Сравнительное статистическое моделирование динамических рядов при прогнозировании суточного электропотребления на языках Python, R, C#, C++, Go, Java

А. Э. Дзгоев, Сян Хуа, А. Д. Лагунова, Я. А. Копылова, Д. В. Морозов, Я. В. Мажей, А. В. Брайловский, Д. А. Юдин, Р. Аллабергенов

---

Аннотация. Прогнозирование электропотребления является для энергокомпаний важным инструментом обеспечения стабильности и экономической эффективности работы энергосистемы государства. Для крупных промышленных предприятий корректный прогноз позволяет оптимизировать производственные затраты и избежать финансовых потерь из-за небалансов и высоких тарифов на электроэнергию.

Цель исследования – построить подробный пошаговый алгоритм по разработке адекватной математической модели для почасового прогнозирования электропотребления на предприятии, используя способ статистического анализа динамических рядов на различных языках программирования.

Материалы и методы. Алгоритм моделирования и прогнозирования основан на классическом методе наименьших квадратов (МНК) для малой выборки данных, а также на методе скользящей матрицы. Математический аппарат метода обработки данных был реализован с применением инженерного программного продукта Mathcad Express. Показаны особенности реализации метода обработки данных с помощью современных языков программирования: Python, R, C#, C++, Go и Java.

Результаты. Авторами был реализован алгоритм расчета суточного прогнозирования электропотребления по классическому методу скользящей матрицы на языках программирования Python, R, C#, C++, Go и Java для последующего сравнения программного кода. Показаны результаты сравнения программных реализаций алгоритма прогнозирования по следующим критериям: количество строк и время выполнения кода, использование внешних ресурсов, поддержка параллелизма, объем кода (в символах). На конкретных примерах было показано, что выбор языка программирования зависит от решаемой исследователями и разработчиками задачи. Статистически доказана адекватность разработанной регрессионной модели и проведена проверка качества уравнения. Рассчитаны доверительные интервалы коридора ошибок прогнозной модели.

Выводы. Проведенное исследование показало, что задача системного анализа данных и прогнозирования электропотребления эффективно решена на языке программирования Python. Программный код реализации классического метода скользящей матрицы представлен в открытом репозитории на GitHub по ссылке: https://github.com/CollaborativeProgrammingTeam/Method-of-Classicalsliding-matrix.

Ключевые слова: классический метод скользящей матрицы, математическая статистика, адекватная регрессионная модель, оценка качества, прогнозирование электропотребления, сравнение языков программирования, задача регрессии, сравнительная программная реализация

Для цитирования. Дзгоев А. Э., Сян Хуа, Лагунова А. Д., Копылова Я. А., Морозов Д. В., Мажей Я. В., Брайловский А. В., Юдин Д. А., Аллабергенов Р. Сравнительное статистическое моделирование динамических рядов при прогнозировании суточного электропотребления на языках Python, R, C#, C++, Go, Java // Известия Кабардино-Балкарского научного центра РАН. 2026. Т. 28. № 1. С. 39–56. DOI: 10.35330/1991-6639-2026-28-1-39-56

©   Дзгоев А. Э., Сян Хуа, Лагунова А. Д., Копылова Я. А., Морозов Д. В., Мажей Я. В., Брайловский А. В., Юдин Д. А., Аллабергенов Р., 2026

Список литературы

1. Hota H. S., Handa R., Shrivas A. K. Time series data prediction using sliding window based rbf neural network // International Journal of Computational Intelligence Research. 2017. Vol. 13. No. 5. Pp. 1145–1156.
2. Zhan Z., Kim S.K. Versatile time-window sliding machine learning techniques for stock market forecasting // Artificial Intelligence Review. 2024. Vol. 57. ID. 209. DOI: 10.1007/s10462-024-10851-x
3. Dalal S., Lilhore U.K., Seth B. et al. A hybrid model for short-term energy load prediction based on transfer learning with lightgbm for smart grids in smart energy systems //Journal of Urban Technology. DOI: 10.1080/10630732.2024.2380639
4. Кольвах В. Ф. Прогнозирование сложных процессов с помощью комбинированных рядов: учебное пособие. Владикавказ: СКГМИ (ГТУ), 2006. 214 с.
5. Лапушкин М. К. Прогнозирование потребления электроэнергии на базе данных о регистрации электромобилей // Исследования молодых ученых: материалы LXXXII Международной научной конференции (г. Казань, май 2024 г.). Казань: Молодой ученый, С. 65–75. EDN: UIPBFW
6. Chen A., Pan Z., Liu J. et al. Study on forecasting electricity consumption based on statistical modeling // Journal of Physics Conference Series. 2025. Vol. 3012. No. 1. P. 012067. DOI: 10.1088/1742-6596/3012/1/012067
7. ГрамовичЯ. В., МусатовД. Ю., Петрусевич Д. А. Применение беггинга в прогнозировании временных рядов // Russian Technological Journal. 2024. Vol. 12. No. 1. Pp. 101−110. DOI: 10.32362/2500-316X-2024-12-1-101-110
8. Дзгоев А. Э. Методы обработки и анализа данных для разработки предиктивных моделей: учебное пособие. М.: РТУ МИРЭА, 2024. 147 с.
9. Zhang W., Liu J., Deng W. et al. AMTCN: An attention-based multivariate temporal convolutional network for electricity consumption prediction // Electronics. 2024. Vol. 13. P. 4080. DOI: 10.3390/ electronics13204080
10. Кассем С. А., Ибрагим А. Х. А., Хасан А. М., Логачева А. Г. Прогнозирование электропотребления предприятия с применением искусственных нейронных сетей // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2021. Т. 7. № 1(25). С. 177–193. DOI: 10.21684/2411-7978-2021-7-1-177-193
11. Глазырин А. С., Боловин Е. В., Архипова О. В. и др. Адаптивное краткосрочное прогнозирование потребления электроэнергии автономными энергосистемами малых северных
    поселений на основе методов ретроспективного регрессионного анализа // Известия Томского политехнического университета. Инжиниринг георесурсов. 2023. Т. 334. № 4. С. 231–248. DOI: 10.18799/24131830/2023/4/4213
12. Yu K., Cao J., Chen X. et al. Residential load forecasting based on electricity consumption pattern clustering // Frontiers in Energy Research. 2023. Vol. 10. P. 1113733. DOI: 10.3389/fenrg.2022.1113733
13. Yuan B., He B., Yan J. et al. Short-term electricity consumption forecasting method based on empirical mode decomposition of long-short term memory network // IOP Conf. Series: Earth
    and Environmental Science. 2022. Vol. 983. P. 012004. DOI: 10.1088/1755-1315/983/1/012004
14. Бортник Д. В., Орлов А. И. Сравнение архитектур нейронных сетей в задаче прогнозирования потребления электроэнергии предприятием // Вестник Чувашского университета. № 4. С. 57–65. DOI: 10.47026/1810-1909-2023-4-57-65
15. Алкацев М. И., Дзгоев А. Э., Бетрозов М. С. Исследование и разработка метода прогнозирования потребления электроэнергии в системе управления электроснабжением региона // Известия высших учебных заведений. Проблемы энергетики. 2012. № 5-6. С. 30–37. EDN: PCYGBL
16. Колтыгин Д. С., Зеленков И. А. Анализ производительности сортировки массивов данных при использовании языков программирования разных уровней // Труды Братского государственного университета. Серия: естественные и инженерные науки. 2024. Т. 1. С. 17–21. EDN: BLFPMT
17. Мирзоева К. А. Методика обучения языков программирования Phyton, C++ и их сравнение // Society and innovations. 2022. Т. 3. № 3. С. 126–133. DOI: 10.47689/2181-1415-vol3-iss3-pp126-133
18. Dzizinskaya D.V., Ledneva O.V., Tindova M.G., Yazykova S.V. Forecasting electricity consumption time series in the R programming environment // Journal of Applied Informatics. Vol. 20. No. 2. Pp. 126–143. DOI: 10.37791/2687-0649-2025-20-2-126-143
19. Иванов А. А. Справочник по электротехнике. Киев: Вища школа, 1972.
20. Кухлинг Х. Справочник по физике: пер. с нем. М.: Мир, 1982. 520 с.
21. Войтенкова Е. Д., Дзгоев А. Э. Среднесрочное прогнозирование электропотребления бюджетной образовательной организации с помощью метода скользящей матрицы // В сборнике:
    Информационные технологии интеллектуальной поддержки принятия решений (памяти проф. Н. И. Юсуповой). ITIDS’2024. 2024. С. 242–248.

Информация об авторах

Дзгоев Алан Эдуардович, канд. техн. наук, доцент, доцент кафедры «Цифровая трансформация», Институт 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
Сян Хуа, канд. техн. наук, помощник директора Управления международного сотрудничества Пекинского политехнического института, стар. науч. сотр. Института машиностроения Пекинского политехнического института;
100081, Китайская народная республика, Пекин, ул. Чжунгуаньцунь, 5, Вэйгунцунь, Бэй Цзин Ши, район Хайдянь;
huaxiang@bit.edu.cn, ORCID: https://orcid.org/0000-0003-4429-1893
Лагунова Анна Дмитриевна, канд. экон. наук, доцент, заведующий кафедрой «Цифровая трансформация», Институт информационных технологий МИРЭА – Российский технологический университет;
119454, Россия, Москва, проспект Вернадского, 78;
lagunova@mirea.ru, ORCID: https://orcid.org/0000-0003-3572-8192, SPIN-код: 4067-3038
Копылова Яна Антоновна, ассистент кафедры «Цифровая трансформация», Институт информационных технологий МИРЭА – Российский технологический университет;
119454, Россия, Москва, проспект Вернадского, 78;
kopylova_y@mirea.ru, ORCID: https://orcid.org/0009-0001-0060-6753, SPIN-код: 4909-1501
Морозов Даниил Владимирович, ассистент кафедры «Цифровая трансформация», Институт информационных технологий МИРЭА – Российский технологический университет;
119454, Россия, Москва, проспект Вернадского, 78;
morozov_dav@mirea.ru, ORCID: https://orcid.org/0009-0005-5187-4124, SPIN-код: 6133-0974
Мажей Ярослав Владимирович, ассистент кафедры «Цифровая трансформация», Институт информационных технологий МИРЭА – Российский технологический университет;
119454, Россия, Москва, проспект Вернадского, 78;
mazhej@mirea.ru, ORCID: https://orcid.org/0009-0003-9115-2295, SPIN-код: 5038-3572
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
Юдин Дмитрий Александрович, студент по направлению подготовки «Программная инженерия», Институт информационных технологий МИРЭА – Российский технологический университет;
119454, Россия, Москва, проспект Вернадского, 78;
yudin.d.a@edu.mirea.ru, ORCID: https://orcid.org/0009-0005-9587-2016
Аллабергенов Руслан, студент по направлению подготовки «Программная инженерия», Институт информационных технологий МИРЭА – Российский технологический университет;
119454, Россия, Москва, проспект Вернадского, 78;
ruslan_tm2003@mail.ru, ORCID: https://orcid.org/0009-0002-5525-6524

Финансирование

Исследование проведено без спонсорской поддержки.