Список литературы: 1. Анциферов С. И., Булгаков С. Б., Карачевцева А. В., Тимашев М. В. Усовершенствованная конструкция струйной противоточной мельницы для горнорудной промышленности // Горный информационно-аналитический бюллетень. — 2022. — № 12-2. — С. 5—16. DOI: 10.25018/0236_1493_2022_122_0_5.
2. Голик В. И. Перспективное направление восстановления потенциала Садона (РСО– Алания) // Устойчивое развитие горных территорий. — 2022. — Т. 14. — № 1. — С. 68—75. DOI: 10.21177/1998-4502-2022-14-1-68-75.
3. Босиков И. И., Клюев Р. В., Майер А. В., Стась Г. В. Разработка метода анализа и оценки оптимального состояния аэрогазодинамических процессов на угольных шахтах // Устойчивое развитие горных территорий. — 2022. — Т. 14. — № 1. — С. 97—106. DOI: 10.21177/1998-4502-2022-14-1-97-106.
4. Вялкова С. А., Моргоева А. Д., Гаврина О. А. Разработка гибридной модели прогнозирования потребления электрической энергии для горно-металлургического предприятия // Устойчивое развитие горных территорий. — 2022. — Т. 14. — № 3. — С. 486—493. DOI: 10.21177/1998-4502-2022-14-3-486-493.
5. Моргоева А. Д., Моргоев И. Д., Клюев Р. В., Гаврина О. А. Прогнозирование потребления электрической энергии промышленным предприятием с помощью методов машинного обучения // Известия Томского политехнического университета. Инжиниринг георесурсов. — 2022. — Т. 333. — № 7. — C. 115—125. DOI: 10.18799/24131830/2022/7/3527.
6. Klyuev R. V., Morgoev I. D., Morgoeva A. D., Gavrina O. A., Martyushev N. V., Efremenkov E. A., Mengxu Q. Methods of forecasting electric energy consumption: A literature review // Energies. 2022, vol. 15, no. 23, article 8919. DOI: 10.3390/en15238919.
7. Бурянина Н. С., Королюк Ю. Ф., Малеева Е. И., Лесных Е. В. Линии электропередач с уменьшенным количеством проводов в горных территориях // Устойчивое развитие горных территорий. — 2018. — № 3. — С. 404—410. DOI: 10.21177/1998-4502-2018-103-404-410.
8. Zhukovskiy Y., Batueva D., Buldysko A., Shabalov M. Motivation towards energy saving by means of IoT personal energy manager platform // Journal of Physics: Conference Series. 2019, vol. 1333, no. 6, article 062033. DOI: 10.1088/1742-6596/1333/6/062033.
9. Капанский А. А. Методы решения задач оценки и прогнозирования энергетической эффективности // Вестник Казанского государственного энергетического университета. — 2019. — Т. 11. — № 2 (42). — С. 103—115.
10. Санаев Н. К., Тынянский В. П. Определение методом ранговой корреляции значимых факторов, влияющих на изнашивание деталей цилиндропоршневой группы // Вестник машиностроения. — 2018. — № 12. — С. 57—60.
11. Баловцев С. В., Скопинцева О. В., Куликова Е. Ю. Иерархическая структура аэрологических рисков в угольных шахтах // Устойчивое развитие горных территорий. — 2022. — Т. 14. — № 2. — С. 276—285. DOI: 10.21177/1998-4502-2022-14-2-276-285.
12. Wang Y., Zhang N., Chen X. A short-term residential load forecasting model based on LSTM recurrent neural network considering weather features // Energies. 2021, vol. 14, no. 10, article 2737. DOI: 10.3390/en14102737.
13. Gunkel P. A., Jacobsen H. K., Bergaentzlé C.-M., Scheller F., Andersen F. M. Variability in electricity consumption by category of consumer: The impact on electricity load profiles // International Journal of Electrical Power & Energy Systems. 2022, vol. 147, article 108852. DOI: 10.1016/j.ijepes.2022.108852.
14. Gagnon Ph., Hayashi Y. Theoretical properties of Bayesian Student-t linear regression // Statistics & Probability Letters. 2022, vol. 193, article 109693. DOI: 10.1016/j.spl.2022.109693.
15. Wang J., Shao W., Zhang X., Qian J., Song Zh., Peng Zh. Nonlinear variational Bayesian Student’s-t mixture regression and inferential sensor application with semisupervised data // Journal of Process Control. 2021, vol. 105, pp. 141—159. DOI: 10.1016/j.jprocont.2021.07.013.
16. Albuquerque P. C., Cajueiro D. O., Rossi M. D. C. Machine learning models for forecasting power electricity consumption using a high dimensional dataset // Expert Systems With Applications. 2022, vol. 187, article 115917. DOI: 10.1016/J.ESWA.2021.115917.
17. Naha R., Garg S., Battula S. K., Amin M. B., Georgakopoulos D. Multiple linear regression-based energy-aware resource allocation in the Fog computing environment // Computer Networks. 2022, vol. 216, article 109240. DOI: 10.1016/j.comnet.2022.109240.
18. Ji Q., Zhang S., Duan Q., Gong Y., Li Y., Xie X., Bai J., Huang C., Zhao X. Shortand medium-term power demand forecasting with multiple factors based on multi-model fusion // Mathematics. 2022, vol. 10, no. 12, article 2148. DOI: 10.3390/math10122148.
19. Zhou C., Chen X. Predicting China’s energy consumption: Combining machine learning with three-layer decomposition approach // Energy Reports. 2021, vol. 7, pp. 5086—5099. DOI: 10.1016/j.egyr.2021.08.103.
20. Yousaf A., Asif R. M., Shakir M., Rehman A. U., Adrees M. An Improved residential electricity load forecasting using a machine-learning-based feature selection approach and a proposed integration strategy // Sustainability. 2021, vol. 13, no. 11, article 6199. DOI: 10.3390/ su13116199.
21. Hamed M. M., Ali H., Abdelal Q. Forecasting annual electric power consumption using a random parameters model with heterogeneity in means and variances // Energy. 2022, vol. 255, article 124510. DOI: 10.1016/j.energy.2022.124510.
22. Kanté M., Li Y., Deng S. Scenarios analysis on electric power planning based on multiscale forecast: A case study of Taoussa, Mali from 2020 to 2035 // Energies. 2021, vol. 14, no. 24, article 8515. DOI: 10.3390/en14248515.