Przegląd obecnie istniejących instalacji LNG na świecie, aspekty techniczne pojedynczej stacji oraz prognozowanie zużycia gazu. Część 2. Obliczenia

• Autorzy: Cieślik Tomasz , Narloch Piotr , Żero Andrzej

Identyfikatory

DOI

10.15199/17.2024.2.1

Warianty tytułu

EN

Overview of currently existing LNG facilities worldwide, technical aspects of an individual station, and forecasting gas consumption. Part 2. Calculation

• Języki publikacji: PL

Abstrakty

PL

Jednym z warunków prawidłowego zarządzania pracą sieci wyspowej zasilanej z stacji regazyfikacji LNG jest planowanie dostaw opartych o prognozy zużycia. Na podstawie zgromadzonych danych atmosferycznych oraz zużycia gazu z wybranej stacji na przestrzeni dwóch lat określono wpływ czynników atmosferycznych na konsumpcję gazu ziemnego za pomocą sztucznych sieci neuronowych. Wyznaczono wpływ miesiąca oraz dnia (parametr sztuczny) na konsumpcję gazu. Wyznaczono model sieci neuronowych dający najlepsze dopasowania za pomocą współczynnika korelacji.

EN

One of the conditions for proper management of the islanded network supplied by LNG regasification stations is planning deliveries based on consumption forecasts. Based on collected meteorological data and gas consumption from a selected station over a two-year period, the impact of atmospheric factors on natural gas consumption was determined using artificial neural networks. The influence of the month and day (artificial parameter) on gas consumption was identified. A neural network model was developed to achieve the best fits using correlation coefficients.

Słowa kluczowe

PL

przesył gazu ziemnego; dystrybucja gazu ziemnego; prognozowanie; instalacja LNG; rynek gazu ziemnego; gazyfikacja; LNG; sztuczne sieci neuronowe

EN

natural gas transmission; natural gas distribution; LNG installations; forecasting; natural gas market; gasification; LNG; artificial neural networks

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Gaz, Woda i Technika Sanitarna
• Rocznik: 2024
• Tom: Nr 2
• Strony: 2--7
• Opis fizyczny: Bibliogr. 32 poz., rys., tab.

Twórcy

autor

Cieślik Tomasz

• Politechnika Krakowska im. Tadeusza Kościuszki, Wydział Inżynierii Środowiska i Energetyki, Katedra Procesów Cieplnych, Ochrony Powietrza i Utylizacji Odpadów, Instytut Fizyki Jądrowej im. Henryka Niewodniczańskiego Polskiej Akademii Nauk

autor

Narloch Piotr

• AGH Akademia Górniczo-Hutnicza, Wydział Wiertnictwa Nafty i Gazu, Katedra Inżynierii Gazowniczej, Polska Spółka Gazownictwa sp. z o.o.

autor

Żero Andrzej

• Polska Spółka Gazownictwa sp. z o.o., Państwowa Akademia Nauk Stosowanych im. Ignacego Mościckiego, Wydział Inżynierii i Ekonomii

Bibliografia

• [1] Asrul Hery Bin Ibrahim M., Mamat M. T. and June Leong W. 2014. "BFGS Method: A New Search Direction" Sains Malaysiana 43(10): 1593-1599.
• [2] Bai Y. and Li C. 2016. "Daily natural gas consumption forecasting based on a structure calibrated support vector regression approach". Energy Build (127): 571-579. https://doi.org/10.1016/j.enbuild.2016.06.020.
• [3] Baldacci L., Golfarelli M., Lombardi D. and Sami F. 2016. "Natural gas consumption forecasting for anomaly detection". Expert Systems with Applications (62): 190-201. https://doi.org/10.1016/j.eswa.2016.06.013.
• [4] Bartnicki G. i Nowak B. 2018. "Model ARIMA w prognozowaniu zużycia gazu w cyklach miesięcznych". Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią Polskiej Akademii Nauk (103): 145-158.doi: 10.24425/123712.
• [5] Blelly A., Felipe-Gomes M., Auger A. and Brockhoff D. 2018. "Stopping criteria, initialization, and implementations of BFGS and their effect on the BBOB test suite". GECCO 18: Proceedings of the Genetic and Evolutionary Computation Conference Companion, Kyoto: 1513-1517.https://doi.org/10.1145/3205651.3208303.
• [6] Brown R. H. et al. 2017. "Improving Daily Natural Gas Forecasting by Tracking and Combining Models”.37th. International Symposium on Forecasting, Australia. Available at: http://works.bepress.com/george_corliss/11/.
• [7] Dagoumas A. S. and Panapakidis I. P. 2017. "Day-ahead natural gas demand forecasting based on the combination of wavelet transform and ANFIS/genetic algorithm/neuroal network model". Energy (118): 231-245.https://doi.org/10.1016/j.energy.2016.12.033.
• [8] Ervural B. F., Beyca O. F. and Zaim. S. 2016. "Model estimation of ARMA using genetic algorithms: A case study of forecasting natural gas consumption". Procedia - Social and Behavioral Sciences (235): 537-545.https://doi.org/10.1016/j.sbspro.2016.11.066.
• [9] Gallo C. 2015. "Artificial neural network: tutorial; Encyclopedia of Information Science and Technolog." In Encyclopedia of Information Science and Technology”: DOI: 10.4018/978-1-4666-5888-2.ch626.
• [10] Gołda A. and Sanocki Ł. 2020. "Wstęp do sieci neuronowych". http://galaxy.uci.agh.edu.pl/~vlsi/AI/wstep/. [data dostępu 02-03.2022].
• [11] Hribar R., Potocnik. P., Silc J. and Papa G. 2019. "A comparison of model for forecasting the residential natural gas demand of an urban area". Energy (167): 511-522. https://doi.org/10.1016/j.energy.2018.10.175
• [12] Jinynuan L., Nan W., Shouxi W., Xi Chi., Hanyu X. and W. Jie. 2021. "Natural gas consumption forecasting: A discussion on forecasting history and future challenges". Journal of Natural Gas Science and Engineering, 90. https://doi.org/10.1016/j.jngse.2021.103930
• [13] Kizilaslan R. and Karlik B. 2008. "Comparison neural networks models for short term forecasting of natural gas consumption in Instanbul". Ostrava: 2008. First International Conference on the Applications of Digital Information and Web Technologies (ICADIWT).
• [14] Kogut K. 2007. "Analiza możliwości modelowania sieci przesyłowej gazu ziemnego." Kraków: AGH.
• [15] Lu Azimi. and Isel.ey T. 2019. "Short-term load forecasting of urban gas using a hybrid model based on improved fruit fly optimization algorithm and support vector machine". Energy Reports (5): 666-677. https://doi.org/10.1016/j.egyr.2019.06.003.
• [16] Maciejasz M. 2005. "Zastosowanie sieci neuronowych do analizy pracy sieci przesyłowych". Praca Magisterka AGH. Kraków.
• [17] Mohamed Z. E. 2019. "Using the artificial neural networks for prediction and validating solar radiation" .Journal of the Egyptian Mathematical Society (47): 1-13. DOI: 10.1186/s42787-019-0043-8.
• [18] Nan W., Li Chi., Peng X., Li Z. and Fanhua. Z. 2019. "Daily natural gas consumption forecasting via the application of a novel hybrid model". Applied Energy (250): 358-368. https://doi.org/10.1016/j.apenergy.2019.05.023.
• [19] Oliver R., Duffy A., Enright B. and O'Connor R. 2017. "Forecasting peak-day consumption for year-ahead management of natural gas networks". Utilities Policy (44): 1-11. https://doi.org/10.1016/j.jup.2016.10.006.
• [20] Ozmen A., Yilmaz Y. and Weber G-W. 2018. "Natural gas consumption forecast with MARS and CMARS models for residential users". Energy Economics (70): 357-381. https://doi.org/10.1016/j.eneco.2018.01.022.
• [21] Sadeghi M., Pashaie M. and Jafarian A. 2016. "RBF Neural Networks Based on BFGS Optimization Method for Solving Integral Equations". Advances in Applied Mathematical Biosciences (7): 1-22.
• [22] Shaikh F. and Ji Q. 2016. "Forecasting natural gas demand in China: Logistic modelling analysis" .Electrical Power and Energy Systems (77): 25-32. https://doi.org/10.1016/j.ijepes.2015.11.013.
• [23] Silva N. I. 2017. "Artificial Neural Network Architectures and Training Processes". Chap. 2 in Artificial Neural Networks, by Silva N. I., Hermane D., Andrade F., Alves S. and Liboni Bartocci S., Szwajcaria: Springer International Publishing. DOI: 10.1007/978-3-319-43162-8_2.
• [24] Soldo B. 2012. "Forecasting natural gas consumption". Applied Energy (92): 26-37.
• [25] Stanisz A. 2006.”Przystępny kurs statystyki z zastosowaniem Statistica PL na przykładach z medycyny”. Kraków: Stasoft.
• [26] Stefanowski J. "Wykłady". 2020. http://www.cs.put.poznan.pl/jstefanowski/PSE.html [Data dostępu 02-07.2023].
• [27] Szoplik J. 2015. "Forecasting of natural gas consumption with artificial neural networks". Energy (85):208-220.
• [28] Tadeusiewicz R., Gąciarz T., Borowik B. and Leper B. 2007. "Odkrywanie własności sieci neuronowych". Kraków: Polska Akademia Umiejętności.
• [29] Voudouris V., Matsumoto K., Sedgwick J., Rigby R., Stasinopolus D. and Jeffersin M. 2014. "Exploring the production of natural gas through the lenses of the ACEGRS model". Energy Policy (64): 124-133.
• [30] Wang S-CH. 2003. "Interdiciplinary computing in java programming”. Nowy Jork: Library of Congress Cataloging in Publication.
• [31] Wójcik M. 2005. "Model sieci gazowniczej oparty o sztuczne sieci neuronowe". Praca Magisterska. Kraków AGH.
• [32] Żero A. 2022. "Stacja regazyfikacji skroplonego gazu ziemnego LNG - obiekt automatyczny czy bezobsługowy?" Gaz, Woda I Technika Sanitarna (1): 11-15. Doi 10.15199/17.2022.11.2.