Влияние точного прогнозирования нагрузки на стабильность электроэнергетического рынка Японии с использованием классических временных рядов и методов глубокого обучения

Почему завтрашний счет за электроэнергию начинается с сегодняшней оценки

Каждый час японские энергокомпании пытаются спрогнозировать, сколько электроэнергии будет потребляться на следующий день. Если прогноз завышен, деньги тратятся впустую на лишние мощности. Если он занижен, возникает дефицит и цены могут резко вырасти. В этом исследовании рассматривается, как разные подходы к «угадыванию» — от традиционной статистики до современных методов глубокого обучения — работают в девяти весьма различных регионах Японии и какую экономию и стабильность приносит повышение точности прогнозов.

Пэчворк электросистемы с очень разными потребностями

Энергетическая система Японии необычна. Она разделена на девять региональных рынков, которые не обмениваются электроэнергией свободно, и даже работают на двух частотах — 50 и 60 Гц. Северные области, такие как Хоккайдо и Тохоку, испытывают значительные зимние пики из‑за отопления, тогда как в южных регионах, например на Кюсю, летом скачок потребления связан с включением кондиционеров. Промышленные кластеры, плотные города и сельские районы имеют свои собственные шаблоны потребления. Поскольку каждый регион формирует свои цены, единый универсальный прогноз может не заметить эти местные ритмы, создавая как технические нагрузки, так и финансовые риски.

Три разных способа заглянуть в будущее

Исследователи сопоставили три класса инструментов прогнозирования, используя почасовые данные с 2019 по 2022 год для всех девяти регионов. Классическая статистическая модель (SARIMA) ищет повторяющиеся суточные и сезонные закономерности и продолжает их в будущее. Вероятностная модель (скрытая марковская модель) рассматривает спрос как переходящий между скрытыми «состояниями», например рабочими днями или праздничными, и оценивает вероятность каждого состояния. Сеть глубокого обучения (LSTM) учитcя сложным нелинейным взаимосвязям на больших объёмах исторических данных, захватывая долгосрочную память в эволюции спроса. Всем трем моделям ставилась задача прогнозировать спрос на час вперёд и на сутки вперёд в нормальных условиях и в стрессовых ситуациях: в день максимального спроса, в день минимального спроса и в крупный общенациональный праздник.

Разные регионы — разные победители

Результаты показывают, что универсального чемпиона нет. В загруженных городских регионах с сильно переменной нагрузкой модель глубокого обучения обычно показывает лучшие результаты, особенно в пиковые стрессовые дни. Например, в Токио в день максимального спроса LSTM заметно превзошла классическую SARIMA. В то же время в более стабильных промышленных регионах с ровными шаблонами более простая модель SARIMA часто сопоставима или лучше глубокого обучения, особенно в спокойные дни с низким спросом, когда доминируют регулярные циклы. Вероятностная модель на основе состояний редко выигрывала в обычных условиях, но проявляла себя лучше в нестандартные дни. В Тохоку в праздничный день, когда привычный ритм людей резко изменился, скрытая марковская модель оказалась наиболее точной.

От ошибок прогноза к реальным деньгам

Чтобы связать статистику с практическими последствиями, команда перевела ошибки прогноза в финансовые показатели, используя реальные региональные цены на рынке. Даже крошечные различия в точности складывались в значительные суммы. В регионе Чугоку преимущество в точности всего в 0,08 процентного пункта позволило избежать примерно 5,4 миллиона иен дополнительных затрат в один пиковый день. В Токио более большая разница в ошибках в день высокого спроса соответствовала дополнительной финансовой нагрузке примерно в 642 миллиона иен. В Тохоку выбор неверной модели в праздничный день мог стоить более 100 миллионов иен. Исследование также количественно оценивало интервалы неопределенности вокруг прогнозов, показав, что глубокое обучение обычно давало наиболее узкие и надёжные диапазоны, тогда как вероятностная модель во многих регионах несла наибольший риск широких интервалов.

Более умные решения для стабильной сети

Для неспециалиста ключевое сообщение просто: более точно адаптированные прогнозы делают эксплуатацию энергосистемы дешевле и безопаснее. Поведение регионов Японии слишком разное, чтобы один метод был лучшим везде и всегда. Глубокое обучение особенно эффективно там, где спрос сложен и быстро меняется; классическая статистика хорошо работает там, где шаблоны регулярны; модели на основе состояний помогают при резких сдвигах в поведении, например в праздники. Подбирая правильный инструмент для каждого региона и ситуации, энергокомпании могут сокращать затраты на десятки — сотни миллионов иен в день, снижать ценовые всплески и управлять сетью с большей уверенноcтью по мере перехода Японии к более гибкой и низкоуглеродной энергетике.

Цитирование: Rabie, D., Moradi, M., Xuan, W. et al. Impact of accurate load forecasting on electricity market stability in Japan using classical time-series and deep-learning methods. Sci Rep 16, 11781 (2026). https://doi.org/10.1038/s41598-026-46859-2

Ключевые слова: прогнозирование потребления электроэнергии, рынок электроэнергии Японии, глубокое обучение в энергетике, моделирование временных рядов, риски энергетического рынка