Modelowanie niepewności krótkoterminowego popytu na energię elektryczną z wykorzystaniem sieci neuronowych i neuronowo-rozmytych

Modelowanie niepewności krótkoterminowego popytu na energię elektryczną z wykorzystaniem sieci neuronowych i neuronowo-rozmytych

1 opinia

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.


Liczba stron468
WydawcaWydawnictwo Uniwersytetu Łódzkiego
ISBN-13978-83-7525-926-1
Język publikacjipolski
Informacja o sprzedawcyePWN sp. z o.o.

INNE EBOOKI AUTORA

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
RozwińZwiń
W celu zapewnienia wysokiej jakości świadczonych przez nas usług, nasz portal internetowy wykorzystuje informacje przechowywane w przeglądarce internetowej w formie tzw. „cookies”. Poruszając się po naszej stronie internetowej wyrażasz zgodę na wykorzystywanie przez nas „cookies”. Informacje o przechowywaniu „cookies”, warunkach ich przechowywania i uzyskiwania dostępu do nich znajdują się w Regulaminie.

Nie pokazuj więcej tego powiadomienia