The Influence of the Artificial Neural Network type on the quality of learning on the Day-Ahead Market model at Polish Power Exchange joint-stock company

• Autorzy: Ruciński Dariusz

Identyfikatory

DOI

10.34739/si.2019.23.05

• Języki publikacji: EN

Abstrakty

EN

The work contains the results of the Day-Ahead Market modeling research at Polish Power Exchange taking into account the numerical data on the supplied and sold electricity in selected time intervals from the entire period of its operation (from July 2002 to June 2019). Market modeling was carried out based on three Artificial Neural Network models, ie: Perceptron Artificial Neural Network, Recursive Artificial Neural Network, and Radial Artificial Neural Network. The examined period of the Day-Ahead Market operation on the Polish Power Exchange was divided into sub-periods of various lengths, from one month, a quarter, a half a year to the entire period of the market's operation. As a result of neural modeling, 1,191 models of the Market system were obtained, which were assessed according to the criterion of the least error MSE and the determination index R2.

Słowa kluczowe

EN

Perceptron Artificial Neural Network; Radial Artificial Neural Network; Recursive Artificial Neural Network; neural model quality; Day-Ahead Market; Polish Power Exchange; Mean square error; determination index

• Wydawca: Wydawnictwo Uniwersytetu Przyrodniczo-Humanistycznego w Siedlcach
• Czasopismo: Studia Informatica : systems and information technology
• Rocznik: 2019
• Tom: Vol. 1-2(23)
• Strony: 77--93
• Opis fizyczny: Bibliogr. 25 poz., rys., tab., wykr.

Twórcy

autor

Ruciński Dariusz

• Siedlce University of Natural Sciences and Humanities, Faculty of Exact and Natural Sciences, Institute of Computer Science, ul. 3 Maja 54, 08-110 Siedlce, Poland

Bibliografia

• 1. Beale M. H. et al.: Neural Network Toolbox™ User's Guide, by The MathWorks, Inc., 1992-2019.
• 2. Faliński M.: Wstęp do sztucznej inteligencji. WN PWN, Warszawa, 2020.
• 3. Jankowski N.: Ontogeniczne sieci neuronowe. O sieciach zmieniających swoją strukturę. AOW EXIT, Warszawa, 2003.
• 4. Kosiński R. A.: Sztuczne sieci neuronowe. Dynamika nieliniowa i chaos. WNT, Warszawa, 2002.
• 5. Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe. Podstawy i zastosowania, Problemy Współczesnej Nauki. Teoria i zastosowania, Informatyka, AOW PLJ, 1994.
• 6. Mańdziuk J.: Sieci neuronowe typu Hoppfielda. Teoria i przykłady zastosowań. AOW EXIT, Warszawa, 2000.
• 7. Marecki J.: Metody sztucznej inteligencji. WSIiZ, Bielsko-Biała, 2001.
• 8. Monteiro at al.: Short-Term Price Forecasting Models Based on Artificial Neural Networks for Intraday Sessions in the Iberian Electricity Market. Energies, 9, 721, 2016.
• 9. Obuchowicz A., Patan K.: Sieć neuronów dynamicznych jako generator residuów. Optymalizacja architektury. Materiały III Konferencji nt. "Diagnostyka procesów przemysłowych", Gdańsk-Jurata, pp. 101-106, 1998.
• 10. Osowski S.: Sieci neuronowe do przetwarzania informacji. OW PW, Warszawa, 1998.
• 11. Patterson J., Gibson A.: Deep Learning. Praktyczne wprowadzenie, Helion, Warszawa, 2017.
• 12. Ruciński D.: Price neural modeling on the Polish Power Exchange supported by an evolutionary algorithm and inspired by quantum calculations (in Polish: Modelowanie neuronalne cen na Towarowej Giełdzie Energii Elektrycznej wspomagane algorytmem ewolucyjnym oraz inspirowane obliczeniami kwantowymi). Rozprawa doktorska pod kierunkiem dr hab. inż. Jerzego Tchórzewskiego, prof. UPH w Siedlcach, IBS PAN, Warszawa, 2018.
• 13. Ruciński D.: The neural modelling in chosen task of Electric Power Stock Market. Studia Informatyka. System and Information Technology. Vol. 1-2(21). Publishing House of University of Natural Science, pp. 1-22, 2017.
• 14. Ruciński D., Tchórzewski J.: Neural modeling of the electric power stock market in usage of MATLAB and Simulink tools for the day ahead market data. Journal of Information System in Management, Vol. 5 (2) pp. 215-226, 2016.
• 15. Ruciński D.: Neural-evolutionary Modeling of Polish Electricity Power Exchange. Electrical Power Networks, EPNet 2016, Katedra Energoelektryki PWr., Institute of Power Engineering and Control Systems of Lviv Polytechnic National University, Ukraine and O/Wrocławski SEP, XPlore Digital Library, Szklarska Poręba 2016 r., pp. 1-6, 2016.
• 16. Ruciński D., Kłopotek M., Tchórzewski J.: Self-Organizing Wireless Ad-hock Sensor Networks. Studia Informatica. Systems and Information Technology, Volume: 1(5), Publishing House of University of Podlasie, pp. 69-80, 2005.
• 17. Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, WN PWN, Warszawa – Łódź, 1997.
• 18. Rutkowski L.: Metody i techniki sztucznej inteligencji. WN PWN, Warszawa, 2020.
• 19. Tadeusiewicz R., Korbicz J., Rutkowski L., Duch W.: Sieci neuronowe w inżynierii biomedycznej. Seria: Inżynieria biomedyczna. Podstawy i zastosowania, tom 9, Akademicka OW EXIT, Warszawa, 2013.
• 20. Tadeusiewicz R.: Biocybernetyka. Metodologiczne podstawy dla inżynierii biomedycznej. WN PWN, Warszawa, 2013.
• 21. Tchórzewski J., Ruciński D.: Evolutionaly-Supported and Quantum-Inspired Neural Modeling Applied to the Polish Electric Power Exchange. 2019 Progress in Applied Electrical Engineering (PAEE), IEEE Digital Library, Kościelisko, pp. 1-8, 2019.
• 22. Tchórzewski J., Ruciński D., Domański P.: Artificial neural network inspired by quantum computing solutions using the movement model of the PR-02 robot. ITM Web of Conferences 19, 01007 (2018), https://doi.org/10.1051/itmconf/20181901007, pp. 1-2, 2018.
• 23. Tchórzewski J., Kłopotek M.: A case study in neural network evolution. Prace Instytutu Podstaw Informatyki Polskiej Akademii Nauk, Nr 943, pp. 1-12, 2001.
• 24. Żurada J., Barski M., Jędruch W.: Sztuczne sieci neuronowe. Podstawy teorii i zastosowania, WN PWN, Warszawa, 1996.
• 25. www.tge.pl – strona internetowa Towarowej Giełdy Energii S.A.