Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Rynek Energii

2 2010

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: electric energy prices forecasting

Sortuj według:

Ogranicz wyniki do:

Wykorzystanie sztucznych sieci neuronowych do prognozowania cen na giełdzie energii

Halicka K.

Rynek Energii

2010

nr 1

20-23

Celem niniejszego artykułu jest przedstawienie zastosowania sztucznych sieci neuronowych do prognozowania cen na gieł-dzie energii elektrycznej. Na wejście skonstruowanego predykatora neuronowego wprowadzono m.in. przeszłe wartości ceny energii i wolumenu obrotu, zmienne określające pogodę, tzn. temperaturę, zachmurzenie, prędkość wiatru oraz zmienne opisujące dzień i godzinę transakcji. Wszystkie te zmienne były mierzone dla każdej godziny doby handlowej.

The aim of the paper is to present application of artificial neural networks in electric energy prices forecasting on energy market. As an input of the constructed predicator past energy prices and turnover volume, variables describing weather that is temperature, cloudiness, speed of wind and variables describing time and date of transaction were introduced. All the variables were measured for each hour of the trade twenty- four hours. In the next step of study adjustment of the model to the real data was assessed

Prognozowanie cen energii elektrycznej na rynku dnia następnego metodami data mining

Fijorek K., Mróz K., Niedziela K., Fijorek D.

Rynek Energii

2010

nr 6

46-50

Celem artykułu jest zbadanie potencjału wybranych, współcześnie zaproponowanych metod data mining w kontekście prognozowania cen energii elektrycznej na rynku dnia następnego. Szczególny nacisk został położony na zbadanie algorytmu lasów losowych. Prognozy uzyskane metodą lasów losowych porównano z prognozami wygenerowanymi przez model regresji liniowej, model regresji medianowej oraz regresyjną metodę wektorów nośnych.

The aim of the paper is to study capabilities of selected, recently introduced supervised data mining algorithms in context of day-ahead electricity prices forecasting. Special stress was put on studying random forests. The quality of random forests forecasts was compared to forecasts obtained from multiple regression, median regression and support vector regression.