PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Prognozowanie zapotrzebowania na ciepło w systemie ciepłowniczym z zastosowaniem zaawansowanych algorytmów analizy danych

Identyfikatory
Warianty tytułu
Języki publikacji
PL
Abstrakty
PL
Do krótkoterminowego planowania produkcji ciepła coraz częściej wykorzystuje się zaawansowane metody i algorytmy do modelowania procesów termodynamicznych zachodzących w trakcie produkcji energii elektrycznej i ciepła, w oparciu o symulacje numeryczne.
Wydawca
Rocznik
Tom
Strony
59--64
Opis fizyczny
Bibliogr. 12 poz., rys., wykr.
Twórcy
  • PGE Energia Ciepła S.A.
  • AGH Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie
  • AGH Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie
  • PGE Polska Grupa Energetyczna S.A.
  • PGE Energia Ciepła S.A.
Bibliografia
  • [1] Energetyka cieplna w liczbach 2019 r., Raport Urzędu Regulacji Energetyki.
  • [2] Raport o kogeneracji w ciepłownictwie, Polskie Towarzystwo Elektrociepłowni Zawodowych, 2019 r.
  • [3] Polityka energetyczna Polski do 2040 r.
  • [4] Sameti M., Haghighat F. Optimization of 4th generation distributed district heating system: Design and planning of combined heat and power. Renew Energy 2019; 130:371-387
  • [5] Madejski P., Żymełka P., Węzik R., Kubiczek H., Gas fired plant modeling for monitoring and optimization of electricity and heat production. 2017, 97, 455-482.
  • [6] Madejski P., Żymełka P., Wprowadzenie do komputerowych obliczeń symulacji pracy systemów energetycznych w programie Steag Ebsilon, Wydawnictwo AGH, 978-83-66364-86-8.
  • [7] Geysen D., Somer O., Johansson C., Brage J., Vanhoudt D., Operational thermal load forecasting in district heating networks using machine learning and expert advice, Energy and Buildings, Volume 162, 1 March 2018, Pages 144-153.
  • [8] Dotzauer E., Simple model for prediction of loads in district heating systems. Appl. Energy 2002, 73, 277-284.
  • [9] Dahl M., Brun A., Kirsebom O., Andresen G., Improving Short-Term Heat Load Forecasts with Calendar and Holiday Data, Energies, Energies 2018, 11(7), 1678.
  • [10] Bangert P., Machine Learning and Data Science in the Power Generation Industry, Elsevier, 2021, Pages 77-92, ISBN 9780128197424.
  • [11] Paluszek M., Thomas S. MATLAB machine learning, Apress Berkeley CA, ISBN 978-1-4842-2249-2.
  • [12] Wood S., Generalized Additive Models: An Introduction with R, London: Chapman & Hall, 2006 r.
Uwagi
Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-9983de69-8a68-4f5a-939e-f6473853fa55
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.