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 "prognozowanie" wg kryterium: Wszystkie pola

  Lista filtrów
Wyrównaj
Wyświetlanie 1-15 z 24
Tytuł:
Predicting oil prices
Prognozowanie cen ropy naftowej
Autorzy:
Ejdys, J.
Halicka, K.
Winkowski, C.
Powiązania:
https://bibliotekanauki.pl/articles/256449.pdf
Data publikacji:
2014
Wydawca:
Sieć Badawcza Łukasiewicz - Instytut Technologii Eksploatacji - Państwowy Instytut Badawczy
Tematy:
forecasting
forecast quality
price
crude oil
Holt-Winters model
artificial neural networks
prognozowanie
jakość prognozy
cena
ropa naftowa
model Holta-Wintersa
sztuczna sieć neuronowa
Opis:
The purpose of this article is the use of artificial intelligence methods and exponential smoothing methods to determine the short-term forecast of BRENT oil prices. Another important objective of the research is to conduct a comparative analysis of the quality of the forecasts and make recommendations concerning the constructed forecasting models. Historical data used in this study came from the London Stock Exchange and covered the period from January 2012 to April 2013. The selection of forecasting models was based on the visual decomposition of the time series. The comparative analysis of the quality of the forecasts was carried out, inter alia, on the basis of such measures as mean error (ME), mean absolute error (MAE), root of mean squared error (RMS), mean relative error (MAPE), and the relative error (APE).
Celem niniejszego artykułu jest zastosowanie metod sztucznej inteligencji oraz metod wygładzania wykładniczego do wyznaczenia krótkookresowej prognozy ceny ropy naftowej BRENT. Kolejnym istotnym celem badań jest przeprowadzenie analizy porównawczej jakości otrzymanych prognoz i dokonanie rekomendacji zbudowanych modeli prognostycznych. Dane historyczne wykorzystane w niniejszym badaniu pochodziły z giełdy London Stock Exchange i obejmowały okres od stycznia 2012 r. do kwietnia 2013 r. Wyboru modeli prognostycznych dokonano na podstawie wizualnej dekompozycji szeregu czasowego. Analiza porównawcza jakości otrzymanych prognoz została przeprowadzona między innymi na podstawie takich miar jak średni błąd (ME), średni bezwzględny błąd (MAE), pierwiastek ze średniego kwadratowego błędu (RMS), średni względny błąd (MAPE) oraz względny błąd (APE).
Źródło:
Problemy Eksploatacji; 2014, 1; 5-13
1232-9312
Pojawia się w:
Problemy Eksploatacji
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Prognozowanie cen energii elektrycznej na giełdzie energii
Forecasting the price of electricity on the energy exchange
Autorzy:
Ejdys, J.
Halicka, K.
Godlewska, J.
Powiązania:
https://bibliotekanauki.pl/articles/325187.pdf
Data publikacji:
2015
Wydawca:
Politechnika Śląska. Wydawnictwo Politechniki Śląskiej
Tematy:
prognozowanie
giełda energii
cena energii
model Holta-Wintersa
sztuczne sieci neuronowe
forecasting
energy exchange
energy price
model Holt-Winters
artificial neural networks
Opis:
Zasadniczym celem artykułu było wyznaczenie prognozy ceny energii elektrycznej na Rynku Dnia Następnego Towarowej Giełdy Energii. Kolejnym istotnym celem badań było przeprowadzenie analizy porównawczej jakości otrzymanych prognoz i dokonanie rekomendacji zbudowanych modeli prognostycznych. Początkowo przeanalizowano zebrane dane, przeprowadzono dekompozycję analizowanego szeregu czasowego. Następnie wyznaczono prognozę ceny energii elektrycznej na giełdzie energii, wykorzystując takie metody, jak model Holta- Wintersa oraz sztuczne sieci neuronowe.
The main objective of this paper was to determine the forecast of the price of electricity on the POLPX Day Ahead Market. Another important aim of the study was to conduct a comparative analysis of the quality of the forecasts and make recommendations concerning the constructed forecasting models. Initially the collected data was analyzed, and the decomposition of the analyzed time series was performed. Then the forecast of electricity prices on the energy exchange was determined using methods such as the Holt-Winters model and artificial neural networks.
Źródło:
Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska; 2015, 77; 53-61
1641-3466
Pojawia się w:
Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Krótkoterminowe prognozowanie dynamicznej obciążalności linii z wykorzystaniem techniki sztucznej inteligencji
The dynamic line rating short-term forecasting with the use of artificial intelligence technique
Autorzy:
Babś, Adam
Samotyjak, Tomasz
Powiązania:
https://bibliotekanauki.pl/articles/266825.pdf
Data publikacji:
2019
Wydawca:
Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
Tematy:
dynamiczna obciążalność linii
prognozowanie parametrów pogodowych
sztuczne sieci neuronowe
dynamic line rating
weather forecasting
artificial neural networks
Opis:
W referacie przedstawiono sposób prognozowania parametrów pogodowych takich jak temperatura, prędkość i kierunek wiatru oraz natężenie promieniowania słonecznego, które są podstawą do wyznaczania dynamicznej obciążalności linii napowietrznych. Do krótkoterminowej prognozy warunków pogodowych wykorzystano jedną z metod technik sieci neuronowych tj. dynamiczną nieliniową autoregresyjną sieć neuronową (NAR). Przykład obliczeniowy prognoz warunków pogodowych wykorzystuje rzeczywiste dane z kilku stacji pogodowych ze zbioru ponad 350 stacji mierzących dane pogodowe na terenie kraju. Przyjmując symetryczny bezwzględny błąd procentowy (SMAPE) oszacowano dokładność prognozy oraz porównano ją z pomiarami rzeczywistymi oraz z prognozą pozyskiwaną od podmiotu komercyjnego. Obliczenia i symulacje przeprowadzono w środowisku MATLAB, umożliwiając wykorzystanie opisanej metody prognozowania w istniejących systemach Dynamicznej Obciążalności Linii (DOL).
The paper presents the method of forecasting weather parameters such as temperature, wind speed and direction, as well as the solar irradiation, which are the basis for determining the dynamic load capacity of overhead lines. For the short-term forecast of weather conditions one of the methods of neural network techniques was used, i.e. a dynamic non-linear autoregressive neural network (NAR). The calculation example of weather forecasts uses real data from several weather stations from a set of over 350 stations measuring weather data across the country. Assuming a symmetrical absolute percentage error (SMAPE), the accuracy of the forecast was estimated and compared with the actual measurements and the forecast obtained from the commercial entity. Calculations and simulations were carried out in the MATLAB environment, enabling the use of the described prediction method in the existing Dynamic Line Rating systems (DOL).
Źródło:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2019, 62; 49-53
1425-5766
2353-1290
Pojawia się w:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Prognozowanie kolejnych wartości pomiarowego szeregu czasowego z zastosowaniem sztucznych sieci neuronowych i funkcji trygonometrycznych
Forecasting the next value measurement time series with the use of artificial neural networks and trigonometric functions
Autorzy:
Stachno, A.
Suproniuk, M.
Powiązania:
https://bibliotekanauki.pl/articles/156296.pdf
Data publikacji:
2014
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
prognozowanie
szeregi czasowe
sieci neuronowe
forecasting
time series
artificial neural networks
Opis:
W artykule przedstawiono wyniki badań prognozowania kolejnych wartości pomiarowych szeregów czasowych z zastosowaniem sztucznych sieci neuronowych. Metoda ta umożliwia analizę danych pomiarowych, pochodzących z obiektu, który nie posiada modelu matematycznego. Zbudowanie modelu neuronowego na podstawie szeregu czasowego, odzwierciedlającego dane pomiarowe jest często jedyną metodą przybliżenia sposobu działania obiektu. Wykorzystanie tego modelu do prognozowania zachowania się obiektu w przyszłości może uwzględniać dodatkowo zestaw funkcji trygonometrycznych oraz autorskiej metody WMF wygładzania szeregu czasowego. Przeprowadzone badania wykazały znaczący wzrost dokładności prognoz oraz możliwość uniezależnienia ich od wyprzedzenia czasowego.
The paper presents the results of forecasting subsequent measurement values of the time series (Fig. 1) using artificial neural networks. This method allows the analysis of measurement data [1], coming from an object that does not have a mathematical model. The only representation of the actual state of the output object is approximation of its properties using the neural model, automatically-adapting with respect to the output (Fig. 2). Creating a neural model based on the time series reflecting the measurement data is often the only way to approach the object operation. The use of this model for forecasting the behavior of the object in the future may include an additional set of trigonometric functions (Fig. 7), appropriately presented at the inputs of the neural network. As described in the work, the result of the time series to supplement additional, independent from the object data is to improve the forecast accuracy of successive values of the time series. Taking into account in the forecasting process data smoothing the author's method WMF [1] (Fig. 8), causes a significant increase in the accuracy of the obtained forecast results. The study showed the possibility of using trigonometric functions as input learning network. In addition, there was shown the increase in the accuracy of forecasts of successive values of the time series with different advance and independence of it from historical data (Fig. 10).
Źródło:
Pomiary Automatyka Kontrola; 2014, R. 60, nr 9, 9; 764-767
0032-4140
Pojawia się w:
Pomiary Automatyka Kontrola
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Prognozowanie zawartości cukru w korzeniach buraka cukrowego z wykorzystaniem technik regresyjnych i neuronowych
Prognosis of the content of sugar in the roots of sugar-beet with utilization of the regression and neural techniques
Autorzy:
Niedbała, G.
Przybył, J.
Sęk, T.
Powiązania:
https://bibliotekanauki.pl/articles/288994.pdf
Data publikacji:
2007
Wydawca:
Polskie Towarzystwo Inżynierii Rolniczej
Tematy:
burak cukrowy
prognozowanie
plon cukru
sztuczna sieć neuronowa
model regresyjny
artificial neural networks
prediction
sugar beet
Opis:
Celem pracy było zbudowanie modelu prognozującego zawartość cukru w korzeniach buraka cukrowego. Prognozę można przeprowadzić przy pomocy klasycznych metod regresyjnych oraz z wykorzystaniem nowoczesnej techniki modelowania neuronowego. W pracy dokonano porównania obu tych metod dla budowy krótkoterminowych modeli prognoz zawartości cukru w korzeniach buraka cukrowego, opartych na danych empirycznych z trzyletnich badań.
Prognosis of the content of sugar in the roots of sugar-beet is an important element of the organization of the production in the farm. The high content of the sugar gives measurable financial advantages for the grower and delivers to the sugar factories the material from which one gets white sugar of high quality. The aim of the research was to build a prognosis model of the content of sugar in the sugar-beet roots. One can conduct the realization of the prognosis by means the classic regression method, and the modern techniques of neural modeling as well. During research comparisons of both methods were performed when it comes to the building of short-term models of prognoses the content of sugar in the roots of sugar-beet based on empirical data's of three-years investigations.
Źródło:
Inżynieria Rolnicza; 2007, R. 11, nr 2 (90), 2 (90); 225-234
1429-7264
Pojawia się w:
Inżynieria Rolnicza
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Forecasting of the daily demand for natural gas in rural households using the methods of artificial intelligence. Part I. Forecasting using artificial neural networks
Prognozowanie dobowego zapotrzebowania na gaz ziemny wiejskich gospodarstw domowych przy wykorzystaniu metod sztucznej inteligencji. Cz. 1. Prognozowanie przy wykorzystaniu sztucznych sieci neuronowych
Autorzy:
Nęcka, K.
Trojanowska, M.
Małopolski, J.
Powiązania:
https://bibliotekanauki.pl/articles/334058.pdf
Data publikacji:
2015
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:
natural gas
short-term forecasts
artificial neural networks
gaz ziemny
prognoza krótkookresowa
sztuczna sieć neuronowa
Opis:
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.
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.
Źródło:
Journal of Research and Applications in Agricultural Engineering; 2015, 60, 2; 62-64
1642-686X
2719-423X
Pojawia się w:
Journal of Research and Applications in Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Neuronowy model prognozowania dziennego napromienienia słonecznego
The neurals model of daily prediction of solar radiation
Autorzy:
Trajer, J.
Kozłowski, K.
Powiązania:
https://bibliotekanauki.pl/articles/286730.pdf
Data publikacji:
2005
Wydawca:
Polskie Towarzystwo Inżynierii Rolniczej
Tematy:
prognozowanie
sieci neuronowe
dzienne nasłonecznienie
prediction
artificial neural networks
value of daily solar radiation
Opis:
W pracy przedstawiono neuronowy model prognozowania dobowych sum napromienienia słonecznego. Opracowanie stanowi kontynuację projektu prognoz długo, średnio i krótkoterminowych, w którym niezadowalający okazał się model prognoz dobowych. W ulepszonym obecnie modelu poprawiono jego skuteczność uwzględniając dodatkowe czynniki dotyczące zachmurzenia.
The neural model of daily prediction of solar radiation are presenting. The method of prediction solar radiation was worked out with cloudiness influence. The results of six years solar radiation measurements, conducted at SGGW-Ursynów station on tilted surface oriented south and data cloudiness, were used as database. The neuronal model was worked out, in which short-term prognoses use results from medium-term model and cloudiness. Model has been veried.
Źródło:
Inżynieria Rolnicza; 2005, R. 9, nr 14, 14; 361-366
1429-7264
Pojawia się w:
Inżynieria Rolnicza
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Application of neural networks to the prediction of gas pollution of air
Autorzy:
Pawul, Małgorzata
Powiązania:
https://bibliotekanauki.pl/articles/2064392.pdf
Data publikacji:
2019
Wydawca:
STE GROUP
Tematy:
air quality monitoring
air pollution
artificial neural networks
prediction
monitorowanie jakości powietrza
zanieczyszczenie powietrza
sztuczne sieci neuronowe
prognozowanie
predykcja
Opis:
The issue of projecting the air pollution levels is quite essential from the viewpoint of the necessity to adopt specific prevention measures intended to reduce the pollution concentration in the air. One can apply certain machine learning methods, including neural networks, to build pollution concentration models. Neural networks are characterised by the fact that they can be used to solve the relevant problem when we face shortage of data, or we do not know the analytical relationship between input and output data. Consequently, neural networks can be applied in a number of problems. This paper discusses a possibility to apply neural networks to the prediction of selected gas concentrations in the air, based on the data originating from the measurement networks of the Polish State Environmental Monitoring System, combined with local meteorological data. Forecast results have been presented here for SO2, NO, NO2, and O3 in various locations. The author also discusses the accuracy of the respective forecasts and indicates the relevant contributing factors.
Źródło:
New Trends in Production Engineering; 2019, 2, 1; 515--523
2545-2843
Pojawia się w:
New Trends in Production Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The training of multiplicative neuron model based artificial neural networks with differential evolution algorithm for forecasting
Autorzy:
Bas, E.
Powiązania:
https://bibliotekanauki.pl/articles/91575.pdf
Data publikacji:
2016
Wydawca:
Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Tematy:
artificial neural networks
multiplicative neuron model
differential evolution
algorithm
forecasting
sztuczne sieci neuronowe
algorytm
prognozowanie
Opis:
In recent years, artificial neural networks have been commonly used for time series forecasting by researchers from various fields. There are some types of artificial neural networks and feed forward artificial neural networks model is one of them. Although feed forward artificial neural networks gives successful forecasting results they have a basic problem. This problem is architecture selection problem. In order to eliminate this problem, Yadav et al. (2007) proposed multiplicative neuron model artificial neural network. In this study, differential evolution algorithm is proposed for the training of multiplicative neuron model for forecasting. The proposed method is applied to two well-known different real world time series data.
Źródło:
Journal of Artificial Intelligence and Soft Computing Research; 2016, 6, 1; 5-11
2083-2567
2449-6499
Pojawia się w:
Journal of Artificial Intelligence and Soft Computing Research
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Budowa modelu prognostycznego farmy wiatrowej w środowisku MATLAB
Construction of wind farms forecasting model in MATLAB
Autorzy:
Rubanowicz, T.
Powiązania:
https://bibliotekanauki.pl/articles/268666.pdf
Data publikacji:
2012
Wydawca:
Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
Tematy:
elektrownie wiatrowe
prognozowanie mocy
sztuczne sieci neuronowe
MATLAB
wind power plants
prediction methods
artificial neural networks
Opis:
Liberalizacja rynku energii elektrycznej sprawiła, że branża elektroenergetyczna przechodzi obecnie dynamiczny rozwój różnych jej obszarów (aspektów). Jednym z aspektów jest prognozowanie mocy jednostek wytwórczych źródeł wiatrowych. W prognozowaniu wykorzystuje się różnego rodzaju narzędzia matematyczne. Autor niniejszej publikacji poświęcił szczególną uwagę sztucznym sieciom neuronowym. Za pomocą modeli neuronowych istnieje możliwość predykcji generacji mocy wytwórczej farm wiatrowych. Budowa modelu prognostycznego wymaga umiejętności programistycznych. Powszechnym środowiskiem programistycznym, umożliwiającym budowę modeli, jest oprogramowanie naukowo-techniczne MATLAB. Wykorzystując wbudowane funkcje (gotowe moduły) istnieje możliwość zbudowania modelu prognostycznego farmy wiatrowej. W artykule przedstawiono sposób zamodelowania wybranej struktury neuronowej za pomocą modułu Neural Toolbox oraz przeprowadzono test nauczonej sieci.
The liberalization of the electricity market has made electric power industry is undergoing rapid development its different areas (aspects). One aspect is the forecasting power generating units wind sources. The prediction uses various mathematical tools. The author of this publication has devoted special attention to artificial neural networks. Using neural models can predict power generation manufacturing of wind farms. Construction of a predictive model requires programming skills. A common programming environment that allows the construction of models, is the scientific and technical software MATLAB. Using the built-in (ready modules) it is possible to build a predictive model of the wind farm. This article shows you how to model a neural structure chosen by Neural Toolbox module and performed background and sensor network test.
Źródło:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2012, 31; 123-126
1425-5766
2353-1290
Pojawia się w:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Drought forecasting using new machine learning methods
Prognozowanie suszy z wykorzystaniem automatycznych samouczących się metod
Autorzy:
Belayneh, A.
Adamowski, J.
Powiązania:
https://bibliotekanauki.pl/articles/293124.pdf
Data publikacji:
2013
Wydawca:
Instytut Technologiczno-Przyrodniczy
Tematy:
agriculture
artificial neural networks
drought forecast
SPI
support vector regression
wavelet analysis
analiza falowa
prognoza suszy
regresja wektorowa
rolnictwo
sztuczna sieć neuronowa
Opis:
In order to have effective agricultural production the impacts of drought must be mitigated. An important aspect of mitigating the impacts of drought is an effective method of forecasting future drought events. In this study, three methods of forecasting short-term drought for short lead times are explored in the Awash River Basin of Ethiopia. The Standardized Precipitation Index (SPI) was the drought index chosen to represent drought in the basin. The following machine learning techniques were explored in this study: artificial neural networks (ANNs), support vector regression (SVR), and coupled wavelet-ANNs, which pre-process input data using wavelet analysis (WA). The forecast results of all three methods were compared using two performance measures (RMSE and R²). The forecast results of this study indicate that the coupled wavelet neural network (WA-ANN) models were the most accurate models for forecasting SPI 3 (3-month SPI) and SPI 6 (6-month SPI) values over lead times of 1 and 3 months in the Awash River Basin in Ethiopia.
Efektywna gospodarka rolna, uzyskanie dużych plonów wymaga prowadzenia działań w celu ograniczenia niekorzystnego wpływu suszy. Ważnym czynnikiem ograniczania skutków suszy jest efektywna i możliwie precyzyjna metoda przewidywania suszy. W artykule przedstawiono trzy metody prognozowania suszy w okresach krótkoterminowych, które zostały zastosowane w zlewni rzeki Awash w Etiopii. Do kwantyfikacji suszy zastosowano wskaźnik standaryzowanego opadu (SPI). Zastosowane zostały następujące samouczące się metody: sztuczne sieci neuronowe (ANNs), regresje wektorowe (SVR) oraz połączenie ANNs z analizą falową (WA), którą zastosowano do wstępnej obróbki danych. Ocenę prognozy dokonano stosując dwa mierniki – RMSE i R². Na podstawie obliczeń stwierdzono, że połączona metoda analizy falowej z siecią neutronową (WA-ANN) jest najdokładniejsza w prognozowaniu wartości SPI 3 (3-miesięczne SPI) i SPI 6 (6-miesięczne SPI) w okresie 1 i 3 miesiące naprzód w zlewni rzeki Awash.
Źródło:
Journal of Water and Land Development; 2013, no. 18 [I-VI]; 3-12
1429-7426
2083-4535
Pojawia się w:
Journal of Water and Land Development
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie sztucznych sieci neuronowych Kohonena do prognozowania dobowego poboru wody.
Application of Kohonen Artificial Neural Networks to the Prediction of Daily Water Consumption.
Autorzy:
Licznar, P.
Łomotowski, J.
Powiązania:
https://bibliotekanauki.pl/articles/237690.pdf
Data publikacji:
2006
Wydawca:
Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
Tematy:
dobowy pobór wody
prognozowanie
sieci neuronowe Kohonena
daily water consumption
prediction
artificial neural networks
perceptron networks
Self-Organizing Feature Map (SOFM)
Opis:
W pracy przedstawiono wyniki badań nad zastosowaniem samoorganizujących sieci Kohonena do prognozowania dobowego poboru wody. Dotychczas do prognozowania poboru wody używano sztucznych sieci neuronowych najprostszych typów, głównie sieci perceptronowych o pojedynczej warstwie ukrytej. Otrzymywano przy tym wyniki porównywalne lub lepsze od modeli stochastycznych opartych o analizę szeregów czasowych, jednakże sieci te nie pozwalały wniknąć w istotę kształtowania się procesu poboru wody. Wagi poszczególnych neuronów sieci perceptronowych, ustalane w trakcie ich uczenia, nie są bowiem powiązane z fizycznymi cechami prognozowanego szeregu czasowego. Z tego względu podjęto próbę zastosowania samoorganizujących sieci Kohonena dla prognozowania dobowego poboru wody w sieci wodociągowej. W badaniach wykorzystano szereg czasowy dobowego zużycia wody z lat 1996-2002 jednego z większych polskich wodociągów. Prognoza była wykonana dwuetapowo. Pierwszym jego etapem było prognozowanie sumarycznego tygodniowego rozbioru wody przy użyciu prostej sieci perceptronowej szeregu czasowego. W następnym etapie prognozowany całkowity, tygodniowy, rozbiór był rozdzielany na poszczególne dni tygodnia, zgodnie z wzorcami rozpoznanymi dla poszczególnych okresów roku przez samoorganizującą się strukturę sieci Kohonena. Otrzymywane wyniki były porównywalne z wcześniejszymi rezultatami autorów, uzyskanymi na tym obiekcie do prognozowania przy wykorzystaniu prostych sieci neuronowych oraz metody wygładzania wykładniczego. Dodatkowym - poznawczym - wynikiem przeprowadzonych badań są opracowane, przy wykorzystaniu sieci samoorganizującej się na zasadzie współzawodnictwa, profile tygodniowego poboru wody.
The objective of the study was to develop a hybrid tool for predicting daily water consumption by the combined use of the perceptron and Kohonen artificial neural networks. The investigations included a 7-year time series of total daily water consumption in the time span of 1996 to 2002, coming from one of Poland's largest water distribution systems. The prediction process was a two-stage one. At the first stage, the Self-Organizing Feature Map (SOFM) was made in order to establish the weekly water distribution patterns that are typical for each season of the year. At the second stage, a simple single hidden layer perceptron networks was built to enable the prediction of total weekly water consumption. Owing to the combined use of the perceptron and Kohonen artificial neural networks it was possible to work out high-quality daily water consumption predictions and to identify typical seasonal patterns of weekly water consumption.
Źródło:
Ochrona Środowiska; 2006, R. 28, nr 1, 1; 45-48
1230-6169
Pojawia się w:
Ochrona Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Selected Tools For Wind Farm Output Daily-Hourly Forecasting For The Wholesale Market
Wybrane narzędzia do prognozowania dobowo-godzinowego energii elektrycznej wytwarzanej przez elektrownie wiatrowe na potrzeby rynku hurtowego
Autorzy:
Rubanowicz, Tomasz
Powiązania:
https://bibliotekanauki.pl/articles/1833862.pdf
Data publikacji:
2020
Wydawca:
ENERGA
Tematy:
short-term forecasting
wind farm
artificial neural networks
prognozowanie krótkoterminowe
elektrownia wiatrowa
sztuczne sieci neuronowe
Opis:
Owners of generating sources after their connection to the power grid become participants of the electricity market, including the balancing market. From that moment on, each participant is obliged to forecast their own generating units' output with a specified advance time. The adopted energy transformation policy removes investment restrictions, in particular concerning the so-called distance act (10H), which stopped the dynamic development of this technology on land. This approach will contribute to the construction of more wind farms. The greater the number of generation sources dependent on weather conditions, the more difficult their predictability and the greater the risk of trade imbalances in participants ' purchasing portfolios. Every incorrect energy forecast that differs from the actual output will result in higher costs of participation in the market. Effective output forecasting allows companies to reduce the cost of their participation. This paper presents a method of forecasting wind farm output using artificial neural networks, which can be an alternative tool for analytical and statistical models. This paper aims to evaluate the effectiveness of the farm output forecast model, i.e. the output modelling for specific weather conditions. The paper presents the farm output affecting factors that should be included in the model, and it shows that the neural network can reproduce farm output curves similar to the catalogue curves with consideration of the object's characteristics. The author has exhaustively researched the subject for 10 years, reaching the main conclusion that it is impossible to create one universal forecast model for every farm. This means that each such facility requires an individual approach to obtain an effective forecast. The changing market environment requires further action and the development of new models suitable for the needs of the markets within a shorter time horizon.
Właściciele źródeł wytwórczych po przyłączeniu do sieci elektroenergetycznej stają się uczestnikami rynku energii elektrycznej, w tym rynku bilansującego. Od tego momentu każdy uczestnik zobowiązany jest do prognozowania produkcji energii własnych jednostek wytwórczych z określonym wyprzedzeniem czasowym. Przyjęta polityka transformacji energetycznej znosi ograniczenia inwestycyjne, w szczególności w zakresie tzw. ustawy odległościowej (10H), która wstrzymała dynamiczny rozwój tej technologii na lądzie. Takie podejście przyczyni się do budowy kolejnych elektrowni wiatrowych. Im większa będzie liczba źródeł wytwórczych, których produkcja zależy od warunków pogodowych, tym trudniejsza będzie ich przewidywalność i większe ryzyko niezbilansowania handlowego portfeli zakupowych uczestników. Każda błędna prognoza energii, różniąca się od rzeczywistej produkcji, będzie skutkowała większymi kosztami uczestnictwa w rynku. Skuteczne prognozowanie produkcji energii umożliwia przedsiębiorstwom redukcję kosztów ich uczestnictwa. Artykuł prezentuje metodę prognozowania energii farmy wiatrowej za pomocą sztucznych sieci neuronowych, które mogą stanowić alternatywne narzędzie względem modeli analitycznych i statystycznych. Celem artykułu była ocena skuteczności modelu prognozy energii farmy, czyli modelu odtwarzającego moc farmy dla określonych warunków meteorologicznych. W artykule przedstawiono czynniki wpływające na moc farmy, które należy uwzględnić w modelu, a także wykazano, że sieć neuronowa potrafi odtworzyć krzywe mocy farmy zbliżone do krzywych katalogowych z uwzględnieniem cech charakterystycznych obiektu. Autor przez 10 lat wyczerpał temat, dochodząc do głównego wniosku, że nie można stworzyć jednego uniwersalnego modelu prognozy dla każdej farmy. Oznacza to, że każdy tego typu obiekt wymaga indywidualnego podejścia, aby uzyskać skuteczną prognozę. Zmieniające się otoczenie rynkowe wymaga dalszych działań i opracowania nowych modeli sprawdzających się w krótszym horyzoncie czasowym na potrzeby rynków.
Źródło:
Acta Energetica; 2020, 2; 36--45
2300-3022
Pojawia się w:
Acta Energetica
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Sieci neuronowe typu MLP w prognozowaniu plonu jęczmienia jarego
MLP artificial neural networks in predicting the yield if spring barley
Autorzy:
Janaszek-Mańkowska, Monika
Mańkowski, Dariusz R.
Kozdój, Janusz
Powiązania:
https://bibliotekanauki.pl/articles/2198009.pdf
Data publikacji:
2011-03-31
Wydawca:
Instytut Hodowli i Aklimatyzacji Roślin
Tematy:
jęczmień jary
MLP
linie DH
prognozowanie plonu
sztuczne sieci neuronowe
artificial neural networks
DH lines
spring barley
yield prediction
Opis:
U roślin zbożowych, poszczególne cechy plonotwórcze oraz struktura morfologiczna kłosa kształtują się w określonych fazach rozwojowych, które zachodzą w zmiennych warunkach środowiska. Interakcja genotypu z biotycznymi i abiotycznymi czynnikami środowiska w trakcie trwania okresu wegetacji roślin również wpływa na kształtowanie się wielkości plonu. W niniejszej pracy dokonano aproksymacji wielkości plonu na podstawie cech, charakteryzujących nie tylko okres wegetacji roślin, ale także fazę ich pełnej dojrzałości. Do aproksymacji wykorzystano sieć MLP o bardzo prostej topologii, wynikającej zarówno z liczby, jak i struktury dostępnych danych. Efekt wytrenowania sieci był pozytywny. Uzyskane wyniki wyraźnie wskazują, iż sieć typu MLP może służyć jako narzędzie wspomagające prognozowanie plonu jęczmienia jarego.
In cereal plants, individual yielding characteristics and the morphological structure of the spike are formed in certain phases of development, which occur in varying environmental conditions. The interaction of genotype with the biotic and abiotic environmental factors during the period of vegetation also affects the formation of yield. In this paper we approximate the yield on the basis of traits that characterize not only the vegetation period, but also the phase of full maturity. For the approximation, an MLP network with a very simple topology, resulting from both the number and structure of available data, was used. The effect of network training was positive. The results obtained show clearly that the MLP network may be used as a support tool for the prediction of the yield of spring barley.
Źródło:
Biuletyn Instytutu Hodowli i Aklimatyzacji Roślin; 2011, 259; 93-112
0373-7837
2657-8913
Pojawia się w:
Biuletyn Instytutu Hodowli i Aklimatyzacji Roślin
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Water demand forecasting using extreme learning machines
Przewidywanie zapotrzebowania na wodę z użyciem technik uczenia maszynowego
Autorzy:
Tiwari, M.
Adamowski, J.
Adamowski, K.
Powiązania:
https://bibliotekanauki.pl/articles/292339.pdf
Data publikacji:
2016
Wydawca:
Instytut Technologiczno-Przyrodniczy
Tematy:
artificial neural networks
bootstrap
Canada
extreme learning machines
uncertainty
water demand forecasting
wavelets
ekstremalne maszyny uczące się
falki
Kanada
niepewność
prognozowanie zapotrzebowania na wodę
sztuczne sieci neuronowe
Opis:
The capacity of recently-developed extreme learning machine (ELM) modelling approaches in forecasting daily urban water demand from limited data, alone or in concert with wavelet analysis (W) or bootstrap (B) methods (i.e., ELM, ELMW, ELMB), was assessed, and compared to that of equivalent traditional artificial neural network-based models (i.e., ANN, ANNW, ANNB). The urban water demand forecasting models were developed using 3-year water demand and climate datasets for the city of Calgary, Alberta, Canada. While the hybrid ELMB and ANNB models provided satisfactory 1-day lead-time forecasts of similar accuracy, the ANNW and ELMW models provided greater accuracy, with the ELMW model outperforming the ANNW model. Significant improvement in peak urban water demand prediction was only achieved with the ELMW model. The superiority of the ELMW model over both the ANNW or ANNB models demonstrated the significant role of wavelet transformation in improving the overall performance of the urban water demand model.
Oceniono zdolność modelowania z użyciem ekstremalnej maszyny uczącej się (ELM) stosowanej samodzielnie bądź w połączeniu z analizą falkową (W) lub metodami bootstrapowymi (B) (tzn. ELM, ELMW, ELMB) do przewidywania dobowego zapotrzebowania na wodę w mieście. Wyniki porównano z uzyskanymi tradycyjnymi metodami bazującymi na sztucznych sieciach neuronowych (tzn. ANN, ANNW, ANNB). Modele przewidujące zapotrzebowanie na wodę zbudowano z wykorzystaniem trzyletniego zapotrzebowania na wodę i zestawu danych klimatycznych dla miasta Calgary w kanadyjskiej prowincji Alberta. Hybrydowe modele ELMB i ANNB zapewniały satysfakcjonujące prognozy jednodniowe o podobnej dokładności, natomiast wyniki uzyskane z zastosowaniem modeli ELMW i ANNW były bardziej dokładne, przy czym model ELMW okazał się lepszy niż ANNW. Istotną poprawę prognozowania szczytowego zapotrzebowania na wodę w mieście uzyskano jedynie z zastosowaniem modelu ELMW. Wyższość modelu ELMW nad modelami ANNW czy ANNB dowodzi znaczącej roli transformacji falkowej w usprawnianiu działania modeli prognozujących zapotrzebowanie na wodę w mieście.
Źródło:
Journal of Water and Land Development; 2016, 28; 37-52
1429-7426
2083-4535
Pojawia się w:
Journal of Water and Land Development
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 24

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