Forecasting of the daily demand for natural gas in rural households using the methods of artificial intelligence. Part II. Forecasting using fuzzy logic

• Autorzy: Małopolski J. , Trojanowska M. , Nęcka K.

Warianty tytułu

PL

Prognozowanie dobowego zapotrzebowania na gaz ziemny wiejskich gospodarstw domowych przy wykorzystaniu metod sztucznej inteligencji. Cz. 2. Prognozowanie przy wykorzystaniu logiki rozmytej

• Języki publikacji: EN

Abstrakty

EN

In this paper, two fuzzy Takagi-Sugeno models were built to describe daily gas consumption of rural households using the Gaussian and trapezoidal membership function. It was found that the predictive values of both models are similar and satis-factory (MAPE 5.3-5.5%) and slightly better than in the case of the model of neural network when the BFGS algorithm was used for training, as shown in the first section of the study.

PL

W pracy przedstawiono zbudowane dwa rozmyte modele typu Takagi-Sugeno opisujące dobowe zużycie gazu przez wiejskie gospodarstwa domowe, wykorzystując gaussowską i trapezoidalną funkcję przynależności. Stwierdzono, że wartość predykcyjna obydwu modeli jest podobna oraz zadowalająca (MAPE rzędu 5,3-5,5%) i nieznacznie lepsza od modelu neuronowe-go, gdy do uczenia sieci zastosowano algorytm BFGS, a który przedstawiono w części I opracowania.

Słowa kluczowe

EN

natural gas; short-term forecasts; fuzzy logic

PL

prognoza krótkookresowa; logika rozmyta; modele Takagi-Sugeno

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Journal of Research and Applications in Agricultural Engineering
• Rocznik: 2015
• Tom: Vol. 60, nr 2
• Strony: 65--67
• Opis fizyczny: Bibliogr. 10 poz., tab., wykr.

Twórcy

autor

Małopolski J.

• University of Agriculture in Krakow, Department of Power Engineering and Agricultural Processes Automation, ul. Balicka 116B, 30-149 Kraków, Poland

autor

Trojanowska M.

• University of Agriculture in Krakow, Department of Power Engineering and Agricultural Processes Automation, ul. Balicka 116B, 30-149 Kraków, Poland

autor

Nęcka K.

• University of Agriculture in Krakow, Department of Power Engineering and Agricultural Processes Automation, ul. Balicka 116B, 30-149 Kraków, Poland

Bibliografia

• [1] Azadeh A., Asadzadeh S.M., Ghanbari A.: An adaptive net-work-based fuzzy inference system for short-term natural gas demand estimation: Uncertain and complex environments. Energy Policy, 2010, 38, 1529-1536.
• [2] Behrouznia A., Saberi M., Azadeh A., Asadzadeh S.M., Pazhoheshfar P.: An adaptive network based fuzzy inference system-fuzzy data envelopment analysis for gas consumption forecasting and analysis: the case of South America. In: International conference on intelligent and advanced systems. ICIAS 2010, Article number 5716160. et al.
• [3] Findeisen W., Szymanowski J., Wierzbicki A.: Teoria i metody obliczeniowe optymalizacji. Warszawa: WNT, 1977.
• [4] Małopolski J., Trojanowska M.: Modele rozmyte zapotrzebowania na moc dla potrzeb krótkoterminowego prognozowania zużycia energii elektrycznej na wsi. Część I. Algorytmy wyznaczania modeli rozmytych. Inżynieria Rolnicza, 2009, 5 (114), 177-183.
• [5] Nęcka K., Trojanowska M. Małopolski J.: Forecasting the daily demand for natural gas in rural households using the methods of artificial intelligence. Part I. Forecasting using artificial neural networks. Journal of Research and Applications in Agricultural Engineering, 2015, 2.
• [6] Osowski S.: Sieci neuronowe w ujęciu algorytmicznym. Warszawa: WNT, 1996.
• [7] Piegat A.: Modelowanie i sterowanie rozmyte. Warszawa: AOW EXIT, 1999.
• [8] Soldo B.: Forecasting natural gas consumption. Applied Energy, 2012, 92, 26-37.
• [9] Takagi T. Sugeno M.: Fuzzy identification of systems and its applications to modelling and control. IEEE Transactions on Systems, Man, and Cybernetics, 1985, 15(1), 116-132.
• [10] Zeliaś A., Pawełek B., Wanat S.: Prognozowanie ekonomiczne. Warszawa: PWN, 2004.