Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "forecasting model" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-7 z 7
    Tytuł:
    The forecast of coal sales taking the factors influencing the demand for hard coal into account
    Prognoza wielkości sprzedaży węgla z uwzględnieniem czynników kształtujących popyt na węgiel kamienny
    Autorzy:
    Rybak, Aurelia
    Manowska, Anna
    Powiązania:
    https://bibliotekanauki.pl/articles/216149.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
    Tematy:
    environmental factors
    forecasting sales
    coal sales
    ARMAX model
    prognozowanie sprzedaży
    sprzedaż węgla
    model ARMAX
    czynniki środowiska
    Opis:
    In order to prepare a coal company for the development of future events, it is important to predict how can evolve the key environmental factors. This article presents the most important factors influencing the hard coal demand in Poland. They have been used as explanatory variables during the creation of a mathematical model of coal sales. In order to build the coal sales forecast, the authors used the ARMAX model. Its validation was performed based on such accuracy measures as: RMSE, MAPE and Theil’s index. The conducted studies have allowed the statistically significant factors out of all factors taken into account to be identified. They also enabled the creation of the forecast of coal sales volume in Poland in the coming years. To maintain the predictability of the forecast, the mining company should continually control the macro environment. The proper demand forecast allows for the flexible and dynamic adjustment of production or stock levels to market changes. It also makes it possible to adapt the product range to the customer’s requirements and expectations, which, in turn, translates into increased sales, the release of funds, reduced operating costs and increased financial liquidity of the coal company. Creating a forecast is the first step in planning a hard coal mining strategy. Knowing the future needs, we are able to plan the necessary level of production factors in advance. The right strategy, tailored to the environment, will allow the company to eliminate unnecessary costs and to optimize employment. It will also help the company to fully use machines and equipment and production capacity. Thanks to these efforts, the company will be able to reduce production costs and increase operating profit, thus survive in a turbulent environment.
    Aby przygotować się na rozwój przyszłych wydarzeń z niezbędnym wyprzedzeniem, należy wiedzieć, w jakim kierunku mogą podążać trendy rozwoju kluczowych czynników otoczenia wpływających na spółkę węglową. Artykuł prezentuje najistotniejsze czynniki wpływające na popyt na węgiel kamienny w Polsce. Zostały one wykorzystane jako zmienne objaśniające przy utworzeniu modelu matematycznego wielkości sprzedaży węgla w Polsce. W celu jego zbudowania posłużono się modelem ARMAX. Walidacja modelu została przeprowadzona w oparciu o takie miary dokładności jak: RMSE, MAPE i współczynnik Theila. Badania te umożliwiły na wyznaczenie spośród wszystkich branych pod uwagę czynników statystycznie istotnych oraz na utworzenie prognozy wielkości sprzedaży tego paliwa w Polsce w najbliższych latach. Aby trafność prognozy mogła zostać utrzymana, przedsiębiorstwo powinno kontrolować makrootoczenie. Właściwa prognoza popytu pozwala na elastyczne oraz dynamiczne dostosowanie poziomu produkcji czy zapasów do zmian zachodzących na rynku. Umożliwia ona także dostosowanie produkowanego asortymentu do wymagań i oczekiwań odbiorców, co z kolei przekłada się na zwiększenie sprzedaży, uwolnienie środków finansowych, zmniejszenie kosztów działalności przedsiębiorstwa oraz wzrost płynności finansowej kopalń. Stworzenie prognozy to pierwszy krok w planowaniu strategii wydobycia węgla kamiennego. Znając przyszłe potrzeby, jesteśmy w stanie z wyprzedzeniem zaplanować niezbędny poziom czynników produkcji. Odpowiednia strategia to taka, która jest dostosowana do otoczenia, pozwoli przedsiębiorstwu wyeliminować niepotrzebne koszty i zoptymalizować zatrudnienie. Pomoże to również firmie w pełni korzystać z maszyn i urządzeń oraz zdolności produkcyjnych. Dzięki tym staraniom firma będzie mogła obniżyć koszty produkcji i zwiększyć zysk operacyjny, dzięki czemu przetrwa w niespokojnym oraz zmiennym otoczeniu.
    Źródło:
    Gospodarka Surowcami Mineralnymi; 2019, 35, 1; 129-140
    0860-0953
    Pojawia się w:
    Gospodarka Surowcami Mineralnymi
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Combined modelling for iron ore demand forecasting with intelligent optimization algorithms
    Modelowanie do prognozowania popytu na rudę żelaza połączone z inteligentnymi algorytmami optymalizacji
    Autorzy:
    Ren, Min
    Dai, Jianyong
    Zhu, Wancheng
    Dai, Feng
    Powiązania:
    https://bibliotekanauki.pl/articles/1849620.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
    Tematy:
    iron ore demand
    combined model
    intelligent optimization algorithm
    forecasting accuracy
    ruda żelaza
    model połączony
    inteligentny algorytm optymalizacji
    dokładność prognozowania
    Opis:
    The stable supply of iron ore resources is not only related to energy security, but also to a country’s sustainable development. The accurate forecast of iron ore demand is of great significance to the industrialization development of a country and even the world. Researchers have not yet reached a consensus about the methods of forecasting iron ore demand. Combining different algorithms and making full use of the advantages of each algorithm is an effective way to develop a prediction model with high accuracy, reliability and generalization performance. The traditional statistical and econometric techniques of the Holt–Winters (HW) non-seasonal exponential smoothing model and autoregressive integrated moving average (ARIMA) model can capture linear processes in data time series. The machine learning methods of support vector machine (SVM) and extreme learning machine (ELM) have the ability to obtain nonlinear features from data of iron ore demand. The advantages of the HW, ARIMA, SVM, and ELM methods are combined in various degrees by intelligent optimization algorithms, including the genetic algorithm (GA), particle swarm optimization (PSO) algorithm and simulated annealing (SA) algorithm. Then the combined forecast models are constructed. The contrastive results clearly show that how a high forecasting accuracy and an excellent robustness could be achieved by the particle swarm optimization algorithm combined model, it is more suitable for predicting data pertaining to the iron ore demand.
    Stabilne dostawy zasobów rudy żelaza związane są nie tylko z bezpieczeństwem energetycznym, ale także ze zrównoważonym rozwojem kraju. Dokładna prognoza zapotrzebowania na rudę żelaza ma ogromne znaczenie dla rozwoju industrializacji kraju, a nawet świata. Naukowcy nie osiągnęli jeszcze konsensusu co do metod prognozowania popytu na rudę żelaza. Łączenie różnych algorytmów i pełne wykorzystanie zalet każdego algorytmu to skuteczny sposób na opracowanie modelu predykcyjnego o wysokiej dokładności i niezawodności. W tej publikacji, model Holta-Wintersa (HW) do wygładzania szeregów czasowych, w których występują wahania przypadkowe, jak również autoregresyjny zintegrowany model średniej ruchomej (ARIMA), a także maszyna wektorów nośnych (SVM) i maszyna do ekstremalnego uczenia się (ELM), zostały połączone w celu uchwycenia różnych relacji i charakterystyk na podstawie danych szeregów czasowych, aby dokładnie przewidzieć zapotrzebowanie na rudę żelaza. Zalety czterech algorytmów są w różnym stopniu łączone przez inteligentne algorytmy optymalizacji, w tym algorytm genetyczny, algorytm optymalizacji roju cząstek oraz algorytm symulowanego wyżarzania. Następnie konstruowane są połączone modele. Kontrastowe wyniki wyraźnie pokazują, w jaki sposób można osiągnąć wysoką dokładność prognozowania i doskonałą solidność za pomocą połączonego modelu algorytmu genetycznego. Model taki jest bardziej odpowiedni do przewidywania danych dotyczących zapotrzebowania na rudę żelaza. Opierając się na prognozowanych wynikach połączonego modelu algorytmu genetycznego, możemy stwierdzić, że oczekuje się, iż krajowy popyt na rudę żelaza będzie w przyszłości wykazywał tendencję rozwojową w postaci trwałego, ale powolnego wzrostu.
    Źródło:
    Gospodarka Surowcami Mineralnymi; 2021, 37, 1; 21-38
    0860-0953
    Pojawia się w:
    Gospodarka Surowcami Mineralnymi
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Combined modelling for iron ore demand forecasting with intelligent optimization algorithms
    Modelowanie do prognozowania popytu na rudę żelaza połączone z inteligentnymi algorytmami optymalizacji
    Autorzy:
    Ren, Min
    Dai, Jianyong
    Zhu, Wancheng
    Dai, Feng
    Powiązania:
    https://bibliotekanauki.pl/articles/1849613.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
    Tematy:
    iron ore demand
    combined model
    intelligent optimization algorithm
    forecasting accuracy
    ruda żelaza
    model połączony
    inteligentny algorytm optymalizacji
    dokładność prognozowania
    Opis:
    The stable supply of iron ore resources is not only related to energy security, but also to a country’s sustainable development. The accurate forecast of iron ore demand is of great significance to the industrialization development of a country and even the world. Researchers have not yet reached a consensus about the methods of forecasting iron ore demand. Combining different algorithms and making full use of the advantages of each algorithm is an effective way to develop a prediction model with high accuracy, reliability and generalization performance. The traditional statistical and econometric techniques of the Holt–Winters (HW) non-seasonal exponential smoothing model and autoregressive integrated moving average (ARIMA) model can capture linear processes in data time series. The machine learning methods of support vector machine (SVM) and extreme learning machine (ELM) have the ability to obtain nonlinear features from data of iron ore demand. The advantages of the HW, ARIMA, SVM, and ELM methods are combined in various degrees by intelligent optimization algorithms, including the genetic algorithm (GA), particle swarm optimization (PSO) algorithm and simulated annealing (SA) algorithm. Then the combined forecast models are constructed. The contrastive results clearly show that how a high forecasting accuracy and an excellent robustness could be achieved by the particle swarm optimization algorithm combined model, it is more suitable for predicting data pertaining to the iron ore demand.
    Stabilne dostawy zasobów rudy żelaza związane są nie tylko z bezpieczeństwem energetycznym, ale także ze zrównoważonym rozwojem kraju. Dokładna prognoza zapotrzebowania na rudę żelaza ma ogromne znaczenie dla rozwoju industrializacji kraju, a nawet świata. Naukowcy nie osiągnęli jeszcze konsensusu co do metod prognozowania popytu na rudę żelaza. Łączenie różnych algorytmów i pełne wykorzystanie zalet każdego algorytmu to skuteczny sposób na opracowanie modelu predykcyjnego o wysokiej dokładności i niezawodności. W tej publikacji, model Holta-Wintersa (HW) do wygładzania szeregów czasowych, w których występują wahania przypadkowe, jak również autoregresyjny zintegrowany model średniej ruchomej (ARIMA), a także maszyna wektorów nośnych (SVM) i maszyna do ekstremalnego uczenia się (ELM), zostały połączone w celu uchwycenia różnych relacji i charakterystyk na podstawie danych szeregów czasowych, aby dokładnie przewidzieć zapotrzebowanie na rudę żelaza. Zalety czterech algorytmów są w różnym stopniu łączone przez inteligentne algorytmy optymalizacji, w tym algorytm genetyczny, algorytm optymalizacji roju cząstek oraz algorytm symulowanego wyżarzania. Następnie konstruowane są połączone modele. Kontrastowe wyniki wyraźnie pokazują, w jaki sposób można osiągnąć wysoką dokładność prognozowania i doskonałą solidność za pomocą połączonego modelu algorytmu genetycznego. Model taki jest bardziej odpowiedni do przewidywania danych dotyczących zapotrzebowania na rudę żelaza. Opierając się na prognozowanych wynikach połączonego modelu algorytmu genetycznego, możemy stwierdzić, że oczekuje się, iż krajowy popyt na rudę żelaza będzie w przyszłości wykazywał tendencję rozwojową w postaci trwałego, ale powolnego wzrostu.
    Źródło:
    Gospodarka Surowcami Mineralnymi; 2021, 37, 1; 21-38
    0860-0953
    Pojawia się w:
    Gospodarka Surowcami Mineralnymi
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Problematyka prognozowania mocy i energii pozyskiwanych z wiatru
    Problems related to forecasting of power and electric energy derived from wind
    Autorzy:
    Popławski, T.
    Dąsal, K.
    Łyp, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/282786.pdf
    Data publikacji:
    2009
    Wydawca:
    Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
    Tematy:
    elektrownia wiatrowa
    moc generowana
    prognoza krótkoterminowa w elektroenergetyce
    dokładność
    model prognostyczny
    wind source
    power generation
    forecasting
    accuracy
    Opis:
    Dynamiczny rozwój odnawialnych źródeł energii elektrycznej OZE jest faktem. Wiele przyczyn ma wpływ na tę dynamikę i są one powszechnie znane. Wiadomo również, że moc generowana przez turbiny wiatrowe jest procesem losowym, gdyż w decydującej mierze uzależniona jest od prędkości wiatru i to w sposób silnie nieliniowy. Ta cecha turbin wiatrowych jest wysoce kłopotliwa w różnych aspektach pracy sieci. Bieżąca sytuacja w elektroenergetyce polskiej prowokuje do licznych pytań, na przykład o ilość energii wiatrowej, którą może przyjąć system elektroenergetyczny, czy też o rolę prognoz wiatrowych. Wiele prac wykonano w dziedzinie znaczącego zwiększenia dokładności przewidywania mocy generowanej w źródłach wiatrowych. W referacie skoncentrowano się na zagadnieniach dotyczących predykcji mocy na przykładzie analizy danych rzeczywistych w jednej z krajowych farm wiatrowych.
    A number of reasons influences the expansion of energy from renewable sources (RES). The power generated by wind turbines is the random process. This feature of wind turbines is highly cumbersome for the performance of the network. Actual situation in the Power System in Poland raises a lot of questions eg. how much energy can the power system accommodate and what is the role of wind plant forecasting. Much research has been done in the field of significant accuracy increase in the improvement of prediction tools on the basis of one of wind power plant in Poland.
    Źródło:
    Polityka Energetyczna; 2009, T. 12, z. 2/2; 511-523
    1429-6675
    Pojawia się w:
    Polityka Energetyczna
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The modeling and forecasting of fuel and energy resources usage in the context of the energy independence of Ukraine
    Modelowanie i prognozowanie zużycia paliw i energii w kontekście niezależności energetycznej Ukrainy
    Autorzy:
    Andrusiv, Uliana
    Zelinska, Halyna
    Galtsova, Olga
    Kupalova, Halyna
    Goncharenkо, Nataliia
    Powiązania:
    https://bibliotekanauki.pl/articles/1840813.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
    Tematy:
    energy independence
    Ukraine
    fuel and energy resources
    model
    approach
    forecasting
    niezależność energetyczna
    Ukraina
    zasoby paliw i energii
    podejście
    prognozowanie
    Opis:
    The article analyzes the structure of energy resources, as a result of which the reasons for their irrational use in the Ukrainian economy are revealed. It has been established that during 2014–2018 there was a decrease in demand for traditional types of fuel and energy resources (FER), except for coal. The components of the process of supply and consumption of fuel and energy resources have been formed and detailed, and an integrated approach to their rational use has been developed, which will reduce the loss of energy resources and increase their efficiency. The author’s approach is used in the form of visualized schemes for organizing the process of the rational use of energy resources, which will contribute to the implementation of an effective energy saving policy of the state, ensuring the competitive advantages of domestic enterprises, increasing their competitiveness, improving the economic and energy security of Ukraine. The expediency of constructing deterministic economic models for providing the Ukrainian economy according to different (adaptive and multiplicative) convolutions was substantiated and proved, on the basis of which a forecast and assessment of the energy independence of the Ukrainian economy until 2035, taking into account fuel and energy resources, was proposed. Based on the calculations, it was established that the state of energy independence of Ukraine is insufficient.
    W artykule dokonano analizy struktury zasobów energetycznych, w której wyniku ujawniono przyczyny ich nieracjonalnego wykorzystania w ukraińskiej gospodarce. Ustalono, że w latach 2014–2018 nastąpił spadek zapotrzebowania na tradycyjne rodzaje paliw i surowców energetycznych, z wyjątkiem węgla. Elementy składowe procesu zaopatrzenia i zużycia paliw i surowców energetycznych zostały określone w sposób szczegółowy oraz wypracowano zintegrowane podejście do ich racjonalnego wykorzystania, które ograniczy utratę zasobów energetycznych i zwiększy ich efektywność. Autorskie podejście wykorzystywane jest w postaci poglądowych schematów organizacji procesu racjonalnego wykorzystania surowców energetycznych, co przyczyni się do realizacji skutecznej polityki oszczędzania energii w kraju, zapewniając przewagę konkurencyjną rodzimym przedsiębiorstwom poprzez zwiększenie ich atrakcyjności, poprawę bezpieczeństwa gospodarczego i energetycznego Ukrainy. Uzasadniono i udowodniono celowość konstruowania deterministycznych modeli ekonomicznych ukraińskiej gospodarki według różnych (adaptacyjnych i multiplikatywnych) splotów funkcji, na podstawie których przedstawiono prognozę i ocenę niezależności energetycznej ukraińskiej gospodarki do 2035 roku, z uwzględnieniem paliw i zasobów energetycznych. Na podstawie obliczeń ustalono, że stan niezależności energetycznej Ukrainy jest niewystarczający.
    Źródło:
    Polityka Energetyczna; 2021, 24, 1; 29--48
    1429-6675
    Pojawia się w:
    Polityka Energetyczna
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An improved GM(1.1) model with background value optimization and Fourier-series residual error correction and its application in cost forecasting of coal mine
    Ulepszony model GM(1,1) z optymalizacją wartości tła i korekcją błędów resztkowych szeregów Fouriera oraz jego zastosowanie w prognozowaniu kosztów kopalni węgla kamiennego
    Autorzy:
    Liu, Di
    Li, Guoqing
    Chanda, Emmanuel K.
    Hu, Nailian
    Ma, Zhaoyang
    Powiązania:
    https://bibliotekanauki.pl/articles/216495.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
    Tematy:
    cost forecasting
    dynamic grey model
    background value optimization
    Fourier series
    residual error correction
    prognozowanie kosztów
    dynamiczny model szary
    optymalizacja wartości tła
    korekcja błędów resztkowych
    szeregi Fouriera
    Opis:
    This paper researches the application of grey system theory in cost forecasting of the coal mine. The grey model (GM(1.1)) is widely used in forecasting in business and industrial systems with advantages of minimal data, a short time and little fluctuation. Also, the model fits exponentially with increasing data more precisely than other prediction techniques. However, the traditional GM(1.1) model suffers from the poor anti-interference ability. Aimed at the flaws of the conventional GM(1.1) model, this paper proposes a novel dynamic forecasting model with the theory of background value optimization and Fourier-series residual error correction based on the traditional GM(1.1) model. The new model applies the golden segmentation optimization method to optimize the background value and Fourier-series theory to extract periodic information in the grey forecasting model for correcting the residual error. In the proposed dynamic model, the newest data is gradually added while the oldest is removed from the original data sequence. To test the new model’s forecasting performance, it was applied to the prediction of unit costs in coal mining, and the results show that the prediction accuracy is improved compared with other grey forecasting models. The new model gives a MAPE & C value of 0.14% and 0.02, respectively, compared to 1.75% and 0.37 respectively for the traditional GM(1.1) model. Thus, the new GM(1.1) model proposed in this paper, with advantages of practical application and high accuracy, provides a new method for cost forecasting in coal mining, and then help decision makers to make more scientific decisions for the mining operation.
    W pracy zbadano zastosowanie teorii szarego systemu w prognozowaniu kosztów kopalni węgla. Szary model (GM(1,1)) jest szeroko wykorzystywany w prognozowaniu w systemach biznesowych i przemysłowych z niewielką ilością danych, krótkim czasem i nieznacznymi wahaniami. Ponadto model dopasowuje wykładniczo dane bardziej dokładnie niż inne techniki prognozowania. Jednak tradycyjny model GM(1,1) ma słabą zdolność przeciwdziałania zakłóceniom. Mając na uwadze wady konwencjonalnego modelu GM(1,1), w artykule zaproponowano – w oparciu o tradycyjny model GM(1,1) – nowy model dynamicznego prognozowania z teorią optymalizacji wartości tła i korektą błędów resztkowych szeregów Fouriera. Nowy model stosuje metodę optymalizacji złotej segmentacji do optymalizacji wartości tła oraz teorię szeregów Fouriera w celu wyodrębnienia okresowych informacji w szarym modelu prognozowania, aby skorygować błąd resztkowy. W proponowanym modelu dynamicznym najnowsze dane są stopniowo dodawane, podczas gdy najstarsze – usuwane z oryginalnej sekwencji danych. Aby przetestować dokładność prognozowania nowego modelu, zastosowano go do prognozowania kosztów jednostkowych pozyskania węgla, a wyniki pokazują, że dokładność prognozowania jest lepsza w porównaniu z innymi szarymi modelami prognozowania. Nowy model daje wartości MAPE & C wynoszące odpowiednio 0,33% i 0,07, w porównaniu z odpowiednio 1,1% i 0,3 dla tradycyjnego modelu GM(1,1). Zatem zaproponowany w artykule, ulepszony model GM(1,1) z zaletami praktycznego zastosowania i wysoką dokładnością, jest nową metodą prognozowania kosztów w górnictwie węgla, która ułatwia decydentom podejmowanie decyzji ugruntowanych naukowo dotyczących operacji pozyskania węgla.
    Źródło:
    Gospodarka Surowcami Mineralnymi; 2019, 35, 3; 75-98
    0860-0953
    Pojawia się w:
    Gospodarka Surowcami Mineralnymi
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prognozy długoterminowe energii elektrycznej w KSE – wybrane problemy
    Long-term forecasts of electric energy consumpti on in the domestic power engineering system – selected issues
    Autorzy:
    Dąsal, K.
    Popławski, T.
    Rusek, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/282367.pdf
    Data publikacji:
    2012
    Wydawca:
    Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
    Tematy:
    prognozowanie
    model ekonometryczny
    system elektroenergetyczny
    metoda doboru zmiennych
    prognoza długoterminowa
    moc szczytowa
    zużycie energii
    forecasting
    econometric model
    power engineering system
    method of choice of variables
    long-term forecast
    peak power
    energy consumption
    Opis:
    Istnieje wiele czynników mających znaczenie w procesie prognozowania. Do najważniejszych zaliczyć należy wybór modelu oraz dobór zmiennych objaśniających w przypadku wielowymiarowego modelu ekonometrycznego. W artykule skoncentrowano się na doborze zmiennych, który odgrywa kluczową rolę. Spośród wielu istniejących i znanych algorytmów doboru zmiennych, w artykule przedstawiono autorsko wybrane trzy metody: metodę pojemności integralnej Hellwiga, metodę współczynnika korelacji cząstkowej oraz metodę współczynnika korelacji wielorakiej. Dla każdej z zastosowanych metod podano syntetyczny opis wyjaśniający istotę jej działania. Wybór modelu do opracowania prognoz potraktowano jako mniej istotny, ponieważ dla każdej metody doboru model jest ten sam. Obliczenia wykonano modelem MRK (Model Rozk?adu Kanonicznego), zamieszczając syntetyczny opis modelu. Wykazano na rzeczywistych danych jak zastosowana metoda doboru zmiennych objaśniających wpływa na uzyskane wyniki prognozy zużycia energii elektrycznej na poziomie kraju. W przykładzie obliczeniowym dysponowano potencjalnym zbiorem z siedmioma zmiennymi objaśniającymi. W opracowaniu zawarto 14 różnych prognoz otrzymanych w wyniku zastosowanych 3 metod wyboru zmiennych. Wyniki dopasowania modeli (prognoz wygasłych) oraz prognoz do 2030 roku, przedstawiono w tabelach i na wykresach. We wnioskach zawarto uwagi dotyczące prognoz długoterminowych podstawowych wielkości dotyczących Krajowego Systemu Elektroenergetycznego, mogące mieć wpływ na poprawność ocen tych prognoz. Zwrócono uwagę na problem poprawności oceny prognoz długoterminowych dotyczącej zużycia energii czy mocy szczytowych. Wskazanie prognoz o mniejszym ryzyku pope?nienia dużych błędów umożliwia równoległa analiza prognozy zużycia energii elektrycznej, prognozy szczytów obciążeń z jednoczesnym wyznaczeniem wielkości umożliwiających realność prognoz. Może to przykładowo być wyznaczenie rocznych stopni obciążenia, dla których mamy ściśle określony zakres zmienności. W przypadku dysponowania jedynie prognozę zużycia energii elektrycznej możliwe są inne analizy, przykładowo porównania energochłonności PKB, energochłonności produktów czy gałęzi gospodarki w wybranych krajach. Jeszcze innym, powszechnie stosowanym wskaźnikiem jest roczne zużycie energii elektrycznej na osobę. Prognozy ludności są jednymi z dokładniejszych, stąd ten wskaźnik może być dobrym odniesieniem przy porównywaniu prognoz.
    There exist a number of important factors in forecasting processes. The most significant in the case of a multi-dimensional econometric model are the choice of the model and the explanatory variables. This paper focuses on the choice of variables, which plays a crucial role. Among many existing and recognized algorithms for the selection of variables, the following three chosen arbitrarily by the authors are presented: the method of integral capacity by Hellwig, the partial correlation coefficient, and multiple correlation coefficient. For each considered method, a synthetic description explaining its action is given. The choice of the model for making forecasts was treated as less significant because, for each method, the same model is used. Calculations were made using the MRK (Model of Canonical Distribution) model. The synthetic description of the model is also provided. Using real-life data, the analysis demonstrates how the method applied in choosing explanatory variables influences the obtained forecast results concerning the consumption of electric energy on a national scale. In the example calculation, a potential dataset of seven explanatory variables was used. The paper summarizes fourteen different forecasts obtained from three methods of variables selection. The results of model fittings (extinct forecasts) and forecasts until 2030 are presented in the form of tables and charts. Concluding remarks concern long-term forecasts of fundamental quantities related to the Domestic Power Engineering System, which may influence the correctness of these forecasts. Particular attention was paid to the issue of the correctness of long-term forecasts related to energy consumption and peak power. An analysis of the forecast of energy consumption, processed parallel to the determination of quantities assessing the reality of these forecasts, makes it possible to indicate the forecasts endowed with the lowest risk of making excessive errors. For example, it may be possible to consider the determination of annual load levels for which a pre-determined, exact level of variability is given. In situations where only the forecast of electric energy consumption is available, it is possible to develop further analyses such as a comparison of energy consumption for a Domestic Brutto Product, energy consumption for products, or economic branches in selected countries. Yet another indicator in common use is annual energy consumption per capita. Forecasts per capita are among the most exact; therefore, this indicator may be a useful tool for comparison of different forecasts.
    Źródło:
    Polityka Energetyczna; 2012, 15, 4; 71-83
    1429-6675
    Pojawia się w:
    Polityka Energetyczna
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-7 z 7

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies