Model neuronalny 24-godzinowego jednoczesnego zapotrzebowania na moc z wyprzedzeniem dobowym w KSE

• Autorzy: Tchórzewski Jerzy

Identyfikatory

DOI

10.15199/48.2025.02.51

Warianty tytułu

EN

Neural model of 24-hour simultaneous power demand with daily advance in the National Power System

• Języki publikacji: PL

Abstrakty

PL

Przedstawiono model neuronalny prognozowania 24-godzinnego zapotrzebowania dobowego na moc elektryczną w KSE z wyprzedzeniem dobowym. Wykorzystano dane rzeczywiste o strukturze 48 wejść oraz 24 wyjść. Uzyskane wyniki poddano badanym symulacyjnym oraz prognostycznym, a także komparatystycznym w odniesieniu do wyników otrzymywanych z innych rodzajów modeli.

EN

A neural model for forecasting 24-hour daily demand for electrical power in the National Power System with a daily advance is presented. Real data with a structure of 48 inputs and 24 outputs are used. The obtained results are subjected to simulation and prognostic tests, as well as comparative tests in relation to the results obtained from other types of models.

Słowa kluczowe

PL

krajowy system elektroenergetyczny; Matlab; Simulink; sztuczna sieć neuronowa; zapotrzebowanie na moc elektryczną

EN

national power system; Matlab; Simulink; artificial neural network; electric power demand

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2025
• Tom: R. 101, nr 2
• Strony: 228--232
• Opis fizyczny: Bibliogr. 36 poz., rys.

Twórcy

autor

Tchórzewski Jerzy

• Uniwersytet w Siedlcach, Instytut Informatyki, ul. 3-Maja 54, 08-110 Siedlce

• https://orcid.org/0000-0003-2198-7185

Bibliografia

• [1] Czapaj R., Kamiński J., Benlcazar P., Prognozowanie 15- minutowego szczytowego dobowego zapotzrebowania na moc w KSE z wykorzystaniem metody najmniejszych kwadratów, Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki PG, Nr 62, XIX KN APE ’19, pp. 45-48, 2019
• [2] Czapaj R., Kamiński J., Sołtysik M., “A Review of Auto- Regressive Methods Applications to Short-Term Demand Forecasting in Power Systems”, Energies, 15, 6729. https://doi.org/10.3390/en15186729 [dostęp: 22.04.2024], pp. 1-31, 2022
• [3] Czapaj R., Benalcazar P., Kamiński J., Prognozowanie krótkoterminowe zapotrzebowania na energię elektryczną w KSE z wykorzystaniem metody MARSpines, Przegląd Elektrotechniczny, R. 97, No. 7, pp. 133-136, 2019
• [4] Ciechulski T., Osowski S., „Prognozowanie zapotrzebowania na moc w KSE z zastosowaniem grupowania rozmytego”, Przegląd Elektrotechniczny, R. 95, Nr 10, pp. 185-189, 2009
• [5] Ciechulski T., Osowski S., „Badanie jakości predykcji obciążeń elektroenergetycznych za pomocą sztucznych sieci neuronowych SVM, RBF i MLP”, Przegląd Elektrotechniczny, R. 90, Nr 8, pp. 148-151, 2014
• [6] Ciechulski T., Osowski S., „Prognozowanie zapotrzebowania mocy w KSE z horyzontem dobowym przy zastosowaniu zespołu sieci neuronowych”, Przegląd Elektrotechniczny, R. 94, Nr 9, pp. 108-112, 2018
• [7] Parol M., “Prognozowanie ultrakrótkoterminowe mocy generowanej w odnawialnych źródłach energii z wykorzystaniem logiki rozmytej”, Przegląd Elektrotechniczny, nr. 6, R. 90, pp. 265-268, 2014
• [8] Sartori M.A., Antsaklis P.J., “A simple method to derive bounds on the size and to train multilayer neural networks”. IEEE Transaction of Neural Network, 2(4), pp. 467-71, 1991
• [9] Siwek K., Osowski S,, Szupiluk R., “Esemble neural network approach for accurate load forecasting in a power system”, International Journal of Applied Mathematics and Computer Science, Vol. 19, No. 2, pp. 303-313, 2009
• [10] Tchórzewski J., "Systemic Neural Modeling of Hourly Power Demand in the National Power System," 2024 Progress in Applied Electrical Engineering (PAEE), Koscielisko, Poland, IEEE Digital Library, 2024, pp. 1-6
• [11] Tchórzewski J., Rosochacki S., “Selection of the programming environment for neural modeling of the power and electricity demand generation suystems in terms of unmanned factories”, Studia Informatica. Systesm and Information Technology, Vol. 2, No. 29, pp.95-106, 2023
• [12] Kacprzyk J., J. Korbicz, P. Kulczycki [red. nauk.], Automatyka, robotyka i przetwarzanie informacji, WN PWN, pages 768, Warszawa 2020
• [13] Kaczorek T., A. Dzieliński A., i inni, Podstawy teorii sterowania, WNT, Warszawa, stron 497, 2005
• [14] Marlęga R., “Correction of the parametric model of the Day- Ahead Market system using the Artifical Neural Network”, Studia Informatica. Systems and Information Technology, Vol. 1(26)2022, pp. 85-105
• [15] Tchórzewski J., Metody sztucznej inteligencji i informatyki kwantowej w ujęciu teorii sterowania i systemów (in Polish), Wydawnictwo Naukowe UPH, Siedlce, pages 343, 2021
• [16] Tchórzewski J., Rozwój systemu elektroenergetycznego w ujęciu teorii sterowania i systemów, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław, pages 190, 2013
• [17] Rucińki D., Neural modeling of electricity prices quoted on the Day-Ahead Market of TGE S.A. ahaped by environmental and economics factores, Studia Informatica. Systems and Information Technologies, Vol. 1-2, No. 24, pp. 25-35, 2020
• [18] Szczerbowski R., Modelowanie systemów energetycznych, Poznan University of the Technology. Academic Journals, Electrical Engineering, No. 78, pp. 9-16, 2014
• [19] Filipiak I., Milczarski W., Energetyka w okresie transformacji (in Polish), in English: Power engineering in the period of transformation, WN PWN, pages 295, Warszawa 2023
• [20] Polskie Sieci Elektroenergetyczne SA, Wielkości podstawowe raportów dobowych z pracy KSE (in Polish), https://www.pse.pl/dane-systemowe/funkcjonowaniekse/ raporty-dobowe-z-pracy-ks [accesdostęp: 26.01.2023, 08.05.2022, 26.01.2023, 02.06.2024]
• [21] Chremos J.V., Malikopoulos A.A., Mechanism Design Theory in Control Engineering. A Tutorial and overview of aplications in comunication, power grid, transportation and security systems, IEEE Control Systems, Vol. 44, No. 1, pp.20-45, Febr. 2024
• [22] Beale M., M. Hagan M., Deep Learning Toolbox User’s Guide, The MathWorks, Natick 2020-2024
• [23] Helt P., Parol M., Piotrowski P., Metody sztucznej inte;ligencji w elektroenergetyce, OW PW, pages 241 Warszawa, 2000
• [24] Jain L., Fanelli A.M., Recent advances in Artificial Neural Networks Design and Applications, CRC Press, Boca Raton, pages 372, 2017
• [25] Obuchowicz A., Optimization of Neural Network Architectures, Chapter 9, [in:] Intelligent Systems,
• [eds] Wilamowski B. M., Irvin J. D., The Industrial Electronics Handbook, Second Edition, Taylor and Francis Group, LLC, pp. 9.1-9.24, 2011
• [26] Osowski S., Sieci neuronowe do przetwarzania informacji, OW PW, Warszawa, pages 422, 2013
• [27] Patterson J., Gibson A., Deep Learning. Parctitioner’s Aproach, O’Reilly Media, Sebastopol, pages 83, 2017
• [28] Tchórzewski, M. Kłopotek, A case study in neural network evolution, Prace Naukowe IPI PAN, Tom 943, pp. 1-12, 2001
• [29] Tadeusiewicz R., Archipelag sztucznej inteligencji, OW EXIT, Warszawa, pages 126, 2022
• [30] Tamura S., Tateishi M., “Capabilities of a four layered feedforward neural network: four layers versus three”. IEEE Transaction of Neural Network, Vol. 8, N0. 2, pp. 251-5, 1997.
• [31] Ministerstwo Klimatu i Środowiska, Polityka energetyczna Polski do roku 2040, Załącznik do uchwały nr 22/2021 Rady Ministrów z dnia 2 lutego 2021 r., Warszawa 2021
• [32] Ministerstwo Klimatu i Środowiska, Zał. 2 do PEP do roku 2040, Zał. 2 – Wnioski z analiz prognostycznych dla sektora energetycznego, Warszawa 2021
• [33] Hoke A., Boemer J.C., Badrzadeh B., MacDowell J., Kurthakokti D., Marszalkowski B., Meuser M., Fundations for the future Power System, IEEE Power & Energy MagazineVol. 22, No. 2, pp. 42-54, March/Apri 2024
• [34] Rebizant W., Szafran J., Wiszniewski A., Digital Signal Processing in Power System Protection and Control, Book series: Signals and Communication Technology, Tom 10, pages 978, Springer, Springer, 2011
• [35] Raczkowski R., Robak S., Piekarz M., Analysis of changes in power demand in the Polish Power System, Energy Strategy Reviews, No. 44, pp. 1-13, 2022
• [36] MathWorks, MATLAB I Simulink, https://www.mathworks.com [dostęp:1992-2024]