Науковий вісник НГУ

Урахування фактору випадковості соціальних процесів при прогнозуванні попиту на електричну енергію

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №2 2022

Останнє оновлення: 17 серпня 2022

Опубліковано: 30 листопада -0001

Перегляди: 1863

Authors:

Д.В.Яценко, orcid.org/0000-0001-6702-569X, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В.А.Попов, orcid.org/0000-0003-3484-4597, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В.П.Розен, orcid.org/0000-0002-0440-4251, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

А.І.Замулко, orcid.org/0000-0001-8018-6332, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О.В.Аданіков, orcid.org/0000-0003-2773-244X,  IT-компанія «TapOk», м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2022, (2): 067 - 072

https://doi.org/10.33271/nvngu/2022-2/067

Abstract:

Мета. Урахування фактору випадковості соціальних процесів при прогнозуванні попиту на електричну енергію для зменшення похибки.

Методика. Апарат математичної статистики, методів лінійного програмування, теорії нечітких множин і методів експертного оцінювання, теорії шкал, Байєсовський підхід до моделей прогнозування, комп’ютерне моделювання.

Результати. Проаналізована динаміка споживання електричної енергії за різні періоди часу, встановлено вплив фактору пандемії на процес формування попиту на електричну енергію. Розроблена вербально-числова шкала для комплексного оцінювання впливу на попит на електричну енергію такого складного соціального явища, як пандемія. Сформована модель прогнозування попиту на електричну енергію з використанням Байєсовського підходу та оцінки експерта, що дозволила використати ретроспективні дані споживання електричної енергії та врахувати невизначеність соціального фактору впливу пандемії.

Наукова новизна. Набула подальшого розвитку модель прогнозування попиту на електричну енергію, яка, на відміну від інших, ураховує фактор випадковості соціальних процесів і вербально-числову шкалу, що дозволяє зменшити похибку прогнозування споживання електричної енергії.

Практична значимість. Результати дослідження корисні для підприємств, що спеціалізуються на генерації, передачі й розподілу електричної енергії споживачам. Представлені результати надають можливість зменшити похибку прогнозування попиту на електричну енергію при врахуванні фактору випадковості соціальних процесів.

Ключові слова: попит на електричну енергію, прогнозування, невизначеність, енергосистема, метод Байєсу, Covid-19, експертна оцінка

References.

1. Rychlitsky, V. (2020). Quarantine meters: how the coronavirus affected electricity consumption, 2020. Retrieved from https://www.epravda.com.ua/publications/2020/07/7/662632/.

2. Morva, G., & Diahovchenko, I. (2020). Effects of COVID-19 on the electricity sectors of Ukraine and Hungary: challenges of energy demand and renewables integration. 2020 IEEE 3 ^rd International Conference and Workshop in Óbuda on Electrical and Power Engineering (CANDO-EPE), 41-46. https://doi.org/10.1109/CANDO-PE51100.2020.9337785.

3. Czosnyka, M., Wnukowska, B., & Karbowa, K. (2020). Electrical energy consumption and the energy market in Poland during the COVID-19 pandemic. Progress in Applied Electrical Engineering (PAEE). 1-5. https://doi.org/10.1109/PAEE50669.2020.9158771.

4. Agdas, D., & Barooah, P. (2020). Impact of the COVID-19 Pandemic on the U.S. Electricity Demand and Supply: An Early View From Data. IEEE Access, 8, 151523-151534. https://doi.org/10.1109/ACCESS.2020.3016912.

5. Carere, F., Bragatto, T., & Santori, F. (2020). A Distribution Network during the 2020 COVID-19 Pandemic. AEIT International Annual Conference (AEIT), 1-6. https://doi.org/10.23919/AEIT50178.2020.9241191.

6. Carmon, D., Navon, A., Machlev, R., Belikov, J., & Levron, Y. (2020). Readiness of Small Energy Markets and Electric Power Grids to Global Health Crises: Lessons From the COVID-19 Pandemic. IEEE Access, 8, 127234-127243. https://doi.org/10.1109/ACCESS.2020.3008929.

7. Agdas, D., & Barooah, P. (2020). Impact of the COVID-19 pandemic on the U.S. electricity demand and supply: An early view from data. IEEE Access, 8, 151523-151534. https://doi.org/10.1109/ACCESS.2020.3016912.

8. Baker, S., Bloom, N., Davis, S., & Terry, S. (2020). COVID-induced economic uncertainty. NBER Working Paper, (26983), 1-16. https://doi.org/10.3386/w26983.

9. Narajewski, M., & Ziel, F. (2020). Changes in Electricity Demand Pattern in Europe Due to COVID-19 Shutdowns. IAEE Energy Forum/Covid-19, arXiv 2020, 44-47. https://doi.org/arXiv:2004.14864v2.

10. Werth, A., Gravino, P., & Prevedello, G. (2020). Impact analysis of COVID-19 responses on energy grid dynamics in Europe. Applied Energy, 281, 116045. https://doi.org/10.1016/j.apenergy.2020.116045.

11. Rahman, M. A., & Sarker, B. R. (2012). A Bayesian approach to forecast intermittent demand for seasonal products. International Journal of Industrial and Systems Engineering, 11(1), 137-153. https://doi.org/10.1504/IJISE.2012.046660.

12. de Barros, M. V., Possamai, O., Veriano Oliveira Dalla Valentina, L., & de Oliveira, M. A. (2015). Analysis of time to market complexity: A case study of application of Bayesian networks as a forecasting tool. International Conference on Industrial Engineering and Systems Management (IESM), 1197-1204. https://doi.org/10.1109/IESM.2015.7380305.

13. Vu, D. (2015). A combination model based on a neural network autoregression and Bayesian network to forecast for avoiding brown plant hopper. International Conference on Advanced Technologies for Communications (ATC), 220-225. https://doi.org/10.1109/ATC.2015.738832314.

14. Rozen, V. P., Chermalyh, A. V., & Bychkovskij, A. S. (2015). Forecasting mean monthly wind speed using Bayesian forecasting approach. Electrotechnic and computer systems, (27), 151-156.

• < Попередня
• Наступна >