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

Elektryczność jako towar ma unikalne cechy, które znacząco wpływają na działalność firm z sektora energetycznego. Najważniejszymi z nich są brak możliwości praktycznego magazynowania na dużą skalę oraz konieczność utrzymywania równowagi między produkcją a zużyciem energii. To sprawia, że zmienny popyt stanowi istotne źródło ryzyka dla tych przedsiębiorstw. Firmy inwestyują w precyzyjne metody krótkoterminowego prognozowania zapotrzebowania, aby minimalizować tę niepewność. Nawet najbardziej trafne prognozy są jedynie szacunkami, które nie mogą całkowicie wyeliminować niepewności. Modelowanie tej niepewności oraz określenie jej rozkładu prawdopodobieństwa dla konkretnych przypadków jest często pomijane, chociaż jest kluczowe dla oceny ryzyka związanego z decyzjami opartymi na prognozach.W tej pracy Autor przygląda się różnorodnym metodom szacowania niepewności w kontekście modeli neuronowych i neuronowo-rozmytych. Analizuje ich zastosowanie w zadaniach związanych z krótkoterminowym prognozowaniem zużycia energii. Omówione zostało również wykorzystanie oszacowań rozkładów prawdopodobieństwa prognozy w odniesieniu do typowych problemów decyzyjnych w handlu energią elektryczną.