PL EN
 
1/2023 vol. 16
Statystyki
CC-BY 4.0
Pobierz cytowanie
ARTYKUŁ PRZEGLĄDOWY
ANALIZA PORÓWNAWCZA METOD PROGNOZOWANIA GODZINNEGO ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ PRZY BRAKACH W DANYCH – STUDIUM PRZYPADKU
 
 
 
Więcej
Ukryj
1
Wydział Ekonomiczny, Katedra Zastosowań Matematyki w Ekonomii (profesor emerytowany), Zachodniopomorskiego Uniwersytetu Technologicznego w Szczecinie, Polska
AUTOR DO KORESPONDENCJI
Jan Zawadzki   

Wydział Ekonomiczny, Katedra Zastosowań Matematyki w Ekonomii (profesor emerytowany), Zachodniopomorskiego Uniwersytetu Technologicznego w Szczecinie, Janickiego 31, 71-270, Szczecin, Polska
Data nadesłania: 24-11-2022
Data ostatniej rewizji: 24-01-2023
Data akceptacji: 25-01-2023
Data publikacji online: 29-03-2023
Data publikacji: 29-03-2023
 
Economic and Regional Studies 2023;16(1):34–50
DOI: https://doi.org/10.2478/ers-2023-0003
 
 
Artykuł (PDF)
Referencje (19)
 
SŁOWA KLUCZOWE
prognozowanie
brakujące dane
szeregi czasowe
wysoka częstotliwość
 
KODY KLASYFIKACJI JEL
C22
 
DZIEDZINY
Metody badawcze/metody statystyczne
 
STRESZCZENIE
Przedmiot i cel pracy: Celem artykułu było zbadanie wpływu: liczby luk w danych, postaci analitycznej, kryterium wyboru rodzaju modelu na dokładność prognoz interpolacyjnych i ekstrapolacyjnych dla danych godzinnych. Materiały i metody: Do budowy prognoz wykorzystano predyktory oparte na: klasycznych i regresyjnych modelach szeregu czasowego, modelach hybrydowych szeregu czasowego i hybrydowych modelach regresyjnych dla szeregów nieoczyszczonych oraz modelach wyrównywania wykładniczego dla szeregów oczyszczonych z dwóch albo trzech rodzajów wahań sezonowych, charakteryzujących się minimalnymi ocenami błędów prognoz interpolacyjnych lub ekstrapolacyjnych. Wyniki: Najkorzystniejsze własności predyktywne posiadają modele adaptacyjne i hybrydowe modele regresyjne. Większość modeli hybrydowych szeregu czasowego dla luk systematycznych i niesystematycznych oraz obu postaci analitycznych, są to modele pojedyncze na ogół opisujące wahania o cyklu 24-godzinnym. Wnioski: Najniższe oceny błędów prognoz interpolacyjnych otrzymano dla modeli wyrównywania wykładniczego a następnie hybrydowych modeli regresyjnych. Natomiast dla prognoz ekstrapolacyjnych kolejność była odwrotna.
 
REFERENCJE (19)
1.
Dordonnat, V., Koopman, S.J., Ooms, M., Dessertaine, A. (2008). An Hourly Periodic State Space Model for Modeling French National Electricity Load. International Journal of Forecasting, 24: 588-587. DOI: https://doi.org/10.1016/j.ijfo....
CrossRef
 
Google Scholar
 
 
2.
Engle, R. F., Granger, C. W. J., Rice, J., Weiss, A. (1986). Semiparametric Estimates of the Relation between Weather and Electricity. Journal of the American Statistical Association, 81: 310-320.
Google Scholar
 
 
3.
Harvey, A.C., Koopman, S.J. (1993). Forecasting Hourly Electricity Demand Using Time-varying Splines. Journal of the American Statistical Association, 88: 1228-1237.
Google Scholar
 
 
4.
Kufel, T. (2010). Ekonometryczna analiza cykliczności procesów gospodarczych o wysokiej częstotliwości obserwacji. Toruń: Wydawnictwo Naukowe.
Google Scholar
 
 
5.
Lichota, A. (2006). Prognozowanie krótkoterminowe na lokalnym rynku energii elektrycznej [Rozprawa doktorska, Akademia Górniczo-Hutnicza w Krakowie]. Pobrane z: https://winntbg.bg.agh.edu.pl/... 9746/full.pdf (21.01.2023).
Google Scholar
 
 
6.
Misiorek, A., Weron, R. (2004). Modelowanie sezonowości a prognozowanie zapotrzebowania na energię elektryczną. Energetyka, 12: 794-799. Pobrane z: http://prac.im.pwr.wroc.pl/~hu..._ Energetyka_szczotka.pdf (21.01.2023).
Google Scholar
 
 
7.
Nowicka-Zagrajek, J., Weron, R. (2002). Modeling Electricity Loads in California: ARMA Models with Hyperbolic Noise. Signal Processing, 82: 1903-1915. DOI: https://doi.org/10.1016/S0165-....
CrossRef
 
Google Scholar
 
 
8.
Ramanathan, R., Engle, R., Granger, C. J. V., Vahid-Araghi, F., Brace, C. (1997). Short-run Forecast of Electricity Loads and Peaks. International Journal of Forecasting, 13: 161-174. DOI: https://doi.org/10.1016/ S0169-2070(97)00015-0.
Google Scholar
 
 
9.
Szmuksta–Zawadzka, M., Zawadzki, J. (2002). Hierarchiczne modele szeregów czasowych z wahaniami sezonowymi. Budowa. Estymacja. Prognozowanie. W: A. Zeliaś (red.), Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych (s. 193-204). Kraków: Wydawnictwo Akademii Ekonomicznej.
Google Scholar
 
 
10.
Szmuksta-Zawadzka, M., Zawadzki, J. (2011). Modelowanie i prognozowanie zapotrzebowania na energię elektryczną w mikroskali. Prace Naukowe UE we Wrocławiu, 165: 152-161.
Google Scholar
 
 
11.
Szmuksta-Zawadzka, M., Zawadzki, J. (2014). Modele hierarchiczne w prognozowaniu zmiennych o wysokiej częstotliwości obserwowania w warunkach braku pełnej informacji. Ekonometria, 46(4): 72-84. DOI: 10.15611/ekt.2014.4.07.
CrossRef
 
Google Scholar
 
 
12.
Szmuksta-Zawadzka, M., Zawadzki, J. (2015). Wykorzystanie danych oczyszczonych o wysokiej częstotliwości w prognozowaniu zmiennych ze złożoną sezonowością. Metody Ilościowe w Badaniach Ekonomicznych, 16(4): 147-159. Pobrane z: https://qme.sggw.edu.pl/articl... (17.09.2022).
Google Scholar
 
 
13.
Szmuksta-Zawadzka, M., Zawadzki, J. (2016). Prognozowanie na podstawie szeregów czasowych o wysokiej częstotliwości oczyszczonych z sezonowości dla luk niesystematycznych. Metody Ilościowe w Badaniach Ekonomicznych, 17(1): 121-136. Pobrane z: https://qme.sggw.edu.pl/articl... (17.09.2022).
Google Scholar
 
 
14.
Taylor, J.W, Menezes, L.M., McSharry, P. E. (2006). A comparison of univariate methods for forecasting electricity demand up to a day ahead. International Journal of Forecasting, 22: 1-16. DOI: https://doi.org/ 10.1016/j.ijforecast.2005.06.006.
Google Scholar
 
 
15.
Taylor, J.W. (2010). Triple Seasonal Methods for Short-term Load Forecasting. European Journal of Operational Research, 204: 139-152. DOI: https://doi.org/10.1016/j.ejor....
CrossRef
 
Google Scholar
 
 
16.
Tomaszewski, M. (2005). Model przedsiębiorstwa dystrybucyjnego działającego na otwartym rynku energii elektrycznej [Rozprawa doktorska, Politechnika Opolska]. s. 122, Pobrane z: https://silo.tips/download/ politechnika-opolska-wydzia-elektrotechniki-i-automatyki (21.01.2023).
Google Scholar
 
 
17.
Witkowska, D., Górecka, A., Szadkowska, D., Szymczak, Z. (2000). The forecasting of the demand for electric energy: comparative analysis. Dynamic Econometric Models, 4: 45–59.
Google Scholar
 
 
18.
Zawadzki, J. (2018). Modele hybrydowe w prognozowaniu brakujących danych w szeregach o bardzo wysokiej częstotliwości obserwowania. Folia Pomeranae Universitatis Technologiae Stetinensis seria OECONOMICA, 346(92): 81–96.
Google Scholar
 
 
19.
Zawadzki, J. (2020). Prognozowanie brakujących danych w szeregach czasowych przy zastosowaniu modeli hybrydowych – podejście teoretyczne i empiryczne. Wiadomości Statystyczne. The Polish Statistician, 65(10): 24-48. Pobrane z: http://cejsh.icm.edu.pl/cejsh/...- 10_5604_01_3001_0014_4315/c/1-a7f95192-0b38-4cb9-b923 953a0d1507ef.pdf.pdf (17.09.2022).
Google Scholar
 
 
Udostępnij
Wyślij mailem
Indeksy
 
Indeks słów kluczowych
Indeks dziedzin
Indeks autorów
eISSN:2451-182X
ISSN:2083-3725
„Zwiększenie udziału zagranicznych recenzentów w czasopiśmie Economic and Regional Studies/ Studia Ekonomiczne i Regionalne - zadanie finansowane w ramach umowy Nr 583/P-DUN/2017 ze środków Ministra Nauki i Szkolnictwa Wyższego przeznaczonych na działalność upowszechniającą naukę”.

„Digitalizacja czasopisma Economic and Regional Studies/ Studia Ekonomiczne i Regionalne – zadanie finansowane w ramach umowy Nr 819/P-DUN/2018 ze środków Ministra Nauki i Szkolnictwa Wyższego przeznaczonych na działalność upowszechniającą naukę”.

© 2006-2023 Journal hosting platform by Bentus