Prognozowanie ekonomiczne na potrzeby systemów wytwarzania i dystrybucji energii

Jasiński, T.; Ścianowska, A.

Artykuł - szczegóły

Tytuł artykułu

Prognozowanie ekonomiczne na potrzeby systemów wytwarzania i dystrybucji energii

Autorzy

Jasiński T. , Ścianowska A.

Identyfikatory

Warianty tytułu

Economic forecasting systems for the purpose of energy generation and distribution

Języki publikacji

Abstrakty

Celem artykułu jest przeanalizowanie możliwości zastosowania metod opartych o sztuczne sieci neuronowe (ANN) oraz modeli opartych na teorii agenta (AB) do trafnego prognozowania przyszłej sytuacji na rynku energii. Ponieważ jakość prognozy istotnie wpływa na efektywność funkcjonowania generatorów skoncentrowano się na pokazaniu możliwości jej podniesienia w ramach obu metod. W ramach modeli ANN realizacja tego celu wymaga przezwyciężenia problemów związanych z doborem danych wejściowych, w zależności od przedmiotu predykcji lub przyjętego horyzontu czasowego. Jednak ostatecznie skutkuje możliwością sprawnego zarządzania poziomem przewidywanego zapotrzebowania na energię, zapobiegającego przerwom w dostawie energii lub jej nieefektywnej nadprodukcji. Natomiast w przypadku modeli AB zastosowanie właściwego algorytmu procesu uczenia się zwiększa możliwości maksymalizowania zysków, które jako jeden z czynników determinujących poziom inwestycji , przekładają się na efektywność funkcjonowania generatorów w długim okresie.

The aim of the paper is to examine the possibility of using methods based on artificial neural networks (ANN), and models based on the theory of agent (AB) to accurate predict situation on the energy market. Since the quality of the forecasts significantly affect the efficiency of the generator, the paper focuses on showing the possibilities of its increase under both methods. The use of ANN models to achieve this objective, requires overcome the problems of input data selection, depending on the subject of prediction or assumed forecast horizon. However, ultimately it results in the possibility of efficient management of anticipated demand for energy, prevent interruptions in energy supply or inefficient overproduction. However, in the case of AB models applying the appropriate algorithm of the learning process increases the possibility of profits maximization, which as one of the factors determining the level of investment, resulting in higher efficiency of the generators in the long term.

Słowa kluczowe

prognozowanie ekonomiczne wytwarzanie energii dystrybucja energii

forecasting system energy generation energy distribution

Wydawca

Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny

Czasopismo

Logistyka

Rocznik

2014

Tom

nr 6

Strony

4861--4870

Opis fizyczny

Bibliogr. 28 poz., wykr., pełny tekst na CD3

Twórcy

autor

Jasiński T.

tomasz.jasinski@ p.lodz.pl

Politechnika Łódzka, Wydział Organizacji i Zarządzania; 90-924 Łódź; ul. Piotrkowska 266, Tel: +48 42 631 32 90

autor

Ścianowska A.

agnieszka.scianowska@p.lodz.pl

Politechnika Łódzka, Wydział Organizacji i Zarządzania; 90-924 Łódź; ul. Piotrkowska 266, Tel: +48 42 631 32 90

Bibliografia

1. Tesfatsion L., A Constructive Approach to Economic Theory. Agent-Based Computational Economics, [w:] Handbook of computational economics. Agent-Based Computational. Economics, vol. 2, North-Holland, 2006.
2. Bunn D.W., Oliveira F.S., Agent-based simulation: an application to the new electricity trading arrangements of England and Wales. IEEE Transactions on Evolutionary Computation, Special issue: Agent Based Computational Economics 5 (5), 2001, s. 493–503.
3. Bagnall A., Smith G., A multi-agent model of the UK market in electricity generation. IEEE Transactions on Evolutionary Computation 9 (5), 522–536, 2005.
4. Visudhiphan P., An Agent-Based Approach to Modeling Electricity Spot Markets. Ph.D. thesis, Massachusetts Institute of Technology, 2003.
5. Visudhiphan P., Ilić M.D., An agent-based approach to modeling electricity spot markets. Proceedings of IFAC Modeling and Control of Economic Systems, Klagenfurt, Austria, 2001, s. 407–412.
6. Achelis S.B., Analiza Techniczna od A do Z, LT&P, 1998.
7. REUTERS, Analiza techniczna. Wprowadzenie, Oficyna Ekonomiczna, Dom Wydawniczy ABC, 2001.
8. Weidlich A., Veit D., Bidding in interrelated day-ahead electricity markets: insights from an agent-based simulation model. Proceedings of the 29th IAEE International Conference, Potsdam, 2006.
9. Petrov V., Sheblé G., Building electric power auctions with improved roth-erev reinforced learning. Proceedings of the North American Power Symposium, Texas, USA, 2001.
10. Nicolaisen J., Smith M., Petrov V., Tesfatsion L., Concentration and capacity effects on electricity market power. Proceedings of the 2000 Congress on Evolutionary Computation, vol. 2, La Jolla, USA, 2000, s. 1041–1047.
11. Koesrindartoto D., Discrete double auctions with artificial adaptive agents: a case study of an electricity market using a double auction simulator. Department of Economics Working Papers Series. Working Paper, vol. 02005, 2002.
12. Lane D., Kroujiline A., Petrov V., Sheblé G., Electricity market power: marginal cost and relative capacity effects. Proceedings of the 2000 Congress on Evolutionary Computation, vol. 2. La Jolla, USA, 2000, s. 1048–1055.
13. Richter C.W., Sheblé G.B., Genetic algorithm evolution of utility bidding strategies for the competitive marketplace. IEEE Transactions on Power Systems 13(1) (1), 1998, 256–261.
14. Lula P., Jednokierunkowe sieci neuronowe w modelowaniu zjawisk ekonomicznych, Wydawnictwo Akademii Ekonomicznej w Krakowie, 1999.
15. Nicolaisen J., Petrov V., Tesfatsion L., Market power and efficiency in a computational electricity market with discriminatory double-auction pricing. IEEE Transactions on Evolutionary Computation 5 (5), 2001, s. 504–523.
16. Bower J., Bunn D.W., Model-based comparisons of pool and bilateral markets for electricity. Energy Journal 21 (3), 2000, s. 1–29.
17. Xu Z., Dong Z.Y., Liu W.Q., Neural Network Models For Electricity Market Forecasting, [w:] Neural Networks Applications in Information Technology and Web Engineering, red. Wang D., Lee N.K., Borneo Publishing Co., Sarawak, Malaysia, 2005.
18. Jasiński T., Niezawodność oraz metody jej zwiększania w różnych modelach rynku, [w:] Ekonomiczne, regulacyjne, strukturalne i technologiczne uwarunkowania bezpieczeństwa energetycznego, red. Szablewski A.T., Martin M., Wydawnictwo Politechniki Łódzkiej, Łódź, 2011, s. 199-219.
19. Etzkorn M., Oscylatory, WIG-Press, 1999.
20. Erev I., Roth A.E., Predicting how people play games: reinforcement learning in experimental games with unique, mixed-strategy equilibria. American Economic Review 88 (4), 1998.
21. Jasiński T., Przegląd architektur sztucznych sieci neuronowych wykorzystywanych w ekonomii do przewidywania szeregów czasowych, Studia i Prace Kolegium Zarządzania i Finansów, SGH, zeszyt naukowy 35, 2003, s. 166-177.
22. Osowski S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, 2000.
23. Veit D.J., Weidlich A., Yao J., Oren S.S., Simulating the dynamics in two-settlement electricity markets via an agent-based approach. International Journal of Management Science and Engineering Management 1 (2), 83–97, 2006.
24. Jasiński T., The choice of a proper output variable in a forecasting model based on ANN, [w:] Different dimensions of microeconomic competitiveness, red. Szablewski A.T., Jasiński T., Wydawnictwo Politechniki Łódzkiej, Łódź, 2008, s. 93-102.
25. Auer P., Cesa-Bianchi N., Freund Y., Schapire R., The nonstochastic multiarmed bandit problem. Siam Journal on Computing 32 (1), 2002, s. 48–77.
26. Tadeusiewicz R., Wprowadzenie do sieci neuronowych, StatSoft Polska Sp. z o.o., 2001.
27. Elder A., Zawód inwestor giełdowy, Oficyna Ekonomiczna, Dom Wydawniczy ABC, 2001.
28. Strona internetowa http://www.ieso.ca

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-0531ba70-87fe-48e5-9913-b16272d36c0d