Popyt, ceny oraz stopień ich zawyżenia na wybranych rynkach energii

• Autorzy: Tomasz Jasiński , Agnieszka Ścianowska

Warianty tytułu

Demand, Prices and The Degree Of Their Inflation In Selected Energy Markets

• Języki publikacji: PL

Abstrakty

Opracowanie opisuje możliwości przewidywania popytu i cen na detalicznym rynku energii elektrycznej przy zastosowaniu narzędzi z dziedziny sztucznej inteligencji, jakimi są sztuczne sieci neuronowe. Wiedza ta pozwala na optymalizację ekonomiczną zarówno w podmiotach funkcjonujących po stronie popytu, jak i podaży. Dalsza optymalizacja rynku wymaga zmniejszenia szczególnie zapotrzebowania szczytowego, co możliwe jest m.in. na podstawie systemu zmiennych cen. W artykule omówiono możliwość wprowadzenia tego typu rozwiązań, opierając się na zaawansowanej infrastrukturze pomiarowej, będącej elementem tzw. systemów inteligentnych.(abstrakt oryginalny)

EN

The paper reveals the possibility to predict demand and prices in the retail electricity market using tools from the field of artificial intelligence, which are artificial neural networks. This knowledge allows to optimize the economic operating of entities on both sides of the market: demand and supply. Further optimization of the market requires a reduction especially peak demand, which is possible by the system of variable prices. This paper discusses the possibility of implement this type of solutions based on advanced measurement infrastructure, which is part of smart grid systems.

Słowa kluczowe

PL

Rynek energetyczny; Ceny energii; Sztuczne sieci neuronowe (SSN); Popyt; Sprzedaż detaliczna; Inteligentna sieć

EN

Energy market; Energy prices; Artificial neural networks (ANN); Demand; Retail sales; Smart grid

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2016
• Numer: nr 255
• Strony: 126--135

Twórcy

autor

Tomasz Jasiński

• Politechnika Łódzka

autor

Agnieszka Ścianowska

• Politechnika Łódzka

Bibliografia

• Aghaei J., Shayanfar H., Amjady N. (2009), Multi-objective Market Clearing of Joint Energy and Reserves Auctions Ensuring Power System Security, "Energy Conversion and Management", No. 50.
• Baldick R., Helman U., Hobbs B.F., O'Neill R.P. (2005), Design of Efficient Generation Markets, "Proc IEEE", No. 93(11).
• Blumsack S., Perekhodtsev D., Lave L.B. (2002), Market Power in Deregulated Wholesale Electricity Markets: Issues in Measurement and the Cost of Mitigation, "The Electricity Journal", No. 15(9).
• Centolella P. (2010), The Integration of Price Responsive Demand into Regional Transmission Organization (RTO) Wholesale Power Markets and System Operations, "Energy", No. 35.
• Datta D., Tassou S.A. (1998), Artificial Neural Network Based Electrical Load Prediction for Food Retail Stores, "Applied Thermal Engineering", No. 18.
• Dev P., Martin M.A. (2014), Using Neural Networks and Extreme Value Distributions to Model Electricity Pool Prices: Evidence from the Australian National Electricity Market 1998-2013, "Energy Conversion and Management", No. 84.
• Federal Energy Regulatory Commission - FERC (2008), In the Matter of Wholesale Competition in Regions with Organized Electric Markets, 125 FERC 61,071.
• Granell R., Axon C.J., Wallom D.C.H. (2014), Predicting Winning and Losing Businesses when Changing Electricity Tariffs, "Applied Energy", No. 133.
• Grenier E.J. (1999), Auctions and Rates: An End-user Perspective, "Natural Gas", Vol. 15, Iss. 7.
• Jasiński T. (2003), Przegląd architektur sztucznych sieci neuronowych wykorzystywanych w ekonomii do przewidywania szeregów czasowych, "Studia i Prace Kolegium Zarządzania i Finansów", nr 35, Oficyna Wydawnicza SGH, Warszawa.
• Jasiński T. (2008), The Usage of Neural Networks on a Foreign Exchange Market [w:] L. Kiełtyka (red.), Technologie i systemy komunikacji oraz zarządzania informacją i wiedzą, Difin, Warszawa.
• Jasiński T. (2009), Wykorzystanie sztucznej inteligencji w prognozowaniu zjawisk ekonomicznych, "Prace naukowe Katedry Nauk Ekonomicznych", tom VIII, Politechnika Gdańska, Gdańsk.
• Jasiński T. (2010), Sztuczna inteligencja w MSP, "Nierówności społeczne a wzrost gospodarczy", Wydawnictwo Uniwersytetu Rzeszowskiego, Rzeszów.
• Jasiński T. (2011), The Usage of Artificial Neural Networks on the Energy Market [w:] L. Kiełtyka (red.), IT Tools in Management and Education. Selected Problems, Wydawnictwo Politechniki Częstochowskiej, Częstochowa.
• Jasiński T. (2014a), Dane wejściowe sztucznych sieci neuronowych prognozujących krótkoterminowe zapotrzebowanie na energię, "Logistyka", nr 6.
• Jasiński T. (2014b), Prognozowanie szeregów czasowych za pomocą sieci neuronowych na przykładzie rynku energii [w:] P. Łebkowski (red.), Zarządzanie Przedsiębiorstwem. Teoria i praktyka 2014, AGH, Kraków.
• Jasiński T. (2015), Budowa modelu prognostycznego cen zasobów produkcyjnych z wykorzystaniem sztucznych sieci neuronowych [w:] Z. Leszczyński, T. Jasiński (red.), Inżynieria kosztów, ODDK, Toruń.
• Jasiński T., Ścianowska A. (2014), Analiza i modelowanie rynku energii w perspektywie długoterminowej. Systemy aukcji i przewidywanie popytu, "Logistyka", nr 6.
• Kelly S., Caplan E. (2008), Time for a Day 1,5 Market: A Proposal to Reform RTO-run Centralized Wholesale Electricity Markets, "Energy Law Journal", Vol. 29, No. 2.
• Negrete-Pincetic M., de Castro L., Pulgar-Painemal H.A. (2015), Electricity Supply Auctions: Understanding the Consequences of the Product Definition, "Electrical Power and Energy Systems", No. 64.
• Spyroua M.S., Shanksc K., Cooka M.J., Pitcherb J., Leeb R. (2014), An Empirical Study of Electricity and Gas Demand Drivers in Large Food Retail Buildings of a National Organisation, "Energy and Buildings", No. 68.
• Verona F.B., Ceraolo M. (1998), Use of Neural Networks for Customer Tarif Exploitation by Means of Short-term Load Forecasting, "Neurocomputing", No. 23.
• Wezenberg H., Dewe M.B. (1995), Adaptive Neural Networks for Tariff Forecasting and Energy Management [w:] IEEE International Conference on Neural Networks, Proceedings, Vol. 2.
• Willems B., De Corte E. (2008), Market Power Mitigation by Regulating Contract Portfolio Risk, "Energy Policy", No. 36.