Skuteczność prognozowania zużycia gazu z wykorzystaniem metod regresji i sztucznych sieci neuronowych

• Autorzy: Cieślik T. , Metelska K.

Identyfikatory

DOI

10.7862/rb.2017.13

Warianty tytułu

EN

Prediction of gas consumption efficiency using regression and artificial neural networks

• Języki publikacji: PL

Abstrakty

PL

Na podstawie zgromadzonych danych takich jak: temperatura, siła wiatru oraz zużycie gazu w ciągu dnia na przestrzeni dwóch lat określono wpływ czynników atmosferycznych na konsumpcje gazu za pomocą regresji wielorakiej, funkcji potęgowych oraz funkcji użytkownika. Wyznaczono wpływ miesiąca oraz dnia (parametr sztuczny) na konsumpcje gazu. Zbudowano modele regresji liniowe, potęgowej oraz sztuczne sieci neuronowe służące do określania zużycia gazu. Starano się wyznaczyć jak najlepszy model regresji i porównywano go do modeli sieci neuronowych za pomocą MAPE (średni absolutny błąd procentowy).

EN

Based on the collected data, such as temperature, wind power and gas consumption during the day for over two years determine the effects of weathering on gas consumption by using multiple regression, power functions and user functions. We determine the impact of the month and day (artificial parameter) to consume gas. We build models of linear regression-in, power series and artificial neural networks for determining gas consumption. We are trying to determine how best regression model and compare it to the neural network models using MAPE (mean absolute percentage error).

Słowa kluczowe

PL

regresja liniowa; regresja potęgowa; parametry sztuczne; sztuczne sieci neuronowe; konsumpcja gazu

EN

linear regression; exponential regression; parameters; artificial neural networks; gas consumption

• Wydawca: Oficyna Wydawnicza Politechniki Rzeszowskiej
• Czasopismo: Czasopismo Inżynierii Lądowej, Środowiska i Architektury / Journal of Civil Engineering, Environment and Architecture
• Rocznik: 2017
• Tom: z. 64, nr 1
• Strony: 133--141
• Opis fizyczny: Bibliogr. 13 poz., tab., wykr.

Twórcy

autor

Cieślik T.

• Instytut Fizyki Jądrowej PAN Aleja Radzikowskiego 152, 31-342 Kraków

autor

Metelska K.

• Akademia Górniczo- Hutnicza, Wydział Wiertnictwa, Nafty i Gazu Aleja Adama Mickiewicza 30, 30-059 Kraków

Bibliografia

• [1] Koronacki J., Ćwik J.: Statystyczne systemy uczące się, Wydawnictwa Naukowo-Techniczne, Warszawa 2005.
• [2] Rabiel M.: Statystyka z programem Statystica, , Wydawnictwo Helion, Gliwice 2012.
• [3] Stanisz A; Przystępny kurs statystyki zastosowaniem programu Statystica na przykładach z medycyny, Tom II, Wydawnictwo StatSoft Polska, Kraków 2006.
• [4] Goryl A: Wprowadzenie do ekonometrii w przykładach i zadaniach, PWN, 2000.
• [5] Żurada J., Barski M., Jędruch W.: „Sztuczne sieci neuronowe”, Wydawnictwo Naukowe PWN, Warszawa 1996.
• [6] http://galaxy.uci.agh.edu.pl/~vlsi/AI/wstep/ data dostępu: 27.06.2016, godzina 09:00.
• [7] Tadeusiewicz R.: Sieci neuronowe, Państwowa Oficyna Wydawnicza RM, Warszawa 1993.
• [8] Tadeusiewicz R.: Elementarne wprowadzenie do technik sieci neuronowych z przykładowymi programami, Warszawa 1998.
• [9] Stefanowski J., Krawiec K.: Wykłady sieci neuronowych, 1995.
• [10] Wójcik M.: Model sieci gazowniczej oparty o sztuczne sieci neuronowe, AGH, Kraków 2005.
• [11] Kogut K.: Analiza możliwości modelowani sieci przesyłowej gazu ziemnego. AGH, Kraków 2007.
• [12] Maciejasz M.: Zastosowanie sieci neuronowy do analizy pracy sieci przesyłowych, AGH, Kraków 2006.
• [13] Praca zbiorowa pod redakcją Rymarczyka M.: Decyzje, Symulacje, Sieci Neuronowe, Wydawnictwo Wyższej Szkoły Bankowej w Poznaniu 1997.

Uwagi

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