Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: krótkoterminowe prognozowanie

Sortuj według:

Ogranicz wyniki do:

Ekonometryczny model krótkoterminowego prognozowania zużycia gazu

Kwilosz Tadeusz, Filar Bogdan

Nafta-Gaz

2021

R. 77, nr 7

454--462

W celu opracowania modelu krótkoterminowego zapotrzebowania na gaz konieczne jest dokonanie analizy najnowszych metod prognozowania matematycznego w celu wyboru i zaadaptowania właściwej z nich (spełniającej warunek efektywności i skuteczności). Niezbędne jest rozpoznanie i analiza czynników (głównie środowiskowych) wpływających na wynik krótkoterminowych prognoz oraz źródeł danych możliwych do wykorzystania. Efektem wykonanej pracy jest model numeryczny krótkoterminowego zapotrzebowania na gaz dla wybranej jednostki terytorialnej kraju. Opracowany model został skalibrowany i przetestowany na historycznych danych opisujących warunki środowiskowe i rzeczywiste zużycie gazu. Zaprojektowano i skalibrowano, na podstawie wybranego zestawu atrybutów (zmiennych objaśniających), niejednorodny liniowy model ekonometryczny. Dokonano statystycznej weryfikacji oszacowanych parametrów modelu. Warto zauważyć, że w krótkim terminie wykonania prognozy (7 dni) nie zachodzą znaczące zmiany w otoczeniu rynku gazowego (uruchomienie nowych inwestycji, podłączenie nowych użytkowników do systemu czy zmiany zapotrzebowania wynikające ze zmieniających się warunków makroekonomicznych). Inne czynniki techniczne, takie jak awarie linii produkcyjnych u odbiorców czy przestoje przemysłowe, są trudne do przewidzenia lub wiedza o nich rzadko jest dostępna. Z tego względu jedynymi czynnikami mogącymi mieć wpływ na zmiany zapotrzebowania gazu w krótkim terminie są czynniki pogodowe, które zostały wybrane jako zmienne objaśniające dla opracowanego modelu. Historyczne dane pogodowe zostały pobrane z usługi sieciowej (web service) OpenWeatherMap History Bulk. Jako zmiennej objaśnianej użyto dobowych wartości zużycia gazu dla jednego z województw Polski południowej. Dane zostały pobrane z systemu wymiany informacji operatora gazociągów przesyłowych. Dane dotyczą okresu trzyletniego, gdyż tylko takie dane zostały upublicznione. Zmienne objaśniające obejmują dobowe wartości danych pogodowych, takich jak: średnia temperatura, temperatura odczuwalna, temperatura minimalna, temperatura maksymalna, ciśnienie atmosferyczne, wilgotność względna, prędkość wiatru i kierunek wiatru.

In order to develop a mathematical model of short-term gas demand, it is necessary to analyze the latest mathematical forecasting methods in order to select and adapt the right one (meeting the condition of efficiency and effectiveness). It is necessary to recognize and analyze factors (mainly environmental) affecting the result of short-term forecasts and sources of data that can be used. The result of the work is a numerical model of short-term gas demand for a selected territorial unit of the country. The developed model was calibrated and tested on historical data describing environmental conditions and real gas consumption. A heterogeneous linear econometric model was designed and calibrated on the basis of a selected set of attributes (explanatory variables). The estimated parameters of the model were statistically verified. It is worth noting that in the short term of the forecast (7 days) there are no significant changes in the gas market environment (launching new investments, connecting new users to the system, or changes in demand resulting from changing macroeconomic conditions). Other technical factors, such as production line failures at customers or industrial downtime, are difficult to predict, or knowledge about their occurrence is rarely available. For this reason, the only factors that may have an impact on changes in gas demand in the short term are weather factors, which were selected as explanatory variables for the developed model. Historical weather data was retrieved from the OpenWeatherMapHistoryBulk web service. Daily values of gas consumption for one of the voivodships of southern Poland were used as the response variable. The data was downloaded from the information exchange system of the transmission pipeline operator. The data covers a three-year period, as only such data has been made public. The explanatory variables include the daily values of weather data such as: average temperature, chilled temperature, minimum temperature, maximum temperature, atmospheric pressure, relative humidity, wind speed and wind direction.

Problemy związane z prognozowaniem zużycia energii elektrycznej w Polsce

Dąsal K., Popławski T.

Polityka Energetyczna

2008

T. 11, z. 1

101-115

Mówiąc o prognozowaniu zużycia energii elektrycznej można rozważać ten problem w różnych kategoriach. W podziale czasowym będą to najczęściej prognozy krótko, średnio i długookresowe. Chociaż podkreślić należy wyraźnie względność tego podziału. Horyzont roczny dla potrzeb Giełdy będzie prognozą długoterminową, dla innego odbiorcy - krótkookresową. Można wyróżnić prognozy w podziale strukturalnym, napięciowym, taryfowym, terytorialnym czy też w węzłach sieci na różnych poziomach napięć [2],[6]. Każdy z tych podziałów ma swoją specyfikę, wymaga różnych modeli, różnych danych wejściowych, różnić może się oceną dokładności prognoz, odmienne na ogół są też cele prognoz krótkoterminowych i długoterminowych. Znajomość prognoz długoterminowych jest niezbędna głównie dla celów racjonalnego prowadzenia eksploatacji systemu elektroenergetycznego, a także do planowania jego rozwoju. W artykule skoncentrowano się na jeszcze jednym, ważnym aspekcie modelowania w ogóle, a w szczególności energii elektrycznej. Chodzi tu o podjęcie decyzji: modelować z wykorzystaniem jedynie procesu, czyli szeregu czasowego, czy tez budować model przyczynowo - skutkowy.

Talking about forecasting of electric energy consumption we shall consider the issue in different categories. In terms of forecasting period, the short-term, medium-term and long-term forecasts can be distinguished. The forecasts may be classified in the terms of structure, voltage, tariff, area or in the nodes of the network for different voltage levels [2,6]. Each of these specifications has its own peculiarities, requires different models, different input data, the accuracy assessment may be different as well as the aims of the short-term and long-term forecasts. The knowledge of long-term forecasts is necessary for reasonable use of resources in the electric power engineering system as well as for planning of its development. In the paper the attention was focused on another important aspect of modeling, in particular modeling of electric energy consumption. The decision to be taken is: to model using the process data only, i.e. time series, or to develop an econometric model.