Wyniki wyszukiwania - Biblioteka Nauki

1

The energy consumption forecasting in Mongolia based on Box-Jenkins method (Arima model)

100%

Zolboo G. , Adiya B. , Bilguun E.

Energy Policy Studies

|

2019

|

tom No. 1 (3)

70--77

EN

The primary products of the power industry are electric energy and thermal energy. Thus, forecasting electric energy consumption is significant for short and long term energy planning. ARIMA model has adopted to forecast energy consumption because of its precise prediction for energy consumption. Our result has shown that annual average electric energy consumption will be 10,628 million kWh per year during 2019-2030 which approximately 3.3 percent growth per annum. At the moment, there is not a practice solution for the storage of electricity in Mongolia. Therefore, energy supply and demand have to be balanced in real-time for operational stability. Without an accurate forecast, the end-users may experience brownouts or even blackouts or the industry could be faced with sudden accidents due to the energy demand. For this reason, energy consumption forecasting is essential to power system stability and reliability.

2

Uwagi do strategii planowanego rozwoju polskiej energetyki

75%

Kozłowski Z.

Przegląd Górniczy

|

2001

|

tom T. 57, nr 4

12-14

PL

W artykule przedstawiono uwagi do proponowanej strategii rozwoju polskiej energetyki, ujętej w dokumencie rządowym "Założenia polityki energetycznej Polski do 2020 r". Wskazano na brak spójności niektórych elementów tego programu z realiami ekonomi-czno-społecznymi kraju. Nawiązano m.in. do stanowiska Górniczego Forum Dyskusyjnego zorganizowanego przez Zarząd Główny SITG w Katowicach w listopadzie 2000 r.

EN

Comments on the proposed strategy of the Polish power industry development included in government document "Assumptions of energy policy of Poland up to the year 2020" are presented in the paper. The incoherence of some elements of this program with the economic and social realities of the country is pointed out. Among others in reference to the standpoint of the Mining Discussion Forum organised by the Mining Engineers and Technicians Association Headquarter in Katowice in the year 2000.

3

Application of MARKAL model to optimisation of electricity generation structure in Poland in the long-term time horizon. Part II, Model and forecasts assumptions

75%

Jaskólski M.

Acta Energetica

|

2012

|

tom nr 4

4--21

EN

In this paper, the next in a series of publications on the subject, assumptions are presented of a power system development model in terms of electricity generation technology infrastructure in Poland, in the long term perspective until 2060. The model is based on the mathematical structure of the MARKAL optimization package. Among other things developed are a forecast of the fi nal demand for electricity and heat, the current mix of power and electricity generation in Poland, and a forecast of decomissioning in the power and co-generation plants. The study also contains a summary of technical and economic indicators of the generation technologies considered in the model.The author shall not be responsible for any outcome of use of the research results presented herein.

PL

Niniejszy artykuł, będącym kontynuacją cyklu o tej tematyce, przedstawiona założenia modelu rozwoju systemu energetycznego w zakresie struktury technologicznej wytwarzania energii elektrycznej w Polsce, w perspektywie długoterminowej, do 2060 roku. Model ten oparty jest na strukturze matematycznej pakietu optymalizacyjnego MARKAL. Opracowano m.in. prognozę zapotrzebowania finalnego na energię elektryczną i ciepło, aktualną strukturę mocy i produkcji energii elektrycznej w Polsce oraz prognozę wyłączania mocy w istniejących elektrowniach i elektrociepłowniach. Opracowanie zawiera również zestawienie wskaźników techniczno-ekonomicznych technologii energetycznych rozpatrywanych w modelu.

4

Zastosowanie metod uczenia maszynowego do predykcji generowanej energii w małym systemie PV

51%

Idźkowski A. , Sumorek M.

Pomiary Automatyka Robotyka

|

2024

|

tom R. 28, nr 2

37--43

PL

Artykuł przedstawia problem prognozowania generacji energii elektrycznej w małych systemach fotowoltaicznych (PV). Celem opracowanych długoterminowych prognoz jest możliwość poprawnego zarządzania systemem elektroenergetycznym poprzez podejmowanie odpowiednich działań zachowawczych. Przeanalizowano czynniki atmosferyczne wpływające na pozyskiwanie energii elektrycznej w systemach fotowoltaicznych. Dokonano porównania wybranych modeli prognostycznych z wykorzystaniem uczenia maszynowego, m.in. sieci neuronowych MLP oraz metody wektorów nośnych SVM. Zostały wybrane mierniki pozwalające określić trafność (dokładność) prognoz. Określenie jakości prognoz bazowało na stanach faktycznych pogody, a nie na jej prognozie. Przedstawiono sposób przygotowania danych do utworzenia modeli prognostycznych i zaprezentowano najlepsze modele regresyjne. Do tego celu wykorzystano bibliotekę Scikit-learn umożliwiającą tworzenie skryptów w języku Python. W rozpatrywanym zespole fotowoltaicznym najlepsze rezultaty uzyskano dla modeli MLPRegressor, CatBoostRegressor i SVR. Wykorzystano rzeczywiste dane pomiarowe z systemu paneli ustawionych optymalnie o mocy 3,0 kWp. Dla modelu MLPRegressor osiągnięto największy współczynnik determinacji 0,605 oraz najmniejszy pierwiastek błędu średniokwadratowego 1,79 KWh dla średniej dziennej generacji energii elektrycznej w okresie od kwietnia do września 2022 r. wynoszącej 11,65 kWh.

EN

The article presents data analysis for predicting energy production in photovoltaic (PV) power plant systems. The purpose of long-term forecasts is to determine the effectiveness of preventive actions and manage the power system effectively. Climate variables affecting the production of electricity in photovoltaic systems were analyzed. Forecasting methods using machine learning techniques such as Multi-Layer Perceptron (MLP) neural networks and Support Vector Machine (SVM) were compared. In addition, metrics were selected to determine the quality of forecasts. Determining the quality of forecasts was based on the actual varying conditions, not on the weather forecast data. The way of data preparation to create forecasting models were presented and the models with the best metrics were selected. For this purpose, the Scikit-learn library was used to create scripts in Python. The best results were obtained for regression models: MLPRegressor, CatBoostRegressor and Support Vector Regression. Actual measurement data from a system of optimally-positioned panels with a power of 3.0 kWp were used. For the MLPRegressor model, the highest coefficient of determination 0.605 was achieved with the smallest root-mean-square error of 1.79 KWh.