Данная работа посвящена исследованию возможности и преимуществ прогнозирования цен на оптовом рынке электроэнергии в России для потребителей рынка на сутки вперед. Задачи, которые решались в ходе исследования: 1. Анализ структур рынка электроэнергии в РФ. 2. Особенности функционирования рынка на сутки вперёд (РСВ). 3. Прогнозирование цен электрической энергии на РСВ эконометрическим методом. 4. Описание специфики данных и применения методов машинного обучения с целью предсказания цен на электроэнергию. 5. Практический пример применения градиентного бустинга как алгоритма машинного обучения. 6. Оценка качества построенных в ходе работы моделей и их сравнение между собой. 7. Оценка экономической эффективности применения модели машинного обучения. Работа проведена относительно данных от ключевых организаций, благодаря которым в РФ возможны конкурентные условия ценообразования на электроэнергию – АО «АТС» и ассоциации НП «Совет рынка», откуда была собрана большая часть необходимых фактических данных по организации рыночных отношений на оптовом рынке электроэнергии, правилам и особенностям участия на рынке на сутки вперед (РСВ), а также суточные индексы и объемы РСВ. В результате была построена модель машинного обучения на базе алгоритма градиентного бустинга, оценка которого проводилась в сравнении с эконометрическим методом множественной регрессии и авторегрессии. Для модели с наилучшими показателями качества предсказанных цен была проведена оценка экономической эффективности ее внедрения на предприятие потребителя оптового рынка электроэнергии.

The given work is devoted to studying possibilities and advantages of forecasting prices on the wholesale electricity market in Russia for consumers of the day-ahead market. The research set the following goals: 1. Analyzing the structures of the electricity market in the Russian Federation. 2. Features of the day-ahead market (DAM) functioning. 3. Forecasting the prices of electric energy on the DAM by an econometric method. 4. Description of the data specifics and applying a machine learning method to predict electricity prices. 5. A practical example for the use of gradient boosting as a specific machine-learning algorithm. 6. Evaluation of the quality for the models built during the work and their comparison with each other. 7. Evaluation of the economic efficiency if using a machine-learning model. The work was fulfilled on data from key organizations, due to which competitive conditions for electricity pricing are possible in the Russian Federation. Trading System Administrator (TSA) JSC and the non-profit partnership Market Council association are organizations, from where was taken most of the necessary factual data about the organization of market relations in the wholesale electricity market, rules and peculiarities of participation in the day-ahead market (DAM), as well as daily indices and volumes from DAM. The study resulted into a machine-learning model based on the prebuilt gradient boosting algorithm, and then it was evaluated in comparison with the econometric method of multiple regression and autoregression. For the model with the best values of metrics of the quality for predicted prices, an evaluation was also made for the economic efficiency of its implementation at the consumer’s enterprise as the participant role of the wholesale electricity market.