогнозирование электропотребления в электроэнергетических системах с использованием искусственных нейронных сетей : специальность 05.14.02 «Электрические станции и электроэнергетические системы» : дис. ... канд. техн. наук / И. Ю. Алексеева. - Самара, 2013. - 176 с.

41. Использование рекуррентных сетей для прогнозирования потребления электроэнергии / С. Л. Подвальный, М. А. Лихотин, А. В. Михайлюсов, А. К. Донских. - DOI: 10.36622/VSTU.2022.18.3.005 // Вестник Воронежского государственного технического университета. - 2022. - Т. 18, № 3. - С. 45-50.

42. Прогнозирование электропотребления с помощью нейронных сетей с LSTM / И. У. Рахмонов, В. Я. Ушаков, Н. Н. Ниезов, Н. Н. Курбонов. - DOI: 10.18799/24131830/2023/12/4407 // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2023. - Т. 334, № 12. - С. 125-133.

43. Применение LSTM нейронной сети для прогнозирования количества вырабатываемой солнечной энергии / П. Ю. Бучацкий, С. В. Онищенко, С. В. Теплоухов, К. А. Кузьмин // XIV Всероссийское совещание по проблемам управления, ВСПУ-2024 (Москва, 17-20 июня 2024 г.) / Институт проблем управления. - Москва, 2024. - С. 3093-3097. - URL: https://vspu2024.ipu.ru/proceedings/3093.pdf (дата обращения: 11.01.2025).

44. Прогнозирование бытовой электрической нагрузки с применением нейронных сетей / Т. И. Чернышова, А. В. Кобелев, С. В. Кочергин, Н. М. Зяблов // Модели, системы, сети в экономике, технике, природе и обществе. - 2017. - № 1. -

C. 181-190.

45. Чуб, В. С. Использование рекуррентных нейронных сетей для анализа

временных рядов и выявления тенденций в данных / В. С. Чуб // Образовательные ресурсы и технологии. - 2024. - № 2 (47). - С. 91-102.

46. Support Vector Machine in Prediction of Building Energy Demand Using Pseudo Dynamic Approach / S. Paudel, P. H. Nguyen, W. L. Kling [et al.] // The 28th International Conference on Efficiency, Cost, Optimization, Simulation and Environmental Impact of Energy Systems : рroceedings (Pau, 30 June - 3 July 2015). -Pau, France, 2015. - URL: https://arxiv.org/pdf/1507.05019 (дата обращения: 11.01.2025).

47. Гребень, Н. В. Прогнозирование энергопотребления здания с использованием методов машинного обучения / Н. В. Гребень, А. А. Елькина, И. А. Пашкин // Молодой ученый. - 2021. - № 24 (366). - С. 14-16.

48. Dudek, G. Short-Term Load Forecasting Using Random Forests / G. Dudek. -DOI: 10.1007/978-3-319-11310-4_71 // Advances in Intelligent Systems and Computing.

- 2014. - Vol. 328. - P. 821-828.

49. Прогнозирование нагрузки солнечных электростанций с использованием метода Random Forest // Хабр. - 2023. - URL: https://habr.com/ru/articles/771146/ (дата обращения: 12.01.2025).

50. Analysis and Prediction of Power Load Patterns based on XGBoost / J. Yan, Q. Chen, С. Hu, W. Cao. - DOI: 10.1109/CIEEC60922.2024.10583054 // 7th International Electrical and Energy Conference (CIEEC) : рroceedings (Harbin, China, 10-12 May 2024). - IEEE, 2024. - P. 3078-3083.

51. Application of XGBoost in Electricity Consumption Prediction / D. Dong, F. Wen, Y. Zhang, W. Qiu. - DOI: 10.1109/ICETCI57876.2023.10176934 // 3rd International Conference on Electronic Technology, Communication and Information (ICETCI) : рroceedings (Changchun, China, 26-28 May 2023). - IEEE, 2023. - P. 12601264.

52. Energy Consumption of a Building Using the XGBoost Algorithm: A Forecasting Study / J. Barzola-Monteses, F. Parrales-Bravo, V. Macas-Espinosa [et al.].

- DOI: 10.1109/SCCC63879.2024.10767630 // 43rd International Conference of the Chilean Computer Science Society (SCCC) : рroceedings (Temuco, Chile, 28-30 October

2024). - IEEE, 2024. - P. 1-7.

53. Rubattu, N. Electricity Load and Peak Forecasting: Feature Engineering, Probabilistic LightGBM and Temporal Hierarchies / N. Rubattu, G. Maroni, G. Corani. - URL: https://arxiv.org/abs/2305.05575 (date accessed: 12.01.2025).

54. Energy consumption prediction using the GRU-MMattention-LightGBM model with features of Prophet decomposition / S. Liang, T. Deng, A. Huang [et al.]. - DOI: 10.1371/journal.pone.0277085 // PLoS One. - 2023. - Vol. 18, no. 1. - P. e0277085.

55. Du, Z. Research on Electric Power Load Forecasting Based on SO-CatBoost / Z. Du. - DOI: 10.1109/AIPS64124.2024.00091 // International Conference on Artificial Intelligence and Power Systems (AIPS) : proceedings (Chengdu, China, 19-21 April 2024). - IEEE, 2024. - P. 416-420.

56. Zhang, W. Short-term Load Forecasting of Power Model Based on CS-Catboost Algorithm / W. Zhang. - DOI: 10.1109/ITAIC54216.2022.9836483 // 10th Joint International Information Technology and Artificial Intelligence Conference (ITAIC) : proceedings (Chongqing, China 17-19 June 2022). - IEEE, 2022. - P. 2295-2299.

57. Ashfaq, T. Short-Term Electricity Load and Price Forecasting using Enhanced KNN / T. Ashfaq, N. Javaid. - DOI: 10.1109/FIT47737.2019.00057 // International Conference on Frontiers of Information Technology (FIT) : (Islamabad, Pakistan, 16-18 December 2019). - IEEE, 2019. - P. 266-271.

58. GeeksforGeeks. K-Nearest Neighbor(KNN) Algorithm. - URL: https://www.geeksforgeeks.org/k-nearest-neighbours/ (date accessed: 12.01.2025).

59. Wu, Z. The comparison of forecasting analysis based on the ARIMA-LSTM hybrid models / Z. Wu. - DOI: 10.1109/ICECEM54757.2021.00044 // International Conference on E-Commerce and E-Management (ICECEM) : proceedings (Dalian, China, 24-26 September 2021). - IEEE, 2021. - P. 185-188.

60. Electrical Energy Consumption Prediction by ARIMA, LSTM, GRU, ARIMA-LSTM and ARIMA-GRU Approaches / A. A. Pierre, S. A. Akim, A. K. Semenyo, B. Babiga. - DOI: 10.3390/en16124799 // Energies. - 2023. - Vol. 16, no. 14. - P. 4739.

61. Biau, G. Neural Random Forests / G. Biau, E. Scornet, J. Welbl. - DOI: 10.48550/arXiv.1604.07143. - URL: https://arxiv.org/abs/1604.07143 (date accessed:

12.01.2025).

62. Reinders, C. Neural Random Forest Imitation / С. Reinders, В. Rosenhahn. -DOI: 10.48550/arXiv.1911.10829. - URL: https://arxiv.org/abs/1911.10829 (date accessed: 12.01.2025).

63. Что такое предварительная обработка данных в машинном обучении и как ее провести. - URL: https://blog.skillfactory.ru/predvaritelnaya-obrabotka-dannyh-v-mashinnom-obuchenii/ (дата обращения: 12.01.2025).

64. Предварительная обработка данных для машинного обучения. - URL: https://habr.com/ru/articles/800973/ (дата обращения: 12.01.2025).

65. Pal, K. K. Preprocessing for image classification by convolutional neural networks / К. К. Pal, K. S. Sudeep. - DOI: 10.1109/RTEICT.2016.7808140 // International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT) : рroceedings (Bangalore, India, 20-21 May 2016). - IEEE, 2016. - Р. 1778-1781.

66. Machine Learning: An Artificial Intelligence Approach / еds.: R. S. Michalski, J. G. Carbonell, T. M. Mitchell. - Berlin, Heidelberg : Springer-Verlag, 1983. - XI, 572 р. - (Symbolic Computation). - ISBN 978-3-662-12405-5.

67. Breiman, L. Random Forests / L. Breiman. - DOI: 10.1023/A:1010933404324 // Machine Learning. - 2001. - Vol. 45. - P. 5-32.

68. Ковалев, С. П. Использование алгоритма кластеризации DBSCAN для фильтрации выбросов в данных / С. П. Ковалев // Компьютерные системы и сети : сб. тез. докл. 55-й юбилейной науч. конф. аспирантов, магистрантов и студентов (Минск, 22-26 апр. 2019 г.) / Белорусский гос. ун-т информатики и радиоэлектроники. - Минск : Изд-во БГУИР, 2019. - С. 198-200.

69. Bishop, C. M. Pattern Recognition and Machine Learning / C. M. Bishop. - New York : Springer, 2006. - 778 р. - (Information Science and Statistics). - ISBN-13 9780387-31073-2.

70. Karaman, I. Preprocessing and Pretreatment of Metabolomics Data for Statistical Analysis / I. Karaman. - DOI: 10.1007/978-3-319-47656-8_9 // Metabolomics: From Fundamentals to Clinical Applications / еd. A. Sussulini. - Springer, 2017. - P.

145-161.

71. Short-term forecast methods of electricity generation by solar power plants and its classification / D. A. Tyunkov, A. S. Gritsay, V. I. Potapov [et al.] // Journal of Physics: Conference Series. - 2019. - Vol. 1260, no. 5. - Р. 052033.

72. Generalized neural network methodology for short term solar power forecasting / V. P. Singh, V. Vijay, M. S. Bhatt, D. K. Chaturvedi. - DOI: 10.1109/EEEIC-2.2013.6737883 // 13th International Conference on Environment and Electrical Engineering : proceedings (Wroclaw, Poland, 01-03 November 2013). - IEEE, 2013. -Р. 58-62.

73. A neural network model for short-term PV-energy forecasting / D. A. Tyunkov, A. S. Gritsay, V. S. Rodionov [et al.] // Journal of Physics: Conference Series. - 2020. -Vol. 1546, no. 1. - Р. 012105.

74. Short-term output power forecasting of photovoltaic systems based on the deep belief net / L. L. Li, Р. Cheng, Н. С. Lin, Н. Dong. - DOI: 10.1177/1687814017715983 // Advances in Mechanical Engineering. - 2017. - Vol. 9, no. 9. - P. 1-13.

75. Wang, J. A Short-Term Photovoltaic Power Prediction Model Based on an FOS-ELM Algorithm / J. Wang, R. Ran, Y. Zhou. - DOI: 10.3390/app7040423 // Applied Sciences. - 2017. - Vol. 7, no. 4. - Р. 423.

76. Аюев, Б. И. Рынки электроэнергии и их реализация в ЕЭС России / Б. И. Аюев ; Российская академия наук, Урал. отд. - Екатеринбург : УрО РАН, 2007. -105 c. - ISBN 5-7691-1943-8.

77. Грицай, А. С. Гибридный метод краткосрочного прогнозирования потребления электрической энергии для энергосбытового предприятия с учетом метеофакторов : специальность 05.09.03 «Электротехнические комплексы и системы» : дис. ... канд. техн. наук / А. С. Грицай ; Ом. гос. техн. ун-т. - Омск, 2017. - 141 c.

78. Хранитель рекордов погоды // Meteostat : база данных о погоде и климате, предоставляющая подробные данные о погоде для тысяч метеостанций и мест по всему миру. - URL: https://meteostat.net/ru/ (дата обращения: 11.01.2025).

79. An Introduction to Statistical Learning: with Applications in R / G. James, D.

Witten, T. Hastie, R. Tibshirani. - Springer, 2021. - 440 p. - ISBN 978-1071614174.

80. Kutner, M. H. Applied Linear Regression Models / М. Н. Kutner, C. J. Nachtsheim, J. Neter. - Irvine : McGrawHill/Irwin, 2004. - 701 p.

81. Shumway, R. H. Time Series Analysis and Its Applications / R. H. Shumway, D. S. Stoffer. - Luxembourg : Springer, 2017. - 596 p. - ISBN 978-3-319-52451-1.

82. Turner, W. C. Energy Management Handbook / W. С. Turner. - Lilburn : The Fairmont Press Inc., 2004. - 750 p.

83. Applied Multiple Regression/Correlation Analysis for the Behavioral Sciences / J. Cohen, P. Cohen, S. G. West, L. S. Aiken. - Mahwah : Lawrence Erlbaum Associates Inc, 2003. - 736 p.

84. Allison, P. D. Multiple Regression: A Primer / P. D. Allison. - Thousand Oaks : Pine Forge Press, 1999. - 202 p.

85. Seber, G. A. F. Linear Regression Analysis / G. A. F. Seber, A. J. Lee. -Hoboken : John Wiley & Sons, 2003. - 583 p.

86. Applied Multivariate Statistical Analysis. Upper Saddle / Edited by R. A. Johnson, D. W. Wichern. - River : Pearson Prentice Hall, 2007. - 808 p.

87. Дугин, Д. Д. Использование температурно-ветрового индекса в задачах краткосрочного прогнозирования электропотребления / Д. Д. Дугин, А. С. Грицай // Актуальные вопросы энергетики : материалы Всерос. науч. конф. студентов, магистрантов, аспирантов (Омск, 12 мая 2016 г.) / Ом. гос. техн. ун-т. - Омск : Изд-во ОмГТУ, 2016. - С. 51-56.

88. Характеристика и возможности аналитических систем для построения прогностических моделей электропотребления предприятий / Д. В. Толмачев, Р. Н. Хамитов, А. С. Грицай [и др.] // Актуальные вопросы энергетики : материалы Всерос. науч. конф. студентов, магистрантов, аспирантов (Омск, 17 мая 2018 г.) / Ом. гос. техн. ун-т. - Омск : Изд-во ОмГТУ, 2018. - С. 18-25.

89. Tukey, J. W. Exploratory Data Analysis / J. W. Tukey. - Addison-Wesley, 1977. - 711 с.

90. Little, R. J. Statistical Analysis with Missing Data / R. J. Little, D. B. Rubin. -Hoboken : Wiley, 2020. - 450 с. - ISBN 978-1-119-62118-0.

91. Data Mining for Business Analytics: Concepts, Techniques, and Applications in R / G. Shmueli, Р. С. Bruce, I. Yahav [et al.]. - Hoboken : Wiley, 2019. - 568 с. - ISBN 978-1-119-49864-0.

92. Hyndman, R. J. Forecasting: Principles and Practice / R. J. Hyndman, G. Athanasopoulos. - 2nd ed. - Melbourne : OTexts, 2018. - 380 с. - ISBN 978-0-98756501-2.

93. Воевода, А. Е. Краткосрочное прогнозирование электропотребления на основе метода случайного леса / А. Е. Воевода, Д. Д. Харитонова, П. В. Валь // Электроэнергетика глазами молодежи - 2016 : материалы VII Междунар. молодеж. науч.-техн. конф. (Казань, 19-23 сент. 2016 г.) : в 3 т. - Казань : Изд-во Казан. гос. энергет. ун-та, 2016. - Т. 2. - С. 124-127.

94. Vasina, D. Application of the Catboost Gradi-ent Boosting Method in Forecasting Solar Electricity / D. Vasina, A. Gorshenin. - DOI: 10.1109/Dynamics60586.2023.10349541 // Dynamics of Systems, Mechanisms and Machines (Dynamics) : proceedings XVII International scientific and technical conference (Omsk, Russian Federation, 14-15 Nov. 2023). - IEEE, 2023. - Р. 1-5.

95. Chen, T. XGBoost: A scalable tree boosting system / Т. Chen, С. Guestrin. - URL: https://doi.org/10.48550/arXiv.1603.02754 (date accessed: 11.01.2025).

96. Li, P. A new hybrid method for china's energy supply security forecasting based on ARIMA and XGBoost / Р. Li, J. S. Zhang. - DOI: 10.3390/en11071687 // Energies. - 2018. - Vol. 11, no. 7. - P. 1687.

97. Модели прогнозирования электрических нагрузок / В. В. Смирнов, Е. Ю. Чернова, М. А. Старченко, Т. С. Максименко // Энергетические установки и технологии. - 2018. - Т. 4, № 4. - С. 103-109.

98. Серебряков, Н. А. Применение адаптивного ансамблевого нейросетевого метода для краткосрочного прогнозирования электропо-требления электротехнического комплекса районных электрических сетей / Н. А. Серебряков // Омский научный вестник. - 2021. - № 1 (175). - С. 39-45.

99. Using system analysis methods to search for coolant leaks in order to develop an automated information system for dispatch control of a heat generating enterprise / E. V.

Chebanenko, A. S. Gritsay, R. N. Khamitov [et al.]. - DOI: 10.1088/17426596/1546/1/012046 // Journal of Physics: Conference Series. - 2020. - Vol. 1546, no. 1. - P. 012046-1-012046-7.

100. Блохин, А. В. Исследование факторов, влияющих на потребление электроэнергии коммерческим предприятием / А. В. Блохин, А. С. Грицай, А. Ю. Горшенин. - DOI: 10.24147/2222-8772.2022.3.39-47 // Математические структуры и моделирование. - 2022. - № 3 (63). - С. 39-47.

101. Горшенин, А. Ю. Предварительная обработка данных в задаче краткосрочного прогнозирования электропотребления / А. Ю. Горшенин, А. С. Грицай, Л. А. Денисова // Федоровские чтения 2023 : материалы Всерос. науч.-практ. конф. с междунар. участием (с элементами науч. шк. для молодежи) (Москва, 15-17 нояб. 2023 г.) / Нац. исслед. ун-т «МЭИ». - Москва : Изд-во МЭИ, 2023. - С. 96-104.

102. Король, А. В. Сравнение адаптивных методов краткосрочного прогнозирования выработки электрической энергии солнечными электростанциями / А. В. Король, А. С. Грицай, А. В. Гаак // Актуальные вопросы энергетики : материалы VII Всерос. науч.-практ. конф. с междунар. участием (Омск, 23-24 мая 2024 г.) / Ом. гос. техн. ун-т. - Омск : Изд-во ОмГТУ, 2024. - С. 190-195.

103. Грицай, А. С. Особенности построения биллинговой системы для энергосбытовой компании с целью обеспечения максимальной точности прогнозирования / А. С. Грицай // Динамика систем, механизмов и машин : тез. докл. VII Междунар. науч.-техн. конф. (Омск, 10-12 нояб. 2009 г.) / Ом. гос. техн. ун-т. - Омск : Изд-во ОмГТУ, 2009. - Кн. 1. - С. 250-254.

104. Потапов, В. И. Спектральный анализ ретроспективных данных ООО «Омская энергосбытовая компания» об электропотреблении / В. И. Потапов, А. С. Грицай, Д. А. Тюньков // Омский научный вестник. Сер. Приборы, машины и технологии. - 2016. - № 5 (149). - С. 74-76.

105. Горшенин, А. Ю. Применение машинного обучения деревьев решений для краткосрочного прогнозирования электропотребления / А. Ю. Горшенин, А. С.

Грицай, Л. А. Денисова. - 001: 10.24412/2071-6168-2023-11-226-227 // Известия Тульского государственного ун-верситета. Технические науки. - 2023. - № 11. - С. 226-231.

106. Методика формирования обучающей выборки в задачах краткосрочного прогнозирования электропотребления гарантирующего поставщика / С. О. Хомутов, Р. Н. Хамитов, А. С. Грицай, Н. А. Серебряков // Известия Тульского государственного университета. Технические науки. - 2021. - № 2. - С. 227-233.

107. О механизмах функционирования оптового рынка электроэнергии / Д. Д. Дугин, В. А. Самусь, Д. К. Габбасов [и др.] // Актуальные вопросы энергетики: материалы Междунар. науч.-практ. конф. (Омск, 17 мая 2017 г.) / Ом. гос. техн. унт. - Омск : Изд-во ОмГТУ, 2017. - С. 239-243.

108. Федоров, Я. П. Повышение точности прогнозирования электропотребления субъектов ОРЭМ с использованием нечетких нейронных сетей / Я. П. Федоров, В. Л. Бурковский, А. Л. Руцков // Энергетические системы. - 2019. - № 1. - С. 176-182.

109. Васильев, В. А. Обзор подходов по прогнозированию цен на электроэнергию с использованием технологий вычислительного интеллекта / В. А. Васильев, А. А. Григорьева // Теоретическая экономика. - 2020. - №2 5 (65). - С. 8794.

110. Горшенин, А. Ю. Сравнение методов на основе деревьев решений в задаче краткосрочного прогнозирования электропотребления / А. Ю. Горшенин. -001: 10.24147/2222-8772.2023.4.12-21 // Математические структуры и моделирование. - 2023. - № 4 (68). - С. 12-21.

111. Блохин, А. В. Обнаружение и прогнозирование нештатных состояний оборудования на предприятии на основе ретроспективных данных об электропотреблении / А. В. Блохин // Известия Тульского государственного университета. Технические науки. - 2024. - № 10. - С. 243-248.

112. Блохин, А. В. Исследование факторов, влияющих на потребление электроэнергии коммерческим предприятием / А. В. Блохин, А. С. Грицай, А. Ю. Горшенин. - 001: 10.24147/2222-8772.2022.3.39-47 // Математические структуры и

моделирование. - 2022. - № 3 (63). - С. 39-47.

113. Анализ факторов, влияющих на потребление электроэнергии городского ресурсоснабжающего предприятия / А. В. Блохин, А. С. Грицай, В. И. Потапов, О.

B. Шафеева // Математические структуры и моделирование. - 2023. - № 3 (67). -

C. 23-35.

114. Свидетельство о государственной регистрации программы для ЭВМ № 2022660783 Российская Федерация. Анализ исходных данных, полученных от коммерческого потребителя электроэнергии с последующим расчетом статистической взаимосвязи между параметрами энергосистемы : № 2022619792 : заявл. 31.05.2022 : опубл. (зарег.) 09.06.2022 / А. В. Блохин ; Ом. гос. техн. ун-т. -1 с.

115. Свидетельство о государственной регистрации программы для ЭВМ № 2023662257 Российская Федерация. Статистический анализ данных потребления электроэнергии городским ресурсоснабжающим предприятием с оценкой влияния метеорологических факторов : № 2023661274 : № 2023661274 : заявл. 01.06.2023 : опубл. (зарег.) 07.06.2023 / А. В. Блохин ; Ом. гос. техн. ун-т. - 1 с.

116. Свидетельство о государственной регистрации программы для ЭВМ № 2023687711 Российская Федерация. Программа краткосрочного прогнозирования потребления электрической мощности предприятием на основе модели градиентного бустинга решающих деревьев : № 2023687088 : заявл. 08.12.2023 : опубл. (зарег.) 18.12.2023 / А. В. Блохин ; Ом. гос. техн. ун-т. - 1 с.

117. Свидетельство о государственной регистрации программы для ЭВМ № 2024663487 Российская Федерация. Программа краткосрочного прогнозирования потребления электрической мощности предприятием на основе ансамбля алгоритмов машинного обучения XGBoost и CatBoost : № 2024661672 : заявл. 24.05.2024 : опубл. (зарег.) 06.06.2024 / А. В. Блохин, А. С. Грицай ; Ом. гос. техн. ун-т. - 1 с.

118. Свидетельство о государственной регистрации программы для ЭВМ № 2025610508 Российская Федерация. Программа обнаружения нештатных состояний в работе оборудования на предприятии на основе ретроспективных

данных об электропотреблении : № 2024692659 : заявл. 17.12.2024 : опубл. (зарег.) 10.01.2025 / А. В. Блохин ; Ом. гос. техн. ун-т. - 1 с.

119. Свидетельство о государственной регистрации программы для ЭВМ № 2024663797 Российская Федерация. Программа краткосрочного/среднесрочного прогнозирования потребления электрической мощности предприятием на основе модели XGBoost с учетом факторов праздничного дня и известных данных за последние 72 часа : № 2024661630 : заявл. 24.05.2024 : опубл. (зарег.) 11.06.2024 / А. В. Блохин, А. С. Грицай ; Ом. гос. техн. ун-т. - 1 с.

120. ГОСТ 19.701-90 (ИСО 5807-85). Единая система программной документации. Схемы алгоритмов, программ, данных и систем : утв. и введ. в действие Постановлением Гос. комитета СССР по управлению качеством продукции и стандартам от 26 дек. 1990 г. № 3294 : дата введ. 1992-01-01 / разраб. Гос. комитетом СССР по вычислит. технике и информатике. - Москва : Изд-во стандартов, 1991. - 24 с.

121. Горшенин, А. Ю. Разработка и верификация программного обеспечения системы краткосрочного прогнозирования электропотребления / А. Ю. Горшенин // Известия Тульского государственного университета. Технические науки. - 2024. - № 7. - С. 253-254. - URL: https://cyberleninka.ru/article/n/razrabotka-i-verifikatsiya-programmnogo-obespecheniya-sistemy-kratkosrochnogo-prognozirovaniya-elektropotrebleniya (дата обращения: 06.02.2025).

122. Гурин, Р. Е. Методы верификации программного обеспечения / Р. Е. Гурин, И. В. Рудаков, А. В. Ребриков // Машиностроение и компьютерные технологии. - 2015. - № 10. - С. 235-251. - URL: https://cyberleninka.rU/article/n/metody-verifikatsii-programmnogo-obespecheniya (дата обращения: 06.02.2025).

123. Методы верификации программного обеспечения / В. В. Егоров, Н. И. Томилова, А. Ж. Амиров, К. Н. Касылкасова // Молодой ученый. - 2016. - № 21 (125). - С. 138-141. - URL: https://moluch.ru/archive/125/34536/ (дата обращения: 06.02.2025).

124. Мерзлякова, Е. Ю. Обзор методов верификации и оценки качества

программного обеспечения / Е. Ю. Мерзлякова, Е. В. Янченко // Вестник СибГУТИ. - 2023. - Т. 17, № 1. - С. 92-106. - URL: https://vestnik.sibsutis.ru/jour/article/download/158/713 (дата обращения: 06.02.2025).

125. Шакирова, А. И. Сокращение времени тестирования программного обеспечения / А. И. Шакирова, А. Ф. Хасьянов, Э. Ф. Даутов // Современные наукоемкие технологии. - 2019. - № 7. - С. 104-109. - URL: https://top-technologies.ru/ru/article/view?id=37597 (дата обращения: 06.02.2025).

126. Стрелков, С. С. Исследование и применение современных подходов к тестированию программного обеспечения : магистерская дис. / С. С. Стрелков. -Екатеринбург, 2024. - 84 с. - URL: https://elar.urfu.rU/bitstream/10995/138323/1/m_th_s.s.strelkov_2024.pdf (дата обращения: 06.02.2025).

127. Тестирование и верификация программного обеспечения : практикум по выполнению лабораторных работ для студентов специальности 1-40 04 01 «Информатика и технологии программирования» дневной формы обучения / сост. В. Н. Шибеко. - Гомель : Изд-во ГГТУ им. П. О. Сухого, 2024. - 65 с. - URL: https://elib.gstu.by/bitstream/handle/220612/30132/1267.pdf?isAllowed=y&sequence=1 (дата обращения: 06.02.2025).

128. Шахова, К. А. Современные методы тестирования программного обеспечения: автоматизированное тестирование и лучшие практики / К. А. Шахова, В. И. Негребецкая // Студенческий научный форум - 2025. - URL: https://www.scienceforum.ru/2025/article/2018037871 (дата обращения: 06.02.2025).

129. Проблемы верификации и тестирования программного обеспечения информационно-управляющих систем / А. Ж. Амиров, Г. Д. Когай, А. Н. Томилов [и др.] // Вестник науки и образования. - 2017. - № 2 (26). - С. 13-16. - URL: https://cyberleninka.ru/article/n/problemy-verifikatsii-i-testirovaniya-programmnogo-obespecheniya-informatsionno-upravlyayuschih-sistem (дата обращения: 06.02.2025).

130. Блохин, А. В. Разработка и верификация системы краткосрочного прогнозирования электропотребления ресурсоснабжающего предприятия / А. В. Блохин // Известия Тульского государственного университета. Технические науки. - 2024. - №2 10. - С. 261-267.

ПРИЛОЖЕНИЕ А. АКТЫ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ

Телефон: [phone],31 -46-41, Факс: + 7 [phone], 31-95-31 E-mail: office [e-mail]

ул. Маяковского, д. 2, г. Омск, 644042

АО «ОмскВодоканал»

РОСВОДОКАНАЛ

Омск

ИНН 5504097128 КПП 550401001

АКТ

хзчлавнкш инженер /А^«ОшжВодоканал» v^^—Хохлов Д.А.

//föf/X с 202^Тод

УТВЕРЖДАЮ

Внедрения результатов диссертационной работы на соискание ученой степени кандидата технических наук Блохина Александра Владимировича

Настоящий акт составлен о том, что результаты диссертационной работы Блохина A.B., полученные в рамках взаимодействия АО «ОмскВодоканал» и ФГАОУ ВО «Омский государственный технический университет», внедрены в производственный процесс АО «ОмскВодоканал» и используются для построения краткосрочного прогноза электропотребления АО «ОмскВодоканал» на оптовом рынке электрической энергии и мощности на «сутки вперед».

Модель краткосрочного прогнозирования электропотребления, основанная на градиентном бустинге деревьев решений, обеспечила точность:

- средняя ошибка при применении модели составила 3,43 % на годовом интервале.

Приложения:

- протокол полученных данных с 01.05.2024 - 14.05.2024 г. - 8 стр.;

- расчет результатов внедряемой модели для планирования объёмов электропотребления на «сутки вперёд» оптового рынка электрической энергии и мощности - 1 стр.

В связи с тем, что при построении прогноза в реальных условиях невозможно исключить влияние сторонних оперативных входных факторов, использование модели внедрено в производственный процесс АО «ОмскВодоканал» в качестве вспомогательного средства наряду с прогнозом эксперта.

Главный энергетик АО «ОмскВодоканал»

Начальник отдела главного энергетика ЭМС ТД АО «ОмскВодоканал»

/ ty Х Бугрова Ю.А.

Инженер 2 категории отдела главного энергетик-я ЭМС ТД АО «ОмскВодоканал»

é

Приложение №1

Протокол полученных данных с 01.05.2024 - 14.05.2024 г.

Дата Час суток Факт,кВг*ч Прогноз, klil"4 Ошибка, кВт*ч Ошибка, %

01.05.2024 0 13400,18 13515,06 -114,87 0,86

01.05.2024 1 13258,93 13248,04 10,89 0,08

01.05.2024 2 12506,87 12839,31 -332,44 2,66

01.05.2024 3 12950,26 12806,52 143,73 1,11

01.05.2024 4 12657,41 13064,88 -407,47 3,22

01.05.2024 5 12809,28 13498,21 -688,93 5,38

01.05.2024 6 13029,49 14031,02 -1001,52 7,69

01.05.2024 7 15170,27 14754,91 415,36 2,74

01.05.2024 8 15309,77 14841,75 468,01 3,06

01.05.2024 9 15101,2 15511,97 -410,77 2,72

01.05.2024 10 15886,88 15459,58 427,31 2,69

01.05.2024 И 15499,15 15577,74 -78,58 0,51

01.05.2024 12 16247,86 15681,89 565,97 3,48

01.05.2024 13 15626,54 15428,12 198,42 1,27

01.05.2024 14 15313,86 15428,12 -114,26 0,75

01.05.2024 15 16015,99 15417,4 598,59 3,74

01.05.2024 16 15367,44 15398,01 -30,57 0,20

01.05.2024 17 15924,19 15291,25 632,94 3,97

01.05.2024 18 15600,59 15491,35 109,24 0.70

01.05.2024 19 15840,22 15830,66 9,56 0,06

01.05.2024 20 15992,82 15556,08 436,74 2,73

01.05.2024 21 15128,56 14992,29 136,27 0,90

01.05.2024 22 14613,62 14779,85 -166,23 1,14

01.05.2024 23 14861,11 14427,22 433,90 2,92

02.05.2024 0 13628,87 13687,87 -59,00 0,43

02.05.2024 I 13574,05 13415,26 158,79 1,17

02.05.2024 2 12822,67 12955,46 -132,79 1,04

02.05.2024 3 13434,07 13070,07 364,00 2,71

02.05.2024 4 13595,58 13513,49 82,09 0,60

02.05.2024 5 13714,46 13946,82 -232,36 1,69

02.05.2024 6 13952,94 14479,63 -526,69 3,77

02.05.2024 7 14198,02 15203,52 -1005,51 7.08

02.05.2024 8 15213,37 15273,69 -60,32 0,40

02.05.2024 9 15242,65 15603,85 -361,20 2,37

02.05.2024 10 15206,23 15487,47 -281.24 1,85

02.05.2024 11 15392,89 15527,86 -134,97 0,88

02.05.2024 12 15488,38 15578,58 -90 Л 0,58

02.05.2024 13 14832,89 15456,02 -623,13 4,20

02.05.2024 14 14985,08 13456,02 -470,94 3,14

02.05.2024 15 15200,05 15445,29 -245,24 1,61

02.05.2024 16 14948,51 15425,91 -477,40 3,19

ó

02.05.2024 17 15148,04 15341,67 -193,63 1,28

02.05.2024 18 15263,68 15532,74 -269,07 1,76

02.05.2024 19 16781.45 1SS65.02 Olí.« UK

02.05.2024 20 16298,1 15598,35 699,75 4,29

02.05.2024 21 15499,6 15034,55 465,04 3,00

02.05.2024 22 14705,8 14822,12 -116,32 0,79

02.05.2024 23 14332,21 14469,49 -137,27 0,96

03.05.2024 0 13279,54 13230,45 49,09 0,37

03.05.2024 1 13668,59 13006,7 661,89 4,84

03.05.2024 2 12860,57 12554,48 306,09 2,38

03.05.2024 3 13024,7 12605,61 419,09 3,22

03.05.2024 4 13550,7 13026,44 524,26 3,87

03.05.2024 5 14638,18 13454,13 1184,04 8,09

03.05.2024 6 14188,48 13994,11 194,37 1,37

03.05.2024 7 14947,86 14814,22 133,64 0,89

03.05.2024 8 14493,41 14973,3 -479,89 3,31

03.05.2024 9 14634,76 15221,53 -586,77 4,01

03.05.2024 10 14828,29 15174,11 -345,82 2,33

03.05.2024 11 14900,4 15174,11 -273,71 1,84

03.05.2024 12 14322,84 15174,11 -851,27 5,94

03.05.2024 13 14948,26 15079,47 -131,21 0,88

03.05.2024 14 14564,16 15079,47 -515,31 3,54

03.05.2024 15 14453,03 15060,32 -607,29 4,20

03.05.2024 16 14590,58 15060,32 -469,73 3,22

03.05.2024 17 14217,17 15004,77 -787,60 5,54

03.05.2024 18 14260,15 15077,89 -817,73 5.73

03.05.2024 19 14526,29 15333,11 -806,82 5,55

03.05.2024 20 15295,36 15042,88 252,48 1,65

03.05.2024 21 14688,72 14486,06 202,66 1,38

03.05.2024 22 13841,22 14207,72 -366,50 2,65

03.05.2024 23 13530,8 13879,73 -348,93 2,58

04.05.2024 0 13124,86 13467,36 -342,50 2,61

04.05.2024 1 12971,12 13000,69 -29,57 0,23

04.05.2024 2 12455,21 12728,35 -273,14 2,19

04.05.2024 3 12585,94 12577,74 8,20 0,07

04.05.2024 4 12808,9 12838,64 -29,75 0,23

04.05.2024 5 13228,31 12945,4 282,90 2,14

04.05.2024 6 13995,31 13371,28 624,03 4,46

04.05.2024 7 14334,28 14309,71 24,57 0,17

04.05.2024 8 14688,02 15017,46 -329,44 2,24

04.05.2024 9 14530,96 15530,19 -999,24 6,88

04.05.2024 10 15122,38 15722,42 -600,04 3,97

04.05.2024 11 15689,6 15748,81 -59,20 0,38

04.05.2024 12 16223,41 15801,94 421,47 2,60

04.05.2024 13 15568,37 15666,72 -98,35 0,63

04.05.2024 14 15823,63 15666,72 156,91 0,99

04.05.2024 15 15823,68 15640,99 182,69 1,15

ó

04.05.2024 16 15406,2 15622,67 -216,47 1,41

04.05.2024 17 15427,7 15469,53 -41,82 0,27

04.05.2024 18 15197,02 15508,73 ■311.71 IOS

04.05.2024 19 15852,29 15576,51 275,78 1,74

04.05.2024 20 15409,38 15257,73 151,65 0,98

04.05.2024 21 14862,34 14601,33 261,00 1,76

04.05.2024 22 14506,18 14146,51 359,66 2,48

04.05.2024 23 14475,85 13798,52 677,33 4,68

05.05.2024 0 13358,65 13432,05 -73,40 0,55

05.05.2024 1 12932,88 12957,23 -24,35 0,19

05.05.2024 2 12544,15 12668,57 -124,41 0,99

05.05.2024 3 12905,76 12477,67 428,09 3,32

05.05.2024 4 12406,69 12723,84 -317,15 2,56

05.05.2024 5 12983,59 12833,83 149,76 1,15

05.05.2024 6 13079,98 13259,7 -179,73 1,37

05.05.2024 7 14556,08 14198,13 357,95 2,46

05.05.2024 8 15143,86 14905,89 237,97 1,57

05.05.2024 9 14270,68 15418,62 -1147,94 8,04

05.05.2024 10 15097 15647,27 -550,27 3,64

05.05.2024 11 14458,31 15844,86 -1386,55 9,59

05.05.2024 12 14904,9 15898 -993,10 6,66

05.05.2024 13 14760,01 15799,73 -1039,72 7,04

05.05.2024 14 14378,89 15799,73 -1420,84 9,88

05.05.2024 15 14600,36 15774 -1173,64 8,04

05.05.2024 16 14266,48 15755,68 -1489,20 10,44

05.05.2024 17 14216 15655,87 -1439,86 10,13

05.05.2024 18 14668,46 15766,4 -1097,94 7,49

05.05.2024 19 15081,53 16067,72 -986,19 6,54

05.05.2024 20 15127,08 15760,38 -633,30 4,19

05.05.2024 21 14775,97 14909,03 -133,05 0,90

05.05.2024 22 14829,97 14461,04 368,94 2,49

05.05.2024 23 13786,69 14025,3 -238,60 1,73

06.05.2024 0 13237,43 13572,34 -334,91 2,53

06.05.2024 1 13260,08 13316,91 -56,83 0,43

06.05.2024 2 12669,46 12898,55 -229,09 1,81

06.05.2024 3 13263,12 12967,7 295,42 2ДЗ

06.05.2024 4 13670,29 13398,28 272,01 1,99

06.05.2024 5 13807,34 13780,93 26,42 0,19

06.05.2024 6 14287,62 14302,31 -14,69 0,10

06.05.2024 7 14749,18 15142,96 -393,78 2,67

06.05.2024 8 14460,3 15183,13 -722,83 5,00

06.05.2024 9 15091,7 15473,98 -382,28 2,53

06.05.2024 10 14994,85 15435,19 -440,34 2,94

06.05.2024 11 15060,58 15435,19 -374,61 2,49

06.05.2024 12 15569,09 15447,2 121,89 0,78

06.05.2024 13 14461,57 15369,65 -908,08 6,28

06.05.2024 14 14978,52 15369,65 -391,13 2,61

6

06.05.2024 15 14491,28 15354,89 -863,61 5,96

06.05.2024 16 14609,33 15346,52 -737,19 5,05

06.05.2024 17 14255,64 15305.13 -1040.50 l.U

06.05.2024 18 14803,08 15406,54 -603,46 4,08

06.05.2024 19 15136,96 15619,76 -482,80 3,19

06.05.2024 20 14967,52 15420,82 -453,30 3,03

06.05.2024 21 15042,46 14808,87 233,59 1,55

06.05.2024 22 13819,16 14523,2 -704,03 5,09

06.05.2024 23 13991,71 14244,2 -252,49 1,80

07.05.2024 0 12951,83 13414,94 -463,11 3,58

07.05.2024 1 13469,82 13159,51 310,31 2,30

07.05.2024 2 12580,97 12741,15 -160,18 1,27

07.05.2024 3 12591,31 12810,3 -218,99 1,74

07.05.2024 4 13379,24 13237,55 141,70 1,06

07.05.2024 5 13753,81 13620,2 133,62 0,97

07.05.2024 6 14098,51 14141,58 -43,07 0,31

07.05.2024 7 14938,12 14982,23 -44,11 0,30

07.05.2024 8 14678,83 15011,53 -332,70 2,27

07.05.2024 9 15244,31 15294,93 -50,62 0,33

07.05.2024 10 14638,21 15256,14 -617,93 4,22

07.05.2024 11 14891,48 15256,14 -364,65 2,45

07.05.2024 12 15527,12 15268,15 258,97 1,67

07.05.2024 13 14947,01 15185,79 -238,78 1,60

07.05.2024 14 15542,42 15185,79 356,63 2,29

07.05.2024 15 15340,07 15171,04 169,03 1,10

07.05.2024 16 15525,19 15162,67 362,53 2,34

07.05.2024 17 15187,13 15121,38 65,75 0,43

07.05.2024 18 15080,54 15222,69 -142,14 0,94

07.05.2024 19 15483,35 15461,4 21,95 0,14

07.05.2024 20 15914,83 15244,97 669,86 4,21

07.05.2024 21 14882,23 14672,4 209,84 1,41

07.05.2024 22 14154,2 14386,72 -232,52 1,64

07.05.2024 23 14168,89 14126,36 42,53 0,30

08.05.2024 0 13229,11 13024,64 204,47 1,55

08.05.2024 1 13182,44 12745,24 437,20 3,32

08.05.2024 2 12527,14 12272,57 254,56 2,03

08.05.2024 3 12903,95 12408,75 495,19 3,84

08.05.2024 4 13273,44 12851,14 422,30 3,18

08.05.2024 5 13789,7 13162,5 627,20 4,55

08.05.2024 6 14667,91 13599,02 1068,90 7,29

08.05.2024 7 14746,61 14490,14 256,47 1,74

08.05.2024 8 14585,62 14549,5 36,12 0,25

08.05.2024 9 15227,12 14933,31 293,82 1,93

08.05.2024 10 14653,22 14837,02 -183,79 1,25

08.05.2024 U 14493,11 14837,84 -344,73 2,38

08.05.2024 12 15017,41 14888,74 128,67 0,86

08.05.2024 13 15311,98 14779,82 532,15 3,48

á

08.05.2024 14 14760,78 14779,82 -19,04 0,13

08.05.2024 15 14970,86 14765,9 204,96 1,37

08.05.2024 16 14205,23 14746.16 ЛИШ Ш

08.05.2024 17 14153,69 14669,18 -515,49 3,64

08.05.2024 18 14210,11 14849,73 -639,62 4,50

08.05.2024 19 14924,71 15240 -315,29 2,11

08.05.2024 20 14895,61 14875,57 20,04 0,13

08.05.2024 21 14339,93 14343,11 -3,18 0,02

08.05.2024 22 13998,71 14047,29 -48,58 0,35

08.05.2024 23 13670,45 13721,27 -50,83 0,37

09.05.2024 0 13337,27 13093,91 243,36 1,82

09.05.2024 1 13195,64 12829,82 365,82 2,77

09.05.2024 2 12433,01 12369,3 63,70 0,51

09.05.2024 3 12557,24 12373,15 184,10 1,47

09.05.2024 4 12283,28 12597,06 -313,78 2,55

09.05.2024 5 12786,02 12978,2 -192,18 1,50

09.05.2024 6 13087,24 13533,06 -445,82 3,41

09.05.2024 7 14625,96 14227,03 398,93 2,73

09.05.2024 8 14622,26 14341,15 281,11 1,92

09.05.2024 9 14831,69 15074,36 -242,67 1,64

09.05.2024 10 14370,1 15006,83 -636,73 4,43

09.05.2024 11 14509,16 15116,11 -606,94 4,18

09.05.2024 12 14653,33 15222,27 -568,93 3,88

09.05.2024 13 14163,12 14987,04 -823,92 5,82

09.05.2024 14 14874,37 14987,04 -112,67 0,76

09.05.2024 15 14125,76 14969,18 -843,41 5,97

09.05.2024 16 14399,12 14952,16 -553,03 3,84

09.05.2024 17 14257,49 14847,81 -590,32 4,14

09.05.2024 18 14881,2 15016,5 -135,30 0,91

09.05.2024 19 15626,68 15383,89 242,79 1,55

09.05.2024 20 14801,95 15039,79 -237,84 1,61

09.05.2024 21 14229,47 14512,76 -283,29 1,99

09.05.2024 22 13939,13 14197,9 -258,78 1,86