INNE EBOOKI AUTORA
Koszyk
Modelowanie niepewności krótkoterminowego popytu na energię elektryczną z wykorzystaniem sieci neuronowych i neuronowo-rozmytych
Autor:
Wydawca:
Format:
ibuk
Cechy charakterystyczne energii elektrycznej jako towaru, takie jak brak praktycznych możliwości jej magazynowania na poważniejszą skalę, konieczność nieustannego równoważenia wytwarzania i odbioru energii, powodują, że niepewność popytowa stanowi jeden z ważnych czynników wpływających na powstawanie ryzyka działania przedsiębiorstwa energetycznego. Dążenie do redukcji tej niepewności jest jednym z głównych powodów usilnego poszukiwania jak najdokładniejszych metod krótkoterminowego prognozowania zapotrzebowania na energię elektryczną. Najlepsza nawet prognoza stanowi jednak jedynie oszacowanie, obarczone niepewnością. Kwestia modelowania tej niepewności, określenia rozkładu prawdopodobieństwa prognozy dla konkretnego przypadku, jest często zaniedbywana, a przecież stanowi ona podstawowy element oszacowania ryzyka działań i decyzji opierających się na sporządzonej prognozie.
W prezentowanej pracy Autor analizuje metody szacowania niepewności dla licznych modeli neuronowych i neuronowo-rozmytych, badając ich przydatność w wielu zadaniach krótkoterminowej prognozy zapotrzebowania na energię. Przedyskutowana została również problematyka wykorzystania uzyskanych oszacowań rozkładów prawdopodobieństwa prognozy w odniesieniu do podstawowych typów problemów decyzyjnych występujących w handlu energią elektryczną.
| Rok wydania | 2013 |
|---|---|
| Liczba stron | 468 |
| Kategoria | Publikacje darmowe |
| Wydawca | Wydawnictwo Uniwersytetu Łódzkiego |
| ISBN-13 | 978-83-7525-926-1 |
| Język publikacji | polski |
| Informacja o sprzedawcy | ePWN sp. z o.o. |
POLECAMY
Ciekawe propozycje
Spis treści
| Wstęp | 9 |
| Rozdział 1. Rynek energii elektrycznej | 17 |
| 1.1. Ogólna charakterystyka procesu handlu energią elektryczną | 17 |
| 1.1.1. Energia – przeszłość, teraźniejszość i przyszłość | 17 |
| 1.1.2. Cechy charakterystyczne energii elektrycznej jako towaru | 19 |
| 1.1.3. Uwarunkowania strukturalne elektroenergetyki | 30 |
| 1.2. Mechanizmy ustalania równowagi popytowo-cenowej na chwilowym rynku energii elektrycznej | 40 |
| 1.2.1. Struktura konkurencyjnego rynku energii elektrycznej | 40 |
| 1.2.2. Kontrakty dwustronne | 51 |
| 1.2.3. Giełda energii | 65 |
| 1.2.3.1. Ogólna charakterystyka | 65 |
| 1.2.3.2. Struktura rynku giełdowego – Towarowa Giełda Energii SA w Warszawie | 66 |
| 1.2.3.3. Rynek dnia następnego (RDN) TGE SA | 70 |
| 1.2.3.4. Rynek dnia bieżącego (RDB) TGE SA | 82 |
| 1.2.3.5. Platforma POEE – rynek energii Giełdy Papierów Wartościowych | 84 |
| 1.2.4. Rynek bilansujący | 87 |
| 1.2.4.1. Funkcje i struktura polskiego rynku bilansującego | 87 |
| 1.2.4.2. Określanie pozycji kontraktowych na rynku bilansującym | 97 |
| 1.2.4.3. Zgłoszenia ofert bilansujących | 102 |
| 1.2.4.4. Ustalanie równowagi rynku i rozliczenia | 107 |
| 1.3. Podsumowanie | 112 |
| Rozdział 2. Metody neuronowe i neuronowo-rozmyte w prognozowaniu krótkoterminowego zapotrzebowania na energię elektryczną | 115 |
| 2.1. Modelowanie procesu zapotrzebowania na energię | 116 |
| 2.1.1. Proces modelowania | 116 |
| 2.1.2. Charakterystyka procesu zapotrzebowania na energię | 118 |
| 2.2. Prognozowanie zapotrzebowania na energię z wykorzystaniem modeli neuronowych. | 122 |
| 2.2.1. Sztuczne sieci neuronowe | 122 |
| 2.2.2. Warstwowe sieci perceptronowe | 124 |
| 2.2.3. Prognozowanie dobowego zapotrzebowania na energię z wyprzedzeniem jednodniowym przy wykorzystaniu sieci MLP | 127 |
| 2.2.4. Prognozowanie godzinnego zapotrzebowania na energię z dwudniowym wyprzedzeniem czasowym | 132 |
| 2.2.5. Modelowanie dni nietypowych z wykorzystaniem podejścia neuronowo-heurystycznego | 135 |
| 2.2.6. Prognozy adaptacyjne z wykorzystaniem hybrydowego modelu opartego na sieci MLP i sieci Kohonena | 140 |
| 2.2.7. Prognozy zapotrzebowania na energię z wykorzystaniem lokalnych modeli MLP | 144 |
| 2.3. Prognozowanie zapotrzebowania na energię z wykorzystaniem modeli neuronowo-rozmytych | 146 |
| 2.3.1. Lingwistyczne systemy z logiką rozmytą (MISO) | 146 |
| 2.3.2. Prognozowanie zapotrzebowania na energię z wykorzystaniem sieci neuronowo-rozmytych typu FBF | 149 |
| 2.3.3. Systemy z logiką rozmytą typu Takagi–Sugeno | 155 |
| 2.3.4. Prognozowanie zapotrzebowania na energię z wykorzystaniem systemów Takagi–Sugeno z liniowymi następnikami reguł | 157 |
| 2.3.5. Prognozowanie zapotrzebowania na energię z wykorzystaniem systemów Takagi–Sugeno z nieliniowymi następnikami reguł | 163 |
| 2.4. Podsumowanie | 168 |
| Rozdział 3. Modelowanie niepewności neuronowych i neuronowo-rozmytych prognoz zapotrzebowania na energię | 171 |
| 3.1. Błąd kwadratowy i interpretacja modelu prognostycznego | 172 |
| 3.1.1. Wyjście nieliniowego modelu prognostycznego | 172 |
| 3.1.2. Źródła niepewności modeli neuronowych i neuronowo-rozmytych | 177 |
| 3.1.3. Wymienność między obciążeniem i wariancją | 182 |
| 3.2. Charakterystyka rozkładu prognozy | 186 |
| 3.2.1. Warunkowy rozkład prawdopodobieństwa prognozowanego zjawiska | 186 |
| 3.2.2. Przedziały prognozy | 188 |
| 3.2.3. Nieparametryczne i parametryczne podejście do oszacowania rozkładu prognozy | 190 |
| 3.2.4. Określanie rozkładu warunkowego prognozy dla modeli regresji liniowej | 197 |
| 3.3. Wyznaczanie wariancji prognozy wynikającej z niepewności parametrów modelu neuronowego (neuronowo-rozmytego) | 211 |
| 3.3.1. Podejścia do szacowania wariancji wyjściowej modelu z parametrów w przypadku nieliniowym | 211 |
| 3.3.2. Metoda delta | 213 |
| 3.3.3. Oszacowanie kanapkowe | 232 |
| 3.3.4. Oszacowanie wariancji prognozy z wykorzystaniem bootstrapu | 236 |
| 3.4. Modelowanie wariancji prognozy wynikającej z błędu losowego | 247 |
| 3.4.1. Błąd losowy i błąd prognozy | 247 |
| 3.4.2. Czynnik losowy o stałym odchyleniu standardowym | 249 |
| 3.4.3. Czynnik losowy o zmiennym odchyleniu standardowym | 257 |
| 3.5. Modelowanie niepewności wejść | 261 |
| 3.5.1. Prognozowanie w warunkach szumu wejściowego | 261 |
| 3.5.2. Oszacowania oparte na lokalnej linearyzacji modelu | 268 |
| 3.5.3. Wyznaczanie prognozy w warunkach niepewności wejść przy użyciu metod opartych na próbkowaniu Monte Carlo | 274 |
| 3.5.4. Aproksymacja gęstości prawdopodobieństwa niepewności wejść modelu | 285 |
| 3.5.5. Uproszczone rozwiązania dla przypadków szczególnych | 291 |
| 3.6. Podsumowanie | 294 |
| Rozdział 4. Prognozy zapotrzebowania na energię i ryzyko decyzji | 297 |
| 4.1. Ogólna charakterystyka procesu podejmowania decyzji | 298 |
| 4.2. Prognozy i decyzje | 302 |
| 4.2.1. Prognozy zapotrzebowania na energię jako dyskretne zmienne losowe | 303 |
| 4.2.2. Prognozy zapotrzebowania na energię jako ciągłe zmienne losowe | 325 |
| 4.3. Planowanie optymalnej wielkości zakupu w warunkach nierównowagi kosztów nadmiaru i niedoboru energii | 337 |
| 4.3.1. Optymalizacja wielkości zakupu przy ograniczonej trwałości towaru w warunkach ryzyka popytowego – klasyczny problem gazeciarza | 337 |
| 4.3.2. Optymalna wielkość zakupu energii elektrycznej na rynku w warunkach ryzyka popytowego | 350 |
| 4.3.3. Optymalna alokacja zakupionej energii na większą liczbę niepewnych popytów | 364 |
| 4.4. Podsumowanie | 389 |
| Zakończenie | 391 |
| Załącznik 1. Ważniejsze gradienty i hesjany związane z warstwową siecią perceptronową MLP | 395 |
| Z1.1. Wyznaczanie gradientu błędu sieci MLP względem wag dla danego wzorca treningowego | 395 |
| Z1.2. Wyznaczanie hesjanu błędu sieci MLP względem wag | 399 |
| Z1.3. Wyznaczanie pochodnych wyjścia sieci MLP względem wag, dla danego wejścia | 409 |
| Z1.4. Wyznaczanie pochodnych wyjścia sieci MLP względem zmiennych wejściowych | 411 |
| Załącznik 2. Ważniejsze gradienty i hesjany związane z siecią neuronowo-rozmytą FBF | 414 |
| Z2.1. Wyznaczanie gradientu błędu sieci FBF względem wag, dla danego wzorca treningowego | 414 |
| Z2.2. Wyznaczanie hesjanu błędu kwadratowego sieci FBF względem wag | 419 |
| Z2.3. Wyznaczanie gradientu wyjścia sieci FBF względem wag, dla danego wejścia | 431 |
| Z2.4. Wyznaczanie pochodnych wyjścia sieci FBF względem zmiennych wejściowych | 433 |
| Załącznik 3. Ważniejsze gradienty i hesjany związane z siecią neuronowo-rozmytą typu Takagi–Sugeno z liniowymi następnikami reguł | 436 |
| Z3.1. Wyznaczanie gradientu w przestrzeni wag dla błędu sieci neuronowo-rozmytej typu Takagi–Sugeno, przy danym wzorcu treningowym | 436 |
| Z3.2. Wyznaczanie hesjanu błędu kwadratowego sieci neuronowo-rozmytej typu Takagi–Sugeno względem wag | 440 |
| Z3.3. Wyznaczanie gradientu wyjścia sieci neuronowo-rozmytej typu Takagi–Sugeno, dla danego wejścia | 450 |
| Z3.4. Wyznaczanie pochodnych wyjścia sieci neuronowo-rozmytej typu Takagi–Sugeno względem zmiennych wejściowych | 451 |
| Literatura | 455 |
| Spis rysunków i tabel | 463 |
| Od Redakcji | 467 |
Wypożyczaj w abonamencie!
Już od 2,66 zł za ebooka
