Вторым товаром на рынках электрической энергии является электрическая мощность. Для потребителей тарифицируемый объем «генераторной» мощности определяется как среднее из часовых объемов потребления в рабочие дни в часы пиковой нагрузки в регионе. Стоимость мощности в отдельных регионах может достигать 40 % от конечного тарифа, поэтому снижение нагрузки в пиковые часы на 10 % может привести к уменьшению ежемесячных платежей на 3 %. Однако такой способ экономии для потребителя недоступен – коммерческий оператор оптового рынка электрической энергии и мощности публикует часы пиковой нагрузки регионов после 10-го числа следующего месяца, когда данная информация уже не актуальна. Своевременное прогнозирование часов пиковой нагрузки позволит, с одной стороны, снизить издержки потребителей на платежах за электрическую мощность, с другой – сгладить суточный график электрической нагрузки энергосистемы, оптимизировав тем самым работу генерирующего оборудования станций и сетей системного оператора. В статье приводится исследование эффективности методов машинного обучения в контексте прогнозирования пикового часа региональной энергосистемы. Исследование затрагивает временной период с ноября 2011-го по октябрь 2023 г., охватывает 76 регионов Российской Федерации, включая субъекты ценовых (1-й и 2-й) и неценовых зон и насчитывает 10 методов машинного обучения. Результаты исследования показали, что статистически метод кластеризации K-ближайших соседей оказывается наиболее точным, хоть и не универсальным. Высокую эффективность (с точки зрения точности и быстродействия) продемонстрировали методы опорных векторов и классификация деревьями. В ходе исследований также было опровергнуто предположение о том, что наибольшую ценность при прогнозировании пикового часа оказывают наиболее близкие, с позиции временного ряда, данные.