Kontekst i narzędzia wsparcia ER: aspekt społeczne i klimatyczno-środowiskowe, cyfryzacja i prognozowanie cen

• Autorzy: Kisiel-Dorohinicki Marek , Adamiec Ewa , Dajda Jacek , Heller Krzysztof , Kałuża Andrzej , Kopeć Agnieszka , Kocór Marcin , Micek Dorota , Mika Grzegorz , Morkisz Paweł M. , Mulewicz Bartłomiej , Mus-Frosik Malwina , Nawrot Jacek , Przybyłowicz Paweł , Sobieraj Michał , Szczucka Anna , Wiącek Martyna , Worek Barbara , Zyśk Janusz

Identyfikatory

DOI

10.7494/er.2025.13-14.177

Warianty tytułu

EN

Contexts and support tools for distributed energy: social and climate-environmental aspects, digitalization, and price forecasting

• Języki publikacji: PL

Abstrakty

PL

Transformacja energetyczna to złożony proces, który ma co prawda naturę technologiczną, ale o jego skuteczności decydują w dużejmierze czynniki społeczne i kulturowe. Dla rozwoju energetyki rozproszonejnajwiększą wartość mają zatem działania interdyscyplinarne, angażujące specjalistów z różnych dziedzin nauki i gospodarki lub szukające społecznego rezonansu. Niniejszy artykuł prezentuje przykłady takich badań. Analizy postaw Polaków wobec transformacji energetycznej czy monitoring zdrowotnych skutków zanieczyszczenia powietrza - to konteksty, które powinny być punktem wyjścia dla myślenia o rozwoju energetyki rozproszonej w naszym kraju. Z kolei koncepcja przestrzeni danych (data space) oraz modele prognozowania cen energii - to przykłady tego, jak nauki ścisłe i technologie informatyczne mogą odpowiadać na realne potrzeby interesariuszy transformacji.

EN

The energy transition is a complex process that, while technological in nature, is largely driven by social and cultural factors. For the development of distributed energy, interdisciplinary efforts - bringing together experts from various f elds of science and industry or seeking social resonance - are of the greatest value. This chapter presents examples of such research. Analyses of Poles' attudes toward the energy transition and monitoring the health impacts of air pollution are contexts that should serve as a starting point for considering the development of distributed energy in Poland. Meanwhile, the concept of data spaces and energy price forecasting models illustrate how hard sciences and information technologies can respond to the real needs of energy transition stakeholders

Słowa kluczowe

PL

postawy wobec transformacji energetyczne; badania ilościowe i jakościowe; technika CATI; zdrowotne skutki zanieczyszczeń powietrza; wskaźnik monitorujący; Obserwatorium Transformacji Energetycznej; data space; przestrzenie danych; cyfryzacja energetyki; prognozowanie cen energii; równania różniczkowe stochastyczne; uczenie maszynowe; modele hybrydowe

EN

attitudes toward energy transition; quantitative and qualitative research; CATI technique; health effects of air pollution; monitoring indicators; Energy Transition Observatory; data space; energy sector digitalization; energy price forecasting methods; stochastic differential equations; machine learning; hybrid models

• Wydawca: Wydawnictwa AGH
• Czasopismo: Energetyka Rozproszona
• Rocznik: 2025
• Tom: nr 13-14
• Strony: 177--193
• Opis fizyczny: Bibliogr. 22 poz., rys., wykr.

Twórcy

autor

Kisiel-Dorohinicki Marek

• AGH Akademia Górniczo-Hutnicza w Krakowie, Wydział Informatyki

autor

Adamiec Ewa

• Wydział Geologii, Geofizyki i Ochrony Środowiska AGH
• Wydział Informatyki AGH

autor

Dajda Jacek

• Wydział Informatyki AGH

autor

Heller Krzysztof

• Wydział Informatyki AGH

autor

Kałuża Andrzej

• Wydział Matematyki Stosowanej AGH

autor

Kopeć Agnieszka

• Wydział Matematyki Stosowanej AGH

autor

Kocór Marcin

• Centrum Ewaluacji i Analiz Polityk Publicznych UJ

autor

Micek Dorota

• Centrum Ewaluacji i Analiz Polityk Publicznych UJ
• Wydział Informatyki AGH

autor

Mika Grzegorz

• Aigorithmics

autor

Morkisz Paweł M.

• Wydział Matematyki Stosowanej AGH

autor

Mulewicz Bartłomiej

• Aigorithmics

autor

Mus-Frosik Malwina

• Wydział Informatyki AGH

autor

Nawrot Jacek

• Wydział Informatyki AGH

autor

Przybyłowicz Paweł

• Wydział Matematyki Stosowanej AGH

autor

Sobieraj Michał

• Wydział Matematyki Stosowanej AGH

autor

Szczucka Anna

• Centrum Ewaluacji i Analiz Polityk Publicznych UJ

autor

Wiącek Martyna

• Aigorithmics

autor

Worek Barbara

• Centrum Ewaluacji i Analiz Polityk Publicznych UJ
• Wydział Informatyki AGH

autor

Zyśk Janusz

• Wydział Energetyki i Paliw AGH

Bibliografia

• [1] Baranek M., Kałuża A., Morkisz P.M., Przybyłowicz P., Sobieraj M. (2023), On the Randomized EulerAlgorithm under Inexact Informa¬tion, https://arxiv.org/abs/2307.04718 [dostęp: 24.06.2025].
• [2] Błaszczyk P., Klimczak K., Mahdi A., Oprocha P., Potorski P., Przybyłowicz P., SobierajM. (2022), On Automatic Calibration of the SIRD Epidemiological Model for COVID-19 Data in Poland, https://arxiv.org/abs/2204.12346 [dostęp: 24.06.2025].
• [3] Bochacik T., Czyżewska N., Kałuża A., Majchrowski D., Morkisz P., Przybyłowicz P., Studzińska-Wrona M. (2020), Hybrid Option Pricing through AI and GPU-Powered SDEs Solvers, sesja poste- rowa, NVIDIA GTC 2020.
• [4] Common Information Model (b.r.), https://www.entsoe.eu/digital/ common-information-model [dostęp: 20.06.2025].
• [5] Data Act (2023), Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2023/2854 z dnia 13 grudnia 2023 r. w sprawie zharmonizowanych przepisów dotyczących sprawiedliwego dostępu do danych i ich wykorzystania oraz w sprawie zmiany rozporządzenia (UE) 2017/2394 i dyrektywy (UE) 2020/1828.
• [6] EDIEL (b.r.), https://ediel.org/common-ediel-documents [dostęp: 20.06.2025].
• [7] Energetyczna przyszłość - co naprawdę myślimy? (2025), seminarium 1. projektu Obserwatorium Transformacji Energetycznej, ht- tps://www.energetyka-rozproszona.pl/relacje-z-wydarzen/ seminarium-ote-preker-1/ [dostęp: 18.06.2025].
• [8] HEMRM (2022), The Harmonised Electricity Market Role Model, wersja 2022-01, https://eepublicdownloads.entsoe.eu/cle- an-documents/EDI/Library/HRM/Harmonised_Role_Mo- del_2022-01.pdf [dostęp: 20.06.2025].
• [9] IEC (b.r.), Smart Grid Architecture Model, https://syc-se.iec.ch/deliveries/sgam-basics [dostęp: 20.06.2025].
• [10] IEEE (2023), IEEE Standard for Smart Energy Profile Application Protocol https://standards.ieee.org/ieee/2030.5/11216 [dostęp: 20.06.2025].
• [11] Kałuża A., Morkisz P.M., Mulewicz B., Przybyłowicz P., Wiącek M. (2024), Deep Learning-Based Estimation of Time-Dependent Parameters in Markov Models with Application to Nonlinear Re¬gression and Sdes, „Applied Mathematics and Computation" 480: 128906.
• [12] Kopeć A., Przybyłowicz P., Wiącek M. (w przygotowaniu), Neural Network-Based Estimation of Time-Dependent Parameters inAR (1) Processes.
• [13] Laitsos V., Vontzos G., Bargiotas D., Daskalopulu A., Tsoukalas L.H. (2024), Data-Driven Techniques for Short-Term Electricity Price Forecasting through Novel Deep Learning Approaches with Attention Mechanisms, „Energies" 17 (7): 1625.
• [14] Mishra B.K., Preniqi V.,Thakker D., Feigl E. (2024), Machine Learning and Deep Learning Prediction Models for Time-Series: A Compa¬rative Analytical Study for the Use Case of the UK Short-Term Electricity Price Prediction, „Discover Internet of Things" 4: 24.
• [15] Morkisz P.M., Przybyłowicz P. (2021), Randomized Derivative-Free Milstein Algorithm for Efficient Approximation of Solutions of SDEs Under Noisy Information, „Journal of Computational and Applied Mathematics" 383: 113112.
• [16] North American Energy Standards Board (b.r.), The NAESB Energy Services Provider Interface Model Business Practices Informa¬tion Page, https://www.naesb.org/espi_standards.asp [dostęp: 20.06.2025].
• [17] OpenADR (b.r.), https://www.openadr.org/specification [dostęp: 20.06.2025].
• [18] Przybyłowicz P. (2022), Foundations of Monte Carlo Methods and Stochastic Simulations - From Monte Carlo Lebesgue Inte¬gration to Weak Approximation of SDEs, https://arxiv.org/ abs/2208.05531 [dostęp: 24.06.2025].
• [19] Unia Europejska (2020), The European Strategy for Data, Docu¬ment 52020DC0066, https://eur-lex.europa.eu/legal-content/ EN/TXT/?uri=CELEX%3A52020DC0066 [dostęp: 20.06.2025].
• [20] Unia Europejska (2023), Data Exchange Reference Architecture European (energy) data exchange reference architecture 3.0, https://op.europa.eu/en/publication-detail/-/publication/ dc073847-4d35-11ee-9220-01aa75ed71a1/language-en [dostęp: 20.06.2025].
• [21] Vega-Márquez B., Rubio-Escudero C., Nepomuceno-Chamorro I.A., Arcos-Vargas Á. (2021), Use of Deep Learning Architectures for Day-Ahead Electricity Price Forecasting over Different Time Periods in the Spanish Electricity Market, „Applied Sciences" 11 (13): 6097.
• [22] Weron R. (2014), Electricity Price Forecasting: A Review of the State-of-the-Art with a Look Into the Future, „International Journal of Forecasting" 30 (4): 1030-1081.