The use of quantitative methods as measures for forecast electricity demand on the local market in a short time horizon

• Autorzy: Niekurzak, Mariusz

Warianty tytułu

PL

Wykorzystanie metod ilościowych jako mierników do prognozowania zapotrzebowania na energię elektryczną na lokalnym rynku w krótkim horyzoncie czasowym

• Języki publikacji: EN

Abstrakty

EN

The article builds a model of an hourly system for short-term forecasting of electricity demand on the local market of the Krakow area in 2019-2022. Including quantitative methods. The time series representing the hourly system-wide electricity demand was decomposed. A comprehensive statistical analysis of the data was performed in order to select the best optimization method used to select the optimal coefficients of the developed method of estimating the quality of forecasts. In addition, the results of numerical experiments aimed at determining the impact of the y parameter value on the quality of forecasts for various forecast horizons were presented, and the relationships between the number of historical data and the quality of forecasts were established. Due to the periodic nature of the examined time series, a detailed analysis of seasonality and periodicity of a given signal was carried out using spectral analysis and autocorrelation. This analysis allowed the author create an effective tool for accurate local electricity demand forecasting in the time horizon "an hour before delivery". On the basis of data from the distribution company, the built system was verified. An analysis of profits and losses after applying the selected forecasting model was made. The proposed concept of the model is an effective analytical tool of the analyzed problem, which will make it easier for operators of energy companies to effectively support their decisions in forecasting electricity demand.

PL

W artykule zbudowano model godzinowego systemu do krótkoterminowego prognozowania zapotrzebowania na energię elektryczną na lokalnym rynku obszaru Krakowa w latach 2019-2022. Z wykorzystaniem metod ilościowych dokonano dekompozycji szeregu czasowego reprezentującego godzinowe ogólnosystemowe zapotrzebowanie na energię elektryczną. Wykonano wszechstronną analizę statystyczną danych w celu wyboru najlepszej metody optymalizacyjnej służącej do doboru optymalnych współczynników opracowanej metody szacowania jakości prognoz. Dodatkowo zaprezentowano wyniki eksperymentów numerycznych mających na celu ustalenie wpływu wartości parametru y na jakość prognoz dla różnych horyzontów prognoz oraz ustalono związki między liczbą danych historycznych a jakością prognoz. Ze względu na okresowy charakter badanego szeregu czasowego została przeprowadzona szczegółowa analiza sezonowości oraz okresowości danego sygnału przy pomocy analizy spektralnej oraz autokorelacji. Analiza ta pozwoliła autorowi stworzyć skuteczne narzędzie do dokładnego lokalnego prognozowania zapotrzebowania na energię elektryczną w horyzoncie czasowym „godzina przed dostawą”. Na podstawie danych ze spółki dystrybucyjnej dokonano weryfikacji zbudowanego systemu. Dokonana została analiza zysków i strat po zastosowaniu wybranego modelu prognostycznego. Zaproponowany koncepcja modelu jest skutecznym narzędziem analitycznym analizowanego problemu, które ułatwi operatorom spółek energetycznych, skuteczne wspomaganie podejmowanych decyzji w prognozowaniu zapotrzebowania na energię elektryczną.

Słowa kluczowe

PL

elektroenergetyka; prognozowanie; zapotrzebowanie na energię elektryczną; produkcja energii elektrycznej

EN

power engineering; forecasting; electricity demand; electricity production

• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 3
• Strony: 86--93
• Opis fizyczny: Bibliogr. 18 poz., rys., tab.

Twórcy

autor

Niekurzak, Mariusz

• AGH University of Science and Technology, Faculty of Management, street: Gramatyka 10, 30-067 Krakow,

Bibliografia

• [1] Aurangzeb K., Short Term Power Load Forecasting Using Machine Learning Models for Energy Management in a Smart Community, IEEE (2019)
• [2] Buitrago J., Asfour S., Short-Term Forecasting of Electric Loads Using Nonlinear Autoregressive Artificial Neural Networks with Exogenous Vector Inputs. University of Miami, Department of Industrial Engineering, Energies (2017), 10, 40
• [3] Korab R., Połomski M., Owczarek R., Application of ParticleSwarm Optimization for Optimal Setting of Phase Shifting Transformers to Minimize Unscheduled Active Power Flows, Applied Soft Computing, 105 (2021) Pp. 107243
• [4] Gabaldón A., Ruiz-Abellón M. C., Fernández-Jiménez L. A., Short-Term Load Forecasting. Energies, (2021). A Special Issue: ISSN 1996-1073; Section A: Electrical Engineering
• [5] Chheepa T. K., Manglani T. A Critical Review on Employed Techniques for Short Term Load Forecasting, International Research Journal of Engineering and Technology (IRJET). Volume: 04 Issue: 06, (2017) p-ISSN: 2395-0072
• [6] Parol M., Piotrowski P., Prognozy zapotrzebowania na energię elektryczną o horyzoncie 15 minut na potrzeby sterowania w sieciach niskich napięć ze źródłami generacji rozproszonej, Przegląd Elektrotechniczny, 86 (2010), nr 12, 303-309
• [7] Yu-Hsiang Hsiao, Very-Short-Term Load Forecast forIndividual Household Based on Behavior Pattern Induction,Advanced Materials Research Vol. 918 (2014)
• [8] Brodowski S., Bielecki A., Filocha M., A Hybrid System for Forecasting 24-h Power Load Profile for Polish Electric Grid, Applied Soft Computing 58 (2017) 527-539
• [9] Chahkoutahi F., Khashei M., A Seasonal Direct Optimal Hybrid Model of Computational Intelligence and Soft Computing Techniques for Electricity Load Forecasting, Energy 140 (2017) 988e1004
• [10] Czapaj R., Kamiński J., Benalcazar P., Dobór zmiennych objaśniających z wykorzystaniem metody MARSplines na przykładzie prognozowania dobowego zapotrzebowania na moc szczytową 15-minutową w KSE. XIV Międzynarodowa Konferencja Naukowa Prognozowanie w Elektroenergetyce PE’18. (Materiały Konferencyjne). Podlesice. (2018)
• [11] Piotrowski P., Prognozowanie w elektroenergetyce w różnych horyzontach czasowych. Oficyna wydawnicza Politechniki Warszawskiej, Warszawa (2013)
• [12] Wang Y., Liu L., Pang X., Fan E., Load Forecasting Based on Improved K-means Clustering Algorithm, (2018) China International Conference on Electricity Distribution. Wydawnictwo IEEE. Tianjin, 17-19 Sep
• [13] Chapagain K., Kittipiyakul S., Short - Term Electricity Load Forecasting Model and Bayesian Estimation for Thailand Data, MATEC Web of Conferences 55, 06003 (2016)
• [14] Clements A. E., Hurn A. S., Li Z., Forecasting Day-Ahead Electricity Load Using a Multiple Equation Time Series Approach, NCER Working Paper Series. Working Paper 103, (2014)
• [15] Czapaj R., Typowanie zmiennych objaśniających przy wykorzystaniu zautomatyzowanych metod statystycznych jako sposób optymalizacji wyboru metody estymacji szczytowego dobowego obciążenia KSE, Przegląd Elektrotechniczny, NR 4 (2018), 58-61
• [16] Parol M., Piotrowski P, Very Short-term Forecasting for Optimum Control in Microgrids. Pendrive Proceedings of the Second Int. Youth Conf. on Energetics, June 4-6 (2009).
• [17] Sharma, E. Energy forecasting based on predictive data mining techniques in smart energy grids. Energy Inform 1(Suppl 1), 44 (2018). https://doi.org/10.1186/s42162-018-0048-9.
• [18] Abdellah Nafil, Mostafa Bouzi, Kamal Anoune, Naoufl Ettalabi, Comparative study of forecasting methods for energy demand in Morocco, Energy Reports, Volume 6, Supplement 6, 2020, Pages 523-536, ISSN 2352-4847, https://doi.org/10.1016/j.egyr.2020.09.030.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).

Identyfikatory

DOI

10.15199/48.2023.03.13