Pokaż uproszczony rekord

Modelowanie niepewności krótkoterminowego popytu na energię elektryczną z wykorzystaniem sieci neuronowych i neuronowo-rozmytych

dc.contributor.authorBartkiewicz, Witold
dc.date.accessioned2019-07-29T10:01:45Z
dc.date.available2019-07-29T10:01:45Z
dc.date.issued2013
dc.identifier.citationBartkiewicz W., Modelowanie niepewności krótkoterminowego popytu na energię elektryczną z wykorzystaniem sieci neuronowych i neuronowo-rozmytych, Wydawnictwo Uniwersytetu Łódzkiego, Łódź 2013, doi: 10.18778/7525-926-1pl_PL
dc.identifier.isbn978-83-7525-926-1
dc.identifier.urihttp://hdl.handle.net/11089/29771
dc.descriptionCechy charakterystyczne energii elektrycznej jako towaru, takie jak brak praktycznych możliwości jej magazynowania na poważniejszą skalę, konieczność nieustannego równoważenia wytwarzania i odbioru energii, powodują, że niepewność popytowa stanowi jeden z ważnych czynników wpływających na powstawanie ryzyka działania przedsiębiorstwa energetycznego. Dążenie do redukcji tej niepewności jest jednym z głównych powodów usilnego poszukiwania jak najdokładniejszych metod krótkoterminowego prognozowania zapotrzebowania na energię elektryczną. Najlepsza nawet prognoza stanowi jednak jedynie oszacowanie, obarczone niepewnością. Kwestia modelowania tej niepewności, określenia rozkładu prawdopodobieństwa prognozy dla konkretnego przypadku, jest często zaniedbywana, a przecież stanowi ona podstawowy element oszacowania ryzyka działań i decyzji opierających się na sporządzonej prognozie.W prezentowanej pracy Autor analizuje metody szacowania niepewności dla licznych modeli neuronowych i neuronowo-rozmytych, badając ich przydatność w wielu zadaniach krótkoterminowej prognozy zapotrzebowania na energię. Przedyskutowana została również problematyka wykorzystania uzyskanych oszacowań rozkładów prawdopodobieństwa prognozy w odniesieniu do podstawowych typów problemów decyzyjnych występujących w handlu energią elektryczną.pl_PL
dc.description.sponsorshipUdostępnienie publikacji Wydawnictwa Uniwersytetu Łódzkiego finansowane w ramach projektu „Doskonałość naukowa kluczem do doskonałości kształcenia”. Projekt realizowany jest ze środków Europejskiego Funduszu Społecznego w ramach Programu Operacyjnego Wiedza Edukacja Rozwój; nr umowy: POWER.03.05.00-00-Z092/17-00.pl_PL
dc.language.isoplpl_PL
dc.publisherWydawnictwo Uniwersytetu Łódzkiegopl_PL
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Międzynarodowe*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectenergiapl_PL
dc.subjectrynek energii elektrycznejpl_PL
dc.subjectmetody neuronowepl_PL
dc.subjectmodelowaniepl_PL
dc.subjectprognozowaniepl_PL
dc.titleModelowanie niepewności krótkoterminowego popytu na energię elektryczną z wykorzystaniem sieci neuronowych i neuronowo-rozmytychpl_PL
dc.typeBookpl_PL
dc.page.number468pl_PL
dc.contributor.authorAffiliationUniwersytet Łódzki, Wydział Zarządzania, Katedra Informatykipl_PL
dc.identifier.eisbn978-83-7969-154-8
dc.contributor.authorBiographicalnoteWitold Bartkiewicz jest wieloletnim pracownikiem Katedry Informatyki Uniwersytetu Łódzkiego na Wydziale Zarządzania UŁ, z którą związał się w 1987 r. Od 2005 r. pełni w niej obowiązki kierownika Zakładu Sztucznej Inteligencji i Narzędzi Informatyki. Jego wykształcenie i doświadczenie zawodowe łączy elementy informatyki oraz zarządzania. Studia ukończył na Uniwersytecie Łódzkim, otrzymując dyplom magistra matematyki o specjalności metody numeryczne i programowanie. Stopień doktora uzyskał także na Uniwersytecie Łódzkim – w zakresie nauk o zarządzaniu. Tytuł rozprawy doktorskiej brzmiał: Metody sztucznej inteligencji w prognozowaniu obciążenia sieci elektroenergetycznej.W większości prac koncentruje się na zagadnieniach inteligentnych metod krótkoterminowego prognozowania zapotrzebowania na energię elektryczną oraz wspomagania problemów decyzyjnych występujących w przedsiębiorstwach elektroenergetycznych i zasilanych przez powyższe prognozy. Doktor W. Bartkiewicz brał również udział w wielu międzynarodowych i krajowych projektach dotyczących wykorzystania narzędzi informatycznych w zarządzaniu przedsiębiorstwami elektroenergetycznymi. Witold Bartkiewicz ma także wieloletnie doświadczenia dydaktyczne w nauczaniu zastosowań narzędzi informatycznych i sztucznej inteligencji w biznesie. Brał udział w opracowaniu kilku podręczników akademickich dotyczących systemów informatycznych zarządzania, baz danych, społeczeństwa informacyjnego oraz zastosowań sztucznej inteligencji w zarządzaniu.pl_PL
dc.referencesBakirtzis A.G., Theocharis J.B., Kiartzis S.J., Satsios K.J. (1995), Short term load forecasting using fuzzy neural networks, „IEEE Transactions on Power Systems”, vol. 10, no. 3, s. 1518– 1524.pl_PL
dc.referencesBardzki W., Bartkiewicz W. (1995), Artificial neural networks for load forecasting in transformation period, [w:] Z. Szczerba, L. Olbrych, R. Pochyluk, J. Gorzkowski, A. Nieczaj (eds), Present-Day Problems of Power Engineering (APE ‘95), Gdańsk–Jurata, s. 15–22.pl_PL
dc.referencesBardzki W., Bartkiewicz W., Zieliński J.S. (1995), Zastosowanie metod sztucznej inteligencji w elektroenergetyce, [w:] J. Nazarko, W. Zalewski (red.), Materiały I Ogólnopolskiego Sympozjum Naukowego „Systemy ekspertowe, sieci neuronowe i zbiory rozmyte w elektroenergetyce”, Białystok, s. 19–26.pl_PL
dc.referencesBardzki W., Bartkiewicz W., Gontar Z., Zieliński J.S. (1998), Short-term electrical load forecasting in transformation period (case study), [w:] M. Heiss (ed.), International ICSC/IFAC Symposium on Neural Computation – NC ’98, Vienna, s. 324–328.pl_PL
dc.referencesBardzki W., Bartkiewicz W., Gontar Z., Zieliński J.S. (1999), A survey of short-term load forecasting algorithms for transient period, [w:] Z. Szczerba, L. Olbrych, R. Pochyluk (eds), Present-Day Problems of Power Engineering (APE ‘99), vol. 5, Gdańsk–Jurata, s. 11–18.pl_PL
dc.referencesBartkiewicz W. (1996), Fault tolerance of the neural predictor in real world forecasting problems, [w:] Neural Networks and Their Applications, Szczyrk, s. 19–24.pl_PL
dc.referencesBartkiewicz W. (1998a), Krótkoterminowe prognozowanie obciążenia sieci elektroenergetycznej z wykorzystaniem podejścia neuronowo-rozmytego, [w:] Sieci i systemy informatyczne – teoria, projekty, wdrożenia, Łódź, s. 157–166.pl_PL
dc.referencesBartkiewicz W. (1998b), Metody sztucznej inteligencji w prognozowaniu obciążenia sieci elektroenergetycznej, rozprawa doktorska, Uniwersytet Łódzki, Łódź (maszynopis).pl_PL
dc.referencesBartkiewicz W. (1998c), Short-term load forecasting using fuzzy neural network, [w:] Colloquia in Artificial Intelligence (CAI ‘98), Łódź, s. 155–163.pl_PL
dc.referencesBartkiewicz W. (1999a), Analysis of the neural predictor for short-term load forecasting problems, [w:] Z. Szczerba, L. Olbrych, R. Pochyluk (eds), Present Day Problems of Power Engineering (APE ’99), vol. 5, Gdańsk–Jurata, s. 19–26.pl_PL
dc.referencesBartkiewicz W. (1999b), Confidence intervals for neural predictor for short-term load forecasting problems, [w:] Neural Networks and Their Applications, Zakopane, s. 649–655.pl_PL
dc.referencesBartkiewicz W. (1999c), Sieci neuronowe w krótkoterminowym prognozowaniu obciążeń sieci elektroenergetycznej dla potrzeb wspomagania decyzji, [w:] Systemy Wspomagania Organizacji (SWO ‘99), Ustroń, s. 335–344.pl_PL
dc.referencesBartkiewicz W. (2000a), Confidence intervals prediction for the short-term electrical load neural forecasting models, „Elektrotechnik und Informationstechnik”, no. 1(117), s. 8–12.pl_PL
dc.referencesBartkiewicz W. (2000b), Distribution of the neural predictor residuals for short-term load forecasting problems, [w:] L. Rutkowski, R. Tadeusiewicz (eds), Neural Networks and Soft Computing, Zakopane, s. 112–117.pl_PL
dc.referencesBartkiewicz W. (2000c), Impact of the temperatures prediction uncertainty on the short-term load forecasting accuracy, [w:] Colloquia in Artificial Intelligence (CAI ‘2000), Łódź, s. 29–36.pl_PL
dc.referencesBartkiewicz W. (2000d), Neuro-fuzzy approach to short-term electrical load forecasting, [w:] S.-I. Amari, C.L. Giles, M. Gori, V. Piuri (eds), Neural Computing: New Challenges and Perspectives for the New Millenium, vol. 6, Proceedings of the International Joint Conference on Neural Networks, IJCNN2000, Como, Italy, s. 229–234.pl_PL
dc.referencesBartkiewicz W. (2000e), Wpływ niepewności wejść na dokładność predyktora neuronowego w zagadnieniach krótkoterminowej prognozy obciążeń sieci elektroenergetycznej, [w:] Sieci i systemy informatyczne – teoria, projekty, wdrożenia, aplikacje, Łódź, s. 187–196.pl_PL
dc.referencesBartkiewicz W. (2001a), Error bars for short term load forecasting neural networks models, [w:] Z. Szczerba, L. Olbrych, R. Pochyluk (eds), Present-Day Problems of Power Engineering (APE ‘2001), vol. 3, Gdańsk–Jurata, s. 75–82.pl_PL
dc.referencesBartkiewicz W. (2001b), Impact of the input uncertainty on short-term load forecasting accuracy for neural networks models, [w:] Z. Szczerba, L. Olbrych, R. Pochyluk (eds), Present-Day Problems of Power Engineering (APE ‘2001), vol. 3, Gdańsk–Jurata, s. 67–74.pl_PL
dc.referencesBartkiewicz W. (2002), Neural network stock price predictors and trading decisions risk, [w:] Artificial Intelligence in Control and Management, Łódź, s. 111–118.pl_PL
dc.referencesBartkiewicz W. (2011a), Metody określania niepewności prognoz krótkoterminowego obciążenia sieci dla modeli neuronowych i neuronowo-rozmytych, „Rynek Energii”, nr 1(92), s. 41–46.pl_PL
dc.referencesBartkiewicz W. (2011b), Metody wyznaczania przedziałów prognozy dla rodziny neuronowo rozmytych modeli krótkoterminowego prognozowania obciążenia sieci, [w:] XI Międzynarodowa Konferencja Naukowa „Prognozowanie w elektroenergetyce”, Wisła, 14–16 września, materiały niepublikowane.pl_PL
dc.referencesBartkiewicz W. (2011c), Short-term load forecasting with neuro-fuzzy models, [w:] Present-Day Problems of Power Engineering (APE '2011), vol. 3, Gdańsk–Jurata, s. 65–72.pl_PL
dc.referencesBartkiewicz W. (2012), Prediction intervals for short-term load forecasting neuro-fuzzy models, „Przegląd Elektrotechniczny”, nr 10b, s. 284–287.pl_PL
dc.referencesBartkiewicz W., Bolek C., Gontar B., Gontar Z., Krygier N., Matusiak B., Pamuła A., Papińska- -Kacperek J., Zieliński J.S. (2010), Zastosowania sztucznej inteligencji w elektroenergetyce w pracach Katedry Informatyki UŁ, [w:] J. Gołuchowski, B. Filipczyk (red.), Wiedza i komunikacja w innowacyjnych organizacjach. Systemy ekspertowe – wczoraj, dziś, jutro, Wydawnictwo AE w Katowicach, Katowice, s. 250–256.pl_PL
dc.referencesBartkiewicz W., Butkevych O.F., Kyrylenko O.V., Levitskiy V.G., Pavlovskiy V.V., Zieliński J.S. (2001), Hybrid systems in electric power systems, [w:] Zastosowania komputerów w elektrotechnice, Poznań–Kiekrz, s. 203–206.pl_PL
dc.referencesBartkiewicz W., Czajkowska R., Głuszkowski T., Gontar B., Gontar Z., Krygier N., Kurzyjamski R., Matusiak B., Pamuła A., Papińska-Kacperek J., Zieliński J.S. (2004), Modern IT tools in management, „Acta Universitatis Lodziensis. Folia Oeconomica”, z. 178, s. 7–28.pl_PL
dc.referencesBartkiewicz W., Gontar Z., Matusiak B., Pamuła A., Zieliński J.S. (2004), Control and management in energy market upon deregulation, „Tekhnichna Elektrodynamika”, no. 1, s. 128–133.pl_PL
dc.referencesBartkiewicz W., Gontar Z., Matusiak B., Zieliński J.S. (2001a), Neural network based short-term load forecasting for energy market, [w:] J.S. Zieliński, K. Ciach (eds), Energy Market, Katedra Informatyki Uniwersytetu Łódzkiego, Łódź, s. 73–83.pl_PL
dc.referencesBartkiewicz W., Gontar Z., Matusiak B., Zieliński J.S. (2001b), Zastosowanie narzędzi sztucznej inteligencji w zarządzaniu w elektroenergetyce, [w:] W. Błaszczyk, B. Kaczmarek (red.), Przeszłość i przyszłość nauk o zarządzaniu. Zarządzanie, modele, koncepcje i strategie, Katedra Zarządzania Uniwersytetu Łódzkiego, Łódź, s. 363–374.pl_PL
dc.referencesBartkiewicz W., Gontar Z., Matusiak B., Zieliński J.S. (2002), Short-term load forecasting in market environment, [w:] Proceedings of III-d IEE Mediterranean Conference and Exhibition on Power Generation, Transmission, Distribution and Energy Conversion (Med Power), Athens, materiały na CD.pl_PL
dc.referencesBartkiewicz W., Gontar Z., Matusiak B., Zieliński J.S., Chmielewski M., Szady S. (2002), Experiences from initial exploitation of the short-term energy demand forecasting system in Zamość Energy Corporation S.A., [w:] Modern Electric Power Systems, Wrocław, s. 59–63.pl_PL
dc.referencesBartkiewicz W., Gontar Z., Zieliński J.S., Bardzki W. (2000a), Neural-heuristic approach to short-term electrical load forecasting problems, [w:] H. Bothe, R. Rojas (eds), Neural Computation (NC’2000), Berlin, s. 740–744.pl_PL
dc.referencesBartkiewicz W., Gontar Z., Zieliński J.S., Bardzki W. (2000b), Uncertainty of the short-term load forecasting in utilities, [w:] S.-I. Amari, C.L. Giles, M. Gori, V. Piuri (eds), Neural Computing: New Challenges and Perspectives for the New Millenium, Proceedings of the International Joint Conference on Neural Networks, IJCNN2000, vol. 6, Como, Italy, s. 235–240.pl_PL
dc.referencesBartkiewicz W., Matusiak B. (2003), Short-term load forecasting for energy markets, [w:] L. Rutkowski, J. Kacprzyk (eds), Neural Networks and Soft Computing, Berlin–Heidelberg, s. 790–795.pl_PL
dc.referencesBartkiewicz W., Matusiak B. (2004), Sieci neuronowe i algorytmy genetyczne a krótkookresowe prognozowanie zużycia na rynku energii, [w:] J.S. Zieliński (red.), Jerzy S. Zieliński – 50 lat pracy naukowej, Łódź, s. 345–353.pl_PL
dc.referencesBartkiewicz W., Zieliński J.S. (1998), Zastosowania narzędzi sztucznej inteligencji do prognozowania zapotrzebowania na energię elektryczną, [w:] Komputerowo zintegrowane zarządzanie, Zakopane, s. 27–34.pl_PL
dc.referencesBelina Z., Węgliński J., Zieliński J.S. (1996), Sterowanie popytem na energię, „Biuletyn Informacyjny PTPiREE”, nr 4.pl_PL
dc.referencesBishop C.M. (1992), Exact calculation of the Hessian matrix for the multi-layer perceptron, „Neural Computation”, no. 4, s. 494–501.pl_PL
dc.referencesBishop C.M. (1995), Neural Networks for Pattern Recognition, Oxford.pl_PL
dc.referencesBrandt J. (2012), Projekt PCR. Market Coupling, materiały konferencyjne Forum Obrotu, Giżycko, http://www.polpx.pl/fm/upload/Prezentacje-Forum-Obrotu-2012/4_Projekt_PCR_ForumObrotu_JB_cze2012.pdf (dostęp: 25.05.2013).pl_PL
dc.referencesBrandt S. (1998), Analiza danych. Metody statystyczne i obliczeniowe, Warszawa.pl_PL
dc.referencesBuntine W.L., Weigand A.S. (1994), Computing second derivatives in feed-forward networks: A review, „IEEE Transaction on Neural Networks”, vol. 5, no. 3.pl_PL
dc.referencesButkevych O.F., Pawłowskiy W.W., Bartkiewicz W., Zieliński J.S. (2002), Hybrid systems in power systems solving, „Tekhnichna Elektrodynamika”, no. 3, s. 77–82.pl_PL
dc.referencesChen S.-T., Yu D.C., Moghaddamjo A.R. (1992), Weather sensitive short-term load forecasting using nonfully connected artificial neural network, „IEEE Transactions on Power Systems”, vol. 7, no. 3, s. 1098–1105.pl_PL
dc.referencesChryssolouris G., Lee M., Ramsey A. (1996), Confidence interval prediction for neural network models, „IEEE Transactions on Neural Networks”, vol. 7, no. 1, s. 229–232.pl_PL
dc.referencesCook E. (1971), The Flow of Energy in an Industrial Society, „Scientific American”, no. 225(3), s. 135–142.pl_PL
dc.referencesDash P.K., Dash S., Rahman S. (1993), A fuzzy adaptive correction scheme for short term load forecasting using fuzzy layered neural network, [w:] Y. Tamura, H. Suzuki, H. Mori (eds), Proceedings of the Second International Forum on Applications of Neural Networks to Power Systems, Yokohama, s. 432–437.pl_PL
dc.referencesda Silva A.P.A., Moulin L.S. (2000), Confidence intervals for neural network based short-term load forecasting, „IEEE Transactions on Power Systems”, vol. 15, no. 4, s. 1191–1196.pl_PL
dc.referencesDavid H.A., Nagaraja H.N. (2003), Order Statistics, Hoboken, New Jersey.pl_PL
dc.referencesDietl M., Makowski K. (2010), Monopolizacja, demonopolizacja, niepewność, „Biblioteka Regulatora”, Urząd Regulacji Energetyki, Warszawa, http://www.ure.gov.pl/download.php?s=1&id=3023 (dostęp: 25.05.2013).pl_PL
dc.referencesDillon T.S., Sestito S., Leung S. (1991), An adaptive neural network approach in load forecasting in a power system, [w:] Proceedings of the First International Forum on Applications of Neural Networks to Power Systems, Seattle, s. 17–21.pl_PL
dc.referencesDing A.A. (1999), Neural-network prediction with noisy predictors, „IEEE Transactions on Neural Networks”, vol. 10, no. 5, s. 1196–1203.pl_PL
dc.referencesDraper N.R., Smith H. (1973), Analiza regresji stosowana, Warszawa.pl_PL
dc.referencesDrezga I., Rahman S. (1999), Short-term load forecasting with local ANN predictors, „IEEE Transactions on Power Systems”, vol. 14, no. 3, s. 844–850.pl_PL
dc.referencesDurlik I. (1992), Organizacja i zarządzanie produkcją, Warszawa.pl_PL
dc.referencesDurlik I. (1995), Inżynieria zarządzania. Strategia i projektowanie systemów produkcyjnych, cz. I, Warszawa.pl_PL
dc.referencesDurlik I. (1996), Inżynieria zarządzania. Strategia i projektowanie systemów produkcyjnych, cz. II, Warszawa.pl_PL
dc.referencesDybowski R., Roberts S.J. (1999), Confidence Intervals and Prediction Intervals for Feed-forward Neural Networks. Technical Report, Kings College, London, http://www.robots.ox.ac.uk/~sjrob/Pubs/rdsrnnerr.ps.gz (dostęp: 25.05.2013).pl_PL
dc.referencesEfron B., Tibshirani R. (1993), An Introduction to the Bootstrap, New York.pl_PL
dc.referencesEl-Sharkawi M.A., Oh S., Marks R.J. II, Damborg M.J., Brace C.M. (1991), Short term electric load forecasting using an adaptively trained layered perceptron, [w:] Proceedings of the First International Forum on Applications of Neural Networks to Power Systems, Seattle, s. 3–6.pl_PL
dc.referencesErkmen I., Ozsokmen H.V. (1993), A hybrid neural network fix short-term load forecasting, [w:] Proceedings Joint International Power Conference (Power Tech), vol. 2, Athens, s. 811–815.pl_PL
dc.referencesGontar Z., Hatziargyriou N. (2001), Short term load forecasting with radial basis function network, [w:] J.T. Saraiva, M.A. Matos (eds), IEEE Porto Power Tech Proceedings, Porto.pl_PL
dc.referencesGontar Z., Sideratos G., Hatziargyriou N. (2004), Short-term load forecasting using radial basis function networks, [w:] Third Hellenic Conference on AI Methods and Applications of Artificial Intelligence, s. 432–438.pl_PL
dc.references[GPW-REK 2010] Giełda Papierów Wartościowych w Warszawie SA, Szczegółowe zasady obrotu na rynku dobowo-godzinowym energii elektrycznej (REK GPW), tekst ujednolicony według stanu prawnego na dzień 3 grudnia 2010 r., http://www.poee.gpw.pl/download/rek (dostęp: 25.05.2013).pl_PL
dc.referencesHanmandlu M., Chauhan B.K. (2011), Load forecasting using hybrid models, „IEEE Transactions on Power Systems”, vol. 26, no. 4, s. 20–29.pl_PL
dc.referencesHeine S., Malko J., Mikołajczak H., Skorupski W. (1994), Sieci neuronowe w zagadnieniach systemu elektroenergetycznego na przykładzie modelowania procesu zapotrzebowania mocy, materiały XII Krajowej Konferencji Automatyki, Gdynia.pl_PL
dc.referencesHertz J., Krogh A., Palmer R.G. (1993), Wstęp do teorii obliczeń neuronowych, Warszawa.pl_PL
dc.referencesHeskes T. (1997), Practical confidence and prediction intervals, [w:] M. Mozer, M. Jordan, T. Petsche (eds), Advances in Neural Information Processing Systems 9 (NIPS 97), Cambridge, s. 176–182.pl_PL
dc.referencesHo K.-L., Hsu Y.-Y., Yang C.-C. (1992), Short term load forecasting using a multilayer neural network with an adaptive learning algorithm, „IEEE Transactions on Power Systems”, vol. 7, no. 1, s. 141–149.pl_PL
dc.referencesHornik K., Stinchcombe M., White H. (1989), Multilayer feedforward networks are universal approximators, „Neural Networks”, vol. 2, s. 359–366.pl_PL
dc.referencesHsu Y.-Y., Yang C.-C. (1991a), Design of artificial neural networks for short-term load forecasting. I. Self-organising feature maps for day type identification. Generation, transmission and distribution, „IEE Proceedings C”, vol. 138, no. 5, s. 407–413.pl_PL
dc.referencesHsu Y.-Y., Yang C.-C. (1991b), Design of artificial neural networks for short-term load forecasting. II. Multilayer feedforward networks for peak load and valley load forecasting. Generation, transmission and distribution, „IEE Proceedings C”, vol. 138, no. 5, s. 414–418.pl_PL
dc.referencesHuang C.M., Yang H.-T. (2001), Evolving wavelet-based networks for short-term load forecasting, „IEE Proceedings-Generation, Transmission and Distribution”, vol. 148 , no. 3, s. 222– 228.pl_PL
dc.referencesHuntsberger T.L., Ajjimarangsee P. (1990), Parallel self-organising feature maps for unsupervised pattern recognition, „International Journal of General Systems”, vol. 16, no. 4, s. 357–372.pl_PL
dc.referencesJabłoński W.J., Bartkiewicz W. (2006), Systemy informatyczne zarządzania. Klasyfikacja i charakterystyka systemów, Bydgoszcz.pl_PL
dc.referencesJang J.-S.R., Sun C.-T. (1993), Functional equivalence between Radial Basis Function Networks and Fuzzy Inference Systems, „IEEE Transactions on Neural Networks”, vol. 4, no. 1, s. 156– 159.pl_PL
dc.referencesJang J.-S.R., Sun C.-T., Mizutani E. (1997), Neurofuzzy and soft computing, Upper Saddle River.pl_PL
dc.referencesKhosravi A., Nahavandi S., Creighton D. (2010), Construction of optimal prediction intervals for load forecasting problems, „IEEE Transactions on Power Systems”, vol. 25, no. 3, s. 1496– 1503.pl_PL
dc.referencesKim K.-H., Park K.-J., Hwang J.-K., Kim S.-H. (1995), Implementation of hybrid short-term load forecasting system using artificial neural networks and fuzzy expert systems, „IEEE Transactions on Power Systems”, vol. 10, no. 3, s. 1534–1539.pl_PL
dc.referencesKorbicz J., Obuchowicz A., Uciński D. (1994), Sztuczne sieci neuronowe – podstawy i zastosowania, Warszawa.pl_PL
dc.referencesLambert-Torres G., Traore C.O., Mandolesi F.G., Mukhedkar D. (1991), Short-term load forecasting using a fuzzy engineering tool, [w:] Proceedings of the First International Forum on Applications of Neural Networks to Power Systems, Seattle, s. 36–40.pl_PL
dc.referencesLee K.Y., Cha Y.T., Ku C.C. (1991), A study on neural networks for short-term load forecasting, [w:] Proceedings of the First International Forum on Applications of Neural Networks to Power Systems, Seattle, s. 26–30.pl_PL
dc.referencesLichota A. (2006), Prognozowanie krótkoterminowe na lokalnym rynku energii elektrycznej, rozprawa doktorska, Akademia Górniczo-Hutnicza im. Stanisława Staszica, Kraków (maszynopis).pl_PL
dc.referencesLin C.-T., Lee C.S.G. (1996), Neural Fuzzy Systems: A Neuro-fuzzy Synergism to Intelligent Systems, Upper Saddle River, NJ.pl_PL
dc.referencesMacKay D.J.C. (1991), A practical Bayesian framework for backprop networks, „Neural Computation”, vol. 4, no. 3, s. 415–447.pl_PL
dc.referencesMacKay D.J.C. (1994), Probable networks and plausible predictions – A review of practical Bayesian methods for supervised neural networks, http://www.inference.phy.cam.ac.uk/mackay/network.pdf (dostęp: 25.05.2013).pl_PL
dc.referencesMacKay D.J.C. (2003), Information Theory, Inference, and Learning Algorithms, Cambridge.pl_PL
dc.referencesMalko J. (1995), Wybrane zagadnienia prognozowania w elektroenergetyce, Wrocław.pl_PL
dc.referencesMalko J., Mikołajczak H., Skorupski W. (1995), Artificial neural network based models for shortand long-term load forecasting in the power system, [w:] Proceedings of the IEEE/KTH Stockholm Power Tech Conference, Stockholm.pl_PL
dc.referencesMarshall K.T., Oliver R.M. (1995), Decision Making and Forecasting, New York.pl_PL
dc.referencesMasters T. (1995), Neural, Novel and Hybrid Algorithms for Time Series Prediction, New York.pl_PL
dc.referencesMasters T. (1996), Sieci neuronowe w praktyce. Programowanie w języku C++, Warszawa.pl_PL
dc.referencesMastorocostas P.A., Theocharis, J.B., Bakirtzis A.G. (1999), Fuzzy modeling for short term load forecasting using the orthogonal least squares method, „IEEE Transactions on Power Systems”, vol. 14, no. 1, s. 390–396.pl_PL
dc.referencesMatusiak B., Bartkiewicz W. (2001), Linking neural predictors with decision models: The short-term load forecasting case study, [w:] Z. Szczerba, L. Olbrych, R. Pochyluk (eds), Present-Day Problems of Power Engineering (APE ‘2001), vol. 3, Gdańsk–Jurata, s. 109–116.pl_PL
dc.referencesMichalski D., Krysta B., Lelątko P. (2004), Zarządzanie ryzykiem na rynku energii, Warszawa.pl_PL
dc.referencesMidera A. (2011), Aktywny odbiorca energii elektrycznej na rynku bilansującym w Polsce, „Elektroenergetyka – Współczesność i Rozwój”, nr 4(10), s. 10–16.pl_PL
dc.referencesMielczarski W. (2000), Rynki energii elektrycznej. Wybrane aspekty techniczne i ekonomiczne, Warszawa.pl_PL
dc.referencesMielczarski W. (ed.) (2005), Development of Electricity Markets, Łódź.pl_PL
dc.referencesMoody J.E. (1992), The effective number of parameters: An analysis of generalization and regularization in nonlinear learning systems, [w:] J.E. Moody, S.J. Hanson, R.P. Lippmann (eds), Advances in Neural Information Processing Systems 4 (NIPS 91), San Mateo, s. 847– 854.pl_PL
dc.referencesMori H., Kobayashi H. (1995), Optimal fuzzy inference for short-term load forecasting, [w:] Proceedings of the IEEE Power Industry Computer Application Conference, Salt Lake City, s. 312–318.pl_PL
dc.referencesMuhlemann A.P., Oakland J.S., Lockyer K.G. (1995), Zarządzanie, produkcja i usługi, Warszawa.pl_PL
dc.referencesNazarko J., Jurczuk A. (1996), Zarządzanie zapotrzebowaniem na energię elektryczną na poziomie rejonu i zakładu energetycznego, [w:] Z. Połecki (red.), Rynek energii elektrycznej: Rynek hurtowy, rynki lokalne. Materiały III Konferencji Naukowo-Technicznej, Nałęczów.pl_PL
dc.referencesNeal R.M. (1996), Bayesian Learning for Neural Networks, New York.pl_PL
dc.referencesOkólski M. (red.) (2001), Jaki model rynku energii?, „Biblioteka Regulatora”, Warszawa, http://www.ure.gov.pl/portal/pl/217/Jaki_model_rynku_energii.html (dostęp: 25.05.2013).pl_PL
dc.referencesPandey A.S., Singh D., Sinha S.K. (2010), Intelligent hybrid wavelet models for short-term load forecasting, „IEEE Transactions on Power Systems”, vol. 25, no. 3, s. 1266–1273.pl_PL
dc.referencesPark D.C., El-Sharkawi M.A., Marks R.J., Atlas L.E., Damborg M.J. (1991), Electric load forecasting using an artificial neural network, „IEEE Transactions on Power Systems”, vol. 6, no. 2.pl_PL
dc.referencesPaska J. (2010), Elektroenergetyka w Polsce – Od monopolu do konsolidacji?, „Rynek Energii”, nr 4(89), s. 9–17.pl_PL
dc.references[PE-JT-URE 2011] Prawo energetyczne. Ustawa z dnia 10 kwietnia 1997 r., tekst ujednolicony w Biurze Prawnym Urzędu Regulacji Energetyki na dzień 10 kwietnia 2011.pl_PL
dc.references[PE-JT-URE 2012] Prawo energetyczne. Ustawa z dnia 10 kwietnia 1997 r. (Dz.U. z 2012, poz. 1059 j.t.), tekst ujednolicony w Biurze Prawnym Urzędu Regulacji Energetyki na dzień 25 września 2012.pl_PL
dc.referencesPeng T.M., Hubele N.F., Karady G.G. (1990), Conceptual approach to the application of neural network for short-term load forecasting, [w:] IEEE International Symposium on Circuits and Systems, vol. 4, New Orleans, s. 2942– 2945.pl_PL
dc.referencesPeng T.M., Hubele N.F., Karady G.G. (1992), Advancement in the application of neural networks for short-term load forecasting, „IEEE Transactions on Power Systems”, vol. 7, no. 1, s. 250–257.pl_PL
dc.referencesPenny W.D., Roberts S.J. (1997), Neural network predictions with error bars, „Research Report” TR-97-1, Dept. of Electrical and Electronic Engineering, Technology and Medicine, Imperial College of Science, London, http://www.robots.ox.ac.uk/~sjrob/Pubs/nnerrors.ps.gz (dostęp: 25.05.2013).pl_PL
dc.referencesPetiau B. (2009), Confidence interval estimation for short-term load forecasting, [w:] Proceedings of the PowerTech IEEE Conference, Bucharest, s. 1–6.pl_PL
dc.referencesPress W.H., Teukolsky S.A., Vetterling W.T., Flannery B.P. (1992), Numerical Recipes in C, Cambridge.pl_PL
dc.references[PSE-IRiESP 2012] Polskie Sieci Elektroenergetyczne Operator SA, Instrukcja ruchu i eksploatacji sieci przesyłowej. Bilansowanie systemu i zarządzanie ograniczeniami systemowymi, tekst jednolity obowiązujący od dnia 1 lutego 2013 r., http://www.pse-operator.pl/uploads/kontener/IRiESP-Bilansowanie_tekst_jednolity_01022013_po_KA_CB_7_2012.pdf (dostęp: 25.05.2013).pl_PL
dc.references[PSE-WIRE-STD 2010] Polskie Sieci Elektroenergetyczne Operator SA, Standardy techniczne systemu WIRE, wersja 11.0 (aktualizacja), Warszawa, 9 lipca 2010, http://www.pseoperator.pl/uploads/kontener/Standardy_techniczne_systemu_WIRE_wer_11_0_aktualizacja.pdf (dostęp: 25.05.2013).pl_PL
dc.referencesRahman S., Drezga I., Rajagopalan J. (1993), Knowledge enhanced connectionist models for short-term electric load forecasting, [w:] Y. Tamura, H. Suzuki, H. Mori (eds), Proceedings of the Second International Forum on Applications of Neural Networks to Power Systems, Yokohama, s. 401–406.pl_PL
dc.referencesRahman S., Hazim O. (1993), A generalized knowledge-based short-term load-forecasting technique, „IEEE Transactions on Power Systems”, vol. 8, no. 2, s. 508–514.pl_PL
dc.referencesRanaweera D.K., Hubele N.F., Papalexopoulos A.D. (1995), Application of radial basis function neural network model for short-term load forecasting, „IEE Proceedings – Generation, Transmission and Distribution”, vol. 142, no. 1, s. 45–50.pl_PL
dc.referencesRefenes A.-P.N. (ed.) (1995), Neural Networks in the Capital Markets, Chichester.pl_PL
dc.references[RO-PLAT 2010] Rozporządzenie Ministra Gospodarki z dnia 17 września 2010 r. w sprawie określenia sposobu i trybu organizowania i przeprowadzania przetargu na sprzedaż energii elektrycznej oraz sposobu i trybu sprzedaży energii elektrycznej na internetowej platformie handlowej (Dz.U., nr 186, poz. 1246).pl_PL
dc.referencesRutkowska D. (1997), Inteligentne systemy obliczeniowe. Algorytmy genetyczne i sieci neuronowe w systemach rozmytych, Warszawa.pl_PL
dc.referencesRutkowska D., Piliński M., Rutkowski L. (1997), Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Warszawa.pl_PL
dc.referencesSong H.S., Wang X.F. (2003), Operation of Market-oriented Power Systems, London.pl_PL
dc.referencesSrinivasan D., Liew A.C., Chen J.S.P. (1991), Short term forecasting using neural network approach, [w:] Proceedings of the First International Forum on Applications of Neural Networks to Power Systems, Seattle, s. 12–16.pl_PL
dc.referencesStair R.M. (1992), Principles of Information Systems – A Managerial Approach, Thomson Publishing, Boston.pl_PL
dc.referencesSzczygieł L. (2001), Model rynku energii elektrycznej, [w:] M. Okólski (red.), Jaki model rynku energii?, „Biblioteka Regulatora”, Urząd Regulacji Energetyki, Warszawa, http://www.ure.gov.pl/portal/pl/217/Jaki_model_rynku_energii.html (dostęp: 25.05.2013).pl_PL
dc.referencesTaylor J.W. (2012), Short-term load forecasting with exponentially weighted methods, „IEEE Transactions on Power Systems”, vol. 27, no. 1, s. 458–464.pl_PL
dc.references[TGE 2012] Towarowa Giełda Energii SA, Regulamin obrotu rynku towarów giełdowych Towarowej Giełdy Energii SA, z dnia 13 września 2012 r., http://www.polpx.pl/fm/upload/ 27092012__Regulamin_RTG.pdf (dostęp: 25.05.2013).pl_PL
dc.references[TGE-RDB 2010] Towarowa Giełda Energii SA, Szczegółowe zasady obrotu i rozliczeń dla energii elektrycznej na rynku dnia bieżącego, z dnia 8 grudnia 2010 r., weszły w życie z dniem 15 grudnia 2010 r., http://www.polpx.pl/fm/upload/Rynek-RDB/Szczegowe_zasady_ obrotu_i_rozlicze_RDB.pdf (dostęp: 25.05.2013).pl_PL
dc.references[TGE-RDN 2012] Towarowa Giełda Energii SA, Szczegółowe zasady obrotu i rozliczeń dla energii elektrycznej na rynku dnia następnego, z dnia 29 maja 2012 r., weszły w życie z dniem 11 czerwca 2012 r., http://www.polpx.pl/fm/upload/RDN/11062012Szczegowe_zasady _obrotu_i_rozlicze_RDN.pdf (dostęp: 25.05.2013).pl_PL
dc.references[TGE-RPM 2012] Towarowa Giełda Energii SA, Rynek praw majątkowych, materiały opublikowane w witrynie internetowej Towarowej Giełdy Energii SA, http://www.tge.pl/fm/upload/Wszystko-o-RPM/FolderRPM.pdf (dostęp: 19.09.2012).pl_PL
dc.referencesTibshirani R. (1996), A comparison of some error estimates for neural network models, „Neural Computation”, no. 8, s. 152–163.pl_PL
dc.referencesTong H. (1990), Non-linear Time Series, Oxford.pl_PL
dc.referencesTresp V., Hofman R. (1998), Nonlinear time-series prediction with missing and noisy data, „Neural Computation”, vol. 10, s. 731–747.pl_PL
dc.referencesTresp V., Neuneier R., Ahmad S. (1995), Efficient methods for dealing with missing data in supervised learning, [w:] G. Tesauro, D.S. Touretzky, T.K. Leen (eds), Advances in Neural Information Processing Systems 7, Cambridge, MA.pl_PL
dc.references[UOKiK 2011] Urząd Ochrony Konkurencji i Konsumentów, Pozycja konsumenta na rynku energii elektrycznej. Raport UOKiK, Warszawa–Wrocław, http://www.uokik.gov.pl/download.php?plik=10178 (dostęp: 25.05.2013).pl_PL
dc.references[URE 2011] Urząd Regulacji Energetyki, Raport Krajowy Prezesa Urzędu Regulacji Energetyki 2011, Warszawa, http://www.ure.gov.pl/download/1/4527/Raport_2011_na_strone.pdf (dostęp: 25.05.2013).pl_PL
dc.references[URE 2012] Urząd Regulacji Energetyki, Sprawozdanie z działalności Prezesa URE w 2011 roku, „Biuletyn Urzędu Regulacji Energetyki”, nr 2(80).pl_PL
dc.referencesWang L.-X., Mendel J.M. (1992), Fuzzy basis functions, universal approximation and orthogonal least squares learning, „IEEE Transactions on Neural Networks”, vol. 3, no. 5, s. 807–815.pl_PL
dc.referencesWang Y., Xia Q., Kang C. (2011), Secondary forecasting based on deviation analysis for short- -term load forecasting, „IEEE Transactions on Power Systems”, vol. 26, no. 2, s. 500–507.pl_PL
dc.referencesWhite H. (1994), Estimation, Inference and Specification Analysis, Cambridge.pl_PL
dc.referencesWitkowski T. (2011), Energia – możliwości naukowe i bariery technologiczne oraz społeczne, „Czysta Energia”, nr 5, 2011.pl_PL
dc.referencesWright W.A. (1999), Neural Network Regression with Input Uncertainty, NCRG/99/008 (raport techniczny), Neural Computing Research Group, Aston University.pl_PL
dc.referencesWu H.-C., Lu C.-N. (1999), Automatic fuzzy model identification for short-term load forecast, „IEE Proceedings – Generation, Transmission, Distribution”, vol. 146, no. 5, s. 477–482.pl_PL
dc.referencesYager R.R., Filev D.P. (1995), Podstawy modelowania i sterowania rozmytego, Warszawa.pl_PL
dc.referencesYing H. (1998a), General SISO Takagi–Sugeno fuzzy systems with linear rule consequent are universal approximators, „IEEE Transactions on Fuzzy Systems”, vol. 6, no. 4, s. 582–587.pl_PL
dc.referencesYing H. (1998b), General Takagi–Sugeno fuzzy systems are universal approximators, [w:] Proceedings of the 1998 IEEE World Congress on Computational Intelligence, the 1998 IEEE International Conference on Fuzzy Systems, vol. 1, Anchorage, s. 819–823.pl_PL
dc.referencesZadeh L.A. (1965), Fuzzy sets, „Information Control”, vol. 8, s. 338–353.pl_PL
dc.referencesZapranis A., Refenes A.-P. (1999), Principles of Neural Model Identification, Selection and Adequacy, London.pl_PL
dc.referencesZeng X.J., Singh M.G. (1995), Approximation theory of fuzzy systems – MIMO case, „IEEE Transactions on Fuzzy Systems”, vol. 3, no. 2, s. 219–235.pl_PL
dc.referencesZerka M. (2001), Zarządzanie ryzykiem na konkurencyjnym rynku energii elektrycznej, Materiały CIRE, http://www.cire.pl/publikacje/Art_Zerka.pdf (dostęp: 25.05.2013).pl_PL
dc.referencesZerka M. (2003), Strategie na rynkach energii elektrycznej, Warszawa.pl_PL
dc.referencesZhang Y., Zhou Q., Sun C., Lei S., Liu Y., Song Y. (2008), RBF neural network and ANFIS-based short-term load forecasting approach in real-time price environment, „IEEE Transactions on Power Systems”, vol. 23, no. 3, s. 853–858.pl_PL
dc.referencesZieliński J.S. (red.) (2000), Inteligentne systemy w zarządzaniu – Teoria i praktyka, Warszawa.pl_PL
dc.referencesŻurada J.M., Barski M., Jędruch W. (1996), Sztuczne sieci neuronowe, Warszawa.pl_PL
dc.contributor.authorEmailwbartkiewicz@wzmail.uni.lodz.plpl_PL
dc.identifier.doi10.18778/7525-926-1


Pliki tej pozycji

Thumbnail
Nazwa:
Bartkiewicz_Modelowanie niepew ...
Rozmiar:
3.780MB
Format:
PDF
Oglądaj/Otwórz
Thumbnail
Nazwa:
Bartkiewicz_okladka_Modelowanie ...
Rozmiar:
801.6KB
Format:
Obraz JPEG
Opis:
okładka
Oglądaj/Otwórz
Thumbnail
Nazwa:
license_rdf
Rozmiar:
805bajtów
Format:
application/rdf+xml
Oglądaj/Otwórz

Pozycja umieszczona jest w następujących kolekcjach

Pokaż uproszczony rekord

Attribution-NonCommercial-NoDerivatives 4.0 Międzynarodowe
Poza zaznaczonymi wyjątkami, licencja tej pozycji opisana jest jako Attribution-NonCommercial-NoDerivatives 4.0 Międzynarodowe