Сташкевич Елена Владимировна, канд. техн. наук, доц., кафедра «Электроснабжение и электротехника», Иркутский национальный исследовательский технический университет, Иркутск, Россия; evstashkevich@yandex.ru. Айзенберг Наталья Ильинична, канд. экон. наук, старший научный сотрудник, Институт систем энергетики им. Л.А. Мелентьева СО РАН, Иркутск, Россия; ayzenberg.nata@gmail.com. Илюхин Илья Геннадьевич, магистрант гр. ЦЭм-19, кафедра «Электроснабжение и электротехника», Иркутский национальный исследовательский технический университет, Иркутск, Россия; ilyazenx@gmail.com. Elena V. Stashkevich, Cand. Sci. (Eng.), Ass. Prof., Department of Electrical Supply and Electrical Engineering, Irkutsk National Research Technical University, Irkutsk, Russia; evstashkevich@yandex.ru. Natalya I. Aizenberg, Cand. Sci. (Econ.), Ass. Prof., Senior Research Fellow, Melentiev Energy Systems Institute of SB RAS, Irkutsk, Russia; ayzenberg.nata@gmail.com. Ilya G. Ilyukhin, Master's Student gr. TsEm-19, Department of Power Supply and Electrical Engineering, Irkutsk National Research Technical University, Irkutsk, Russia; ilyazenx@gmail.com. Современная электроэнергетика характеризуется резко возросшим потреблением электро-энергии за последние десятилетия. Объясняется это рядом причин: технологических, социальных, экономических и др. Поэтому прогнозирование потребления электроэнергии имеет важное значение для множества процессов, включая планирование работы генерирующего оборудования, управление и оптимизацию режимов работы энергетических систем, а также является значимым аспектом в работе промышленных предприятий, так как отклонения для них грозят штрафами. В связи с этим одной из актуальных задач на рынке электроэнергии сегодня является прогнозирование электропотребления на определенный срок. В статье представлено описание модели микросети со встроенным блоком прогнозирования электропотребления и интеллектуального управления нагрузкой одновременно несколькими объектами, в том числе имеющими распределенную генерацию. Решение принимается на сутки вперед, формируя стратегию профиля генерации и управления электроприемниками. Такой тайминг диктуется информацией, имеющейся у интеллектуальной системы: прогноз спроса и цены на электроэнергию централизованной энергосистемы на каждый час следующих суток. Описаны особенности переключения в пиковое время на дополнительные источники электроэнергии, распределение по микро-сетям. Прогноз реализован с помощью модели Хольта – Винтерса из библиотеки statsmodels (Python 3). Модель использует идеи экспоненциального сглаживания, но является более сложной и может применяться к рядам, содержащим тенденцию и сезонность. Обученная модель прогнозирует с точностью 95,21 %. A characteristic feature of the modern electric power industry in recent decades is the sharp increase in electricity consumption. This can be explained by technological, social, economic, and other reasons. Therefore, the forecasting of electricity consumption is important for many processes, including the planned operation of generating equipment and managing and optimizing the operating modes of energy systems. It is also a significant aspect in the operation of industrial enterprises, since breaches can result in fines. One of the urgent tasks in the electricity market today is the forecasting of electricity consumption for a certain period. The article presents a description of a microgrid model with a built-in block for predicting power consumption, as well as intelligent load control for several objects at the same time, including those with distributed generation. Decisions are made the previous day, in order to forme stra-tegies or the generation profile and control of power receivers. This timing is dictated by the information available to the intelligent system. This information includes forecast of demand and electricity prices of the centralized energy sys-tem for every hour of the next day. The process of switching at peak time to additional sources of electricity, distribution over microgrids is also described. The forecast was implemented using the Holt-Winters model from the statsmodels library (Python 3). The model uses the ideas of exponential smoothing, but is more complex and can be applied to series containing trend and seasonality. The trained model predicts with 95.21% accuracy. Работа выполнена в рамках государственного задания Министерства науки и высшего образования Российской Федерации (код проекта: FZZS-2020-0039) и в рамках государственного задания (№ FWEU-754-2021-0001) Программы фундаментальных исследований Российской Федерации на 2021–2030 годы. This work was carried out under the State Assignment of Ministry of Science and Higher Education of the Russian Federation (project code: FZZS-2020-0039) and out under the State Assignment Project (No. FWEU-754-2021-0001) of the Fundamental Research Program of the Russian Federation 2021–2030.