Short-term prediction of demand for natural gas as a part of a gas company logistics

• Autorzy: Małopolski J. , Trojanowska M.

Warianty tytułu

PL

Prognozowanie krótkookresowe zapotrzebowania na gaz ziemny jako element logistyki przedsiębiorstwa gazowniczego

• Języki publikacji: EN

Abstrakty

EN

The basic logistics tools of companies include forecasting. It plays an increasingly important role in gas companies with regard to the progressive liberalisation of the market. In the paper, there has been built a fuzzy relational model of daily natural gas demand of rural consumers, and it has served as an example to check the usefulness of such a model for short-term forecasting, supporting the logistics of facilities in daily gas purchases. Calculations were carried out basing on the results of measurements of daily gas consumption from the rural areas. The predictive quality of the model developed has proved to be satisfactory (the average forecast error for the training set was 5.3% and 5.6% in the case of the test set).

PL

Do podstawowych narzędzi logistycznych przedsiębiorstw należy prognozowanie. Pełni ono coraz ważniejszą rolę w przedsiębiorstwach gazowniczych w związku z postępującą liberalizacją rynku tego paliwa. W pracy zbudowano rozmyty model relacyjny dobowego zapotrzebowania odbiorców wiejskich na gaz ziemny i na jego przykładzie sprawdzono przydatność takiego modelu do prognozowania krótkookresowego, wspierającego logistykę zakładów w dziennych zakupach gazu. Jakość predykcyjna opracowanego modelu okazała się zadowalająca (średni absolutny błąd prognoz dla zbioru uczącego równy 5,3%, a dla zbioru testowego 5,6%).

Słowa kluczowe

EN

forecasting; gas companies; logistics; natural gas

PL

prognozowanie; przedsiębiorstwa gazownicze; logistyka; gaz ziemny

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2015
• Tom: nr 5
• Strony: 365--371, CD1
• Opis fizyczny: Bibliogr. 19 poz., fig., tab.

Twórcy

autor

Małopolski J.

• University of Agriculture in Krakow, Faculty of Production and Power Engineering, Department of Agricultural Engineering and Informatics

autor

Trojanowska M.

• University of Agriculture in Krakow, Faculty of Production and Power Engineering, Department of Power Engineering and Agricultural Processes Automation

Bibliografia

• [1] Azadeh A., Asadzadeh S.M., Ghanbari A.: An adaptive network-based fuzzy inference system for short-term natural gas demand estimation: Uncertain and complex environments, ‘Energy Policy’ No. 38/2010, p. 1529-1536.
• [2] Azari A., Shariaty-Niassar M., Alborzi M.: Short-term and medium-term gas demand load forecasting by neural networks, ‘Iranian Journal of Chemistry and Chemical Engineering’ No. 31(4)/2012, p. 77-84.
• [3] Brabec M., Konar O., Maly M., Pelikan E., Vondracek J.: A statistical model for natural gas standardized load profiles, ‘J. Roy. Statist. Soc. Series C: Applied Statistics’ No. 58(1)/2008, p. 123-139.
• [4] Dittman P.: Prognozowanie w przedsiębiorstwie. Metody i zastosowania, Oficyna Ekonomiczna, Kraków 2003.
• [5] Dittman P., Szabela-Pasierbińska E.: Short-term sales forecasts in management of natural gas distributing works, ‘Management’ No. 11(1)/2007, p. 147-154.
• [6] Kizilaslan R., Karlik B.: Comparison neural networks models for short term forecasting of natural gas consumption in Istanbul, In: Applications of digital information and web technologies, ICADIWT 2008, 4–6 August 2008, p. 448-453.
• [7] Małopolski J., Trojanowska M.: Modele rozmyte zapotrzebowania na moc dla potrzeb krótkoterminowego prognozowania zużycia energii elektrycznej na wsi. Część I. Algorytmy wyznaczania modeli rozmytych, ‘Inżynieria Rolnicza’ nr 5 (114)/2009, s. 177-183.
• [8] Małopolski J., Trojanowska M., Nęcka K.: Forecasting the daily demand for natural gas in rural households using the methods of artificial intelligence. Part II. Forecasting using fuzzy logic,’Journal of Research and Applications in Agricultural Engineering’ nr 2/2015.
• [9] Nęcka K., Trojanowska M.: Short-term forecasting of natural gas demand by rural consumers using regression models, ‘TEKA’ nr 4/2014, s. 93-98.
• [10] Nęcka K., Trojanowska M. Małopolski J.: Forecasting the daily demand for natural gas in rural households using the methods of artificial intelligence. Part I. Forecasting using artificial neural net-works, ‘Journal of Research and Applications in Agricultural Engineering’ nr 2/2015.
• [11] Pedrycz W.: An identification algorithm in fuzzy relational systems, ‘Fuzzy Sets and Systems’ No. 13/1984, p. 153–167.
• [12] Pedrycz W.: Fuzzy control and fuzzy systems, New York: John Wiley and Sons 1993.
• [13] Piegat A.: Modelowanie i sterowanie rozmyte, AOW EXIT, Warszawa 1999.
• [14] Potocnik P., Soldo B., Simunovic G., Saric T., Jeromen A., Govekar E.: Comparison of static and adaptive models for short-term residential natural gas forecasting in Croatia, ‘Applied Energy’ No. 129/2014, p. 94-103.
• [15] Simunek M., Pelikan E.: Temperatures data preprocessing for short-term gas consumption forecast, In: IEEE International Symposium on Industrial Electronics, 2008, p. 1192–1196.
• [16] Soldo B.: Forecasting natural gas consumption, ‘Applied Energy’ No. 92/2012, p. 26-37.
• [17] Taspınar F., Celebi N., Tutkun N.: Forecasting of daily natural gas consumption on regional basis in Turkey using various computational methods, ‘Energy and Buildings’, No. 56/2013, p. 23- 31.
• [18] Zeliaś A., Pawełek B., Wanat S.: Prognozowanie ekonomiczne, WN PWN, Warszawa 2004.
• [19] Yu F., Xu X.: A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network, ‘Applied Energy’, No. 134/2014, p. 102-113.