Prognozowanie godzinowego zapotrzebowania na energię elektryczną dla dużej huty z wykorzystaniem sieci neuronowych

• Autorzy: Klempka R. , Świątek B.

Warianty tytułu

EN

In Day-Ahead Electricity Load Forecasting for Large Steel Factory using Neural Networks

• Języki publikacji: PL

Abstrakty

PL

Przekształcenia rynku energii elektrycznej wymuszają na jego użytkownikach poszukiwania coraz dokładniejszych instrumentów do prognozowania zapotrzebowania na energię elektryczną i zakupu jej na Rynku Energii. Istnieje wiele metod wykorzystywanych w tym celu. Wykorzystuje się między innymi: metody heurystyczne, modele adaptacyjne, modele regresyjne, modele wykorzystujące sieci neuronowe itp. Celem tego działania jest obniżenie kosztów produkcji a konkretnie jednego z jej elementów jakim jest koszt energii elektrycznej. W wielu przypadkach jest to obok kosztu wsadu, koszt decydujący. Omawiany w artykule system informatyczny przeznaczony jest do monitorowania i prognozowania zużycia energii elektrycznej dla dużego zakładu metalurgicznego charakteryzującego się dużą zmiennością poboru energii elektrycznej.

EN

The transformation of the electricity market are forcing its users search for ever more precise instruments for forecasting for electricity load and the purchase of the energy market. There are many methods used for this purpose: heuristic methods, models of adaptive regression models, the models using neural networks, etc. The aim is to reduce production costs and more specifically one of its elements which is the cost of electricity. In many cases it is next to the cost of feedstock, this is a decisive cost. Discussed in the article system is designed for monitoring and forecasting of electricity load for a large steelworks plant is characterized by high volatility of electricity load.

Słowa kluczowe

PL

prognozowanie; zapotrzebowanie na energię elektryczną; sieci neuronowe

EN

electricity load forecasting; neural networks

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2013
• Tom: R. 89, nr 7
• Strony: 95--99
• Opis fizyczny: Bibliogr.16 poz., rys., wykr.

Twórcy

autor

Klempka R.

• AGH Akademia Górniczo-Hutnicza, Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej

autor

Świątek B.

• AGH Akademia Górniczo-Hutnicza, Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej

Bibliografia

• [1]. Piotrowski P., Wybrane aspekty prognozowania miesięcznego zapotrzebowania na energię elektryczną oraz miesięcznej mocy szczytowej dla różnych horyzontów prognoz na użytek spółek dystrybucyjnych, Przegląd elektrotechniczny 02/2011, 115-118
• [2]. Dudek G., Sieć neuronowo-rozmyta do prognozowania dobowej krzywej obciążenia z jednodobowym wyprzedzeniem, Przegląd elektrotechniczny 02/2011, 62-64
• [3]. Piotrowski P., Analiza statystyczna danych mających wpływ na produkcję energii elektrycznej przez farmę wiatrową oraz przykładowe prognozy krótkoterminowej, Przegląd elektrotechniczny 03a/2012, 161-164
• [4]. Asrari A., Javan D., Javidi M., Monfared M., Zastosowanie kombinowanej metody: Gray-Fuzzy-Markov do prognozowania obciążenia sieci elektrycznej, Przegląd elektrotechniczny 03b/2012, 228-237
• [5]. Rahman S., Hazim O., A generalized knowledge-based short term load-forecasting technique, IEEE Trans. Power Syst., vol. 8, May 1993, 508-514.
• [6]. Osowski S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2006,
• [7]. Gała M., Zastosowanie sztucznych sieci neuronowych do oceny wpływu pracy odbiorników nieliniowych na jakość energii elektrycznej, Przegląd elektrotechniczny 06/2011, 42-46
• [8]. Pietrowski W., Zastosowanie radialnej sieci neuronowej z wykorzystaniem strumienia osiowego w diagnostyce silnika indukcyjnego, Przegląd elektrotechniczny 06/2011, 190-192
• [9]. Tiliouine H., Studium porównawcze sieci neuronowych używanych w modelowaniu i sterowaniu systemami dynamicznymi, Przegląd elektrotechniczny 07/2011, 104-109
• [10]. Benhamida F., Bendaoud A., Medles K., Tilmatine A., Dynamiczne rozwiązanie gospodarki przesyłem energii przy wykorzystaniu sieci neuronowych, Przegląd elektrotechniczny 08/2011, 149-153
• [11]. Younis M., Khatib T., Najeeb M., Ulepszona metoda śledzenia maksymalnej mocy systemu fotowoltaicznego z wykorzystaniem sieci neuronowej, Przegląd elektrotechniczny 03b/2012, 116-121
• [12]. Kurek J., Swiderski B., Osowski S., Szacowanie kondycji finansowej przedsiębiorstw przy pomocy sieci neuronowych,, Przegląd elektrotechniczny 05/2011, 88-91
• [13]. Gareta R., Romeo L. M., Gil A., Forecasting of electricity price with neural networks, Energy Conversion and Management, 47, Issues 13-14, 2006, 1770-1778
• [14]. Yamin H. Y., Shahidepour S. M., Li Z., Adaptive short-term electricity price forecasting using artificial neural networks in the restructured power markets, Int. Journal of Electrical Power and Energy Systems, 26 (8), 2004, 571-581
• [15]. Mandal P., Senjyu T., Uezato K., Funabashi T., Severalhours- ahead electricity price and load forecasting using neural networks, IEEE Power Engineering Society General Meeting, San Francisco, CA, USA 2005, 12-16.
• [16]. Hong Y. Y., Hsiao C. Y., Locational marginal price forecasting in deregulated electricity markets using artificial intelligence, IEE Proc.-Gener. Transm. Distrib., 149 (5), 2002, 621-626.