Use of Data Mining techniques for predicting electric energy demand

• Autorzy: Necka K.

Warianty tytułu

PL

Wykorzystanie technik Data Mining do prognozowania zapotrzebowania na energie elektryczna

• Języki publikacji: EN

Abstrakty

EN

The project of prediction models was developed in the Data Miner graphic environment, which allows one to determine the hourly electric energy demand for an agricultural and food industry plant. Whilst using data mining techniques, it is not necessary to know apriori the form of the theoretical model of the examined phenomenon; it is also not necessary to meet the assumptions, whilst it is possible to model very complex processes.

PL

Opracowano w środowisku graficznym Data Miner projekt modeli predykcyjnych, pozwalających na wyznaczanie godzinowego zapotrzebowania na energię elektryczną dla zakładu przemysłu rolno-spożywczego. Dzięki wykorzystaniu w nim technik data mining nie jest wymagana znajomość apriori postaci modelu teoretycznego analizowanego zjawiska, nie jest również konieczne spełnienie założeń i możliwe jest modelowanie bardzo złożonych procesów.

Słowa kluczowe

EN

data mining; prediction; electrical energy; distribution; agricultural industry; food industry plant; theoretical model

• Wydawca: -
• Czasopismo: Teka Komisji Motoryzacji i Energetyki Rolnictwa
• Rocznik: 2011
• Tom: 11C
• Opis fizyczny: p.237-245,fig.,ref.

Twórcy

autor

Necka K.

• Department of Power Engineering and Agricultural Processes Automation, Agricultural University of Krakow, Balicka Str. 116B, 30-149 Krakow, Poland

Bibliografia

• 1. Berry M., Linoff G. 1997.: Data Mining Techniques for Marketing, Sales and Customer Support, Wiley, Hoboken, NJ.
• 2. Berry M., Linoff G. 2000.: Mastering Data Mining, Wiley, Hoboken, NJ.
• 3. Ciepiela D. 2007.: Koszty bilansowania – zmora klienta. [online]. [dostęp 27–01–2011]. Dostępny w internecie: http://energetyka.wnp.pl/tpa/poradnik_jak_zmienic_dostawce_energii/ koszty-bilansowania-zmora-klienta,3359_2_0_1.html.
• 4. Cieślak M. 1999.: Prognozowanie gospodarcze. Metody i zastosowanie. Wydawnictwo Naukowe PWN. Warszawa.
• 5. Demski T. 2007.: Przykład prognozowania z wykorzystaniem metod data mining. [online]. [dostęp 27–01–2011]. Dostępny w internecie: http://www.statsoft.pl/czytelnia/artykuly/ Przyklad_prognozowania.pdf.
• 6. Dyrektywa 2003/54/WE Parlamentu Europejskiego i Rady dotycząca wspólnych zasad dla wewnętrznego rynku energii elektrycznej i uchylenia dyrektywę 96/92/WE oraz rozporządzeni 1228/2003 w sprawie warunków dostępu do sieci w transgranicznej wymianie energii elektrycznej.
• 7. Fijorek K., Mróz K., Niedziela K., Fijorek D. 2010.: Prognozowanie cen energii elektrycznej na rynku dnia następnego metodami data mining, Rynek Energii, nr 12.
• 8. Hand D., Mannila H., Smyth P. 2001.: Principles of Data Mining, MIT Press, Cambridge.
• 9. Hastie T., Tibshirani R., Friedman J. 2001.: The Elements of Statistical Learning. Data mining, Inference and Prediction. Springer Verlag.
• 10. Gładysz B. 2009.: Metoda określania wielkości kontraktów na energię elektryczną. Badania operacyjne i decyzje. Nr 3. Wrocław.
• 11. Gajda J. B. 2001.: Prognozowanie i symulacja a decyzje gospodarcze. Wydawnictwo C.H. BECK. Warszawa.
• 12. Kot S., Jakubowski J., Sokołowski A. 2011.: Statystyka. Wydawnictwo DIFIN. ISBN 978- 83-7641-349-5.
• 13. Nęcka K. 2011a.: Analiza sezonowości obciążeń w zakładzie przemysłu rolno-spożywczego. (Złożona do druku w Technika Rolnicza Ogrodnicza Leśna).
• 14. Nęcka K. 2011b.: Wykorzystanie modeli regresyjnych do prognozowania godzinowego zapotrzebowania na energią elektryczną w zakładzie przemysłu rolno-spożywczego. (Złożona do druku w Technika Rolnicza Ogrodnicza Leśna).
• 15. Roy S. N. 1957.: Some Aspects of Multivariate Analysis, Wiley, New York.
• 16. Sokołowski A. 2007.: Data minind – automat czy metoda naukowa ? [online] [dostęp 24- 04-2011] Dostępny w Internecie: http://www.statsoft.pl/czytelnia/8_2007/Sokolowski05.pdf.
• 17. Sokołowski A., Pasztyła A. 2004.: Data mining w prognozowaniu zapotrzebowania na nośniki energii. [online]. [dostęp 27–04–2011]. Dostępny w Internecie: http://www.statsoft. pl/czytelnia/prognozowanie/04energia.pdf.
• 18. Tadeusiewicz R. 2006.: Data mining jako szansa na relatywnie tanie dokonywanie odkryć naukowych poprzez przekopywanie pozornie całkowicie wyeksploatowanych danych empirycznych. [online] [dostęp 24-04-2011] Dostępny w Internecie: http://www.statsoft.pl/czytelnia/8_2007/Tadeusiewicz06.pdf.
• 19. Tadeusiewicz R. 1993.: Sieci neuronowe. Akademicka Oficyna Wydawnicza. Warszawa.
• 20. Trojanowska M., Nęcka K. 2009.: Wykorzystanie data mining do prognozowania obciążeń szczytowych wiejskich stacji transformatorowych Meждyнapoднaя Koнференсия ЭНЕРГООЂЕСПЕЧЕНИЕ И ЂЕЗОПАϹНОϹТЪ. Wydawnictwo Orłowskiego Państwowego Uniwersytetu Rolniczego OpeлГАУA, s.308-310, Orieł k/Moskwy (Rosja).
• 21. Trojanowska M., Nęcka K. 2009.: The use of alternative regression models to determine peak loads in rural transformer stations. TEKA Komisji Motoryzacji i Energetyki Rolnictwa Vol. IX. Lublin. s. 364-369.
• 22. Tukey J. 1962.: The Future of Statistics, Annals of Mathematical Statistics, 33, 1-67.
• 23. Zeliaś A. 1997.: Teoria prognozy. PWN. Warszawa.