6
dr in¿. Krzysztof NÊCKA, prof. dr hab. in¿. Ma³gorzata TROJANOWSKA
Uniwersytet Rolniczy w Krakowie, Katedra Energetyki i Automatyzacji Procesów Rolniczych e-mail: malgorzata.trojanowska@ur.krakow.pl
Streszczenie
W pracy przeanalizowano modele regresji wielorakiej, standardowe i neuronowe, pod k¹tem ich przydatnoœci do lokalnego prognozowania zapotrzebowania na gaz ziemny w d³ugim horyzoncie czasowym. Stwierdzono, ¿e prognozy zadowalaj¹cej jakoœci zapewniaj¹ modele oparte na jednokierunkowych sieciach wielowarstwowych, o czterech neuronach w warstwie wejœciowej i liczbie neuronów w warstwach ukrytych zwi¹zanej ze stopniem zgazyfikowania gmin.
: zu¿ycie gazu ziemnego, prognozy d³ugookresowe, sztuczne sieci neuronowe
S³owa kluczowe
PROGNOZOWANIE ZAPOTRZEBOWANIA NA GAZ
ZIEMNY W GMINACH WIEJSKICH DLA POTRZEB
PLANOWANIA ENERGETYCZNEGO
TECHNIKA ROLNICZA OGRODNICZA LEŒNA 5/2015 Wprowadzenie
Cel, metoda i wyniki badañ
Istniej¹cy w Polsce system planowania energetycznego zosta³ stworzony po to, by zapewniæ bezpieczeñstwo energe-tyczne i to w sposób mo¿liwie ma³o szkodliwy dla œrodowiska naturalnego. Preferowane s¹ zatem tzw. zrównowa¿one Ÿród³a energii, do których w pierwszej kolejnoœci zalicza siê Ÿród³a odnawialne. Jednak ze wzglêdu na trudnoœci z masowym pozyskiwaniem energii ze Ÿróde³ odnawialnych konieczne jest czasowe uznanie za zrównowa¿one nawet systemów opartych na tradycyjnych paliwach kopalnych. I tak, w Unii Europejskiej do strategii budowania zrównowa¿onych systemów energii zosta³ w³¹czony gaz ziemny. W szczególnoœci proponuje siê wzrost jego udzia³u kosztem innych, bardziej szkodliwych dla œrodowiska, paliw kopalnych.
W Polsce za lokalne zaopatrzenie w gaz ziemny odpo-wiedzialne s¹ gminy i przedsiêbiorstwa gazownicze. Zape-wnienie niezawodnych dostaw gazu o odpowiedniej jakoœci wymaga m. in. planowania rozwoju infrastruktury gazo-wniczej, popartej prognozami zapotrzebowania na gaz w d³u-gim horyzoncie czasowym. Na wielkoœæ zapotrzebowania na gaz wp³ywa bardzo wiele czynników, st¹d jego d³ugookresowa predykcja, zw³aszcza na szczeblu lokalnym, jest zadaniem trudnym [1-5, 8].
Metod¹ dogodn¹ do predykcji rocznego zapotrzebowania na gaz ziemny w d³ugim horyzoncie czasowym jest metoda regresji wielorakiej [6, 7]. Funkcja regresji mo¿e byæ zadana albo wzorem matematycznym, albo algorytmem. W pracy sprawdzono przydatnoœæ do budowy lokalnych prognoz rocznego zapotrzebowania na gaz ziemny zarówno standar-dowych modeli regresji liniowej, jak i algorytmów w postaci sieci neuronowych.
Obliczenia i analizy przeprowadzono na przyk³adzie 90 gmin wiejskich województwa ma³opolskiego i dotyczy³y one ostatnich 10 lat. Dane wykorzystane w pracy s¹ dostêpne w opracowaniu GUS (Bank Danych Lokalnych). Zbiór ucz¹cy stanowi³o 75% badanych gmin, wybranych losowo, natomiast pozosta³a czêœæ utworzy³a zbiór testowy.
Oceny jakoœci zastosowanych metod dokonano w oparciu o wartoœci œrednich absolutnych procentowych b³êdów ( ) prognoz ex post, uznaj¹c prognozy za trafne, gdy b³êdy dla zbioru testowego nie przekracza³y 10% [9].
Budowê modeli przeprowadzono w przestrzeni roboczej
, przy u¿yciu metod .
MAPE MAPE
STATISTICA Data Miner data mining
Opracowanie modeli zosta³o poprzedzone analiz¹ korelacji dla potrzeb ustalenia czynników maj¹cych najwiêkszy wp³yw na wielkoœæ rocznego zu¿ycia gazu ziemnego w gminach wiejskich. W celu poprawy jakoœci predykcji gminy ³¹czono te¿ w skupienia metod¹ w zale¿noœci od wartoœci po-szczególnych zmiennych egzogenicznych. Do budowy modelu neuronowego wykorzystano perceptron wielowarstwowy , zmieniaj¹c podczas obliczeñ liczbê neuronów wejœciowych oraz liczbê neuronów w warstwach ukrytych.
Obliczenia wykaza³y, ¿e wszystkie budowane w pracy standardowe modele regresji wielorakiej generowa³y bardzo du¿e, nawet kilkudziesiêcioprocentowe, b³êdy. Prognozy lepszej jakoœci, aczkolwiek w wiêkszoœci niezadowalaj¹ce, dawa³o wykorzystanie sieci neuronowych.
Prognozy rocznego zapotrzebowania na gaz ziemny spe³-niaj¹ce wymagania odnoœnie trafnoœci uzyskano buduj¹c modele oparte na sieciach o ró¿nej liczbie neuronów w warstwach ukrytych zwi¹zanej ze stopniem zgazyfikowania gmin ( ), wyznaczanego jako stosunek liczby gospodarst w korzystaj¹cych z gazu ziemnego do ca³kowitej ich liczby. Ka¿dorazowo zmiennymi objaœniaj¹cymi by³y, obok stopnia zgazyfikowania, stopieñ wykorzystania gazu do ogrzewania mieszkañ (stosunek liczby mieszkañ ogrzewanych gazem do ca³kowitej ich liczby), liczba mieszkañców oraz œrednia powierzchnia u¿ytkowa mieszkañ w gminie. Okaza³o siê, ¿e przy du¿ym stopniu zgazyfikowania gmin (SGG>60%) zadowalaj¹ce prognozy generuj¹ proste sieci o najmniejszej (4,6) liczbie neuronów w warstwach ukrytych, podczas gdy w odniesieniu do gmin s³abo zgazyfikowanych (SGG<20%) optymalna jest bardziej rozbudowana sieæ, w której liczba neuronów siêga 9, 13 (tab.).
EM
MLP
MLP SGG
Tabela. Ocena trafnoœci prognoz zapotrzebowania na gaz ziemny w gminach
Table. Assessment of the accuracy of natural gas demand predictions in municipalities Stopieñ zgazyfikowania gminy MAPE [%] SGG SGG SGG <20%) 20%< <60% >60% MLP MLP MLP 4-9-1 9,8 4-7-1 9,3 4-4-1 8,3 MLP MLP ML 4-13-1 9,5 4-9-1 9,3 P 4-6-1 9,3
TECHNIKA ROLNICZA OGRODNICZA LEŒNA 5/2015 Przyk³ady porównañ prognoz wygas³ych rocznego zapotrzebowania na gaz ziemny w gminach z wartoœciami rzeczywistego zu¿ycia przedstawiono na rysunku
Dla potrzeb lokalnego planowania energetycznego niezbêdne s¹ prognozy rocznego zapotrzebowania na gaz ziemny w gminie w d³ugim horyzoncie czasowym. Stwierdzono, ¿e zadowalaj¹c¹ jakoœæ predykcji zapewniaj¹ modele neuronowe, które maj¹ na wejœciu cztery zmienne, tj. stopieñ zgazyfikowania gminy, stopieñ wykorzystania gazu do ogrzewania mieszkañ, liczbê mieszkañców oraz œredni¹ powierzchniê u¿ytkow¹ mieszkañ w gminie, oparte na jednokierunkowych sieciach wielowarstwowych o liczbie neuronów w warstwach ukrytych zwi¹zanej ze stopniem zgazyfikowania gmin.
Podsumowanie
Bibliografia
[1] Azadeh A., Asadzadeh S.M., Saberi M., Nadimi V., Tajvidi A., Sheikalishahi M.: A Neuro-fuzzy-stochastic frontier analysis approach for long-term natural gas consumption forecasting and
behavior analysis: The cases of Bahrain, Saudi Arabia, Syria, and UAE. Applied Energy, 2011, vol. 88(11), 3850-3859.
[2] Azadeh A., Saberi M., Asadzadeh S.M., Hussain O.K., Saberi Z.: A neuro-fuzzy-multivariate algorithm for accurate gas consumption estimation in South America with noisy inputs. Electrical Power and Energy Systems, 2013, vol. 46, 315-325. [3] Bianco V., Scarpa F., Tagliafico L.A.: Analysis and future outlook
of natural gas consumption in the Italian residential sector. Energy Conversion and Management, 2014, vol. 87, 754-764.
[4] Bianco V., Scarpa F., Tagliafico L.A.: Scenario analysis of nonresidential natural gas consumption in Italy. Applied Energy, 2014, vol. 113, 392-403.
[5] Gang Xu G., Wang W.: Forecasting China's natural gas consumption based on a combination model. Journal of Natural Gas Chemistry, 2010, vol. 19, 493-496.
[6] Nêcka K., Trojanowska M.: Short-term forecasting of natural gas demand by rural consumers using regression models. TEKA Commision of Motorization and Power Industry in Agriculture, 2014, vol. XIV, 93-98.
[7] Soldo B.: Forecasting natural gas consumption. Applied Energy, 2012, vol. 92, 26-37.
[8] Trojanowska M., Nêcka K.: Modelling the demand for natural gas of rural users. TEKA Commision of Motorization and Power Industry in Agriculture, 2006, vol. VIA, 170-175.
[9] Zeliaœ A., Pawe³ek B., Wanat S.: Prognozowanie ekonomiczne. Warszawa: WN PWN, 2004.
FORECASTING OF NATURAL GAS DEMAND IN RURAL MUNICIPALITIES FOR THE
ENERGY PLANNING PURPOSES
Summary
In the study the multiple regression models, standard and neural, in terms of their suitability to local forecasting of natural gas demand in the long term were analyzed. It was found that the forecasts of a satisfactory quality are provided by models based on multilayer perceptrons, with four neurons in the input layer and the number of neurons in the hidden layers related to the degree of municipalities' gasification.
: natural gas consumption, long-term forecasts, artificial neural networks
Key words
Rys. Roczne zapotrzebowanie na gaz ziemny i prognozy tego zapotrzebowania dla przyk³adowych gmin ró¿ni¹cych siê stopniem zgazyfikowania
