Analiza możliwości zastosowania sztucznej inteligencji do grupowania profili dobowych zapotrzebowania na energię elektryczną w Krajowym Systemie Elektroenergetycznym (KSE)

Profile dobowe zapotrzebowania na energię w KSE charakteryzują się zarówno sezonowością (kształt profilu zależy od pory roku), jak i zmiennością tygodniową (dni robocze, soboty oraz dni świąteczne mają odmienne kształty profili). Wartości zapotrzebowania na energię profili dobowych mają ponadto charakter rosnący w okresie wieloletnim – wynika to z wciąż rosnącego zapotrzebowania na energię elektryczną w Polsce. Elementem wpływającym na kształt profili jest również generacja z OZE, mająca tendencję wzrostową, szczególnie w obszarze elektrowni słonecznych. Zjawiska pogodowe typu okresy dużej wietrzności również mają wpływ na profile dobowe w KSE.

Zagadnienie profili zapotrzebowania na energię jest przedmiotem licznych analiz prezentowanych w artykułach naukowych. W artykule [1] przedstawiono wyniki analizy wpływu rozwoju e-mobilności na Polski System Elektroenergetyczny, prognozy zapotrzebowania na energię elektryczną w latach 2019–2025 oraz trzy warianty prognoz dobowego profilu obciążenia systemu elektroenergetycznego w sezonach zimowych i letnich. Pokrewne analizy zawiera artykuł [4] dotyczący wielowariantowych prognoz liczby pojazdów elektrycznych w Polsce do roku 2025 oraz ich wpływ na roczne zapotrzebowania na energię elektryczną. Prognozowaniu zapotrzebowania na energię elektryczną w KSE poświęcone są artykuły [8, 9], natomiast prognozy kształtów profili zawiera artykuł [12]. W artykule [2] autorzy przeprowadzają analizę porównawczą zmienności obciążeń elektrycznych w sieciach średniego napięcia (SN) zasilających odbiorców komunalnych oraz przemysłowych. Na podstawie pomiarów w sieciach SN o porównywalnym rocznym poborze energii, wyznaczono podstawowe wskaźniki oraz przedstawiono wykresy charakteryzujące zmienność obciążeń. Z kolei w artykule [3] opisano wykonaną analizę wpływu weekendów i dni wolnych od pracy na dobowy profil obciążenia elektroenergetycznego. Wyniki analizy wskazują na konieczność odrębnego rozważania profili obciążenia dni roboczych i wolnych od pracy w kontekście dopasowywania taryf oraz prognozowania obciążenia w KSE.

Z analizy przedstawionej w artykule [5] wynika, że energetyka wiatrowa odgrywa coraz większą rolę w Krajowym Systemie Elektroenergetycznym (KSE) w Polsce. W okresie analizy (od 1 stycznia 2019 r. do 21 maja 2019 r.) farmy wiatrowe osiągnęły maksymalną moc 5 222,08 MW (89% FLEOH) oraz minimalną moc 27,75 MW (0,5% FLEOH). Wskazuje to na znaczącą zmienność generacji energii ze źródeł wiatrowych. Jednym z istotnych wniosków płynących z analizy jest to, że nagła zmiana mocy generowanej przez farmy wiatrowe może wymusić wzrost mocy generowanej przez pozostałe źródła wchodzące w skład KSE. Przykładem jest sytuacja z 10 marca 2019 r., kiedy to w ciągu jednej godziny zmiana mocy farm wiatrowych wyniosła –954 MW. W rezultacie KSE musiał zwiększyć moc generowaną przez inne źródła o 578 MW. Artykuł [6] przedstawia analizę zmian zapotrzebowania na energię w Polskim Systemie Elektroenergetycznym (PPS) wraz z korelacją między zapotrzebowaniem na energię a generacją energii wiatrowej i konwencjonalnej. Dane historyczne PPS z lat 2009–2022 zostały użyte do analizy trendów zmian zapotrzebowania na energię. Na podstawie tych danych określono i przeanalizowano następujące aspekty: wartości minimalne i maksymalne zapotrzebowania na energię, roczne średnie dobowe profile zapotrzebowania, roczne średnie miesięczne profile zapotrzebowania oraz roczne wartości zapotrzebowania na energię. Główne wnioski z analizy to: wzrost zapotrzebowania na energię w Polskim Systemie Elektroenergetycznym, szczególnie w okresie letnim, brak silnej korelacji między generacją energii wiatrowej a zapotrzebowaniem na energię, co pokazuje potrzebę elastyczności źródeł konwencjonalnych w PPS oraz wzrost udziału odnawialnych źródeł energii, takich jak energetyka wiatrowa i fotowoltaika, w PPS.

Dość istotne wnioski zawiera artykuł [10], a mianowicie:

• obserwuje się wzrost mocy zainstalowanej w energetyce wiatrowej w Polsce, co prowadzi do istotnego wpływu na funkcjonowanie KSE,
• zmienność mocy generowanej przez farmy wiatrowe związana jest z prędkością wiatru, co wpływa na planowanie i zarządzanie KSE,
• zróżnicowanie lokalnych warunków wietrzności prowadzi do różnych poziomów mocy generowanej przez farmy wiatrowe,
• następuje wzrost dynamiki pracy elektrowni systemowych w związku z narastającym poziomem mocy generowanej przez energetykę wiatrową,
• potencjalne trudności z opanowaniem współpracy źródeł wiatrowych z KSE mogą wymagać wprowadzenia nowych zasad współpracy,
• istnieje konieczność rozbudowy infrastruktury przesyłowej, aby sprostać rosnącym wymaganiom energetyki wiatrowej,
• generacja energii przez siłownie wiatrowe zależy od pory dnia i tygodnia, co może kolidować z oczekiwaniami KSE.

Ciekawe wnioski z analiz zawiera również artykuł [11]. Roczne zapotrzebowanie na energię elektryczną w Polsce systematycznie rośnie, z wyjątkiem roku 2009, kiedy to nastąpił spadek spowodowany kryzysem gospodarczym. Wzrost zapotrzebowania na energię elektryczną jest wyższy w miesiącach letnich (czerwiec, lipiec, sierpień) niż w pozostałej części roku. Obserwuje się systematyczny wzrost wielkości szczytów dopołudniowych, zwłaszcza w okresach wysokich temperatur, oraz zmniejszanie się znaczenia szczytów wieczornych. Rozproszone źródła fotowoltaiczne mogą złagodzić szczytowe zapotrzebowanie na moc i spłaszczyć profil KSE w godzinach od 10:00 do 18:00. Polski rynek energii nie jest jeszcze na tyle rozwinięty, aby móc sprostać zmianom profilu KSE i pełnić funkcje regulacyjne. Wprowadzenie systemów DSM/DSR oraz taryf dynamicznych może wspomóc regulację rynku energii. Rozwój energetyki opartej na źródłach odnawialnych, takich jak fotowoltaika, może wspierać tradycyjną energetykę w okresach letnich.

Analiza statystyczna danych

Analiza statystyczna wykonana została na podstawie zgromadzonych danych z okresu od 1 stycznia 2009 roku do 31 grudnia 2023 roku (okres 15 lat). Na rysunku 1. przedstawiono zmiany w zapotrzebowaniu na energię elektryczną w KSE w latach 2009–2023. Widoczna jest tendencja rosnąca zapotrzebowania na energię, z pewnymi zaburzeniami w ostatnich kilku latach. Przykładem takiego zaburzenia jest zapotrzebowanie w roku 2020 (pandemia). W roku 2021 oraz roku 2022 nastąpił wzrost zapotrzebowania w stosunku do roku 2019, ale z kolei w roku 2023 zapotrzebowanie na energię było na zbliżonym poziomie jak w roku 2020.

Z kolei rysunek 2. przedstawia zmiany w zapotrzebowaniu na energię elektryczną w okresie ostatnich 15 lat, ale w ujęciu sezonowym (dla każdego roku policzono sumaryczne zapotrzebowanie na energię dla każdej pory roku osobno). Podobnie jak na rysunku 1. widoczne są zaburzenia w wielkości zapotrzebowania na energię w okresie 2019–2023. Zauważyć można również pewne różnice w zmianach zapotrzebowania na energię w zależności od pory roku. Ogólnie w każdej porze roku występuje długofalowa tendencja rosnąca, ale dynamika wzrostu nie jest identyczna. Zapotrzebowanie na energię ma największą dynamikę wzrostu w okresie letnim oraz nieco mniejszą w okresie wiosennym. Natomiast w okresie zimowym dynamika wzrostu jest mniejsza i ma okresowe niewielkie zaburzenia (wynika to zapewne z różnic w temperaturze w okresach zimowych). Oczywiście nadal zapotrzebowanie na energię jest największe w okresie zimowym.

Na rysunku 3. przedstawiono ogólny profil roczny dla trzech wybranych lat. Wartości dla każdej godziny profilu stanowią sumy godzinowych wartości zapotrzebowania na energię w okresie danego roku. Wpływ pandemii na wartości zapotrzebowania jest wyraźnie widoczny. W roku 2020 nastąpił spadek zapotrzebowania w stosunku do roku 2019. Spadek zapotrzebowania jest dość równomierny w okresie doby.

Rysunek 4. przedstawia porównanie średniego zapotrzebowania na energię elektryczną w ciągu dnia dla dni roboczych, sobót i niedziel w latach 2009 i 2023. Porównując oba wykresy, można zauważyć, że zapotrzebowanie na energię w dni robocze, soboty i niedziele znacząco wzrosło w 2023 roku w porównaniu z rokiem 2009. Warto zwrócić uwagę na wzrost zapotrzebowania energetycznego we wszystkich godzinach dnia, co świadczy o ogólnym wzroście konsumpcji energii elektrycznej przez użytkowników. W obu latach dni robocze wykazują wyższe zapotrzebowanie na energię elektryczną w porównaniu z weekendami.

Na rysunku 5. przedstawiono profile dni charakterystycznych dla typowego dnia zimowego oraz typowego dnia letniego. Profile zostały obliczone na podstawie wartości godzinowych zapotrzebowania na energię elektryczną, uwzględniając średnią arytmetyczną pięciu śród (dzień typowy oraz dwie poprzedzające i dwie kolejne środy robocze). Za dzień typowy uznano trzecią środę stycznia i trzecią środę lipca reprezentujące odpowiednio zimowy i letni dzień roboczy. To podejście pozwoliło na wyrównanie profili i zredukowanie składowej losowej wynikającej z pojedynczych dni. Wartości godzinowe obu profili normalizowano w każdym roku oddzielnie. Normalizację uzyskano, dzieląc wartości profili z poszczególnych godzin przez średnie godzinowe zapotrzebowanie na energię w ciągu roku. Normalizacja umożliwiła śledzenie zmian profili w latach 2009–2023, pomijając wszelkie zmiany profili wynikające z wieloletnich trendów rosnących zapotrzebowania na energię w kolejnych latach.

Profile w okresie 2009–2023 ulegały zmianom (kształt). Do czynników, które na nie wpływają, zaliczyć można m.in.: zmiany klimatyczne, niosące ze sobą również zmiany w zapotrzebowaniu na energię (np. wzrost liczby urządzeń klimatyzacyjnych), rozwój odnawialnych źródeł energii (elektrownie słoneczne oraz elektrownie wiatrowe), wzrost liczby odbiorców energii elektrycznej związany z walką z globalnym ociepleniem (np. elektromobilność, pompy ciepła). Należy się spodziewać, że w przyszłości wraz z wprowadzeniem taryf dynamicznych będzie w pewnym stopniu możliwa pewna ingerencja w rozkład zapotrzebowania na energię elektryczną w okresie doby, szczególnie w celu „spłaszczenia” szczytu dziennego zapotrzebowania na energię oraz szczytu wieczornego zapotrzebowania na energię z „przesunięciem” zużycia energii na okres doliny zapotrzebowania dobowego.

Na podstawie analizy rysunku 5. można zauważyć, że profile dobowe względnego zapotrzebowania na energię elektryczną dla typowych dni zimowych i letnich wykazują pewne trendy i zmiany w latach 2009–2023. W przypadku zarówno zimowych, jak i letnich profili dobowych wartości wydają się podążać za podobnym wzorcem każdego roku. W dniach zimowych obserwujemy wzrost zapotrzebowania na energię elektryczną w godzinach porannych (6:00–8:00), co może być związane z większym zużyciem energii na ogrzewanie budynków i uruchamianiem urządzeń elektrycznych w gospodarstwach domowych oraz przedsiębiorstwach. W ciągu dnia zapotrzebowanie utrzymuje się na stosunkowo stałym poziomie, z nieco wyższymi wartościami w godzinach popołudniowych (16:00–18:00). W godzinach wieczornych i nocnych (20:00–5:00) zapotrzebowanie na energię maleje, osiągając najniższe wartości w godzinach 2:00–4:00. W przypadku dni letnich profil dobowy zapotrzebowania na energię elektryczną wykazuje bardziej płaski charakter w porównaniu z dniami zimowymi. Wzrost zapotrzebowania w godzinach porannych (około 6:00–8:00) jest mniej wyraźny, a największe wartości występują w godzinach okołopołudniowych (10:00–13:00). W godzinach wieczornych i nocnych (20:00–5:00) zapotrzebowanie na energię również maleje, osiągając najniższe wartości w godzinach 2:00–4:00. Wzrosty zużycia energii w godzinach porannych i wieczornych są nieco większe w przypadku danych zimowych niż letnich, co może być związane z różnicami w zużyciu energii w zależności od pory roku, wynikającymi np. z potrzeby ogrzewania czy chłodzenia pomieszczeń. Zapotrzebowanie na energię elektryczną w dni zimowe wykazuje większą dynamikę zmian w ciągu doby niż w dni letnie, co może wynikać z różnic w zużyciu energii na ogrzewanie budynków i uruchamianie urządzeń elektrycznych oraz krótszymi dniami i dłuższymi nocami, co zwiększa zapotrzebowanie na energię na oświetlenie. W analizowanym okresie można zaobserwować pewne tendencje w dynamice zmian zapotrzebowania na energię elektryczną. W przypadku profili zimowych zapotrzebowanie na energię rośnie w miarę upływu lat, co może być wynikiem zwiększonej liczby gospodarstw domowych, rozwoju technologii czy wzrostu gospodarczego. W przypadku profilu letniego dynamika zmian jest mniej wyraźna, ale można zauważyć delikatny wzrost zapotrzebowania na energię w analizowanym okresie. Warto zauważyć, że w ciągu dnia występują różnice w tempie wzrostu zapotrzebowania na energię pomiędzy porami roku. W przypadku profilu zimowego można zaobserwować większą dynamikę wzrostu zapotrzebowania na energię w godzinach szczytu, podczas gdy w przypadku profilu letniego wzrost jest bardziej równomierny. W obu przypadkach, dni zimowych i letnich, najniższe wartości zapotrzebowania na energię elektryczną występują w godzinach nocnych (2:00–4:00), co oznacza, że w tych godzinach system energetyczny jest najmniej obciążony. Choć na przestrzeni lat można zaobserwować pewne zmiany w wartościach zapotrzebowania na energię, ogólny wzór zużycia energii w ciągu dnia zarówno w sezonie zimowym, jak i letnim, pozostaje stosunkowo stały. 

Jak działa sieć neuronowa samoorganizująca się (SOM)?

Samoorganizująca się mapa (SOM) to rodzaj sztucznej sieci neuronowej opracowanej przez fińskiego naukowca, profesora Teuvo Kohonena, w latach 80. XX wieku. Sieć ta bazuje na nienadzorowanym uczeniu (ang. unsupervised learning), co oznacza, że w procesie uczenia nie są dostarczane wzorce wyjściowe ani prawidłowe odpowiedzi. SOM opiera się na analizie wzajemnych korelacji danych treningowych i samodzielnie klasyfikuje je, tworząc wzorce podczas uczenia. Głównym celem sieci SOM jest przekształcanie skomplikowanego i wielowymiarowego wejścia na prostszą, zwykle dwu- lub trójwymiarową mapę, która zachowuje topologiczne relacje pomiędzy elementami zbioru danych. Innymi słowy, SOM przekształca dane wejściowe w sposób, który ułatwia wizualne rozpoznanie wzorców i tendencji [13]. Sieć SOM składa się z dwóch warstw: warstwy wejściowej i warstwy neuronów konkurencyjnych. Warstwa wejściowa odpowiada jedynie za rozprowadzenie danych wejściowych do neuronów warstwy konkurencyjnej, nie dokonując żadnych przekształceń danych. Warstwa konkurencyjna jest zbudowana z neuronów ułożonych w regularną siatkę, zwykle dwuwymiarową, gdzie każdy neuron posiada tyle współczynników wagowych, ile jest wejść sieci. Rysunek 6. przedstawia strukturę sieci SOM.

W sieci Kohonena topologia sieci nie ulega zmianie podczas procesu uczenia, a modyfikowane są jedynie wagi. W przeciwieństwie do innych typów sieci neuronowych, sieci SOM nie mają warstwy ukrytej. Każdy neuron warstwy konkurencyjnej jest połączony ze wszystkimi neuronami warstwy wejściowej, a liczba współczynników wagowych każdego neuronu wyjściowego jest równa liczbie wejść sieci. Proces uczenia się sieci SOM rozpoczyna losowa inicjalizacja wag neuronów. W sieciach SOM stosowany jest algorytm uczenia nazywany „uczeniem konkurencyjnym” (ang. competitive learning), co oznacza, że neurony „konkurują” ze sobą, by zostać neuronem zwycięskim (ang. Best Matching Unit – BMU) po prezentacji wzorca wejściowego. Następnie dla każdego wektora uczącego obliczane są odległości między wektorem uczącym a wagami wszystkich neuronów, stosując najczęściej metrykę euklidesową. Neuron, którego wektor wag jest najbardziej zbliżony do prezentowanego wzorca wejściowego, zostaje uznany za zwycięzcę (BMU). Wagi BMU oraz neuronów znajdujących się w jego sąsiedztwie są modyfikowane, aby zbliżyć je do wektora uczącego. Wykorzystuje się do tego współczynnik uczenia oraz funkcję sąsiedztwa, które zmniejszają się w miarę postępu uczenia. Kroki te są powtarzane dla wszystkich wektorów uczących w ramach jednej epoki. Proces uczenia ma charakter iteracyjny, co oznacza, że zbiór danych wejściowych jest wielokrotnie prezentowany podczas kolejnych epok trenowania. W miarę postępu procesu uczenia wartości współczynnika uczenia oraz promienia sąsiedztwa maleją, co prowadzi do coraz bardziej precyzyjnego dostosowania wag neuronów do wzorców uczących. Po zakończeniu procesu uczenia można obliczyć błąd kwantyzacji dla każdego wektora uczącego i ocenić jakość odwzorowania uzyskanego przez sieć SOM. Następnie można przedstawić mapę SOM w formie wizualizacji, co ułatwia zrozumienie struktury oraz zależności między danymi [14]. Sieci SOM są użyteczne w identyfikacji i klasyfikacji różnorodnych wzorców w danych wejściowych, co przyczynia się do lepszego zrozumienia i prognozowania zmian, a także pozwala na optymalizację zarządzania zasobami i planowanie inwestycji. SOM okazuje się szczególnie przydatna do analizy i wizualizacji dużych zbiorów danych, takich jak te dotyczące KSE. 

Grupowanie profili zapotrzebowania na energię elektryczną z zastosowaniem sieci neuronowej samoorganizującej się

Do grupowania wykorzystano sieć neuronową typu SOM zawierającą w warstwie wyjściowej 100 neuronów (koszyków grupujących). Siatka neuronów stanowiła matrycę 10 neuronów x 10 neuronów – grupowanie w dwóch wymiarach. Wejścia sieci neuronowej stanowiły 24 wartości zapotrzebowania na energię z poszczególnych godzin w okresie doby. W przedstawionej analizie wykorzystano dane bez normalizacji, czyli z zachowaniem stopniowo rosnącego trendu wieloletniego. 

Hiperparametry uczenia były następujące: 100 neuronów w warstwie wyjściowej, początkowy promień sąsiedztwa – wartość początkowa: 3 (w procesie uczenia w kolejnych iteracjach promień sąsiedztwa zmniejsza się), wartość końcowa: 0, współczynnik uczenia – wartość początkowa: 0,1, a wartość końcowa: 0,02, inicjalizacja wag: losowa gaussowska, liczba epok uczących: 1000. 

Po zakończeniu procesu uczenia liczebność profili w poszczególnych koszykach grupujących (neuronach wyjściowych) była nierównomierna. Nie było natomiast koszyków bez żadnych profili dobowych. Rysunek 7. przedstawia rozkład ilościowy koszyków. 

Na rysunku 8. przedstawiono obliczone dla każdego koszyka wartości średnie z profili, które się w nim znajdowały. Widoczne są oczywiście duże różnice pomiędzy profilami reprezentującymi każdy koszyk.

Rysunek 9. przedstawia wyniki analizy sezonowości profili – sieć neuronowa SOM doskonale poradziła sobie z problemem, grupując profile zimowe wyraźnie w prawej strefie mapy, natomiast profile letnie są dość silnie zintegrowane po lewej stronie mapy. Zauważalne jest zjawisko znacznie silniejszego zintegrowania profili zimowych w różnych koszykach – wnioskować należy, że są one bardziej do siebie zbliżone niż np. profile letnie w różnych koszykach.

Z kolei rysunek 10. przedstawia wyniki analizy profili w zależności od typu dnia – sieć neuronowa SOM również doskonale poradziła sobie z problemem, grupując profile dni roboczych w górnej strefie mapy, pod nimi znajdują się profile dni typu sobota, a na samym dole mapy znajdują się profile dni typu niedziela oraz dni świątecznych. Zachowana jest przy tym logika powiązania typów dni z porami roku. Przykładowo koszyki zgrupowanych dni roboczych z zimy znajdują się po prawej stronie w górnej części, natomiast koszyki zgrupowanych dni typu niedziela i dni świąteczne z zimy znajdują się na samym dole prawej strony mapy. 

Sieci SOM są również przydatne w identyfikacji nietypowych profili dobowych, które są grupami próbek o najmniejszej liczbie przypadków. Profile te reprezentują mniejszość próbek w analizowanym wieloletnim zbiorze danych, a ich unikatowe cechy mogą wynikać z różnych czynników, takich jak nietypowe warunki atmosferyczne, awarie systemowe lub inne sytuacje wpływające na zapotrzebowanie na energię elektryczną. Zostały zidentyfikowane koszyki (neurony wyjściowe) z najrzadszą liczbą próbek. Są to koszyki o numerach: 16, 35, 42 oraz 89, zawierające odpowiednio 12, 10, 15 i 11 profili dobowych.Wybór tych koszyków opierał się na metodzie, która polega na znalezieniu koszyków, w których liczba próbek jest mniejsza niż 5% kwantylu rozkładu liczby próbek we wszystkich koszykach.

Na rysunku 11. przedstawiono profile dobowe zapotrzebowania na energię elektryczną najrzadszych koszyków. Dla każdego koszyka, reprezentowanego przez unikalny kolor, przedstawiono indywidualne profile dobowe. Koszyk numer 16 składa się głównie z profili dobowych z dni typu wtorek z sezonu letniego. Z kolei koszyk numer 35 zawiera profile dobowe dni typu wtorek z sezonu wiosennego. W koszyku numer 42 dominują profile dobowe z sezonu jesiennego, z większością próbek przypadających na poniedziałki. Natomiast koszyk numer 89 składa się głównie z profili dobowych z sezonu zimowego, z większością próbek przypadających na soboty. 

Rysunek 12. przedstawia porównanie dobowych profili zapotrzebowania na energię elektryczną dwóch koszyków grupujących: koszyka numer 35 z najmniejszą liczbą profili (10) oraz koszyka numer 52 z największą liczbą profili (185).

Koszyk numer 35 obejmuje głównie wiosenne i letnie profile oraz wykazuje niewielkie zróżnicowanie w odniesieniu do dni tygodnia i lat. Koszyk numer 52 przedstawia bardziej zróżnicowane i powszechne wzorce zapotrzebowania na energię elektryczną, obejmując wszystkie robocze dni tygodnia z wiosennych i letnich miesięcy. Te wyniki sugerują, że koszyk numer 35 reprezentuje nietypowe sytuacje zapotrzebowania na energię, które występują rzadziej, podczas gdy koszyk numer 52 odzwierciedla bardziej typowe i spójne profile zapotrzebowania na energię elektryczną. W przypadku koszyka numer 35 występują większe różnice między profilami dobowymi, zwłaszcza w godzinach popołudniowych. Profile z koszyka numer 35 odbiegają od kształtu profili z koszyka numer 52 – zapotrzebowanie na energię nie maleje w godzinach popołudniowych, tak jak ma to miejsce przy typowym wzorcu profilu koszyka licznego. Występują w tych godzinach nieoczekiwane spadki i wzrosty zapotrzebowania na energię. Anomalię można dostrzec w godzinach nocnych, gdzie od północy do godziny 1 obserwuje się nieoczekiwany wzrost zapotrzebowania na energię. Profile w koszyku numer 35 nie układają się w jedną całość, tak jak w koszyku numer 52. Zachowany jest jedynie wzorzec wzrostu zapotrzebowania na energię w godzinach porannych oraz spadek zapotrzebowania w godzinach nocnych. 

Podsumowanie i wnioski

Wyniki uzyskane z zastosowania sztucznej sieci neuronowej typu SOM do grupowania profili dobowych zapotrzebowania na energię elektryczną w Krajowym Systemie Elektroenergetycznym (KSE) potwierdzają skuteczność takiego sposobu grupowania. Grupowanie było skuteczniejsze dla wariantu bez normalizacji danych. 

Dzięki zastosowanej metodzie możliwe było uzyskanie przestrzennego rozkładu zmienności profili dobowych z uwzględnieniem pór roku oraz typu dnia. Ponadto metoda umożliwiła identyfikację profili dni najbardziej nietypowych (koszyki grupujące z najmniejszą liczbą profili dobowych).

Literatura

1. P. Piotrowski i in., Comprehensive forecast of electromobility mid-term development in Poland and its impacts on power system demand, Bulletin of the Polish Academy of Sciences, Technical Sciences 68.4 (2020). 
2. A.Ł. Chojnacki, Analiza dobowej, tygodniowej i rocznej zmienności obciążeń elektroenergetycznych w sieciach zasilających odbiorców komunalnych oraz przemysłowych, „Przegląd Elektrotechniczny” 94 (2018): 56-61.
3. N. Hoppe-Maliszewska, M. Kolasa, Wpływ weekendów oraz innych dni wolnych od pracy na kształt profili odbiorców końcowych energii elektrycznej, „Przegląd Elektrotechniczny” 96 (2020).
4. P. Piotrowski, D. Baczyński, P. Kapler, Wielowariantowe prognozy liczby pojazdów elektrycznych w Polsce do roku 2025 oraz ich wpływ na roczne zapotrzebowania na energię elektryczną, „Przegląd Elektrotechniczny” 96 (2020): 138-141.
5. J. Badur i in., Analiza zmienności generacji energii elektrycznej w okresie pierwszych pięciu miesięcy 2019 r. ze szczególnym uwzględnieniem generacji energii ze źródeł wiatrowych, „Nowa Energia” (2019).
6. R. Raczkowski, S. Robak, M. Piekarz, Analysis of changes in power demand in the Polish Power System, „Energy Strategy Reviews” 44 (2022): 100996.
7. A. Modzelewski, Modelowe odzwierciedlenie nowych technologii wytwarzania energii oraz ich wpływ na Krajowy System Elektroenergetyczny, Diss 2019.
8. T. Ciechulski, S. Osowski, Prognozowanie zapotrzebowania na moc w KSE z zastosowaniem grupowania rozmytego, „Przegląd Elektrotechniczny” 95.10 (2019).
9. T. Ciechulski, S. Osowski, Prognozowanie zapotrzebowania mocy w KSE z horyzontem dobowym przy zastosowaniu zespołu sieci neuronowych, „Przegląd Elektrotechniczny” 94 (2018): 108-112. 
10. K. Badyda, Energetyka wiatrowa. Aktualne trendy rozwoju w Polsce, „Energetyka” 5 (2013): 393-398.
11. R. Wójcicki, Rozproszone źródła PV – potencjał kształtowania profilu KSE w sezonie (szczycie) letnim, „Energetyk” 2 (2016): 78-85. 
12. P. Piotrowski, D. Baczyński, M. Kopyt, Medium-Term Forecasts of Load Profiles in Polish Power System including E-Mobility Development, „Energies” 15.15 (2022): 5578.
13. K. Bartos, Sieć SOM jako przykład sieci samoorganizującej się, „Ekonometria” 36, Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu, 2012, ISSN 1507-3866. 
14. R. Tadusiewicz, „Sieci neuronowe”, Akademicka Oficyna Wydawnicza RM 1993.