Big Data application in power systems – brief overview of issues and proposals regarding the use of these data for prediction

• Autorzy: Kamińska-Chuchmała Anna

Warianty tytułu

PL

Zastosowanie dużych zbiorów danych do systemów elektroenergetycznych – przegląd zagadnień oraz propozycje wykorzystania tych danych do predykcji

• Języki publikacji: EN

Abstrakty

EN

This study was designed to presents concise review of a novel subject regarding the use of large data sets (Big Data) which generates the functioning of the power system and their use to improve the operation and economic benefits of Smart Grids. Thanks to smart metering, we have current access to the data on the use of resources, which then using SCADA system and servers that support large data sets such as Apache Hadoop or Spark can be stored. Afterwards, these data are used for predictive calculations that are extremely important from an economic point of view. At the end of the paper, an interesting proposition of research is given by Author, namely to use, as ancillary information, the satellite data obtained from the Copernicus Programme provided by the European Space Agency ESA related for example with temperature to forecast energy consumption in electricity transmission and distribution networks.

PL

Praca ta zawiera zwięzły przegląd bardzo świeżej tematyki dotyczącej zagadnień wykorzystania dużych zbiorów danych (Big Data) jakie generuje funkcjonowanie systemu elektroenergetycznego i użycie ich do ulepszania działania i ekonomicznych korzyści w tychże systemach typu Smart Grids. Dzięki inteligentnemu opomiarowaniu mamy bieżący dostęp do danych dotyczących wykorzystania zasobów, które następnie za pomocą systemu SCADA oraz serwerów obsługujących duże zbiory danych jak np. Apache Hadoop czy Spark mogą zostać składowane i następnie wykorzystane do obliczeń predykcyjnych niezmiernie istotnych chociażby z ekonomicznego punktu widzenia. Ponadto ciekawą propozycją Autora jest wykorzystanie jako informacji pomocniczych danych satelitarnych z Programu Copernicus udostępnianych przez Europejską Agencję Kosmiczną ESA związanych przykładowo z temperaturą do prognoz zużycia energii w sieci energetycznej.

Słowa kluczowe

EN

big data; power systems; smart grid; satellite data; prediction

PL

zbiór danych; systemy elektroenergetyczne; dane satelitarne; sieci inteligentne

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2019
• Tom: Nr 1
• Strony: 105--108
• Opis fizyczny: Bibliogr. 16 poz., fig.

Twórcy

autor

Kamińska-Chuchmała Anna

• Faculty of Computer Science and Management, Wrocław University of Science and Technology, Wybrzeże Wyspiańskiego 27, 50-370 Wrocław

Bibliografia

• [1] Big Data Application in Power Systems, Edited by Reza Arghandeh and Yuxun Zhou, Elsevier, 2018
• [2] Gao Feng, Frameworks for Big Data Integration, Warehousing, and Analytics, chapter 4 in Big Data Application in Power Systems, Edited by Reza Arghandeh and Yuxun Zhou, Elsevier, 2018
• [3] Liu Q., Cui L., Chen H., Key technologies and applications of internet of things, Computer Science 37 (6), 2010
• [4] Von Meier A., Culler D., McEachern A., Arghandeh R., Micro-synchrophasors for distribution systems, in: Innovative Smart Grid Technologies Conference (ISGT), IEEE, 2014, pp. 1-5
• [5] Yuxun Zhou, and Reza Arghandeh, Moving Toward Agile Machine Learning for Data Analytics in Power Systems, chapter 5 in Big Data Application in Power Systems, Edited by Reza Arghandeh and Yuxun Zhou, Elsevier, 2018
• [6] Jordan M.I., Mitchell T.M., Machine learning: trends, perspectives, and prospects, Science 349 (6245), 2015
• [7] Siano P., Demand response and smart grids – a survey, Renewable and Sustainable Energy Reviews 30, 2014
• [8] Macedo M.N.Q., Galo J.J.M., de Almeida L.A.L., Lima A.D.C., Demand side management using artificial neural net-works in a smart grid environment, Renewable and Sustainable Energy Reviews 41, 2015
• [9] Paterakis N.G., Tascikaraoglu A., Erdinc O., Bakirtzis A.G., Catalao J.P., Assessment of demand-response-driven load pattern elasticity using a combined approach for smart house-holds, IEEE Transactions on Industrial Informatics 12 (4), 2016
• [10] https://www.imagenesmi.com/im%C3%A1genes/spark-data-f3.html, available and checked on 11.01.2019
• [11] https://spark.apache.org/, available and checked on 11.01.2019
• [12] https://hadoop.apache.org/, available and checked on 11.01.2019
• [13] https://dataconomy.com/2016/03/hadoop-and-spark-a-match-made-in-big-data-heaven/, available and checked on 11.01.2019
• [14] https://mapr.com/blog/apache-spark-hadoop-based-big-data-architecture-infographic/assets/blogimages/mapr_ebook_graphic_architecture2.pdf, available and checked on 11.01.2019
• [15] https://www.copernicus.eu, available and checked on 11.01.2019
• [16] Kamińska-Chuchmała Anna, Varouchakis Emmanouil, and Karatzas George P.: Blending satellite and ground precipitation observations using geostatistics and machine learning, EGU General Assembly 2019, publication in review.

Uwagi

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