Forecasting electricity tariff rates is necessary for large suppliers, consumers, and power brokers working in the wholesale markets. Meanwhile, tariff rates of the retail market are also hourly changed for certain groups of electricity consumers. It creates more efficient electrical load regulation opportunities than the traditional load leveling approach. Power facilities that include controlled load consumers or local generation can use their capabilities by adjusting the load curve according to tariff rates. This work aims to study the potential for medium-term forecasting of retail electricity tariff rates and develop a predictive machine learning model. Hourly data on the retail market tariffs of the Novo-sibirsk region (Siberia) for four years were collected, several machine learning models were applied, and an analysis of the input parameters for forecasting was carried out. The most significant results are the proof of the possibility of obtaining the month ahead electricity tariff rate forecast with the mean absolute percentage error 4 %. It could be used for electricity costs reduction by regulating the load curve. It was shown that the discrete models based on ensembles of logical rules give higher accuracy than models based on continuous and piecewise continuous functions, such as neural networks. The significance of the obtained results is the proposed approach for month ahead electricity tariff rates forecasting, which was verified on a four-year dataset with an error of 4 %. The approach is based on open data and open-source machine learning models, which allow specialists with even a basic level of data science skills to put it into practice.

Prognoza tarifelor pe piețele de energie electrică este necesară pentru ca marii furnizori, consumatori și intermediari să lucreze pe piețele angro. Scopul lucrării este de a studia potențialul de prognoză pe termen mediu a tarifelor de energie electrică cu amănuntul și de a dezvolta un model predictiv bazat pe machine learning. Pentru a atinge acest obiectiv, timp de trei ani au fost colectate date orare privind tarifele pieței cu amănuntul din regiunea Novosibirsk (Siberia, FR), au fost studiate o serie de modele de învățare automată, precum și o analiză a caracteristicilor necesare pentru a forma o prognoză. Cele mai semnificative rezultate sunt fundamentarea posibilității de a obține o prognoză a tarifului de energie electrică pentru o lună înainte cu o eroare medie de 4% atunci, când este utilizată pentru reducerea costurilor de energie electrică prin reglarea graficului de sarcină și identificarea faptului, că modelele discrete pe baza ansamblurilor de reguli logice oferă pentru problema dată o precizie mai mare decât modelele bazate pe funcții continue și continue pe porțiuni, cum ar fi rețelele neuronale. Semnificația rezultatelor obținute constă în faptul, că a fost propusă și verificată pe un eșantion de date timp de trei ani o abordare a creării unui model de prognozare a tarifelor de energie electrică de pe piața cu amănuntul, dând o eroare medie de prognoză pentru o lună înainte de 4-5%, abordarea se bazează pe utilizarea datelor deschise (open source) și a modelelor machine learning, ceea ce va permite specialiștilor, chiar și cu un nivel de bază de abilități de procesare a datelor, să o aplice în practică.

Прогнозирование ставок тарифов на рынках электроэнергии необходимо крупным постав-щикам, потребителям и посредникам для работы на оптовых рынках. В то же время и на розничных рын-ках ставка тарифа для определенных групп потребителей электроэнергии меняется каждый час, что со-здает возможности более эффективного регулирования электрической нагрузки, чем традиционный под-ход по ее выравниванию. Объекты энергетики, которые имеют в своей электроэнергетической системе потребители-регуляторы или источники собственной генерации, могут использовать их, подстраивая график электропотребления под изменение ставок тарифа. Целью работы является исследование потен-циала среднесрочного прогнозирования ставок тарифа на электроэнергию розничного рынка и разработ-ка прогнозной модели на базе машинного обучения. Для достижения поставленной цели были собраны почасовые данные о тарифах розничного рынка Новосибирской области (Сибирь) за три года, проведено исследование ряда моделей машинного обучения, а также анализ признаков, необходимых для формиро-вания прогноза. Наиболее существенными результатами являются обоснование возможности получения прогноза ставки тарифа на электроэнергию на месяц вперед со средней ошибкой 4 % при использовании для снижения затрат на электроэнергию путем регулирования графика нагрузки и выявление того, что дискретные модели, основанные на ансамблях логических правил, дают в данной задаче более высокую точность, чем модели, основанные на непрерывных и кусочно-непрерывных функциях, такие как нейронные сети. Значимость полученных результатов заключается в том, что предложен и верифициро-ван на выборке данных за три года подход к созданию модели для прогнозирования ставок тарифа на электроэнергию розничного рынка, дающий среднюю ошибку прогноза на месяц вперед 4-5 %; подход основан на использовании открытых данных и моделей машинного обучения с открытым исходным ко-дом, что позволит применять его на практике специалистам даже с базовым уровнем навыков в обработ-ке данных.