Prognozowanie krótkoterminowe zapotrzebowania na energię elektryczną w KSE z wykorzystaniem metody MARSplines

• Autorzy: Czapaj Rafał , Benalcazar Pablo , Kamiński Jacek

Identyfikatory

DOI

10.15199/48.2019.07.27

Warianty tytułu

EN

Short-term national power system electricity demand forecasting using the MARSplines method

• Języki publikacji: PL

Abstrakty

PL

W tekście przedstawiono wyniki zastosowania metody MARSplines, należącej do szerokiej grupy metod Data Mining, do prognozowania zapotrzebowania na moc elektryczną w Krajowym Systemie Elektroenergetycznym. Przedstawiono zmienne objaśniające i ich powiązanie ze zmienną prognozowaną. Zamieszczono ponadto obszerną analizę statystyczną tych zmiennych. Na podstawie przeprowadzonych symulacji w trybie ex post i ex ante sformułowano wnioski dotyczące samej metody oraz wnioski wynikające z czynności prognostycznych.

EN

The article presents the results obtained from applying the MARSplines method, which belongs to a broad group of Data Mining methods, to forecast the electric power demand in the Polish National Power System. Furthermore, the relationship between explanatory variables and the forecasted variable is examined through an extensive statistical analysis. Based on the (ex–post and ex–ante) simulations results a number of conclusions are drawn regarding the method itself and the accuracy of its predictions.

Słowa kluczowe

PL

metoda MARSplines; zmienne objaśniające; analiza statystyczna; prognozowanie; KSE; zapotrzebowanie na moc

EN

MARSplines method; explanatory variable; statistical analysis; forecasting; national power system; power load

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2019
• Tom: R. 95, nr 7
• Strony: 133--136
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Czapaj Rafał

• PSE Innowacje Sp. z o.o., Centrum Kompetencji Badania i Rozwój, ul. Jordana 25, 40-056 Katowice

autor

Benalcazar Pablo

• Instytut Gospodarki Surowcami Mineralnymi i Energią Polskiej Akademii Nauk, Kraków, ul. J. Wybickiego 7A, 31-261 Kraków

autor

Kamiński Jacek

• IGSMiE PAN, Instytut Gospodarki Surowcami Mineralnymi i Energią Polskiej Akademii Nauk, Kraków, ul. J. Wybickiego 7A, 31-261 Kraków

Bibliografia

• [1] Friedman J. H., Multivariate Adaptive Regression Splines, The Annals of Statistics, (1991), 19:1, 1-141
• [2] Friedman J. H., Estimating Functions of Mixed Ordinal and Categorical Variables Using Adaptive Splines, New Directions in Statistical Data Analysis and Robustness (Morgenthaler, Ronchetti, Stahel, eds.), Birkhauser, (1993)
• [3] Friedman J. H., Fast MARS, Stanford University Department of Statistics, Technical Report 110, (1993)
• [4] Witryna internetowa: www.statsoft.pl (dostęp: 2018.06.16)
• [5] Sokołowski A., Pasztyła A., Data Mining w prognozowaniu zapotrzebowania na nośniki energii, StatSoft Polska Sp. z o. o., (2004), 91-102
• [6] Sokołowski A., Metody stosowane w Data Mining, StatSoft Polska Sp. z o. o., (2002), 5-12
• [7] Wątroba G., Przykład rozwiązania zagadnienia predykcyjnego za pomocą technik Data Mining, StatSoft Polska Sp. z o. o., (2002), 83-94
• [8] Migut G., Czy stosowanie metod Data Mining może przynosić korzyści w badaniach naukowych? StatSoft Polska Sp. z o. o., (2009), 49-65
• [9] Nisbet N., Elder J., Miner G., Handbook of Statistical Analysis & Data Mining, Elsevier Inc., (2009), 83, 159-163
• [10] Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning, Data Mining, Inference and Prediction, (2001), Springer
• [11] Söderström M., Sohlenius G., Rodhe L., Piikki K., Adaptation of regional digital soil mapping for precision agriculture, Precision Agric/Springerlink, (2016), 1-20
• [12] Lewicki P., Hill T., Statistics: Methods and Applications, 403-409
• [13] Witryna internetowa www.twojapogoda.pl (dostęp: 2016.01.14)
• [14] Witryna internetowa www.tvnmeteo.tvn24.pl (dostęp: 2016.01.14)
• [15] Witryna internetowa www.pse.pl (dostęp: 2016.01.14)

Uwagi

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