Analiza porównawcza metod prognozowania godzinnego zapotrzebowania na energię elektryczną przy brakach w danych - studium przypadku

• Autorzy: Jan Zawadzki

Warianty tytułu

Comparative Analysis of Methods for Hourly Electricity Demand Forecasting in the Absence of Data - a Case Study

• Języki publikacji: EN

Abstrakty

EN

Przedmiot i cel pracy: Celem artykułu było zbadanie wpływu: liczby luk w danych, postaci analitycznej, kryterium wyboru rodzaju modelu na dokładność prognoz interpolacyjnych i ekstrapolacyjnych dla danych godzinnych. Materiały i metody: Do budowy prognoz wykorzystano predyktory oparte na: klasycznych i regresyjnych modelach szeregu czasowego, modelach hybrydowych szeregu czasowego i hybrydowych modelach regresyjnych dla szeregów nieoczyszczonych oraz modelach wyrównywania wykładniczego dla szeregów oczyszczonych z dwóch albo trzech rodzajów wahań sezonowych, charakteryzujących się minimalnymi ocenami błędów prognoz interpolacyjnych lub ekstrapolacyjnych. Wyniki: Najkorzystniejsze własności predyktywne posiadają modele adaptacyjne i hybrydowe modele regresyjne. Większość modeli hybrydowych szeregu czasowego dla luk systematycznych i niesystematycznych oraz obu postaci analitycznych, są to modele pojedyncze na ogół opisujące wahania o cyklu 24-godzinnym. Wnioski: Najniższe oceny błędów prognoz interpolacyjnych otrzymano dla modeli wyrównywania wykładniczego a następnie hybrydowych modeli regresyjnych. Natomiast dla prognoz ekstrapolacyjnych kolejność była odwrotna. (original abstract)

Przedmiot i cel pracy: Polityka energetyczna Unii Europejskiej skupia się głównie na trzech obszarach: ograniczaniu emisji gazów cieplarnianych, w sektorze energetycznym przez wzrost wykorzystania OZE, redukcji emisji szkodliwych zanieczyszczeń oraz zwiększeniu efektywności wykorzystywanej energii elektrycznej. Zrównoważone gospodarowanie energią z kolei wiąże się niewątpliwie ze zwiększonym wykorzystaniem odnawialnych źródeł energii zapewniających bezpieczeństwo energetyczne a także dywersyfikację dostaw energii podtrzymujących i poprawiających jakość środowiska. Celem artykułu jest zaprezentowanie zróżnicowania krajów Unii Europejskiej pod względem działań podejmowanych w zakresie polityki energetyczno-klimatycznej wynikających z dyrektyw Unii Europejskiej. Materiały i metody: Na podstawie celów polityki energetycznej zaprezentowanej w dyrektywach UE wytypowano wskaźniki opisujące działania krajów członkowskich w tym zakresie. Następnie poddano je weryfikacji merytorycznej i statystycznej, pozostawiając 6 zmiennych. Zastosowanie metody Warda pozwoliło na utworzenie grup państw podobnych ze względu na politykę energetyczno-klimatyczną. Wyniki: Na podstawie celów polityki energetycznej zaprezentowanej w dyrektywach UE wytypowano wskaźniki opisujące działania krajów członkowskich w tym zakresie. Następnie poddano je weryfikacji merytorycznej i statystycznej, pozostawiając 6 zmiennych. Wnioski: Najkorzystniejszą sytuację pod względem efektów prowadzonej polityki klimatyczno-energetycznej można zaobserwować u dotychczasowych liderów Szwecji i Finlandii a także Estonii. Kraje Europy Środkowej, w tym głównie Polskę, charakteryzuje gospodarka wysokoemisyjna, której towarzyszą niskie nakłady na nowoczesne technologie przyjazne środowisku. Objawia się to między innymi wysokim stężeniem pyłów co wpływa na złą jakość powietrza, w których to kategoriach Polska ma jedne z najgorszych wyników w całej UE. (abstrakt oryginalny)(abstrakt oryginalny)

Słowa kluczowe

EN

Forecasting; Mathematical forecasting; Comparative analysis; Statistical methods; Statistical models

PL

Prognozowanie; Prognozowanie matematyczne; Analiza porównawcza; Metody statystyczne; Modele statystyczne

• Czasopismo: Economic and Regional Studies
• Rocznik: 2023
• Tom: 16
• Numer: nr 1
• Strony: 34--50

Twórcy

autor

Jan Zawadzki

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

Bibliografia

• Dordonnat, V., Koopman, S.J., Ooms, M., Dessertaine, A. (2008). An Hourly Periodic State Space Model for Modeling French National Electricity Load. International Journal of Forecasting, 24: 588-587. DOI: https://doi.org/10.1016/j.ijforecast.2008.08.010.
• Engle, R. F., Granger, C. W. J., Rice, J., Weiss, A. (1986). Semiparametric Estimates of the Relation between Weather and Electricity. Journal of the American Statistical Association, 81: 310-320.
• Harvey, A.C., Koopman, S.J. (1993). Forecasting Hourly Electricity Demand Using Timevarying Splines. Journal of the American Statistical Association, 88: 1228-1237.
• Kufel, T. (2010). Ekonometryczna analiza cykliczności procesów gospodarczych o wysokiej częstotliwości obserwacji. Toruń: Wydawnictwo Naukowe.
• Lichota, A. (2006). Prognozowanie krótkoterminowe na lokalnym rynku energii elektrycznej [Rozprawa doktorska, Akademia Górniczo-Hutnicza w Krakowie]. Pobrane z: https://winntbg.bg.agh.edu.pl/rozprawy/9746/full.pdf (21.01.2023).
• Misiorek, A., Weron, R. (2004). Modelowanie sezonowości a prognozowanie zapotrzebowania na energię elektryczną. Energetyka, 12: 794-799. Pobrane z: http://prac.im.pwr.wroc.pl/~hugo/publ/MisiorekWeron04_Energetyka_szczotka.pdf (21.01.2023).
• Nowicka-Zagrajek, J., Weron, R. (2002). Modeling Electricity Loads in California: ARMA Models with Hy- perbolic Noise. Signal Processing, 82: 1903-1915. DOI: https://doi.org/10.1016/S0165-1684(02)00318-3.
• Ramanathan, R., Engle, R., Granger, C. J. V., Vahid-Araghi, F., Brace, C. (1997). Short-run Forecast of Electricity Loads and Peaks. International Journal of Forecasting, 13: 161-174. DOI: https://doi.org/10.1016/ S0169-2070(97)00015-0.
• Szmuksta-Zawadzka, M., Zawadzki, J. (2002). Hierarchiczne modele szeregów czasowych z wahaniami sezonowymi. Budowa. Estymacja. Prognozowanie. W: A. Zeliaś (red.), Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych (s. 193-204). Kraków: Wydawnictwo Akademii Ekonomicznej.
• Szmuksta-Zawadzka, M., Zawadzki, J. (2011). Modelowanie i prognozowanie zapotrzebowania na energię elektryczną w mikroskali. Prace Naukowe UE we Wrocławiu, 165: 152-161.
• Szmuksta-Zawadzka, M., Zawadzki, J. (2014). Modele hierarchiczne w prognozowaniu zmiennych o wysokiej częstotliwości obserwowania w warunkach braku pełnej informacji. Ekonometria, 46(4): 72-84. DOI: 10.15611/ekt.2014.4.07.
• Szmuksta-Zawadzka, M., Zawadzki, J. (2015). Wykorzystanie danych oczyszczonych o wysokiej częstotliwości w prognozowaniu zmiennych ze złożoną sezonowością. Metody Ilościowe w Badaniach Ekonomicznych, 16(4): 147-159. Pobrane z: https://qme.sggw.edu.pl/article/view/3817/3444 (17.09.2022).
• Szmuksta-Zawadzka, M., Zawadzki, J. (2016). Prognozowanie na podstawie szeregów czasowych o wysokiej częstotliwości oczyszczonych z sezonowości dla luk niesystematycznych. Metody Ilościowe w Badaniach Ekonomicznych, 17(1): 121-136. Pobrane z: https://qme.sggw.edu.pl/article/view/3851/3478 (17.09.2022)
• Taylor, J.W, Menezes, L.M., McSharry, P. E. (2006). A comparison of univariate methods for forecasting electricity demand up to a day ahead. International Journal of Forecasting, 22: 1-16. DOI: https://doi.or- g/10.1016/j.ijforecast.2005.06.006
• Taylor, J.W. (2010). Triple Seasonal Methods for Short-term Load Forecasting. European Journal of Operational Research, 204: 139-152. DOI: https://doi.org/10.1016/j.ejor.2009.10.003.
• Tomaszewski, M. (2005). Model przedsiębiorstwa dystrybucyjnego działającego na otwartym rynku energii elektrycznej [Rozprawa doktorska, Politechnika Opolska]. s. 122, Pobrane z: https://silo.tips/download/ politechnika-opolska-wydzia-elektrotechniki-i-automatyki (21.01.2023).
• Witkowska, D., Górecka, A., Szadkowska, D., Szymczak, Z. (2000). The forecasting of the demand for elec- tric energy: comparative analysis. Dynamie Econometric Models, 4: 45-59.
• Zawadzki, J. (2018). Modele hybrydowe w prognozowaniu brakujących danych w szeregach o bardzo wy-sokiej częstotliwości obserwowania. Folia Pomeranae Universitatis Technologiae Stetinensis seria OECONO- MICA, 346(92): 81-96.
• Zawadzki, J. (2020). Prognozowanie brakujących danych w szeregach czasowych przy zastosowaniu modeli hybrydowych - podejście teoretyczne i empiryczne. Wiadomości Statystyczne. The Polish Statistician, 65(10): 24-48. Pobrane z: http://cejsh.icm.edu.pl/cejsh/element/bwmeta1.element.ojs-doi- 10_5604_01_3001_0014_4315/c/1-a7f95192-0b38-4cb9-b923-953a0d1507ef.pdf.pdf (17.09.2022).

Identyfikatory

DOI

10.2478/ers-2023-0003