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
 
 
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
 
 
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
 
 
Economic and Regional Studies 2023;16(1):34-50
 
SŁOWA KLUCZOWE
KODY KLASYFIKACJI JEL
C22
 
DZIEDZINY
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....
 
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.
 
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.
 
4.
Kufel, T. (2010). Ekonometryczna analiza cykliczności procesów gospodarczych o wysokiej częstotliwości obserwacji. Toruń: Wydawnictwo Naukowe.
 
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).
 
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).
 
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-....
 
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.
 
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.
 
10.
Szmuksta-Zawadzka, M., Zawadzki, J. (2011). Modelowanie i prognozowanie zapotrzebowania na energię elektryczną w mikroskali. Prace Naukowe UE we Wrocławiu, 165: 152-161.
 
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.
 
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).
 
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).
 
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.
 
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....
 
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).
 
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.
 
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.
 
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).
 
eISSN:2451-182X
ISSN:2083-3725
Journals System - logo
Scroll to top