Modelling electricity production structure in Poland

• Autorzy: Sowiński Janusz

Warianty tytułu

PL

Modelowanie struktury wytwarzania energii elektrycznej w Polsce

• Języki publikacji: EN

Abstrakty

EN

The basis of the conducted analysis were the data on electricity production balance, including the structure of eleltricity production. The data used for calculations include monthly electricity production figures from power plants (thermal and hydro electric power plants, wind farms), independent power producers and industrial power stations. In this paper, two predictive models are applied – a prediction method using Adaptive Neuro-Fuzzy Inference System (ANFIS), and a method using stochastic differential equations (SDE), which make it possible to make medium-term projections of electricity production and its structure, thus providing the basis for energy mix analysis. The results of estimations and verification of the developed models are presented, as well as examples of prediction results. The results were compared to the projection provided in the draft of Polityka Energetyczna Polski do 2040 roku PEP2040 (Poland’s Energy Policy until 2040). An attempt was also made to answer the question whether the models based only on historical time series may serve as a valid basis for the analysis of electricity production structure, and whether such models are capable of adequately describing the processes in power engineering under uncertainty and risk.

PL

Dane dotyczące bilansu w zakresie wytwarzania energii elektrycznej z uwzględnieniem jej struktury są podstawą wykonanych analiz. Dane wykorzystywane do obliczeń zawierają miesięczne produkcje energii elektrycznej z elektrowni zawodowych (termiczne, wodne i wiatrowe), niezależnych producentów energii elektrycznej oraz przemysłowych elektrociepłowni. W artykule wykorzystano dwa modele predykcji, metodę predykcji z wykorzystaniem rozmytego systemu wnioskowania ANFIS - Adaptive Neuro-Fuzzy Inference System i metodę wykorzystującą stochastyczne równania różniczkowe SDE – Stochastic Differential Equations, umożliwiające wykonanie średnioterminowej prognozy produkcji energii elektrycznej wraz z jej strukturą, dając podstawę do analizy mixu energetycznego. Zaprezentowano wyniki estymacji i weryfikacji budowanych modeli oraz przykładowe wyniki predykcji. Rezultaty porównano z prognozą prezentowaną w projekcie Polityki Energetycznej Polski do 2040 roku PEP2040. W tym kontekście podjęto dyskusję w celu odpowiedzi na pytanie, czy modele bazujące tylko na historycznych szeregach chronologicznych mogą być podstawą analiz struktury wytwarzania energii elektrycznej i czy są adekwatne do opisu procesów w elektroenergetyce w warunkach niepewności i ryzyka.

Słowa kluczowe

EN

energy mix; forecast; ANFIS; SDE model

PL

mix energetyczny; prognoza; model ANFIS; model SDE

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2020
• Tom: Nr 3
• Strony: 79--85
• Opis fizyczny: Bibliogr. 22 poz., fig., tab.

Twórcy

autor

Sowiński Janusz

• Częstochowa University of Technology

Bibliografia

• [1] Statystyka elektroenergetyki polskiej. Warsaw (2004-2019)
• [2] Billewicz K.: An alternative view at energy efficiency. Rynek Energii 2013, No. 2(105)
• [3] Dobrzańska I., Dąsal K., Łyp J., Popławski T., Sowiński J.: Prognozowanie w elektroenergetyce. Zagadnienia wybrane. WPCz Częstochowa 2002
• [4] Dudek G.: Adaptive simulated annealing schedule to the unit commitment problem. Electric Power Systems Research, vol.80, issue 4, 2010, pp.465-472
• [5] Jang J.-S.R: ANFIS: Adaptive-Network-Based Fuzzy Inference System. IEEE Trans. Systems, Man, and Cybernetics 1993, Vol. 23, No 3
• [6] Jędral W.: Efektywność energetyczna jako ważny zasób energetyczny - porównanie z wybranymi źródłami energii. Rynek Energii 2011, No. 4 (95)
• [7] Kornatka M., Gawlak A.: Comparative analysis of operating conditions in Polish medium-voltage and 110 kV net-works. Proceedings of The 8th International Scientific Symposium ELEKTROENERGETIKA 2015, Stara Lesna, Slovak Republic
• [8] Kornatka M.: The weighted kernel density estimation methods for analysing reliability of electricity supply. in: 17th International Scientific Conference on Electric Power Engineering (EPE), 2016 Prague, Czech Republic
• [9] Kudełko M.: Znaczenie analizy systemowej w prognozowaniu rozwoju sektorów paliwowo-energetycznych. Polityka Energetyczna 2005, Volume 8, pp. 245-260
• [10] Ministerstwo Energii: Polityka energetyczna Polski do 2040 roku PEP2040. Wnioski z analiz prognostycznych dla sektora energetycznego – appendix no. 1. project w. 1.2 – 23.11.2018, Warsaw 2018
• [11] Øksendal B.K.: Stochastic Differential Equations: An Introduction with Applications. Berlin Springer 2003
• [12] Pavlova-Marciniak I.: Implementation of climate policy assumptions in Poland. Proceedings of The 8th International Scientific Symposium ELEKTROENERGETIKA 2015, Stara Lesna, Slovak Republic
• [13] Pavlova-Marciniak I.: Rozwój energetyki jądrowej w Polsce – nowe wyzwania. Przegląd Elektrotechniczny 2009, No. 3, pp. 216-219
• [14] Popławski T. (ed), Dąsal K., Łyp J., Sowiński J.: Wybrane zagadnienia prognozowania długoterminowego w systemach elektroenergetycznych. WPCz Częstochowa 2011
• [15] Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. PWN Warsaw 1999
• [16] Sowiński J.: Inwestowanie w źródła wytwarzania energii elektrycznej w warunkach rynkowych. Wydawnictwa Politechniki Częstochowskiej, Częstochowa 2008
• [17] Sowiński J., Pydych T., Tomaszewski R., Wachtarczyk A.: Produkcja energii elektrycznej i ciepła z odnawialnych nośników w warunkach ryzyka, Rynek Energii, No. 2 (117), April 2015, ISSN 1425-5960, pp. 59-65
• [18] Sowiński J., Szydłowski M.: Forecast of Electricity Supply Using Adaptive Neuro- Fuzzy Inference System, in: Rusek S., Gono R., 18th International Scientific Conference on Electric Power Engineering 2017, IEEE New York
• [19] Sowiński J.: Medium-Term Forecast of Monthly Supply of Electricity and Maximum-Demand-Day Power Using Adap-tive Neuro-Fuzzy Inference System. in: M. Kolcun, I. Kolcunova, J. Kurimsky, 9th International Scientific Symposium on Electrical Power Engineering, Stara Lesna, Slovakia 2017
• [20] Union of the Electricity Industry – EURELECTRIC – A.I.S.B.L.: Power Choices – Pathways to Carbon-Neutral Elec-tricity in Europe by 2050. Full Report 2010
• [21] Ying L.-Ch., Pan M.-Ch.: Using adaptive network based fuzzy inference system to forecast regional electricity loads. Energy Conversion and Management 2008, Vol. 49, No 2
• [22] Zadeh L.A.: Fuzzy sets. Information and Control 1965, No 8

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).