Temat: FORECASTING - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Prognozowanie ceny ogórka szklarniowego za pomocą sieci neuronowych
Forecasting a hothouse cucumber price with the use of neuron networks
Autorzy:: Francik, S.
Powiązania:: https://bibliotekanauki.pl/articles/288377.pdf
Data publikacji:: 2005
Wydawca:: Polskie Towarzystwo Inżynierii Rolniczej
Tematy:: sztuczne sieci neuronowe
prognozowanie
cena
artificial neuron networks
forecasting
price
Opis:: W pracy opracowano modele wykorzystujące sztuczne sieci neuronowe do prognozowania cen ogórka szklarniowego, przy czterech horyzontach prognoz. Porównano dokładności prognoz uzyskanych za pomocą różnych typów sieci neuronowych (liniowych, wielowarstwowych perceptronów i sieci o radialnych funkcjach bazowych). Jako najlepsze modele wybrano sieci liniowe, gdyż pozwalały na uzyskanie najdokładniejszych prognoz.
Models using neuron networks to forecast hothouse cucumber prices have been developed in this research, with four forecast horisons. The accuracy of forecasts obtained with the use of various types of neuron networks (linear, multilayer perceptrons and radial base function networks) have been compared. The linear networks have been selected as the best models as they have generated the most accurate forecasts.
Źródło:: Inżynieria Rolnicza; 2005, R. 9, nr 14, 14; 91-97
1429-7264
Pojawia się w:: Inżynieria Rolnicza
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: Wykorzystanie predyktorów typu neural network do prognozowania szeregów czasowych
Utilization for forecasting activity of time range predictors type neural network
Autorzy:: Gworek, S.
Utrata, A.
Powiązania:: https://bibliotekanauki.pl/articles/350230.pdf
Data publikacji:: 2005
Wydawca:: Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:: prognozowanie ekonomiczne
predyktory
szeregi czasowe
sztuczne sieci neuronowe
analiza efektywności
business forecasting
predictors
forecasting activity of time range
artificial neural networks
estimation of efficiency
Opis:: W pracy przedstawiono rozważania dotyczące zastosowania sztucznych sieci neuronowych do prognozowania zjawisk gospodarczych opisanych za pomocą krótkich szeregów czasowych. W pierwszej części artykułu przedstawiono krótką charakterystykę sztucznych sieci neuronowych wraz z możliwymi obszarami prognozowania ekonomicznego, w których mogą znaleźć zastosowanie. W drugiej części artykułu przeprowadzono ocenę efektywności predykcji wybranego zjawiska za pomocą sztucznych sieci neuronowych.
This article presents consideration for forecasting activity of economic phenomenon described behind assistance of short time range concerning employment artificial neural network. It presents short characteristic of artificial neural network in first along with possible areas of economic forecasting activities, can find application. The second part of the paper includes an estimation of efficiency of selected economic phenomenon with an application of artificial neural networks.
Źródło:: Górnictwo i Geoinżynieria; 2005, 29, 4; 53-62
1732-6702
Pojawia się w:: Górnictwo i Geoinżynieria
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: Zastosowanie algorytmów sztucznych sieci neuronowych do prognozowania zużycia energii elektrycznej
Application artificial neural networks for electricity prediction
Autorzy:: Włas, M.
Powiązania:: https://bibliotekanauki.pl/articles/266363.pdf
Data publikacji:: 2016
Wydawca:: Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
Tematy:: prognozowanie zużycia energii
sztuczne sieci neuronowe
forecasting energy consumption
artificial neural network
Opis:: W artykule przestawiono algorytm przewidywania zużycia energii elektrycznej budynków mieszkalnych z wykorzystaniem informacji o produkcji i warunkach atmosferycznych. W artykule została zaproponowana własna metoda predykcji z wykorzystaniem wielowarstwowej jednokierunkowej sztucznej sieci neuronowej. W pracy zostały przedstawione podstawowe pojęcia z zakresu sieci neuronowych oraz testy działania programu prognozującego na podstawie rzeczywistych danych pomiarowych. Głównym zadaniem badawczym było sprawdzenie dokładności algorytmu predykcji do prognozowania zużycia energii elektrycznej. Ma to na celu uzyskanie programu, którego wyniki o charakterze ilościowym będą wykorzystywane do prognozowania potrzeb zakupowych na TGE (Towarowej Giełdzie Energii) przy udziale metody zakupu energii elektrycznej na Rynku Dnia Następnego.
This paper presents a flexible approach to forecasting of energy consumption in residential buildings, using time series analysis and neural networks. Our goal is to develop a one day-ahead forecasting model based on an artificial neural network using information about temperature of air. The article has been proposed neural network prediction method using a multilayered feed-forward artificial neural network with the backpropagation training algorithm. Experimental results have showed that the proposed neural network can faithfully reproduce the curve of daily energy consumption with a percentage error less than 3.74%.
Źródło:: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2016, 51; 217-220
1425-5766
2353-1290
Pojawia się w:: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 4.

Tytuł:: Zastosowanie sztucznych sieci neuronowych w modelowaniu prędkości wiatru jako jednej z determinant poboru energii w budynkach
Application of neural networks in modeling wind speed as a determinant of energy consumption in buildings
Autorzy:: Jasiński, T.
Powiązania:: https://bibliotekanauki.pl/articles/362969.pdf
Data publikacji:: 2018
Wydawca:: Instytut Fizyki Budowli Katarzyna i Piotr Klemm
Tematy:: sztuczne sieci neuronowe
energia elektryczna
prognozowanie
wiatr
artificial network
electrical energy
forecasting
wind
Opis:: Celem pracy była analiza możliwości wykorzystania narzędzia z obszaru sztucznej inteligencji, jakim są sztuczne sieci neuronowe (ANN) w zagadnieniach związanych z prognozowaniem poboru energii elektrycznej w budynkach. W wielu opracowaniach wykazano, że głównym źródłem popytu na energię są systemy klimatyzacji oraz systemy grzewcze (HVAC). Z tego też powodu jednym z podstawowych determinant zapotrzebowania na energię są czynniki atmosferyczne, w tym prędkość wiatru. W pracy oprócz badań literaturowych przeprowadzono również badania empiryczne w obszarze przewidywania prędkości wiatru przy użyciu ANN wykorzystujących dane archiwalne pochodzące ze stacji meteorologicznej usytuowanej na lotnisku Lublinek w Łodzi. Testom zostały poddane sieci pracujące w oparciu o architekturę perceptronu wielowarstwowego (MLP), sieci realizujące regresję uogólnioną (GRNN) oraz sieci o radialnych funkcjach bazowych (RBF). Modelowanie objęło prędkości wiatru w latach 2008-2016. Dane zostały podzielone na trzy zbiory: uczący, walidacyjny i testowy. Takie podejście umożliwiło minimalizację ryzyka przeuczenia ANN. Jednocześnie użycie jedynie najnowszych informacji w charakterze danych testowych umożliwiło opracowanie modelu, który może zostać wykorzystany w praktyce biznesowej. W pracy nie ograniczono się do poszukiwania optymalnego zbioru zmiennych objaśniających jedynie wśród danych pozyskanych bezpośrednio ze stacji meteorologicznej, lecz analizie poddano także zmienne wejściowe powstałe poprzez zastosowanie narzędzi analizy technicznej.
The paper presents possibilities to use ANN as a model predicting both - demand for energy in buildings and meteorological parameters affecting that demand such as wind speed. Empirical studies included wind speed forecasts using weather data from a meteorological station located at Lublinek Airport in Lodz. Numerous ANN types such as MLP, RBF and GRNN were tested during simulations.
Źródło:: Fizyka Budowli w Teorii i Praktyce; 2018, T. 10, nr 2, 2; 9-14
1734-4891
Pojawia się w:: Fizyka Budowli w Teorii i Praktyce
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 5.

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

Zmień widok

na półce

Skocz do pozycji: 6.

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

Zmień widok

na półce

Skocz do pozycji: 7.

Tytuł:: Zastosowanie metody sztucznych sieci neuronowych do prognozowania obciążenia sieci rurociągów do transportu gazu ziemnego
Application of Artificial Neural Networks for load prediction in a gas pipeline network
Autorzy:: Szoplik, J.
Powiązania:: https://bibliotekanauki.pl/articles/2072145.pdf
Data publikacji:: 2013
Wydawca:: Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:: sztuczne sieci neuronowe
prognozowanie
obciążenie sieci gazowej
artificial neural network
forecasting
load of gas pipeline network
Opis:: Zaproponowano zastosowanie metody sztucznych sieci neuronowych do prognozowania obciążenia sieci gazowej przykładowego miasta w Polsce, biorąc pod uwagę czynniki pogodowe oraz kalendarzowe. Na podstawie rzeczywistych danych wejściowych wytrenowano wiele sieci neuronowych, różniących się liczbą neuronów w warstwie ukrytej i zaproponowano najlepszą strukturę sieci neuronowej, która zależy od liczności zbioru danych wejściowych. Otrzymane modele sieci mogą być z powodzeniem stosowane w praktyce.
Application of Artificial Neural Network for load prediction in a gas pipeline network in an exemplary Poland city taking into account weather and calendar factors is proposed in the paper. Based on real data, a number of neural networks with a various number of neurons in hidden layer were trained. The best neural network structure depending on a number of initial data sets was proposed. The obtained network models can be successfully applied in practice.
Źródło:: Inżynieria i Aparatura Chemiczna; 2013, 6; 572--574
0368-0827
Pojawia się w:: Inżynieria i Aparatura Chemiczna
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 8.

Tytuł:: Zastosowanie sztucznych sieci neuronowych do prognozowania szeregów czasowych krótkotrwałego poboru wody w wybranych systemach wodociągowych.
Artificial Neural Networks for Predicting Water Demand Time Series in Municipal Water Supply Systems of Choice.
Autorzy:: Cieżak, W.
Siwoń, Z.
Cieżak, J.
Powiązania:: https://bibliotekanauki.pl/articles/237688.pdf
Data publikacji:: 2006
Wydawca:: Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
Tematy:: system wodociągowy
pobór wody
prognozowanie
sztuczne sieci neuronowe
water supply system
water demand
forecasting
artificial neuron networks
Opis:: W artykule omówiono wyniki modelowania i prognozowania szeregów czasowych poboru wody z miejskich sieci wodociągowych dla potrzeb optymalnego sterowania procesami zaopatrzenia w wodę. Zaprezentowano wyniki praktycznej weryfikacji sztucznych sieci neuronowych na przykładzie wydzielonego rejonu sieci wodociągowej we Wrocławiu i Brzegu. Przedstawiona została propozycja struktury sieci neuronowej przystosowanej do prognozowania zapotrzebowania na wodę, a także omówiono metody przygotowania danych statystycznych do późniejszego wykorzystania przy prognozowaniu z zastosowaniem sieci neuronowych. Wykazano silne i słabe strony omawianej metody prognozowania, jej skuteczność i dokładność. Skuteczność sztucznych sieci neuronowych w prognozowaniu szeregów czasowych krótkotrwałego poboru wody okazała się w praktyce porównywalna ze skutecznością modeli klasy ARIMA.
Water demand time series were modeled and forecast for the purpose of optimal control of water supply processes in municipal water supply systems. The verification of the artificial neural network models involved a separate water supply subsystem for Wrocław and the water supply system for Brzeg. A structure of artificial neural networks is proposed for water demand prediction. Methods of statistical data processing for further use with neural networks for water demand prediction are also discussed. The strengths and weaknesses of this approach are pointed out along with its efficiency and accuracy. The results show that the efficiency of neural networks in forecasting the water demand time series is comparable with the efficiency of ARIMA models. Hence, the neural networks can be used as an alternative to the ARIMA models.
Źródło:: Ochrona Środowiska; 2006, R. 28, nr 1, 1; 39-44
1230-6169
Pojawia się w:: Ochrona Środowiska
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 9.

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

Zmień widok

na półce

Skocz do pozycji: 10.

Tytuł:: Modele neuronowe szeregów czasowych godzinowego poboru wody w osiedlach mieszkaniowych
Neural network models of hourly water demand time series in housing areas
Autorzy:: Siwoń, Z.
Cieżak, W.
Cieżak, J.
Powiązania:: https://bibliotekanauki.pl/articles/237770.pdf
Data publikacji:: 2011
Wydawca:: Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
Tematy:: sztuczne sieci neuronowe
szeregi czasowe
prognozowanie
pobór wody
system wodociągowy
artificial neural networks
time series
forecasting
water demand
water supply system
Opis:: Omówiono wyniki modelowania i prognozowania szeregów czasowych poboru wody z miejskich sieci wodociągowych na potrzeby optymalnego sterowania procesem zaopatrzenia w wodę. Zaprezentowano wyniki weryfikacji sztucznych sieci neuronowych na przykładzie wydzielonego rejonu sieci wodociągowej w Kłodzku i we Wrocławiu. Przedstawiono analizę przydatności sztucznych sieci neuronowych w bieżącym prognozowaniu szeregów czasowych godzinowego poboru wody, która wykazała, że optymalne struktury sieci perceptronowych i liniowych nie są skomplikowane, co między innymi ułatwia proces ich douczania lub uczenia od nowa. W praktyce błędy prognozowania przy wykorzystaniu wielowarstwowych perceptronowych sieci neuronowych i liniowych sieci neuronowych okazały się porównywalne lub mniejsze od błędów predykcji wg modeli klasy ARIMA i metod wykładniczego wygładzania szeregów czasowych. Wykazano, że przydatność sieci o radialnych funkcjach bazowych do prognozowania dobowych histogramów godzinowego poboru wody była ograniczona i jednocześnie mniejsza niż sieci liniowych oraz perceptronowych.
The paper outlines the results of modeling and forecasting the water demand time series for the optimal control of water supply processes in municipal water supply systems. The results of verification of the artificial neural network models have been presented for a separate water supply subsystem in Klodzko and in Wroclaw. Analysis of the performance of artificial neural networks when used to develop current predictions of the time series for hourly water demand has revealed that the optimal structures of perceptron and linear networks are not very complicated, which facilitates the process of additional training or re-training. Practically, it has been found that forecasting produces comparable or smaller errors when focused on multilayer perceptron neural networks and linear neural networks than when based on the use of ARIMA models and exponential smoothing of the time series. Applicability of neural networks of radial base functions (RBF) to forecasting daily water demand histograms is limited, and lesser than that of linear and perceptron networks.
Źródło:: Ochrona Środowiska; 2011, 33, 2; 23-26
1230-6169
Pojawia się w:: Ochrona Środowiska
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 11.

Tytuł:: Wykorzystanie wielowarstwowych sztucznych sieci neuronowych do średnioterminowego prognozowania poboru wody – studium przypadku
Application of multilayer perceptron artificial neural networks to mid-term water consumption forecasting – a case study
Autorzy:: Piasecki, A.
Jurasz, J.
Marszelewski, W.
Powiązania:: https://bibliotekanauki.pl/articles/237135.pdf
Data publikacji:: 2016
Wydawca:: Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
Tematy:: sieć wodociągowa
pobór wody
prognozowanie
sztuczne sieci neuronowe
zmienna objaśniająca
water supply system
water consumption
forecasting
artificial neural networks
exogenous variable
Opis:: Do prognozowania miesięcznego poboru wody w wybranym mieście o średniej wielkości wykorzystano wielowarstwowe sztuczne sieci neuronowe. Badaniem objęto jedno z osiedli w Toruniu – Czerniewice, które ma własny system wodociągowym (inny niż pozostała część miasta). Początkowo w analizie uwzględniono dziewięć zmiennych objaśniających, opisujących warunki meteorologiczne, ekonomiczne i społeczne. W trakcie prognozowania okazało się, że wykorzystanie wszystkich zgromadzonych zmiennych wejściowych korelujących z poborem wody nie dało prognoz najlepszych jakościowo. Najlepszy wynik w tym zakresie (oceniony na podstawie wartości błędu typu MAPE) uzyskano w przypadku modelu zbudowanego na podstawie takich zmiennych, jak liczba osób korzystających z wodociągu, cena wody, maksymalna temperatura i wilgotność powietrza oraz średni dochód na jednego mieszkańca. Wykazano, że zakres zmiennych uwzględnianych w prognozowaniu poboru wody za pomocą sieci neuronowych wymaga dostosowania do warunków lokalnych. W rozpatrywanym przypadku sztuczne sieci neuronowe potwierdziły swą użyteczność w zakresie średnioterminowego prognozowania poboru wody.
Multilayer perceptron (MLP) artificial neural networks were employed to monthly water consumption forecasting. Research encompassed Czerniewice, one of the estates in Torun with a dedicated waterworks system (different from the other part of the town). Initially, nine exogenous variables describing meteorological, economic and social conditions were examined. The forecasting process revealed that implementation of all input variables correlating with water consumption did not lead to the highest quality forecasts. In terms of quality, the best result (evaluated based on MAPE criterion) was achieved for a model built on variables such as number of residents with access to waterworks, water rate, maximum temperature and humidity, and average income per inhabitant. It was demonstrated that the selection of input variables used for water consumption forecasting should be adjusted to local conditions. In the example considered, artificial neural networks proved useful in mid-term water consumption forecasting.
Źródło:: Ochrona Środowiska; 2016, 38, 2; 17-22
1230-6169
Pojawia się w:: Ochrona Środowiska
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 12.

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

Zmień widok

na półce

Skocz do pozycji: 13.

Tytuł:: Możliwości zwiększenia wartości rynkowej produkcji poprzez optymalizację harmonogramów pracy elektrowni wodnej na dobę następną
Possibilities to increase production market value through a day ahead hydro power plant schedules optimization
Autorzy:: Pakulski, Tomasz
Powiązania:: https://bibliotekanauki.pl/articles/267020.pdf
Data publikacji:: 2019
Wydawca:: Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
Tematy:: prognozowanie cen energii
sztuczne sieci neuronowe
elektrownia wodna
zwiększenie wartości rynkowej produkcji
energy prices forecasting
artificial neural network
hydropower plant
market value production increase
Opis:: Opracowanie ma na celu przedstawienie możliwości zwiększenia wartości rynkowej produkcji elektrowni wodnych (EW) poprzez cenową optymalizację harmonogramów ich pracy na dobę następną. W referacie przedstawiono koncepcję prognozowania cen energii na Towarowej Giełdzie Energii (TGE) na podstawie określonych w Krajowym Systemie Elektroenergetycznym (KSE) warunków popytowo - podażowych. Zaprezentowano wyniki testowania oraz walidacji modeli prognostycznych, wykorzystujących metody sztucznej inteligencji, pod kątem poprawności prognozowania oraz odwzorowania dobowych profili cenowych. Wykazano, że poprzez zmianę dobowego harmonogramowania pracy EW istnieje możliwość zwiększenia wartości rynkowej produkcji EW w okresie średniorocznym o ok. 5-7 % w stosunku do wariantu aktualnego.
The study aims at presenting the possibilities of hydropower plants (HPPs) market value production increase through a day ahead pricing schedule optimization. The change of HPPs planning system in Poland results from the new provisions introduced in national legislation, in particular from the validity of the renewable energy sources act. The approach presented in this paper is based on the change of current HPPs schedules by using energy price forecasts. The paper presents the concept of energy price forecasting at the Polish Power Exchange (PPE) based on the demand and supply conditions defined in the National Power System. The results of testing and validation forecast models using artificial intelligence methods were presented. The research was carried out to check correctness of forecasting systems and the mapping of daily price profiles in various conditions. It has been shown that it is possible to increase the HPPs production market value by changing the daily HPPs operation schedule by about 5-7% compared to the present case. The risk factors that may contribute to the reduction of the expected income were indicated. Potential areas for further growth in the production market value were presented.
Źródło:: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2019, 63; 81-84
1425-5766
2353-1290
Pojawia się w:: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 14.

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, ELM_W, ELM_B), was assessed, and compared to that of equivalent traditional artificial neural network-based models (i.e., ANN, ANN_W, ANN_B). 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 ELM_B and ANN_B models provided satisfactory 1-day lead-time forecasts of similar accuracy, the ANN_W and ELM_W models provided greater accuracy, with the ELM_W model outperforming the ANN_W model. Significant improvement in peak urban water demand prediction was only achieved with the ELM_W model. The superiority of the ELM_W model over both the ANN_W or ANN_B 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, ELM_W, ELM_B) do przewidywania dobowego zapotrzebowania na wodę w mieście. Wyniki porównano z uzyskanymi tradycyjnymi metodami bazującymi na sztucznych sieciach neuronowych (tzn. ANN, ANN_W, ANN_B). 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 ELM_B i ANN_B zapewniały satysfakcjonujące prognozy jednodniowe o podobnej dokładności, natomiast wyniki uzyskane z zastosowaniem modeli ELM_W i ANN_W były bardziej dokładne, przy czym model ELM_W okazał się lepszy niż ANN_W. Istotną poprawę prognozowania szczytowego zapotrzebowania na wodę w mieście uzyskano jedynie z zastosowaniem modelu ELM_W. Wyższość modelu ELM_W nad modelami ANN_W czy ANN_B 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

Zmień widok

na półce

Skocz do pozycji: 15.

Tytuł:: Problems of forecasting the length of the assembly cycle of complex products realized in the MTO (make-to-order) model
Problematyka prognozowania długości cyklu montażu wyrobów złożonych realizowanych w modelu MTO (make-to-order)
Autorzy:: Brzozowska, Jolanta
Gola, Arkadiusz
Kulisz, Monika
Powiązania:: https://bibliotekanauki.pl/articles/31232972.pdf
Data publikacji:: 2023
Wydawca:: Politechnika Rzeszowska im. Ignacego Łukasiewicza. Oficyna Wydawnicza
Tematy:: assembly cycle
machine assembly
forecasting
Make-to-Order
artificial neural networks
input signal
output signals
MatLab
cykl montażu
montaż maszyn
prognozowanie
produkcja na zamówienie
sztuczne sieci neuronowe
sygnały wejściowe
sygnał wyjściowy
Opis:: This article presents the problem of forecasting the length of machine assembly cycles in make-to-order production (Make-to-Order). The model of Make-to-Order production and the technological process of manufacturing the finished product are presented. The possibility of developing a novel method, using artificial intelligence solutions, to estimate machine assembly times based on historical company data on manufacturing times for structurally similar components, is described. It is assumed that the result of the developed method will be an intelligent system supporting efficient and accurate estimation of machine assembly time, ready for implementation in production conditions. Such data as part availability, human resource availability and novelty factor will be used as input data for learning the neural network, while the output variable during learning the neural network will be the actual machine assembly time.
W niniejszym artykule przedstawiono problem prognozowania długości cyklu montażu maszyn w produkcji na zamówienie (Make-to-Order). Przedstawiony został model produkcji na zamówienie oraz proces technologiczny wytwarzania wyrobu gotowego. Opisana została możliwość opracowania nowatorskiej metody, wykorzystującej rozwiązania z zakresu sztucznej inteligencji, umożliwiającej szacowanie czasu montażu maszyn w oparciu o dane historyczne przedsiębiorstw, dotyczące czasów wytwarzania podobnych konstrukcyjnie elementów. Zakłada się, iż rezultatem opracowanej metody będzie inteligentny system wspomagający skuteczne i dokładne szacowanie czasu montażu maszyn, gotowy do implementacji w warunkach produkcyjnych. Jako dane wejściowe do uczenia sieci neuronowej wykorzystane zostaną takie dane jak: dostępność części, dostępność zasobów ludzkich oraz czynnik nowości, zaś zmienną wyjściową podczas uczenia sieci neuronowej będzie rzeczywisty czas montażu maszyny.
Źródło:: Technologia i Automatyzacja Montażu; 2023, 3; 13-20
2450-8217
Pojawia się w:: Technologia i Automatyzacja Montażu
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "FORECASTING" wg kryterium: Temat

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język