- Tytuł:
-
Using the LSTM network to forecast the demand for hard coal
Wykorzystanie sieci LSTM do prognozowania zapotrzebowania na węgiel kamienny - Autorzy:
- Manowska, Anna
- Powiązania:
- https://bibliotekanauki.pl/articles/1849658.pdf
- Data publikacji:
- 2020
- Wydawca:
- Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
- Tematy:
-
time series
principal components analysis
hard coal sales
LSTM artificial neural networks
szeregi czasowe
analiza składowych głównych
sztuczne sieci neuronowe LSTM
sprzedaż węgla kamiennego - Opis:
-
Securing the certainty of supplies of the necessary minimum energy in each country is a basic condition for the energy security of the state and its citizens. The concept of energy security combines several aspects at the same time, as it can be considered in terms of the availability of own energy resources, it concerns technical aspects related to technical infrastructure, as well as political aspects related to the management and diversification of energy supplies. Another aspect of the issue of energy security is the environmental perspective, which is now becoming a priority in the light of the adopted objectives of the European Union’s energy policy. The restrictive requirements for reducing greenhouse gas emissions and increasing the required level of renewable energy sources in the energy balance of the Member States is becoming a challenge for economies that use fossil fuels to a large extent in the raw material structure, including Poland. Poland is the largest producer of hard coal in the European Union and hard coal is a strategic raw material as it satisfies about 50% of the country’s energy demand. In this context, the main goal of the article was to determine the future sale of hard coal by 2030 in relation to environmental regulations introduced in the energy sector. For this purpose, a mathematical model with a 95% confidence interval was developed using artificial LSTM neural networks, which belong to deep learning machine learning techniques, which reflects the key relationships between hard coal mining and the assumptions adopted in the National Energy and Climate Plan for the years 2021–2030 (NECP).
Zabezpieczenie pewności dostaw niezbędnego minimum energii w każdym kraju jest podstawowym warunkiem bezpieczeństwa energetycznego państwa i jego obywateli. Pojęcie bezpieczeństwa energetycznego łączy kilka aspektów jednocześnie, gdyż można je rozpatrywać na płaszczyźnie dostępności własnych surowców energetycznych; dotyczy aspektów technicznych związanych z infrastrukturą techniczną, a także aspektów politycznych, które związane są z zarządzaniem oraz dywersyfikacją dostaw surowców energetycznych. Kolejnym elementem zagadnienia bezpieczeństwa energetycznego jest perspektywa środowiskowa, która nabiera obecnie priorytetowej ważności w świetle przyjętych celów polityki energetycznej Unii Europejskiej. Restrykcyjne wymagania w zakresie redukcji poziomów emisji gazów cieplarnianych oraz wzrostu wymaganego poziomu odnawialnych źródeł energii w bilansie energetycznym krajów członkowskich stają się wyzwaniem dla gospodarek wykorzystujących w dużej mierze paliwa kopalne w strukturze surowcowej, do których należy również Polska. Polska jest największym producentem węgla kamiennego w Unii Europejskiej i jest to surowiec strategiczny, gdyż zaspokaja około 50% zapotrzebowania energetycznego kraju. W tym kontekście głównym celem artykułu było określenie przyszłej sprzedaży węgla kamiennego w perspektywie do 2030 roku, w odniesieniu do regulacji środowiskowych wprowadzanych w energetyce. W tym celu opracowano model matematyczny z 95-procentowym przedziałem ufności z wykorzystaniem sztucznych sieci neuronowych LSTM, które należą do technik uczenia maszynowego – deep learning, który odzwierciedla kluczowe relacje między górnictwem węgla kamiennego a przyjętymi założeniami w Krajowym planie na rzecz energii i klimatu na lata 2021–2030 (KPEiK). - Źródło:
-
Gospodarka Surowcami Mineralnymi; 2020, 36, 4; 33-48
0860-0953 - Pojawia się w:
- Gospodarka Surowcami Mineralnymi
- Dostawca treści:
- Biblioteka Nauki
Artykuł