Ekonometryczny model krótkoterminowego prognozowania zużycia gazu

• Autorzy: Kwilosz Tadeusz , Filar Bogdan

Identyfikatory

DOI

10.18668/NG.2021.07.04

Warianty tytułu

EN

Econometric model of short-term natural gas consumption forecasting

• Języki publikacji: PL

Abstrakty

PL

W celu opracowania modelu krótkoterminowego zapotrzebowania na gaz konieczne jest dokonanie analizy najnowszych metod prognozowania matematycznego w celu wyboru i zaadaptowania właściwej z nich (spełniającej warunek efektywności i skuteczności). Niezbędne jest rozpoznanie i analiza czynników (głównie środowiskowych) wpływających na wynik krótkoterminowych prognoz oraz źródeł danych możliwych do wykorzystania. Efektem wykonanej pracy jest model numeryczny krótkoterminowego zapotrzebowania na gaz dla wybranej jednostki terytorialnej kraju. Opracowany model został skalibrowany i przetestowany na historycznych danych opisujących warunki środowiskowe i rzeczywiste zużycie gazu. Zaprojektowano i skalibrowano, na podstawie wybranego zestawu atrybutów (zmiennych objaśniających), niejednorodny liniowy model ekonometryczny. Dokonano statystycznej weryfikacji oszacowanych parametrów modelu. Warto zauważyć, że w krótkim terminie wykonania prognozy (7 dni) nie zachodzą znaczące zmiany w otoczeniu rynku gazowego (uruchomienie nowych inwestycji, podłączenie nowych użytkowników do systemu czy zmiany zapotrzebowania wynikające ze zmieniających się warunków makroekonomicznych). Inne czynniki techniczne, takie jak awarie linii produkcyjnych u odbiorców czy przestoje przemysłowe, są trudne do przewidzenia lub wiedza o nich rzadko jest dostępna. Z tego względu jedynymi czynnikami mogącymi mieć wpływ na zmiany zapotrzebowania gazu w krótkim terminie są czynniki pogodowe, które zostały wybrane jako zmienne objaśniające dla opracowanego modelu. Historyczne dane pogodowe zostały pobrane z usługi sieciowej (web service) OpenWeatherMap History Bulk. Jako zmiennej objaśnianej użyto dobowych wartości zużycia gazu dla jednego z województw Polski południowej. Dane zostały pobrane z systemu wymiany informacji operatora gazociągów przesyłowych. Dane dotyczą okresu trzyletniego, gdyż tylko takie dane zostały upublicznione. Zmienne objaśniające obejmują dobowe wartości danych pogodowych, takich jak: średnia temperatura, temperatura odczuwalna, temperatura minimalna, temperatura maksymalna, ciśnienie atmosferyczne, wilgotność względna, prędkość wiatru i kierunek wiatru.

EN

In order to develop a mathematical model of short-term gas demand, it is necessary to analyze the latest mathematical forecasting methods in order to select and adapt the right one (meeting the condition of efficiency and effectiveness). It is necessary to recognize and analyze factors (mainly environmental) affecting the result of short-term forecasts and sources of data that can be used. The result of the work is a numerical model of short-term gas demand for a selected territorial unit of the country. The developed model was calibrated and tested on historical data describing environmental conditions and real gas consumption. A heterogeneous linear econometric model was designed and calibrated on the basis of a selected set of attributes (explanatory variables). The estimated parameters of the model were statistically verified. It is worth noting that in the short term of the forecast (7 days) there are no significant changes in the gas market environment (launching new investments, connecting new users to the system, or changes in demand resulting from changing macroeconomic conditions). Other technical factors, such as production line failures at customers or industrial downtime, are difficult to predict, or knowledge about their occurrence is rarely available. For this reason, the only factors that may have an impact on changes in gas demand in the short term are weather factors, which were selected as explanatory variables for the developed model. Historical weather data was retrieved from the OpenWeatherMapHistoryBulk web service. Daily values of gas consumption for one of the voivodships of southern Poland were used as the response variable. The data was downloaded from the information exchange system of the transmission pipeline operator. The data covers a three-year period, as only such data has been made public. The explanatory variables include the daily values of weather data such as: average temperature, chilled temperature, minimum temperature, maximum temperature, atmospheric pressure, relative humidity, wind speed and wind direction.

Słowa kluczowe

PL

model ekonometryczny; krótkoterminowe prognozowanie; zużycie gazu

EN

econometric model; short-term forecasting; natural gas consumption

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Nafta-Gaz
• Rocznik: 2021
• Tom: R. 77, nr 7
• Strony: 454--462
• Opis fizyczny: Bibliogr. 33 poz.

Twórcy

autor

Kwilosz Tadeusz

• Instytut Nafty i Gazu – Państwowy Instytut Badawczy

autor

Filar Bogdan

• Instytut Nafty i Gazu – Państwowy Instytut Badawczy

Bibliografia

• Bianco V., Scarpa F., Tagliafico L.A., 2014a. Analysis and future outlook of natural gas consumption in the Italian residential sector. Energy Conversion and Management, 87: 754–764. DOI: 10.1016/j.enconman.2014.07.081.
• Bianco V., Scarpa F., Tagliafico L.A., 2014b. Scenario analysis of nonresidential natural gas consumption in Italy. Applied Energy, 113: 392–403. DOI: 10.1016/j.apenergy.2013.07.054.
• Cieślak M., 1996. Prognozowanie gospodarcze. Wydawnictwo Akademii Ekonomicznej im. Oskara Langego, Wrocław.
• Cieślik T., Kogut K., 2016. Prognozowanie pracy sieci gazowej za pomocą sztucznych sieci neuronowych. Nafta-Gaz, 6: 443–450. DOI:10.18668/NG.2016.06.08.
• Czapaj R., Benalcazar P., Kamiński J., 2019. Prognozowanie krótkoterminowe zapotrzebowania na energię elektryczną w KSE z wykorzystaniem metody MARSplines. Przegląd Elektrotechniczny, 95(7): 133–136. DOI: 10.15199/48.2019.07.27.
• Domański C., 1990. Testy statystyczne. PWE, Warszawa.
• Gajda J., 2001. Prognozowanie i symulacje a decyzje gospodarcze. Wydawnictwo C.H. Beck, Warszawa.
• Gawlik L., 2008. Budowa i weryfikacja modelu ekonometrycznego dla określenia liniowej zależności pomiędzy kosztami pozyskania węgla a wielkością wydobycia. Gospodarka Surowcami Mineralnymi, 24(1/1): 27–44.
• Gładysz B., Mercik J., 2007. Modelowanie ekonometryczne. Studium przypadku. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław.
• Goryl A., Jędrzejczyk Z., Kukuła K., Osiewalski J., Walkosz A., 2009. Wprowadzenie do ekonometrii. Wydawnictwo Naukowe PWN, Warszawa.
• Jeżyk T., Tomczewski A., 2014. Krótkoterminowe prognozowanie zużycia energii elektrycznej z wykorzystaniem sztucznej sieci neuronowej. Electrical Engineering, 79: 121–130.
• Kelner M., 2003: Prognozowanie krótkoterminowe poborów gazu z sieci przemysłowej metodą sztucznych sieci neuronowych. Gaz, Woda i Technika Sanitarna, 6: 196–204.
• Kogut K., 2007. Analiza możliwości modelowania sieci przesyłowej gazu ziemnego. Wydawnictwa AGH, Kraków.
• Łucki Z., 1988. Modele ekonometryczne do zarządzania w górnictwie naftowym. Zeszyty Naukowe AGH. Zagadnienia TechnicznoEkonomiczne, 41.
• Łucki Z. (red.), Byrska-Rąpała A., Kozarkiewicz A., 2008: Statystyka i ekonometria. AGH, Uczelniane Wydawnictwa NaukowoDydaktyczne, Kraków.
• Maciejasz M., 2006. Zastosowanie sieci neuronowych do analizy pracy sieci przesyłowych. Wydawnictwa AGH, Kraków.
• Osińska M., 2006. Ekonometria finansowa. PWE, Warszawa.
• Paliński A., Łucki Z., 2006. Problemy zarządzania finansowego i zarządzania ryzykiem w sektorze handlu energią. Polityka Energetyczna,9(2): 129–152.
• Rogowska D., 2017. Wykorzystanie OZE w energetyce a zrównoważony rozwój. Nafta-Gaz, 8: 616–623. DOI: 10.18668/NG.2017.08.09.
• Rogowska D., 2018. Produkcja biopaliw jako element gospodarki o obiegu zamkniętym. Nafta-Gaz, 2: 156–163. DOI:10.18668/NG.2018.02.10.
• Siewierski J. i zespół, 2017. Raport Polski Rynek Paliw Płynnych 2016. Polska Izba Paliw Płynnych, Warszawa.
• Sokołowski A., Pasztyła A., 2004. Data Mining w prognozowaniu zapotrzebowania na nośniki energii. StatSoft Polska Sp. z o.o.: 91–102.
• Soldo B., 2012. Forecasting natural gas consumption. Applied Energy, 92(C): 26–37. DOI: 10.1016/j.apenergy.2011.11.003.
• Szmigiel C., Mercik J., 2000. Ekonometria. Wydawnictwo Wyższej Szkoły Zarządzania i Finansów we Wrocławiu, Wrocław.
• Szoplik J., 2015. Forecasting of natural gas consumption with artificial neural networks. Energy, 85: 208–220. DOI:10.1016/j.energy.2015.03.084.
• Tamba J.G., Essiane S.N., Sapnken E.F., Koffi F.D., Nsouandélé J.L., Soldo B., Njomo D., 2018. Forecasting natural gas: A literature survey. International Journal of Energy Economics and Policy, Econjournals, 8(3): 216–249.
• Welfe A., 1988. Ekonometria. Metody i ich zastosowania. PWE, Warszawa, 1998.
• Wójcik M., 2005. Model sieci gazowniczej oparty o sztuczne sieci neuronowe. Wydawnictwa AGH, Kraków.
• Wydymus S., 1984. Zmienne syntetyczne w modelowaniu ekonometrycznym. Ruch Prawniczy, Ekonomiczny i Socjologiczny, 46(1): 187–200.
• Yu F., Xu X., 2014. A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network. Applied Energy, 134: 102–113. DOI: 10.1016/j.apenergy.2014.07.104.
• Zeliaś A., Pawełek B., Wanat S., 2003. Prognozowanie ekonomiczne. Teoria, przykłady, zadania. PWN, Warszawa.
• Zheng H., Yuan J., Chen L., 2017. Short-Term Load Forecasting Using EMD-LSTM Neural Networks with a Xgboost Algorithm for Feature Importance Evaluation. Energies, 10(8): 1168. DOI: 10.3390/en10081168.
• Zieliński Z., 1995. Liniowe modele zgodnie opisujące zależności symulacyjnych (zintegrowanych) procesów ekonomicznych. Wydawnictwo Akademii Ekonomicznej, Kraków: 77–87.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).