Dane wejściowe sztucznych sieci neuronowych prognozujących krótkoterminowe zapotrzebowanie na energię

• Autorzy: Jasiński T.

Warianty tytułu

EN

Input data of artificial neural networks forecasting short-term demand for energy

• Języki publikacji: PL

Abstrakty

PL

Opracowanie porusza bardzo istotną z punktu widzenia funkcjonowania gospodarki kwestię zapotrzebowania na energię elektryczną. W obecnych czasach problem ten jest istotny zarówno przy analizach w skali makroekonomicznej, jak i zagadnieniach związanych z funkcjonowaniem pojedynczych podmiotów. Problem dostaw energii może być analizowany oddzielnie w zależności od terminu zaspokojenia popytu. W opracowaniu szczególny nacisk został położony na analizy krótkoterminowe. Jednym z głównych zagadnień, które decyduje o ilości dostarczanej energii jest prognoza jej zapotrzebowania. W pracy przedstawiono systemy przewidujące krótkoterminowy popyt w oparciu o sztuczne sieci neuronowe. Analiza skupiła się na wyborze optymalnych zmiennych wejściowych modelu, z uwzględnieniem narzędzi analizy technicznej i budowy zmiennych objaśniających uwypuklających trendy panujące na rynku energii z uwzględnieniem cyklicznego charakteru tego rynku. W pracy opisano także możliwość użycia analizy wieloczęstotliwościowej celem polepszenia wyników prognoz.

EN

The paper focuses on very important, from the point of view of the economy, the issue of electricity demand. Nowadays this problem is important both for macroeconomic analysis, as well as issues related to the functioning of individual entities. The problem of energy supply can be analyzed separately depending on the time to meet demand. In this study, particular emphasis was placed on short-term analysis. One of the main issues that determines the amount of energy supplied is forecast its demand. The paper presents a system providing short-term demand based on artificial neural networks. The analysis focused on the selection of the optimal input variables, including technical analysis tools and the construction of variables showing trends in the energy market, taking into account the cyclical nature of the market. The paper also describes the possibility of using multiresolution analysis to improve the results of forecasts.

Słowa kluczowe

PL

sztuczne sieci neuronowe; energia elektryczna; zapotrzebowanie; dane wejściowe; analiza wieloczęstotliwościowa

EN

Artificial neural networks; electricity; request; input; multiresolution analysis

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 6
• Strony: 14285--14290, CD 6
• Opis fizyczny: Bibliogr. 15 poz., rys.

Twórcy

autor

Jasiński T.

• Politechnika Łódzka, Wydział Organizacji i Zarządzania, ul. Piotrkowska 266, 90-361 Łódź

Bibliografia

• 1. Kourtis G., Hadjipaschalis I., Poullikkas A., An overview of load demand and price forecasting methodologies. International Journal Of Energy And Environment, Vol. 2, Issue 1, 2011.
• 2. Aggarwal S.K., Saini L.M., Kumar A., Electricity Price Forecasting in Ontario Electricity Market Using Wavelet Transform in Artificial Neural Network Based Model. International Journal of Control, Automation, and Systems, vol. 6, 2008, nr 5.
• 3. Tadeusiewicz R., Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami. Akademicka Oficyna Wydawnicza PLJ, 1998.
• 4. Badran S.M., Abouelatta O.B., Forecasting Electrical Load using ANN Combined with Multiple Regression Method, The Research Bulletin of Jordan ACM, Volume II (II), 2012.
• 5. Jasiński T., Przegląd architektur sztucznych sieci neuronowych wykorzystywanych w ekonomii do przewidywania szeregów czasowych. Studia i Prace Kolegium Zarządzania i Finansów, SGH 2003, zeszyt naukowy 35.
• 6. Grant J., Eltoukhy M., Asfour S., Short-Term Electrical Peak Demand Forecasting in a Large Government Building Using Artificial Neural Networks. Energies 2014, nr 7.
• 7. Chogumaira E.N., Hiyama T., Short-Term Electricity Price Forecasting Using a Combination of Neural Networks and Fuzzy Inference. Energy and Power Engineering 2011, nr 3.
• 8. Intan Azmira W.A.R., Rahman T.K.A., Zakaria Z., Ahmad A., Short Term Electricity Price Forecasting Using Neural Network. Proceedings of the 4th International Conference on Computing and Informatics, ICOCI 2013, Paper No 042, Universiti Utara Malaysia, Sarawak, Malaysia, 2013.
• 9. Catalão J.P.S., Mariano S.J.P.S., Mendesb V.M.F., Ferreira L.A.F.M., Short-term electricity prices forecasting in a competitive market: A neural network approach, Electric Power Systems Research 77, 2007.
• 10. Witkowska D., Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, C.H. BECK, Warszawa 2002.
• 11. Bunnoon P., Chalermyanont K., Limsakul C., Wavelet and Neural Network Approach to Demand Forecasting based on Whole and Electric Sub-Control Center Area, International Journal of Soft Computing and Engineering (IJSCE), Vol. 1, Issue 6, styczeń 2012.
• 12. Tadeusiewicz R., Wprowadzenie do sieci neuronowych. StatSoft Polska Sp. z o.o., 2001.
• 13. Jasiński T., Zastosowanie dyskretnej transformaty falkowej do poprawy wyników uzyskiwanych przez sztuczne sieci neuronowe. Studia i Prace Kolegium Zarządzania i Finansów, zeszyt naukowy 48, SGH, Warszawa 2004.
• 14. The Independent Electricity System Operator (IESO).
• 15. http://www.ieso.ca (dostęp: 10.10.2014).