Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: model połączony

Sortuj według:

Ogranicz wyniki do:

Combined model of optimal electricity production: evidence from Ukraine

Halynska Yuliia, Bondar Tetiana, Yatsenko Valerii, Oliinyk Viktor

Polityka Energetyczna

2022

T. 25, z. 1

39--58

The article proposes a methodology for the formation of a combined model of the equilibrium values of pricing and the volume of electricity production, taking into account green and traditional sources of electricity production on the example of Ukraine. In accordance with the projected price and volume of electricity production in 2021, a model for redistributing electricity sources were considered, taking into account the minimization of budgetary resources and the risk of electricity production with appropriate restrictions in the production of various types of electricity and their impact on minimizing the price for the end user. The studies have shown that important factors in the formation of electricity prices are indicators of the cost and volume of production, distribution and transportation of electricity to consumers, which largely depends on the formation and further development of the energy market in Ukraine. Also, the redistribution of the volumes of traditional and non-traditional electricity in the common “pot” is of great importance while minimizing risks and budgetary constraints. Balancing the system for generating electricity from various sources will help not only optimize long-term electricity prices and minimize tariffs for the end user, but also allow planning profit in the form of long-term market return on investment. The analysis of the results showed that the optimal distribution of energy production makes it possible to obtain energy resources in the required volume with lower purchase costs and with minimal risk.

W artykule proponowano metodologię tworzenia modelu łączącego równowagę ceny i wielkość produkcji energii elektrycznej, biorąc pod uwagę zielone i tradycyjne źródła produkcji energii elektrycznej na przykładzie Ukrainy. Na podstawie przewidywanych cen i wielkości produkcji energii elektrycznej w 2021 r. rozważono model dywersyfikacji źródeł energii elektrycznej, który bierze pod uwagę minimalizację środków budżetowych i ryzyko produkcji energii elektrycznej z odpowiednimi ograniczeniami dotyczącymi różnych rodzajów energii elektrycznej i ich wpływu na minimalizację ceny dla użytkownika końcowego. Badania wykazały, że ważnymi czynnikami tworzenia cen energii elektrycznej są wskaźniki kosztów i wielkości produkcji, dystrybucji i transportu energii elektrycznej konsumentom, co w dużej mierze zależy od sposobu tworzenia i dalszego rozwoju rynku energii w Ukrainie. Ponadto połączenie tradycyjnej i nietradycyjnej energii elektrycznej ma ogromne znaczenie, jednocześnie minimalizując ryzyko i ograniczenia budżetowe. Bilansowanie systemu generacji energii elektrycznej z różnych źródeł nie tylko pomoże zoptymalizować długoterminowe ceny energii elektrycznej i zminimalizować taryfy dla użytkownika końcowego, ale pozwala również na zaplanowanie zysku w formie długoterminowego zwrotu z inwestycji. Analiza wyników wykazała, że optymalny podział produkcji energii umożliwia uzyskanie zasobów energetycznych w wymaganej wielkości przy niższych kosztach zakupu i przy minimalnym ryzyku.

Combined modelling for iron ore demand forecasting with intelligent optimization algorithms

Ren Min, Dai Jianyong, Zhu Wancheng, Dai Feng

Gospodarka Surowcami Mineralnymi

2021

T. 37, z. 1

21--38

The stable supply of iron ore resources is not only related to energy security, but also to a country’s sustainable development. The accurate forecast of iron ore demand is of great significance to the industrialization development of a country and even the world. Researchers have not yet reached a consensus about the methods of forecasting iron ore demand. Combining different algorithms and making full use of the advantages of each algorithm is an effective way to develop a prediction model with high accuracy, reliability and generalization performance. The traditional statistical and econometric techniques of the Holt–Winters (HW) non-seasonal exponential smoothing model and autoregressive integrated moving average (ARIMA) model can capture linear processes in data time series. The machine learning methods of support vector machine (SVM) and extreme learning machine (ELM) have the ability to obtain nonlinear features from data of iron ore demand. The advantages of the HW, ARIMA, SVM, and ELM methods are combined in various degrees by intelligent optimization algorithms, including the genetic algorithm (GA), particle swarm optimization (PSO) algorithm and simulated annealing (SA) algorithm. Then the combined forecast models are constructed. The contrastive results clearly show that how a high forecasting accuracy and an excellent robustness could be achieved by the particle swarm optimization algorithm combined model, it is more suitable for predicting data pertaining to the iron ore demand.

Stabilne dostawy zasobów rudy żelaza związane są nie tylko z bezpieczeństwem energetycznym, ale także ze zrównoważonym rozwojem kraju. Dokładna prognoza zapotrzebowania na rudę żelaza ma ogromne znaczenie dla rozwoju industrializacji kraju, a nawet świata. Naukowcy nie osiągnęli jeszcze konsensusu co do metod prognozowania popytu na rudę żelaza. Łączenie różnych algorytmów i pełne wykorzystanie zalet każdego algorytmu to skuteczny sposób na opracowanie modelu predykcyjnego o wysokiej dokładności i niezawodności. W tej publikacji, model Holta-Wintersa (HW) do wygładzania szeregów czasowych, w których występują wahania przypadkowe, jak również autoregresyjny zintegrowany model średniej ruchomej (ARIMA), a także maszyna wektorów nośnych (SVM) i maszyna do ekstremalnego uczenia się (ELM), zostały połączone w celu uchwycenia różnych relacji i charakterystyk na podstawie danych szeregów czasowych, aby dokładnie przewidzieć zapotrzebowanie na rudę żelaza. Zalety czterech algorytmów są w różnym stopniu łączone przez inteligentne algorytmy optymalizacji, w tym algorytm genetyczny, algorytm optymalizacji roju cząstek oraz algorytm symulowanego wyżarzania. Następnie konstruowane są połączone modele. Kontrastowe wyniki wyraźnie pokazują, w jaki sposób można osiągnąć wysoką dokładność prognozowania i doskonałą solidność za pomocą połączonego modelu algorytmu genetycznego. Model taki jest bardziej odpowiedni do przewidywania danych dotyczących zapotrzebowania na rudę żelaza. Opierając się na prognozowanych wynikach połączonego modelu algorytmu genetycznego, możemy stwierdzić, że oczekuje się, iż krajowy popyt na rudę żelaza będzie w przyszłości wykazywał tendencję rozwojową w postaci trwałego, ale powolnego wzrostu.