Analysis and Forecasting of the Primary Energy Consumption in Poland Using Deep Learning

• Autorzy: Manowska Anna

Identyfikatory

DOI

10.29227/IM-2020-01-77

Warianty tytułu

PL

Analiza i prognozowanie zużycia energii pierwotnej w Polsce z wykorzystaniem technik głębokiego uczenia

• Języki publikacji: EN

Abstrakty

EN

Consumption of fossil energy resources were increased dramatically, due to the economic and population growth. In turn, the consumption of fossil resources causes depletion of resources and contributes to environmental pollution. The European Union's "climate neutrality" initiative requires effective energy management from the member states. By this is meant a resource-efficient and competitive economy in which there is no greenhouse gas emission and where economic growth is decoupled from resource consumption. The article analyzes the level of primary energy consumption in Poland. It was examined whether a 23% drop in energy consumption could be achieved in 2030 compared to the base year and according with energy efficiency assumptions. A methodology for forecasting primary energy consumption based on deep neural networks, in particular on Long Short Term Memory (LSTM) algorithms was also presented.

PL

Zużycie kopalnych surowców energetycznych wzrasta, a wzrost ten jest skorelowany ze wzrostem ludności i rozwojem gospodarczym. Z kolei zużycie kopalnych surowców energetycznych powoduje wyczerpywanie się zasobów i przyczynia się do zanieczyszczenia środowiska. Inicjatywa Unii Europejskiej "neutralność klimatyczna" wymaga od państw członkowskich efektywnego zarządzania energią. Przez co rozumie się zasobooszczędną i konkurencyjną gospodarką, w której nie ma emisji netto gazów cieplarnianych i gdzie wzrost gospodarczy jest oddzielony od zużycia zasobów. W artykule przeanalizowano poziom zużycia energii pierwotnej w Polsce. Zbadano, czy w roku 2030 uda się osiągnąć 23% spadek konsumpcji energii w odniesieniu do roku bazowego, zgodnie z przyjętymi założeniami o efektywności energetycznej. Przedstawiono również metodologię prognozowania zużycia energii pierwotnej opartą na głębokich sieciach neuronowych, w szczególności na algorytmach Long Short Term Memory (LSTM).

Słowa kluczowe

EN

primary energy consumption; deep learning methods; long short-term memory; deep neural network

PL

konsumpcja energii pierwotnej; metody głębokiego uczenia; sztuczne sieci neuronowe; LSTM

• Wydawca: Polskie Towarzystwo Przeróbki Kopalin
• Czasopismo: Inżynieria Mineralna
• Rocznik: 2020
• Tom: no. 1, vol. 1
• Strony: 217--222
• Opis fizyczny: Bibliogr. 24 poz., rys., tab., wykr.

Twórcy

autor

Manowska Anna

• Silesian University of Technology, Faculty of Mining, Safety Engineering and Industrial Automation

Bibliografia

• 1. Suganthi, L.; Samuel, A.A. Energy models for demand forecasting—a review Renew. Sustainable Energy Review., 2012, 1223-1240.
• 2. Fuinhas, J.A.; Marques, A.C. Energy consumption and economic growth nexus in Portugal, Italy, Greece, Spain and Turkey: an ARDL bounds test approach (1965–2009). Energy Economics., 2012, 34 (2), 511-517.
• 3. European Commission: The European Green Deal.
• 4. Manowska, A.; Nowrot, A. The importance of heat emission caused by global energy production in terms of climate impact. Energies 2019, 12, 16, 1-12. https://doi.org/10.3390/en12163069.
• 5. Bluszcz, A. The emissivity and energy intensity in EU countries - consequences for the Polish economy. Conference proceedings Energy and clean technologies. Recycling, air pollution and climate change. STEF92 2018, 18, 14.2, 631-638 Sofia. https://doi.org// 10.5593/sgem2018/4.2/S19.081.
• 6. Kijewska, A.; Bluszcz, A. Analysis of greenhouse gas emissions in the European Union with the use of agglomeration algorithm. Journal of Sustainable Mining, 2016, 15, 4 133-142 DOI 10.1016/j.jsm.2017.02.001.
• 7. Sobczyk, W.; Pelc, P.; Kowal, B.; Ranosz, R. Ecological and economical aspects of solar energy use E3S Web of Conferences [Dokument elektroniczny]. - Czasopismo elektroniczne ; ISSN 2267-1242, 2017, 14, 01011, 1–8.
• 8. European Commission: A Clean Planet for all A European long-term strategic vision for a prosperous, modern, competitive and climate neutral economy, COM (2018) 773, 2018.
• 9. Ministry of State Assets, Poland's energy policy until 2040. PEP2040, 2018.
• 10. GUS, Energy 2018, 2019.
• 11. ARE, Prognoza zapotrzebowania na paliwa i energię do 2030 roku, załącznik do Polityki Energetycznej Polski do 2030 roku. ARE (2011), Aktualizacja Prognozy zapotrzebowania na paliwa i energię do roku 2030, Warszawa. Bank Światowy (2011), Transition to a Low-Emissions Economy in Poland, 2009.
• 12. Greenpeace Polska, [R]ewolucja energetyczna dla Polski. Scenariusz zaopatrzenia Polski w czyste nośniki energii w perspektywie długookresowej, Warszawa, 2008.
• 13. Wei, N.; Changjun, L.; Xiaolong, P.; Fanhua, Z.; Xinqian, L. Conventional models and artificial intelligence-based models for energy consumption forecasting: a review. Journal of Petroleum Science and Engineering 2019, 181, 5650-5663.
• 14. Zhao, G.; Guo, S.; Jing, S.; Wang, Y. An investigation of coal demand in China based on the variable weight combination forecasting model. Journal of Resources and Ecology 2011, 2 (2), 126-131.
• 15. Shao, Z.; Gao, F.; Yang, S.-L.; Yu, B.-g. A new semiparametric and EEMD based framework for mid-term electricity demand forecasting in China: hidden characteristic extraction and probability density prediction. Sustainable Energy Review 2015, 52, 876-889.
• 16. Ervural, B.C.; Beyca, O.F.; Zaim, S. Model estimation of ARMA using genetic algorithms: a case study of forecasting natural gas consumption. Procedia - Social and Behavioral Sciences 2016, 235, 537-545.
• 17. Ding, S. A novel self-adapting intelligent grey model for forecasting China's natural-gas demand. Energy 2018, 162, 393-407.
• 18. Jurado, S.; Nebot, À.; Mugica, F.; Avellana, N. Hybrid methodologies for electricity load forecasting: entropy-based feature selection with machine learning and soft computing techniques. Energy 2015, 86, pp. 276-291.
• 19. Shayeghi, H.; Ghasemi, A.; Moradzadeh, M.; Nooshyar, M. Simultaneous day-ahead forecasting of electricity price and load in smart grids. Energy Conversion and Management 2015, 95, 371-384.
• 20. Li, J. The 10 Deep Learning Methods AI Practitioners Need to Apply, 2017, [access date 2020-05-12]
• 21. Hochreiter, S.; Schmidhuber, J. Long short-term memory, Neural Computation 1997, 9 (8): 1735–1780.
• 22. www.macrotrends.net, [access date 2020-05-02]
• 23. BP: bp-stats-review-2019-all-data, [access date 2020-05-02]
• 24. Zielaś, A.; Pawełek, B.; Wanat, S. Prognozowanie ekonomiczne, teoria, przykłady, zadana. Wydawnictwo Naukowe PWN, 2003.

Uwagi

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