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 "gas demand forecasting" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Analysis of the methods for gas demand forecasting
    Autorzy:
    Apostol, R.
    Łaciak, M.
    Oliinyk, A.
    Szurlej, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/298637.pdf
    Data publikacji:
    2017
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    natural gas
    gas consumption
    gas demand forecasting
    Opis:
    Natural gas is a very important and strategic resource. In the structure of the world’s primary energy, its share is currently approx. 25 and according to the forecasts it will continue to grow. In addition, the transition the large cities to gas as the main energy resource is an effective solution for reducing harmful emissions and improving air quality. The trend of increasing consumption of natural gas causes the complex technical issues, especially the need of accurate forecasting the gas demand, design the new distribution networks and modernization of the existing systems of gas supply. This article presents a review of existing methods for gas demand forecasting based on the gas engineering literature analysis and the approach for the forecasting of gas consumption based on the analysis of the gas consumption diagrams of gas station.
    Źródło:
    AGH Drilling, Oil, Gas; 2017, 34, 2; 429-438
    2299-4157
    2300-7052
    Pojawia się w:
    AGH Drilling, Oil, Gas
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prognozowanie zapotrzebowania na gaz metodami sztucznej inteligencji
    Forecasting gas demand using artificial intelligence methods
    Autorzy:
    Paliński, Andrzej
    Powiązania:
    https://bibliotekanauki.pl/articles/1834986.pdf
    Data publikacji:
    2019
    Wydawca:
    Instytut Nafty i Gazu - Państwowy Instytut Badawczy
    Tematy:
    prognozowanie
    sztuczna inteligencja
    zapotrzebowanie
    gaz ziemny
    forecasting
    artificial intelligence
    demand
    natural gas
    Opis:
    W artykule zaprezentowano współczesne tendencje dotyczące metod sztucznej inteligencji i uczenia maszynowego, do których zalicza się między innymi sztuczne sieci neuronowe, drzewa decyzyjne, systemy oparte na logice rozmytej i inne. Metody inteligencji obliczeniowej stanowią część obszaru badań nad sztuczną inteligencją. Wybrane metody inteligencji obliczeniowej zostały wykorzystane do budowy średnioterminowych miesięcznych prognoz zapotrzebowania na gaz dla Polski. Porównana została trafność prognoz uzyskanych za pomocą sztucznej sieci neuronowej i drzewa decyzyjnego z klasyczną regresją liniową z wykorzystaniem danych historycznych z okresu dziesięciu lat. Jako zmienne objaśniające zastosowano: zużycie gazu w innych krajach UE, średnią miesięczną temperaturę, produkcję prze- mysłową, wynagrodzenie w gospodarce i cenę gazu. Prognozowanie przeprowadzono w pięciu etapach różniących się doborem próby uczącej i testowej, zastosowaniem wstępnego przygotowania danych oraz eliminacją niektórych zmiennych. W przypadku danych nieprzygotowanych i losowego zbioru uczącego najwyższą trafność osiągnęła regresja liniowa. W przypadku danych uzupełnionych i losowego zbioru uczącego najwyższą trafność uzyskano za pomocą drzewa decyzyjnego. Prognoza zbudowana na podstawie pierwszych ośmiu lat i testowana na dwóch ostatnich została najtrafniej utworzona za pomocą regresji, ale tylko nieznacznie lepiej niż przy wykorzystaniu drzewa decyzyjnego lub sieci neuronowej, niezależnie od normalizacji danych i eliminacji współliniowych zmiennych. Metody uczenia maszynowego wykazały się dobrą trafnością prognoz miesięcznego zużycia gazu, niemniej jednak nieznacznie ustąpiły klasycznej regresji liniowej ze względu na zbyt wąski zbiór zmiennych objaśniających. Metody uczenia maszynowego będą mogły wykazać się wyższą skutecznością wraz ze wzrostem liczby danych oraz rozszerzeniem zbioru potencjalnych zmiennych objaśniających. W morzu danych metody uczenia maszynowego są w stanie skuteczniej tworzyć modele prognostyczne bez konieczności żmudnej ingerencji analityka w przygotowanie danych i wieloetapową analizę. Pozwolą także na dowolnie częstą aktualizację postaci modeli prognostycznych, nawet po każdym uzupełnieniu zbioru danych.
    The paper presents contemporary trends in artificial intelligence and machine learning methods, which include, among others, artificial neural networks, decision trees, fuzzy logic systems and others. Computational intelligence methods are part of the field of research on artificial intelligence. Selected methods of computational intelligence were used to build medium-term monthly forecasts of natural gas demand for Poland. The accuracy of forecasts obtained using the artificial neural network and the decision tree with classical linear regression was compared based on historical data from a ten-year period. The explanatory variables were: gas consumption in other EU countries, average monthly temperature, industrial production, wages in the economy and the price of natural gas. Forecasting was carried out in five stages differing in the selection of the learning and testing sample, the use of data preprocessing and the elimination of some variables. For raw data and a random training set, the highest accuracy was achieved by linear regression. For the preprocessed data and the random learning set, the decision tree was the most accurate. The forecast obtained on the basis of the first eight years and tested on the last two was most accurately created by regression, but only slightly better than with the decision tree or neural network, regardless of data normalization and elimination of collinear variables. Machine learning methods showed good accuracy of monthly gas consumption forecasts, but nevertheless slightly gave way to classical linear regression, due to too narrow set of explanatory variables. Machine learning methods will be able to show higher effectiveness as the number of data increases and the set of potential explanatory variables is expanded. In the sea of data, machine learning methods are able to create prognostic models more effectively, without the analyst’s laborious involvement in data preparation and multi-stage analysis. They will also allow for the frequent updating of the form of prognostic models even after each addition of new data into the database.
    Źródło:
    Nafta-Gaz; 2019, 75, 2; 111-117
    0867-8871
    Pojawia się w:
    Nafta-Gaz
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      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