Prognozowanie zapotrzebowania na gaz metodami sztucznej inteligencji

• Autorzy: Paliński Andrzej

Identyfikatory

DOI

10.18668/NG.2019.02.07

Warianty tytułu

EN

Forecasting gas demand using artificial intelligence methods

• Języki publikacji: PL

Abstrakty

PL

W artykule zaprezentowano współczesne tendencje dotyczące metod sztucznej inteligencji i uczenia maszynowego, do których zalicza się między innymi sztuczne sieci neuronowe, drzewa decyzyjne, systemy oparte na logice rozmytej i inne. Metody inteligencji obliczeniowej stanowią część obszaru badań nad sztuczną inteligencją. Wybrane metody inteligencji obliczeniowej zostały wykorzystane do budowy średnioterminowych miesięcznych prognoz zapotrzebowania na gaz dla Polski. Porównana została trafność prognoz uzyskanych za pomocą sztucznej sieci neuronowej i drzewa decyzyjnego z klasyczną regresją liniową z wykorzystaniem danych historycznych z okresu dziesięciu lat. Jako zmienne objaśniające zastosowano: zużycie gazu w innych krajach UE, średnią miesięczną temperaturę, produkcję prze- mysłową, wynagrodzenie w gospodarce i cenę gazu. Prognozowanie przeprowadzono w pięciu etapach różniących się doborem próby uczącej i testowej, zastosowaniem wstępnego przygotowania danych oraz eliminacją niektórych zmiennych. W przypadku danych nieprzygotowanych i losowego zbioru uczącego najwyższą trafność osiągnęła regresja liniowa. W przypadku danych uzupełnionych i losowego zbioru uczącego najwyższą trafność uzyskano za pomocą drzewa decyzyjnego. Prognoza zbudowana na podstawie pierwszych ośmiu lat i testowana na dwóch ostatnich została najtrafniej utworzona za pomocą regresji, ale tylko nieznacznie lepiej niż przy wykorzystaniu drzewa decyzyjnego lub sieci neuronowej, niezależnie od normalizacji danych i eliminacji współliniowych zmiennych. Metody uczenia maszynowego wykazały się dobrą trafnością prognoz miesięcznego zużycia gazu, niemniej jednak nieznacznie ustąpiły klasycznej regresji liniowej ze względu na zbyt wąski zbiór zmiennych objaśniających. Metody uczenia maszynowego będą mogły wykazać się wyższą skutecznością wraz ze wzrostem liczby danych oraz rozszerzeniem zbioru potencjalnych zmiennych objaśniających. W morzu danych metody uczenia maszynowego są w stanie skuteczniej tworzyć modele prognostyczne bez konieczności żmudnej ingerencji analityka w przygotowanie danych i wieloetapową analizę. Pozwolą także na dowolnie częstą aktualizację postaci modeli prognostycznych, nawet po każdym uzupełnieniu zbioru danych.

EN

The paper presents contemporary trends in artificial intelligence and machine learning methods, which include, among others, artificial neural networks, decision trees, fuzzy logic systems and others. Computational intelligence methods are part of the field of research on artificial intelligence. Selected methods of computational intelligence were used to build medium-term monthly forecasts of natural gas demand for Poland. The accuracy of forecasts obtained using the artificial neural network and the decision tree with classical linear regression was compared based on historical data from a ten-year period. The explanatory variables were: gas consumption in other EU countries, average monthly temperature, industrial production, wages in the economy and the price of natural gas. Forecasting was carried out in five stages differing in the selection of the learning and testing sample, the use of data preprocessing and the elimination of some variables. For raw data and a random training set, the highest accuracy was achieved by linear regression. For the preprocessed data and the random learning set, the decision tree was the most accurate. The forecast obtained on the basis of the first eight years and tested on the last two was most accurately created by regression, but only slightly better than with the decision tree or neural network, regardless of data normalization and elimination of collinear variables. Machine learning methods showed good accuracy of monthly gas consumption forecasts, but nevertheless slightly gave way to classical linear regression, due to too narrow set of explanatory variables. Machine learning methods will be able to show higher effectiveness as the number of data increases and the set of potential explanatory variables is expanded. In the sea of data, machine learning methods are able to create prognostic models more effectively, without the analyst’s laborious involvement in data preparation and multi-stage analysis. They will also allow for the frequent updating of the form of prognostic models even after each addition of new data into the database.

Słowa kluczowe

PL

prognozowanie; sztuczna inteligencja; zapotrzebowanie; gaz ziemny

EN

forecasting; artificial intelligence; demand; natural gas

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Nafta-Gaz
• Rocznik: 2019
• Tom: R. 75, nr 2
• Strony: 111--117
• Opis fizyczny: Bibliogr. 18 poz., tab., wykr., wz.

Twórcy

autor

Paliński Andrzej

• AGH Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie, Wydział Zarządzania, Katedra Informatyki Stosowanej

Bibliografia

• Balfe P., Kelp O., 2014. Gas consumption Forecasting. A methodology. Sydney: Acil Allen Consulting.
• Bank Danych Lokalnych, b.d. <https://bdl.stat.gov.pl/BDL/dane/podgrup/temat> (dostęp: czerwiec 2018).
• Bank Danych Makroekonomicznych, b.d. <https://bdm.stat.gov.pl/> (dostęp: czerwiec 2018).
• Bianco V., Scarpa F., Tagliafico L., 2014a. Analysis and future outlook of natural gas consumption in the Italian residential sector. Energy Conversion and Management, 87: 754–764. DOI: 10.1016/j.enconman.2014.07.081.
• Bianco V., Scarpa F., Tagliafico L., 2014b. Scenario analysis of nonresidential natural gas consumption in Italy. Applied Energy, 113: 392– 403. DOI: 10.1016/j.apenergy.2013.07.054.
• Eurostat, b.d. Database. <http://ec.europa.eu/eurostat/web/energy/data/database> (dostęp: czerwiec 2018).
• Freemeteo, b.d. <https://freemeteo.pl/> (dostęp: czerwiec 2018).
• Gaweł B., Rębiasz B., Skalna I., 2016. Data mining methods for long-term forecasting of market demand for industrial goods. W: Z. Wilimowska et al. (eds.), Information Systems Architecture and Technology: Proceedings of the 36th International Conference on Information Systems Architecture and Technology – ISAT 2015 – Part IV (s. 3–13). Switzerland: Springer International Publishing. DOI: 10.1007/978-3-319-28567-2.
• Han J., Kamber M., Pei J., 2012. Data Mining: Concepts and Techniques. San Francisco: Elsevier.
• Holdaway K., 2014. Harness Oil and Gas Big Data with Analytics: Optimize Exploration and Production with Data Driven Models. New Jersey: John Wiley & Sons
• IndexMundi, b.d. <https://www.indexmundi.com> (dostęp: czerwiec 2018).
• Larose D., 2006. Odkrywanie wiedzy z danych. Warszawa: PWN.
• Microsoft, b.d.-a. Omówienie programu Visual Studio 2017. <https://docs.microsoft.com/en-us/visualstudio/ide/visual-studio-ide> (dostęp: czerwiec 2018).
• Microsoft, b.d.-b. Edycje programu SQL Server 2017. <https://www.microsoft.com/pl-pl/sql-server/sql-server-2017-editions> (dostęp: czerwiec 2018).
• Paliński A., 2018. Hurtownie danych i eksploracja danych w prognozowaniu popytu na gaz i usługi magazynowania gazu. Nafta-Gaz, 4: 283–289. DOI: 10.18668/NG.2018.04.04.
• Sánchez-Úbeda E., Berzosa A., 2007. Modeling and forecasting industrial end-use natural gas consumption. Energy Economics, 29(4): 710– 742. DOI: 10.1016/j.eneco.2007.01.015.
• Šebalj D., Mesarić J., Dujak D., 2017. Predicting Natural Gas Consumption – A Literature Review. W: Proceedings of Central European Conference on Information and Intelligent Systems (s. 293–300). Varaždin, Croatia.
• Suykens J. et al., 1996. Modelling the Belgian gas consumption using neural networks. Neural Processing Letters, 4(3): 157–166. DOI: 10.1007/BF00426024.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).