Modeling of gas consumption in the city

• Autorzy: Cieślik T. , Metelska K.

Identyfikatory

DOI

10.7494/drill.2017.34.2.439

• Języki publikacji: EN

Abstrakty

EN

Based on the data collected over a two year time period, which included temperature, wind speed and gas consumption during the day, the effects of weather factors on gas consumption in the city have been established with the use of multiple regression. The impact of a particular month, day (dummy variable) or holiday of a year on the gas consumption has also been determined. The models of linear regression and artificial neural networks have been constructed for determining the gas consumption. An attempt has been made to find the best regression models and compare them to the neural network models with the use of mean absolute percentage error (MAPE).

Słowa kluczowe

EN

gas; gas consumption; models

• Wydawca: AGH University of Science and Technology Press
• Czasopismo: AGH Drilling, Oil, Gas
• Rocznik: 2017
• Tom: Vol. 34, no. 2
• Strony: 439--453
• Opis fizyczny: Bibliogr. 20 poz., wykr.

Twórcy

autor

Cieślik T.

• Institute of Nuclear Physics, Polish Academy of Sciences, Krakow, Poland
• AGH University of Science and Technology, Faculty of Drilling, Oil and Gas, Krakow, Poland

autor

Metelska K.

• AGH University of Science and Technology, Faculty of Drilling, Oil and Gas, Krakow, Poland

Bibliografia

• [1] Cieślik T., Kogut K.: Prognozowanie pracy sieci gazowej za pomocą sztucznych sieci neuronowych. Nafta-Gaz, nr 6, 2016.
• [2] http://www.msn.uph.edu.pl/smp/msn/32/ambroch.pdf [19.02.2017].
• [3] Dopke J.: Zależność zużycia gazu ziemnego na ogrzewanie pomieszczeń od liczby stopniodni grzania. Rynek Energii, nr 5, 2006
• [4] Wilczyński M.: Gaz ziemny wsparciem dla niskoemisyjnej gospodarki. Fundacja Instytut na Rzecz Ekorozwoju, Warszawa 2014, ISBN: 978-83-89495-97-6.
• [5] http://www.bp.com/en/global/corporate/energy-economics/statistical-review-ofworld-energy.html [01-19.02.2017].
• [6] Torjanowska M.: Wykorzystanie modeli strukturalnych do prognozowania zapotrzebowania odbiorców wiejskich na gaz ziemny. Inżynieria Rolnicza, 9(107), 2008.
• [7] Koronacki J., Ćwik J.: Statystyczne systemy uczące się. Wydawnictwa Naukowo-Techniczne, Warszawa 2005.
• [8] Rabiej M.: Statystyka z programem Statistica. Wydawnictwo Helion, Gliwice 2012.
• [9] Stanisz A.: Przystępny kurs statystyki z zastosowaniem programu STATISTICA PL na przykładach z medycyny. T. 2. StatSoft Polska, Kraków 2007.
• [10] Goryl A.: Wprowadzenie do ekonometrii w przykładach i zadaniach. PWN, Warszawa 2000.
• [11] Żurada J.: Sztuczne sieci neuronowe. PWN, Warszawa 1996.
• [12] Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa 1993.
• [13] Tadeusiewicz R.: Elementarne wprowadzenie do technik sieci neuronowych z przykładowymi programami. Warszawa 1998.
• [14] http://www.cs.put.poznan.pl/kkrawiec/aied/NNMLW2.pdf [01-19.02.2017].
• [15] Wójcik M.: Model sieci gazowniczej oparty o sztuczne sieci neuronowe. AGH, Kraków 2005.
• [16] Kogut K.: Analiza możliwości modelowani sieci przesyłowej gazu ziemnego. AGH, Kraków 2007.
• [17] Maciejasz M.: Zastosowanie sieci neuronowy do analizy pracy sieci przesyłowych. AGH, Kraków 2006.
• [18] Rymarczyk M. (ed.): Decyzje, symulacje, sieci neuronowe. Wydawnictwo Wyższej Szkoły Bankowej w Poznaniu 1997.
• [19] Metelska K., Cieślik T.: A review of currently available LNG facilities and means of transport used for supplying terminals in natural gas with a projection of LNG prices in the USA. AGH Drilling, Oil, Gas, vol. 33, No. 1, 2016, pp. 49-67.
• [20] Szoplik J.: Zastosowanie metody sztucznych sieci neuronowych do prognozowania obciążenia sieci rurociągów do transportu gazu ziemnego. Inż. Ap. Chem., 52, 6, 2013, pp. 572-574.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).