PL
 |
EN
Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 7

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  short-term forecasts
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available Adaptation of models from determined chaos theory to short-term power forecasts for wind farms
100%
Popławski T. , Szeląg P. , Bartnik R. , Popławski T. , Szeląg P. , Bartnik R.
|
2
Content available Forecasting of the daily demand for natural gas in rural households using the methods of artificial intelligence. Part II. Forecasting using fuzzy logic
100%
Małopolski J. , Trojanowska M. , Nęcka K.
Journal of Research and Applications in Agricultural Engineering
|
2015
|
tom Vol. 60, nr 2
65--67
EN
In this paper, two fuzzy Takagi-Sugeno models were built to describe daily gas consumption of rural households using the Gaussian and trapezoidal membership function. It was found that the predictive values of both models are similar and satis-factory (MAPE 5.3-5.5%) and slightly better than in the case of the model of neural network when the BFGS algorithm was used for training, as shown in the first section of the study.
PL
W pracy przedstawiono zbudowane dwa rozmyte modele typu Takagi-Sugeno opisujące dobowe zużycie gazu przez wiejskie gospodarstwa domowe, wykorzystując gaussowską i trapezoidalną funkcję przynależności. Stwierdzono, że wartość predykcyjna obydwu modeli jest podobna oraz zadowalająca (MAPE rzędu 5,3-5,5%) i nieznacznie lepsza od modelu neuronowe-go, gdy do uczenia sieci zastosowano algorytm BFGS, a który przedstawiono w części I opracowania.
3
Content available Forecasting of the daily demand for natural gas in rural households using the methods of artificial intelligence. Part I. Forecasting using artificial neural networks
100%
Nęcka K. , Trojanowska M. , Małopolski J.
Journal of Research and Applications in Agricultural Engineering
|
2015
|
tom Vol. 60, nr 2
62--64
EN
The paper determines daily forecast demands for natural gas using artificial neural networks (MLPs). The influence of net-work structure, the type of activation function and the training process used on the quality of prediction were studied. It was found that the quality of forecasts was highly influenced by the network training algorithm. The smallest errors of the ex-pired forecasts (MAPE 5-6%) were obtained using the BFGS algorithm.
PL
W trakcie badań wyznaczano dobowe prognozy zapotrzebowania na gaz ziemny z wykorzystaniem sztucznych sieci neuronowych MLP. Przebadano wpływ struktury sieci, rodzaju funkcji aktywacji oraz zastosowanego procesu uczenia sieci na jakość predykcji. Stwierdzono, że na jakość prognoz duży wpływ ma algorytm uczenia sieci. Najmniejsze błędy prognoz wygasłych (MAPE rzędu 5-6%) uzyskano stosując algorytm BFGS.
4
Content available Adaptation of models from determined chaos theory to short-term power forecasts for wind farms
84%
Popławski T. , Szeląg P. , Bartnik R.
Bulletin of the Polish Academy of Sciences. Technical Sciences
|
2020
|
tom Vol. 68, nr 6
1491--1501
EN
The paper proposes an adaptation of mathematical models derived from the theory of deterministic chaos to short-term power forecasts of wind turbines. The operation of wind power plants and the generated power depend mainly on the wind speed at a given location. It is a stochastic process dependent on many factors and very difficult to predict. Classical forecasting models are often unable to find the existing relationships between the factors influencing wind power output. Therefore, we decided to refer to fractal geometry. Two models based on self-similar processes (M-CO) and (M-COP) and the (M-HUR) model were built. The accuracy of these models was compared with other short-term forecasting models. The modified model of power curve adjusted to local conditions (M-PC) and Canonical Distribution of the Vector of Random Variables Model (CDVRM). Examples of applications confirm the valuable properties of the proposed approaches.
5
Content available Wpływ wstępnego przetwarzania danych na jakość krótkoterminowych prognoz zapotrzebowania na energię elektryczną
84%
Nęcka K.
Inżynieria Rolnicza
|
2013
|
tom R. 17, nr 3, t. 1
291--299
PL
Celem pracy była analiza wpływu różnych metod wstępnego przetwarzania danych wejściowych, takich jak np. średnia ruchoma, wyrównywanie wykładnicze, filtr 4253H, na jakość prognoz godzinowego zapotrzebowania na energię elektryczną opracowanych metodami regresyjnymi. Cel pracy zrealizowano na podstawie badań własnych wykonanych w rozdzielni nN, zlokalizowanej na terenie nowoczesnej ubojni drobiu w południowej części Małopolski. Wykonane analizy skupień metodą k-średnich i metodą EM pokazały, że ze względu na podobieństwo przebiegu godzinowego zapotrzebowania na energię elektryczną optymalny będzie podział dni tygodnia na 3 skupienia, tj. dni robocze, dni poprzedzające dzień wolny od pracy oraz dni wolne od pracy, i budowa trzech niezależnych modeli. W zastosowaniach praktycznych najważniejszym parametrem oceny modeli jest sumaryczna wartość rzeczywistej ilości energii bilansującej ΔESR. Dla większości budowanych modeli na bazie zmiennych przekształconych zaobserwowano zmniejszenie wartości wskaźnika ΔESR względem modeli budowanych w oparciu o zmienną egzogeniczną nieprzekształconą. Największe, ponad 6% zmniejszenie wartości analizowanego wskaźnika uzyskano w modelu III dla zmiennej wejściowej wygładzonej oknem Daniela o rozpiętości 5. Ze względu na najniższą wartość sumarycznej ilości energii bilansującej w zastosowaniach praktycznych powinny być jednak preferowane modele budowane na bazie szeregu czasowego godzinowego zużycia energii elektrycznej dla całego zakładu wygładzonego filtrem 4253H.
EN
The objective of this study was to analyse the influence of different methods of preprocessing of the input data, such as moving average, exponential smoothing, filter 4253H on the quality of forecasts of hourly demand for electricity developed with regression methods. The objective of the study was carried out on the basis of own research carried out in the nN switchboard, located on the territory of a modern poultry slaughterhouse in the southern part of Małopolska region. The cluster analysis carried out with k-means and the EM method has shown that due to the similarity of the course of hourly demand for electricity division of weekdays into three days of cluster that is, working days, days preceding the days off, days off and construction of three independent models will be optimal. The total value of the actual amount of balancing energy ΔESR is the most important parameter of the models assessment in the practical applications. For majority of models constructed on the basis of the transformed variables, the decrease in the rate ΔESR towards models constructed based on exogenous not transformed variable was reported. The largest over 6% reduction in the value of the analysed indicator was obtained in model III for the input variable smoothed with 5th span Daniel window. Due to the lowest value of the total amount of balancing energy in practical applications, models built on the basis of a time series of hourly electricity consumption for the entire plant smoothed filter 4253H should be preferred.
6
Content available The use of machine learning technique for short-term forecasting of demand for electricity
84%
Nęcka K.
Journal of Research and Applications in Agricultural Engineering
|
2014
|
tom Vol. 59, nr 2
71--74
EN
The study verifies the usefulness of selected machine learning techniques for predicting hourly demand for electricity within a short time period. The results of the performed analyses show that the lowest values for both the MAPE forecast error for the test set at the level of 17% and the lowest share of the balancing energy in the total consumption at a level which does not exceed 15% were obtained for models for which the input data included the averaged electricity consumption profile for characteristic days of the week, the forecast number of pure production pieces and the encoded day of the week and time of the day. Among the tested models, forecasts prepared on the basis of artificial neural networks and standard CRT trees were characterised by the best quality of predictions.
PL
W pracy sprawdzono przydatność wybranych technik uczenia maszynowego do predykcji godzinowego zapotrzebowania na energię elektryczną w krótkim horyzoncie czasu. Z wykonanych analiz wynika, że najniższe wartości zarówno błędu prognozy MAPE na poziomie 17% jak i najniższy udział energii bilansującej w całkowitym zużyciu na poziomie nie przekraczającym 15% uzyskano dla modeli, dla których zmiennymi wejściowymi były uśredniony profil zużycia energii elektrycznej dla charakterystycznych dni tygodnia, prognozowana liczba sztuk czystej produkcji oraz zakodowany dzień tygodnia i godzina doby. Spośród badanych modeli najlepszą jakością predykcji charakteryzowały się prognozy opracowywane w oparciu o sztuczne sieci neuronowe oraz standardowe drzewa CRT.
7
Content available remote Short-term sales forecasts in management of natural gas distributing works
84%
Dittmann P. , Szabela-Pasierbińska E.
Management
|
2007
|
tom Vol. 11, no 1
147-154
EN
In this paper there is the regression model presented as a tool to forecast a daily gas consumption in a gas distributing works. There are also the results of analysis of variance discussed, which were used to finding regularities being characteristic for the forecast phenomenon. There are regression models for cold and non-cold season built. There are also the gas consumption forecasts constructed and their accuracy estimated in the article.
PL
W artykule omówiono możliwość zastosowania modelu regresji do prognozowania dobowego zużycia gazu w zakładzie gazowniczym, omówiono wyniki użycia analizy wariancji do wykrycia prawidłowości występujących w prognozowanym zjawisku. Zbudowano modele regresji dla sezonu pozagrzewczego i grzewczego. Skonstruowano prognozy zużycia gazu i oceniono ich trafność.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.