Математична модель використання електричної енергії підприємствами чернігівської області
DOI:
https://doi.org/10.31548/energiya1(83).2026.055Ключові слова:
електрична енергія, регресійний аналіз, математична модель, прогноз, промисловість, Чернігівська областьАнотація
У статті досліджено динаміку використання електричної енергії підприємствами Чернігівської області та наведено прогноз обсягів споживання електричної енергії на 2026 рік. Актуальність дослідження зумовлена необхідністю підвищення ефективності управління енергоресурсами підприємств в умовах економічної нестабільності, що спричинена повномасштабною війною в Україні та глобальною енергетичною кризою. Саме тому питання планування енергоспоживання, забезпечення безперервності виробничих процесів та підвищення енергоефективності набувають особливого значення для стабільного функціонування регіональної економіки Чернігівської області. Метою даного дослідження є побудова математичної моделі та прогнозування використання електричної енергії підприємствами Чернігівської області на основі статистичних даних за період 2016 – 2024 роки. Для проведення даного дослідження використовувалися офіційні дані Державної служби статистики України щодо обсягів використання електроенергії на виробничо-експлуатаційні та господарські потреби підприємств без урахування електроенергії, відпущеної населенню. Для аналізу використано методи описової статистики, кореляційного та регресійного аналізу із застосуванням табличного процесора Microsoft Excel. У результаті аналізу кореляційного поля розглянуто кілька видів регресійних моделей. Найбільш придатною виявилася поліноміальна функція третього степеня з коефіцієнтом детермінації R² = 0,9303, що свідчить про високий рівень узгодженості моделі з емпіричними даними. На основі побудованої емпіричної поліноміальна моделі отримано точковий прогноз обсягу споживання електричної енергії на 2026 рік, який становить 724274 тис. кВт-год. Результати дослідження можна використати для планування підвищення ефективності управління енергоресурсами Чернігівської області. Перспективи подальших наукових досліджень полягають у розширенні моделі, шляхом врахування домінуючих факторів, та застосування методів машинного навчання.
Отримано 2025-11-27
Доопрацьовано 2026-01-31
Прийнято 2026-02-11
Посилання
1. Debnath, K., Mourshed, М. (2018). Forecasting methods in energy planning models. Renewable and Sustainable Energy Reviews, Vol. 88. pp. 297-325. https://doi.org/10.1016/j.rser.2018.02.002
2. Habbak, H., Mahmoud, M., Metwally, K., Fouda, M. M., & Ibrahem, M. I. (2023). Load forecasting techniques and their applications in smart grids. Energies, Vol. 16, № 3. 1480. DOI: https://doi.org/10.3390/en16031480.
3. Holt, C. C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International Journal of Forecasting, Vol. 20. pp. 5–10.
4. Lindberg, K. B., Seljom, P., Madsen, H., Fischer, D., & Korpås, M. (2019). Long-term electricity load forecasting: Сurrent and future trends. Utilities Policy, Vol. 58. p. 102-119. DOI: https://doi.org/10.1016/j.jup.2019.04.001.
5. Mamun, A., Sohel, M., Mohammad, N., Haque, S., Dipta, R., & Hossain, E. (2020). A comprehensive review of the load forecasting techniques using single and hybrid predictive models. IEEE Access, Vol. 8. pp. 134911-134939. DOI: https://doi.org/10.1109/ACCESS.2020.3010702.
6. Malik, H., Fatema, N., Atif, I. (2021). Intelligent data-analytics for condition monitoring. Academic Press, 252 р.
7. Misiurek, K., Olkuski, T., Zyśk, J. (2025). Review of methods and models for forecasting electricity consumption. Energies, Vol. 18, № 15. 4032. https://doi.org/10.3390/en18154032.
8. González, G., Schwenzer, J., Steens, T., Breuing, J. (2024). Electricity demand forecasting with hybrid classical statistical and machine learning algorithms: Case study of Ukraine. Applied Energy, Vol. 355. 122249. https://doi.org/10.1016/j.apenergy.2023.122249
9. Phan, D., Minh, A., Ba, H. et al. (2024). Using Linear Regression Analysis to Predict Energy Consumption. PREPRINT (Version 1) available at Research Square. https://doi.org/10.21203/rs.3.rs-4590592/v1.
10. Park, M. J., Yang, H. S. (2024). Comparative study of time series analysis algorithms suitable for short-term forecasting in implementing demand response based on AMI. Sensors, Vol. 24, № 22. 7205. DOI: https://doi.org/10.3390/s24227205.
11. Szostek, K., Mazur, D., Drałus, G., & Kusznier, J. (2024). Analysis of the effectiveness of ARIMA, SARIMA, and SVR models in time series forecasting: A case study of wind farm energy production. Energies. Vol. 17, № 19. 4803. DOI: https://doi.org/10.3390/en17194803.
12. Sarker, M. T., Alam, M. J., Ramasamy, G., & Uddin, M. N. (2024). Energy demand forecasting of remote areas using linear regression and inverse matrix analysis. International Journal of Electrical and Computer Engineering. DOI: http://doi.org/10.11591/ijece.v14i1. Р. 129-139.
13. Gerasymenko, V., Kozyrskyi, V., Maiborodina, N., & Kovalov, O. (2019). Mathematical model changing the value of the process of leakage current in 0.38 kV networks. In: Nadykto V. (ed.). Modern Development Paths of Agricultural Production. Springer, DOI: https://doi.org/10.1007/978-3-030-14918-5_35.
14. Gerasymenko, V., Vasylenko, V., Maiborodina, N., Kozyrskyi, V., & Kovalov, O. Development of an intelligent forecasting unit for the protection device against leakage currents in electric motors. In Proceedings of the 17th International Conference on the Experience of Designing and Application of CAD Systems (CADSM). pp. 1-4. Jaroslaw, Poland, 2023. DOI: https://doi.org/10.1109/CADSM58174.2023.10076495.
15. Derzhavna sluzhba statystyky Ukrainy [State Statistics Service of Ukraine]. Retrieved from: https://stat.gov.ua/uk
16. Maiborodina, N. V. (2021). Ekonometryka [Econometrics]: Nizhyn: PP Lysenko M.M.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Енергетика і автоматика
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution-NonCommercial 4.0 International License.
Усі матеріали поширюються на умовах ліцензії Creative Commons Attribution 4.0 International Public License, що дозволяє іншим розповсюджувати рукопис із визнанням авторства роботи та першої публікації в цьому журналі.
