Програмна система Energy AI для прогнозування портфеля закупівель електроенергії постачальником

О.І. Клюзко, аспірант
Інститут проблем моделювання в енергетиці
ім. Г.Є. Пухова НАН України
Україна, 03164, Київ, вул. Олега Мудрака, 15
e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.;
https://orcid.org/0009-0000-3313-0547

Èlektron. model. 2026, 48(2):51-68

Cтаття надійшла до редакції / Received 23.10.2025 (після доопрацювання / after revision 05.11.2025)
Прийнята до друку / Accepted 17.04.2026
Опубліковано / Published 05.05.2026

© О.І. Клюзко, 2026
Стаття поширюється на умовах ліцензії відкритого доступу CC BY 4.0

Повний текст: PDF

АНОТАЦІЯ

Запропоновано програмну систему Energy AI в якості інтегрованого інструменту підтрим­ки оперативного планування і управління ризиками для енергопостачальних компаній на ринку електроенергії України. Програмна система поєднує короткострокове прогнозу­вання погодинного споживання (STLF) із подальшою LP/MILP-оптимізацією портфеля закупівель на ринкових сегментах (РДД/РДН/ВДР/БР). Модуль прогнозування забезпечує побудову погодинного профілю споживання методом Random Forest, а параметри моделі налаштовуються за допомогою Optuna. Результати прогнозу використовується оптиміза­ційним модулем Energy AI для формування портфеля закупівлі з урахуванням меж, масок активності продуктів, кроків дискретності та політик постачальника. Наведено приклад застосування системи з оцінкою ефективності закупівельної стратегії постачальника та впливу небалансів.

КЛЮЧОВІ СЛОВА:

Energy AI, прогнозування споживання, оптимізація портфеля, Ran­dom Forest, load-shedding, Optuna, LP/MILP, постачальник електроенергії.

СПИСОК ЛІТЕРАТУРИ

1. Блінов І.В., Парус Є.В. Оптовий та роздрібний ринок електричної енергії: розра­хункова робота: навч. посіб. для студ. які навчаються за спеціальністю 141 «Електро­енергетика, електротехніка та електромеханіка». Київ : КПІ ім. Ігоря Сікорського, 2022. 291 с.
2. Ugbehe, P.O., Diemuodeke, O.E. & Aikhuele, D.O. Electricity demand forecasting methodologies and applications: a review. Sustainable Energy res.2025, vol. 12 art 19, pp. 1-32. https://doi.org/10.1186/s40807-025-00149-z
3. Rangelov, D., Boerger, M., Tcholtchev, N., Lämmel, P. and Hauswirth, M. Design and Development of a Short-Term Photovoltaic Power Output Forecasting Method Based on RF, Deep Neural Network and LSTM Using Readily Available Weather Features, in IEEE Access, 2023, 11, pp. 41578-41595, doi: 10.1109/ACCESS.2023.3270714.
4. Xuan, Y. et al., Multi-Model Fusion Short-Term Load Forecasting Based on RF Feature Selection and Hybrid Neural Network in IEEE Access, 2021, 9, pp. 69002-69009, doi: 10.1109/ACCESS.2021.3051337.
5. Hu, F.; Feng, X.; Cao, H. A Short-Term Decision Model for Electricity Retailers: Electricity Procurement and Time-of-Use Pricing. Energies 2018, 11, pp. https://doi.org/10.3390/ en11123258
6. do Prado J.C. and Qiao W. A Stochastic Decision-Making Model for an Electricity Retailer with Intermittent Renewable Energy and Short-Term Demand Response, in IEEE Transactions on Smart Grid, 2019 vol. 10, № 3, pp. 2581-2592, doi: 10.1109/TSG.2018.2805326
7. Guo L., Sriyakul T., Nojavan S. and Jermsittiparsert K. Risk-Based Traded Demand Response Between Consumers’ Aggregator and Retailer Using Downside Risk Constraints Technique, in IEEE Access, 2020, vol. 8, pp. 90957-90968, doi: 10.1109/ACCESS. 2993868
8. Golmohamadi H. and Keypour R. Stochastic optimization for retailers with distributed wind generation considering demand response, in Journal of Modern Power Systems and Clean Energy, 2018, 6, № 4, pp. 733-748, doi: 10.1007/s40565-017-0368-y.
9. Hongsheng Xu, Jinyu Wen, Senior Member, CSEE, Qinran Hu, Jiao Shu, Jixiang Lu, Zhihong Yang, Energy Procurement and Retail Pricing for Electricity Retailers via Deep Reinforcement Learning with Long Short-term Memory, CSEE Journal of Power and Energy Systems, 2022, vol. 8, № 5, pp. 1338-1351. https://ieeexplore.ieee.org/document/9713968
10. Yuankun Liu, Dongxia Zhang, Hoay Beng Gooi, Data-driven Decision-making Strategies for Electricity Retailers: A Deep Reinforcement Learning Approach, Csee Journal of Power and Energy Systems, 2021, vol. 7, № 2, pp 358-367. https://ieeexplore.ieee.org/document/9215156
11. Leandro J. Cesini Silva, Cindy P. Guzman, Marcos J. Rider, Contracting Strategy for Consumers with Distributed Energy Resources in the Liberalized Electricity Market, ACCESS 2022, vol. 10, pp. 80437- https://ieeexplore.ieee.org/document/9844706.
12. Євдокімов В.А., Іванов Г.А. Методи визначення обсягів та цін на електричну енергію в контрактах в умовах лібералізованого ринку, Моделювання та інформаційні технології, 2017, Вип. 81. С. 142-152. DOI: http://nbuv.gov.ua/UJRN/Mtit_2017_81_22
13. Саух С.Є., Клюзко О.І. Модель оптимізації портфеля купівлі-продажу електричної енергії компанією-постачальником, Електронне моделювання між. наук.-теор. журн. Ін-т проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України ISSN 2616-9525 (online) 2024, № С. 3-21. DOI:https://doi.org/10.15407/emodel.46.03
14. Саух С.Є., Клюзко О.І. Прогнозування обсягів споживання електроенергії в умовах ракетно-дронових атак на енергосистему, Електронне моделювання між. наук.-теор. журн. Ін-т проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України ISSN 2616-9525 (online) 2024, № 5. С. 87-104. DOI: https://doi.org/10.15407/emodel.47.05.087