Прогнозирование нагрузки на каждый час суток с помощью PatchTST и Temporal Fusion Transformer: сравнительный системный анализ с традиционными методами бустинга (CatBoost) и нейросетевыми моделями на базе N-HiTS

А. Э. Дзгоев, Е. В. Климкин, В. В. Черняускас, А. В. Брайловский, Р. Н. Резеньков

---

Аннотация. В современных условиях динамичного поведения спроса и влияния внешних факторов традиционные статистические авторегрессионные методы моделирования (ARIMA, SARIMAX) часто уступают место алгоритмам машинного обучения (Gradient Boosting) и современным архитектурам глубокого обучения (Transformers).
Цель исследования – решение задачи выбора лучшей модели прогнозирования электропотребления на каждый час следующих суток в условиях ограниченности информации с применением современных методов машинного и глубокого обучения: CatBoost, Temporal Fusion Transformer (TFT), PatchTST, N‑HiTS.
Материалы и методы исследования. Код программы написан на языке Python и представлен на открытой платформе GitHub по адресу: https://github.com/KEV0143/Comparative-analysis-ofhourly-load-forecasting-using-PatchTST-TFT-NHiTS-and-CatBoost.
Результаты. В рамках каждого из рассматриваемых методов разработаны новые качественные и адекватные математические модели для прогнозирования электропотребления. Важный математический результат состоит в том, что решение задачи – прогнозирование электропотребления для управления энергосбережением на предприятии – сведено к научно обоснованному выбору одной лучшей модели, что важно с точки зрения как теоретического исследования алгоритмов современного машинного и глубокого обучения моделей, так и их практического применения, учитывая возрастающий объем данных. Задача является значимой для целей оптимизации расхода электроэнергии на предприятии и в регионе в целом.
Заключение. В результате проведенного теоретического анализа и вычислительного эксперимента на реальных данных энергетической компании Российской Федерации получен важный практический вывод о применимости модели CatBoost для решения задач оптимизации расхода электроэнергии на предприятиях. Все полученные в статье выводы подтверждаются результатами проведенных статистических тестов.

Ключевые слова: системный анализ моделей, математическая статистика, краткосрочное прогнозирование, потребление электроэнергии, сравнительный системный анализ, машинное обучение, глубокое обучение, CatBoost, Temporal Fusion Transformer (TFT), PatchTST, N‑HiTS

Для цитирования. Дзгоев А. Э., Климкин Е. В., Черняускас В. В., Брайловский А. В., Резеньков Р. Н. Прогнозирование нагрузки на каждый час суток с помощью PatchTST и Temporal Fusion Transformer: сравнительный системный анализ с традиционными методами бустинга (CatBoost) и нейросетевыми моделями на базе N-HiTS // Известия Кабардино-Балкарского научного центра РАН. 2026. Т. 28. № 3. С. 49–70. DOI: 10.35330/1991-6639-2026-28-3-49-70

©  Дзгоев А. Э., Климкин Е. В., Черняускас В. В., Брайловский А. В., Резеньков Р. Н., 2026

Список литературы

1. Карпенко С. М., Карпенко Н. В., Ематин Е. А., Марат Ш. Планирование электропотребления промышленного предприятия в условиях оптового рынка электроэнергии // Энергобезопасность и энергосбережение. 2024. № 6. С. 35–40. EDN: CKFPVC
2. Карпенко С. М., Карпенко Н. В., Ематин Е. А., Джунджу Д. Многофакторный статистический анализ показателей оптового рынка электроэнергии (на примере ценовой зоны) // Энергобезопасность и энергосбережение. 2024. № 4. С. 37–42. EDN: QBTQHW
3. Бык Ф. Л., Мышкина Л. С. Экономическая эффективность современной электроэнергетики // Энергетик. 2022. № 1. С. 17–21. EDN: OGTFOW
4. Hong T., Fan S. Probabilistic electric load forecasting: A Tutorial Review. International Journal of Forecasting. 2016. Vol. 32. No. 3. Pp. 914–938. DOI: 10.1016/j.ijforecast.2015.11.011
5. Dudek G. Pattern-based local linear regression models for short-term load forecasting. Electric Power System Research. 2016. No. 130. Pp. 139–147. DOI: 10.1016/ j.epsr.2015.09.001
6. Gochhait S., Sharma D.K. Regression model-based short-term load forecasting for load despatch centre. Journal of Applied Engineering and Technological Science. 2023. Vol. 4(2). Pp. 693–710. DOI: 10.37385/jaets.v4i2.1682
7. Lee M.H.L., Ser Y.C., Selvachandran G., Pham T.H. A comparative study of forecasting electricity consumption using machine learning models. Mathematics. 2022. Vol. 10. Article DOI: 10.3390/math10081329
8. Dayarathna M., Wen Yo., Fan Rui. Data center energy consumption modeling: a survey. IEEE Communications Surveys & Tutorials. 2016. Vol. 18. No. 1. DOI: 10.1109/COMST.2015.2481183
9. Mughees M., Li Y., Chen Y., Li Y.R. Short-term load forecasting for ai-data center. IEEE PES General Meeting 2025. Electrical Engineering and Systems Science. 2025. DOI: 10.48550/arXiv.2503.07756
10. Ye Z., Gao W., Hu Q. et al. Deep learning workload scheduling in GPU datacenters: A survey. ACM Computing Surveys. 2024. Vol. 56. No. 6. Pp. 1–38. DOI: 10.1145/3638757
11. Munkhammar J., Meer D., Widén J. Very short term load forecasting of residential electricity consumption using the Markov-chain mixture distribution (MCM) model. Applied Energy. 282(A):116180. DOI: 10.1016/j.apenergy.2020.116180
12. Hippert H.S., Pedreira C.E., Souza R.C. Neural networks for short-term load forecasting: a review and evaluation. IEEE Transactions on Power Systems. Vol. 16. No. 1. Pp. 44–55. DOI: 10.1109/59.910780
13. Sailor D.J., Munoz J.R. Sensitivity of electricity and natural gas consumption to climate in the U.S.A. Methodology and results for eight states. Energy. 1997. Vol. 22. No. 10. Pp. 987–998. DOI: 10.1016/S0360-5442(97)00034-0
14. Hong T., Pinson P., Fan S. et al. Probabilistic energy forecasting: global energy forecasting competition 2014 and beyond. International Journal of Forecasting. 2016. Vol. 32. No. 3. Pp. 896–913. DOI: 10.1016/j.ijforecast.2016.02.001
15. Wang A., Yu Q., Wang J. et al. Electric load forecasting based on deep ensemble learning. Applied Sciences. 2023. Vol. 13. No. 17. P. 9706. DOI: 10.3390/app13179706
16. Lim B., Arık Ö.S., Loeff N., Pfister T. Temporal fusion transformer for interpretable multi-horizon time series forecasting. International Journal of Forecasting. 2021. Vol. 37. No. 1. DOI: 10.1016/j.ijforecast.2021.03.012
17. Challu C., Olivares K.G., Oreshkin B.N. et al. N‑HiTS: Neural hierarchical interpolation for time series forecasting. Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 37. No. 6. Pp. 6989–6997. DOI: 10.48550/arXiv.2201.12886
18. Ahmad H., Mortazavi S.K., Bahnasawi M.E. et al. Enhanced time series forecasting: integrating PatchTST with BERT Layers. Conference: 5th International Conference on Applied Mathematics & Computer Science (ICAMCS 2025). At: Venice, Italy, September 27–29, 2025. DOI: 10.1109/ICAMCS62774.2024.00014
19. Dorogush A.V., Ershov V., Gulin A. Catboost: gradient boosting with categorical features support. DOI: 10.48550/arXiv.1810.11363.2018
20. Lim B., Arık S.Ö., Loeff N., Pfister T. Temporal fusion transformer for interpretable multi-horizon time series forecasting. International Journal of Forecasting. Vol. 37. No. 4. Pp. 1748–1764. DOI: 10.1016/j.ijforecast.2021.03.012.
21. Nie Y., Nguyen N.H., Sinthong P., Kalagnanam J. A time series is worth 64 words: longterm forecasting with transformers (PatchTST). Proceedings of the International Conference on Learning Representations. International Conference on Learning Representations ICLR 2023. https://arxiv.org/pdf/2211.14730.pdf

Информация об авторах

Дзгоев Алан Эдуардович, канд. техн. наук, доцент, доцент кафедры «Цифровая трансформация» Института информационных технологий, МИРЭА – Российский технологический университет;
119454, Россия, Москва, проспект Вернадского, 78;
dzgoev@mirea.ru, ORCID: https://orcid.org/0000-0002-1314-6151, SPIN-код: 8092-8784
Климкин Егор Владимирович, студент, кафедра прикладной математики, Институт информационных технологий, МИРЭА – Российский технологический университет;
119454, Россия, Москва, проспект Вернадского, 78;
KlimkinEVK@yandex.ru, ORCID: https://orcid.org/0009-0001-3876-3041
Черняускас Владислав Витаутович, ст. преподаватель кафедры «Цифровая трансформация», Институт информационных технологий, МИРЭА – Российский технологический университет;
119454, Россия, Москва, проспект Вернадского, 78;
chernyauskas-vladislav@yandex.ru, ORCID: https://orcid.org/0009-0002-8438-3418, SPIN-код: 5867-6366
Брайловский Андрей Валерьевич, ассистент кафедры «Цифровая трансформация», Институт информационных технологий, МИРЭА – Российский технологический университет;
119454, Россия, Москва, проспект Вернадского, 78;
brajlovskij@mirea.ru, ORCID: https://orcid.org/0009-0006-1794-7825, SPIN-код: 5900-1835
Резеньков Роман Николаевич, канд. техн. наук, доцент, доцент кафедры «Цифровая трансформация», Институт информационных технологий, МИРЭА – Российский технологический университет;
119454, Россия, Москва, проспект Вернадского, 78;
rezenkov@mirea.ru, ORCID: https://orcid.org/0009-0005-5542-2125

Финансирование

Исследование проведено без спонсорской поддержки.