2 dni temu
Każdego dnia w firmach energetycznych generowane są znaczne ilości nieprzetwarzanych danych. Bazy danych billingowych zawierają wzorce zachowań klientów i niosą ogromny potencjał biznesowy. Dane ekonomiczne i gospodarcze, w powiązaniu z danymi telemetrycznymi pozyskiwanymi od spółek gazowniczych mogą pozytywnie wpłynąć na decyzje inwestycyjne. W tym celu duże zbiory danych powinny być na bieżąco analizowane z wykorzystaniem narzędzi sztucznej inteligencji. W artykule przedstawiono korzyści oraz zagrożenia związane z wykorzystaniem sztucznych sieci neuronowych (SSN) w celach analizy danych i wspomagania procesów decyzyjnych. Wskazano na możliwości opracowania bardziej efektywnych strategii ograniczenia emisji metanu, dzięki wykorzystaniu SSN do tworzenie zaawansowanych modeli i wspomagania procesów symulacji pracy sieci gazowych. Omówiono także wykorzystanie sztucznej inteligencji w modelowaniu zużycia oraz transportu gazu ziemnego na przykładzie poszczególnych modeli matematycznych.
Słowa kluczowe: sztuczne sieci neuronowe, prognozowanie zużycia gazu, niska emisja
Niezbędnym elementem do osiągnięcia sukcesu w prognozowaniu zużycia gazu ziemnego jest dostęp do wiarygodnych danych bieżących oraz historycznych. W bazach danych ukryte są trendy i modele, które opisują zachowania odbiorców oraz rzeczywistą pracę sieci. Prognozowanie zapotrzebowania na gaz ziemny jest skomplikowanym procesem, wymagającym dużego doświadczenia, wiedzy oraz znajomości złożonych narzędzi informatycznych. Praktyka pokazuje, iż trafne prognozy to warunek konieczny dla prawidłowej eksploatacji i rozwoju systemów transportowych i skutecznego nimi zarządzania (Osiadacz, 2019). Aby pozyskane dane miały dla przedsiębiorstw zajmujących się dystrybucją gazu ziemnego wartość dodaną, np. w celu optymalizowania istniejących procesów, powinny być one na bieżąco analizowane, m.in. przez narzędzia sztucznej inteligencji.
Sztuczne sieci neuronowe, jak każde nowatorskie narzędzie umożliwiające zaawansowaną analizę danych oraz wspomagające podejmowanie strategicznych decyzji, niosą ze sobą nie tylko szereg korzyści i szans, ale także pewne zagrożenia. Cześć z nich wymieniono poniżej.
Korzyści z zastosowania sztucznych sieci neuronowych (SSN) w gazownictwie
Wykorzystanie sztucznych sieci neuronowych w sektorze gazownictwa niesie ze sobą różnorakie możliwości. SSN mogą wspomagać optymalizację realizowanych procesów z takich obszarów jak np. transport gazu i zarządzanie infrastrukturą gazowniczą, co może przyczynić się do zwiększenia efektywności energetycznej, jak i redukcji kosztów operacyjnych (Narloch, 2024). Dzięki analizie danych telemetrycznych i odczytowych klientów mogą one dostosowywać usługi do indywidualnych potrzeb i preferencji użytkowników. Ponadto, umożliwiają definiowanie modeli zachowań i potrzeb klientów według różnych kryteriów (np. regionu kraju, wielkości miejscowości, itp.). Analizując dane dotyczące infrastruktury gazowej, SSN mogą wspomagać identyfikację nieszczelności, minimalizując tym samym ryzyko wycieków oraz zwiększając kontrolę nad funkcjonowaniem elementów sieci gazowej. W efekcie doprowadzi to do zmniejszenia emisji metanu. Dzięki analizie danych z czujników w czasie rzeczywistym, sztuczne sieci neuronowe umożliwiają natychmiastowe wykrywanie anomalii na sieci gazowej (np. w poborach gazu, czy w przypadku awarii). SSN mogą znacząco wspomagać prognozowanie zapotrzebowania na gaz, zarówno na stacjach klienckich, jak i zasilających. Umożliwia to lepsze planowanie dystrybucji i rozwoju obszarów oraz bardziej efektywne zarządzanie przepływem gazu. Dzięki temu możliwe będzie bezpieczniejsze zarządzanie siecią gazową, szybsze reagowanie na niespodziewane zdarzenia oraz podejmowanie bardziej trafnych decyzji na etapie inwestycyjnym, planowania gazyfikacji lub przyłączania odbiorców. SSN oraz zaawansowane narzędzia informatyczne, takie jak symulacje pracy sieci gazowych, umożliwiają analizy i możliwości szerszego zastosowania biometanu oraz roztworów gazu ziemnego z wodorem w sieci dystrybucyjnej (Narloch, 2024). Połączenie SSN z Internetem Rzeczy (IoT) umożliwia bardziej zaawansowane monitorowanie i zarządzanie infrastrukturą gazowniczą. Ponadto ich wykorzystanie może prowadzić do powstania nowych modeli biznesowych, takich jak inteligentne zarządzanie energią (Narloch, 2024).
Zagrożenia płynące z zastosowania SSN w gazownictwie
Integracja sztucznych sieci neuronowych z infrastrukturą gazowniczą może narażać systemy informatyczne na ataki cybernetyczne. Ponadto błędne, czy niekompletne dane wejściowe lub też niewłaściwe modele SSN mogą prowadzić do błędnych decyzji operacyjnych, a zbyt duża zależność od narzędzi sztucznej inteligencji może osłabić ludzką kontrolę nad procesami oraz decyzyjność (Narloch, 2024). Osobną kwestią związaną z zastosowaniem SSN w sektorze gazowym są wysokie koszty związane z wdrożeniem i utrzymaniem zaawansowanych technologii oraz konieczność zapewnienia kompetencyjnych zasobów kadrowych.
Wykorzystanie sztucznych sieci neuronowych w sektorze gazownictwa otwiera wiele nowych możliwości, m.in. w zakresie poprawy efektywności operacyjnej, redukcji emisji metanu, zmniejszeniu awaryjności infrastruktury oraz zwiększeniu bezpieczeństwa przesyłu i dostaw gazu (Awuku et al., 2023). Jednocześnie należy wziąć pod uwagę kwestie cyberbezpieczeństwa, a także koszty wdrożenia, które wymagają odpowiedniego zarządzania. Potencjał SSN w gazownictwie jest ogromny, a ich zastosowanie może przyczynić się do bardziej zrównoważonego i efektywnego zarządzania zasobami energetycznymi (Narloch, 2024).
Zastosowanie SSN w projektowaniu systemów ograniczających niską emisję
Zastosowanie sztucznych sieci neuronowych w kontekście ograniczenia niskiej emisji nie znalazło jak dotąd szerszego zainteresowania w literaturze branżowej. Dzięki zaawansowanym algorytmom i zdolnościom analitycznym SSN możliwe jest bardziej efektywne zarządzanie procesami, wczesne wykrywanie problemów oraz optymalizacja operacji, co może prowadzić do znacznego ograniczenia emisji zanieczyszczeń i poprawy efektywności energetycznej przedsiębiorstwa (Narloch, 2024).
Sztuczne sieci neuronowe są w stanie analizować ogromne zbiory danych operacyjnych w czasie rzeczywistym. Umożliwia to optymalizację zużycia gazu i ograniczenia emisji zanieczyszczeń poprzez bardziej efektywne zarządzanie procesami dystrybucji gazu. Zaawansowane algorytmy oparte na sztucznych sieciach neuronowych mogą być używane do modelowania i prognozowania emisji zanieczyszczeń na podstawie danych rzeczywistych i historycznych, dzięki czumu możliwe jest szybkie wykrycie i reagowanie na niepożądane zmiany w emisjach. Wykorzystanie ich do monitorowania pracy infrastruktury gazowej i wykrywania nieszczelności, prowadzących do wycieków gazu, pozwala na szybką identyfikację i naprawę takich nieszczelności. Działania takie umożliwiają inteligentne zarządzanie siecią dystrybucyjną, co skutkuje minimalizacją emisji metanu, strat gazu i optymalizacją jego dystrybucji. SSN umożliwiają tworzenie zaawansowanych modeli i przyczyniają się do zwiększenia przydatności i trafności wykonywanych w Spółce symulacji pracy sieci gazowych, co pozwala na lepsze zrozumienie pracy systemu. Dzięki temu możliwe jest opracowanie bardziej efektywnych strategii ograniczenia emisji metanu. Dzięki połączeniu SSN i symulacji pracy sieci gazowych możliwe jest wyznaczenie stopnia „zazielenienia” sieci gazowych oraz wskazanie ilościowo, jak te działania wpłyną np. na ograniczenie ekwiwalentu emisji dwutlenku węgla z sieci dystrybucyjnej.
Zastosowanie SI w prognozowaniu zużycia oraz transporcie gazu ziemnego w Polsce i na świecie – przegląd modeli
Prognozowanie maksymalnego, godzinowego zapotrzebowania na gaz ziemny jest skomplikowanym zagadnieniem. Stosowane do opracowania prognoz metody opierają się na różnych założeniach, co skutkuje zróżnicowanymi wynikami dla tych samych danych wejściowych. Najbardziej efektywną metodą planowania dostaw gazu jest analiza rzeczywistego zużycia gazu (Apostol et al., 2017). Wykorzystuje ona analizę regresji wieloparametrycznej lub sieci neuronowej do modelowania zależności zużycia gazu od czynników takich, jak charakterystyka budynków i urządzeń gazowych, warunki pogodowe, czy dane kalendarzowe. Dla danych parametrów wejściowych tworzony jest model matematyczny, który testuje się pod kątem istotności współczynnika korelacji. W sytuacji, gdy model liniowy jest niewystarczający, wykorzystuje się sztuczne sieci neuronowe. W literaturze branżowej znajduje się wiele opracowań dotyczących zastosowania SSN w prognozowaniu zużycia gazu przy zastosowaniu różnych modeli, np. gaussowskich. Regresja procesów gaussowskich (GPR) wykorzystuje dane szeregów czasowych, które uwzględniają czynniki zewnętrzne, takie jak np. temperatura. Znacząco poprawia to wyniki prognozowania, szczególnie w okresach zimowych (Laib et al., 2018).
Połączenie estymacji zapotrzebowania na gaz ziemny z modelem stochastycznym temperatury jest najczęściej spotykaną metodą prognozowania zużycia gazu. Zapotrzebowanie na gaz ziemny oraz procesy temperaturowe są modelowane oddzielnie. Następnie wyprowadzany jest rozkład zużycia gazu ziemnego w zależności od temperatury. Modele te są testowane dzięki symulacji Monte Carlo oraz rozwiązania analitycznego, co pozwala na porównanie wyników prognoz z rzeczywistymi danymi (Goncu et al., 2019). Wyniki badań wskazują, iż głównymi czynnikami determinującymi zapotrzebowanie na gaz ziemny są tzw. heating degree days (HDDs), czyli dni, podczas których temperatura jest na tyle niska, iż wymagane jest zastosowanie ogrzewania.
Interesującym materiałem do badania i prognozowania poborów gazu w sieci dystrybucyjnej są odbiorcy komunalni, charakteryzujący się stabilnością i regularnością poborów (Panek i Włodek, 2022). Tradycyjne podejście, polegające na wyliczaniu obciążeń średnich dla odbiorców komunalnych grupowych, nie jest odpowiednie ze względu na nieregularne indywidualne pobory zużycia, które wiążą się z brakiem wiarygodnych danych oraz nagłe, częste zmiany wzorców konsumpcji (Narloch, 2024). W tym wypadku zastosowanie znajduje nieliniowy model regresji z indywidualnymi parametrami specyficznymi dla klienta, który posiada wspólny rozkład zgodny z ramami modelu nieliniowych efektów mieszanych (Brabec et al., 2008). Istotną zaletą takiego podejścia jest możliwość budowania modelu warunkowego. Pierwszym warunkiem jest określenie, czy dany klient zużywa gaz w danym dniu, co modeluje się jako status konsumpcji indywidualny. Badania pokazują, iż indywidualne modelowanie i prognozowanie zużycia gazu jest szczególnie istotne w okresach zmiany cen oraz w scenariuszach deregulacji rynku. Podejście to jest niezbędne w sytuacjach, gdy brakuje danych, co istotnie wpływa na jakość prognozowania (Narloch, 2024). Modelowanie indywidualnych wzorców zużycia gazu ziemnego może przyczyniać się do bardziej precyzyjnych prognoz, co ma istotny wpływ na redukcję ryzyka finansowego na rynku gazu oraz umożliwia lepsze zarządzanie zasobami energetycznymi.
Tureccy badacze (Yukseltan et al., 2020) zaprezentowali model prognozowania zużycia gazu ziemnego, oparty na rozwinięciu szeregu Fouriera oraz uzupełnionym o odchylenia od temperatury jako zmienną regresyjną. Model ten jest również wspierany przez mechanizm sprzężenia zwrotnego w celu prognozowania dziennego zużycia. Metodę zastosowano do analizy zużycia gazu w dużych obszarach mieszkalnych na terenie Turcji, odpowiednio w ujęciu rocznym, miesięcznym, tygodniowym oraz dziennym. Model ten oferuje prognozy w horyzoncie jednorocznym z dokładnością mieszczącą się w granicach 5-10% średniego błędu procentowego, a jego głównymi zaletami są możliwość długoterminowych prognoz oraz większa dokładność w porównaniu z metodami szeregów czasowych. W innym artykule przedstawiono prognozę zużycia gazu dla odbiorców w Stambule (Demirel i Zaim, 2012), wykorzystując model regresji OLS jako model referencyjny oraz bardziej zaawansowane modele ARMAX i sieci neuronowych. Modele te wykazały się dużą dokładnością w prognozowaniu zużycia gazu ziemnego.
W literaturze przedmiotu często spotyka się analizy oparte na modelu ARMA (autoregressive moving average) (Ambya et al., 2020) z dodatkowymi współczynnikami Fouriera, w celu uwzględnienia sezonowości zużycia gazu (Goncu, 2013a). Model ARMA ze współczynnikami Fouriera dobrze odwzorowuje empiryczne adekwatności miesięcznego zużycia gazu i jego sezonowość. Umożliwia on prognozowanie miesięcznego zużycia gazu ziemnego dla jednego konsumenta. Model został zweryfikowany poprzez metodologię backtestingu, która wykazała dobrą zgodność prognoz z rzeczywistymi danymi zużycia gazu. Badania te są najważniejsze dla efektywnego zarządzania zasobami energetycznymi, szczególnie w kontekście wzrostu znaczenia gazu ziemnego jako ekologicznego źródła energii (Narloch, 2024).
W Polsce wykonuje się prognozy przy użyciu hybrydowego modelu ARIMA-LSTM. Model ten umożliwia prognozowanie zużycia gazu ziemnego z uwzględnieniem historycznych zużyć, cen surowców energetycznych oraz założeń PEP2040. Autorzy (Manowska et al., 2021) stworzyli hybrydowy model łączący ARIMA z sieciami neuronowymi LSTM. Średni procentowy błąd prognozy wyniósł 2%, co oznacza, iż model trafnie odzwierciedla rzeczywiste zużycia gazu ziemnego.
A. Goncu przedstawił nową interpretację modelu logistycznego stosowanego do szacowania zużycia gazu ziemnego (Goncu, 2013b). Autor zaprezentował regresyjny model oparty na dyskretyzacji Eulera modelu logistycznego, upraszczający procedurę estymacji parametrów i lepiej modelujący dane dotyczące zużycia gazu. Uzyskane przez autora wyniki pokazują, iż model regresyjny daje lepsze dopasowanie do danych i mniejsze sumy błędów kwadratowych w porównaniu do metod GA (algorytmu genetycznego) i NLP (nieliniowego programowania). Kluczowymi korzyściami wynikającymi z zastosowania modelu regresyjnego są (Narloch, 2024):
- lepsze dopasowanie do danych historycznych (potwierdzeniem są niższe sumy błędów kwadratowych),
- prostsza estymacja parametrów z wykorzystaniem metody najmniejszych kwadratów,
- możliwość uzyskania przedziałów ufności dla prognoz punktowych, co nie jest możliwe w przypadku deterministycznego modelu logistycznego.
W literaturze przedstawione są także strukturalne modele szeregów czasowych (STSM) uwzględniające czynniki ekonomiczne wewnętrzne oraz zewnętrzne (Hakimipoor et al., 2016). Wyniki analiz wykazały stochastyczny charakter trendów i udowadniają, iż nieekonomiczne, nieobserwowalne czynniki mogą mieć znaczny wpływ na zapotrzebowanie na gaz ziemny w sektorze przemysłowym.
Istotną kwestią są przygotowywane analizy prognozowania zużycia gazu w kontekście zabezpieczenia potencjału magazynowego państw UE (Köteles et al., 2018). Köteles i in. w swoim artykule podkreślają znaczenie strategii magazynowania gazu ziemnego i zarządzania jego rezerwami jako kluczowych elementów, zapewniające stabilność dostaw gazu ziemnego do odbiorców w wybranych krajach UE.
W przemyśle opracowywane są również modele statystyczne konsumpcji gazu ziemnego, oparte na analizie danych na przestrzeni kilkudziesięciu lat (Huntington, 2007), (Hakimipoor et al., 2016). Huntington podjął się przygotowania modeli statystycznych, opierających się na danych historycznych z lat 1958-2003, przy założeniu, iż ceny gazu ziemnego będą podążać za cenami ropy naftowej, jak miało to miejsce w przeszłości (Huntington, 2007). Wykorzystał on różne miary aktywności ekonomicznej i ceny ropy naftowej, w celu oceny ich wpływu na zużycie gazu. Opracowany model wykazał, iż zużycie gazu w przemyśle może rosnąć wolniej w ciągu następnych 20 lat, w przeciwieństwie do prognoz Energy Information Administration (EIA), pod warunkiem, iż ceny gazu będą podążały za cenami ropy. o ile ceny gazu będą niższe od cen ropy, zużycie gazu może znacznie wzrosnąć.
Podejmuje się także próby analizy czynników mających wpływ na globalne zapotrzebowanie na gaz ziemny, które uwzględniają zależności między konsumpcją gazu, a jej determinantami. Autorzy (Oskoui i Belaifa, 2017) wykorzystali w swojej pracy model dekompozycji wariancji oparty na modelu wektorowej autoregresji (VAR). Wyniki ich analiz wykazały, iż wzrost gospodarczy odpowiada za ok. 32% fluktuacji zapotrzebowania na gaz ziemny, zmiany cen gazu – za ok. 35%, natomiast zmiany w zapotrzebowaniu na energię – ok. 16%.
Na wyniki prognoz mają wpływ zmienne pogodowe, kalendarzowe, czy też charakterystyka budynków. Na podstawie analizy rzeczywistego zużycia gazu można przewidywać zapotrzebowanie na gaz w różnych rejonach miasta, co pozwala na optymalizację systemu dostaw gazu i bardziej trafne projektowanie sieci dystrybucji (Narloch, 2024).
Konieczne są dalsze prace nad udoskonaleniem modeli prognostycznych, w tym uwzględnienie szczegółowych technologii i procesów przemysłowych, w celu lepszego zrozumienia wzorców zużycia energii w przyszłości.
Bibliografia
Ambya A., Gunarto T., Hendrawaty E., Kesuma F. S. D., Wisnu F. K., 2020. Future Natural Gas Price Forecasting Model and Its Policy Implication. International Journal of Energy Economics and Policy, 10(5), 64-70.
Apostol R., Łaciak M., Olìjnik A., Szurlej A., 2017. Analysis of the methods for gas demand forecasting. AGH Drilling, Oil, Gas. 34. 429. 10.7494/drill.2017.34.2.429.
Awuku B., Huang Y., Yodo, N., 2023. Predicting Natural Gas Pipeline Failures Caused by Natural Forces: An Artificial Intelligence Classification Approach. Applied Sciences, 13(7), 4322. https://doi.org/10.3390/app13074322.
Brabec M., Konár O., Pelikán E., Malý M., 2008. A Nonlinear Mixed Effects Model for the Prediction of Natural Gas Consumption by Individual Customers, International Journal of Forecasting,
Vol. 24, I. 4, 659-678. https://doi.org/10.1016/j.ijforecast.2008.08.005.
Demirel O., Zaim S., Caliskan A., Gokcin Ozuyar P., 2012. Forecasting natural gas consumption in Istanbul using neural networks and multivariate time series methods. Turkish Journal of Electrical Engineering and Computer Sciences. 20. 695-711. 10.3906/elk-1101-1029.
Goncu A., 2013a. An ARMA model for natural gas consumption. 3rd International Conference on Energy and Environmental Science IPCBEE, 54, IACSIT Press, Singapore DOI: 10.7763/IPCBEE. V54. 6.
Goncu A., 2013b. A New Interpretation of the Logistic Model in Estimating Seasonal and Yearly Natural Gas Consumption. Research in Applied Economics. 5. 97. 10.5296/rae.v5i4.4156.
Goncu A., Karahan M. O., Kuzubas T., 2019. Forecasting Daily Residential Natural Gas Consumption: A Dynamic Temperature Modelling Approach. Bogazici Journal. 33. 10.21773/boun.33.1.3.
Hakimipoor N., Akbarian H., Alipour M. S., Taheri S., 2016. The Estimation of Demand for Natural Gas Consumption in Industry Sector in Iran and Prediction it Until 2021: Structural Time Series Model Analysis, www.arpapress.com.
Huntington H., 2007. Industrial natural gas consumption in the United States: An empirical model for evaluating future trends. Energy Economics. 29. 743-759. 10.1016/j.eneco.2006.12.005.
Köteles T., Tihanyi L., Szunyog I., Kis L.,2018. Specific features of natural gas supply in some EU countries. Acta Tecnología. 4. 45-57. 10.22306/atec.v4i3.40.
Laib O., Khadir M., Mihaylova L., 2018. A Gaussian Process Regression for Natural Gas Consumption Prediction Based on Time Series Data. 10.23919/ICIF.2018.8455447.
Manowska A., Rybak A., Dylong A., Pielot, J., 2021. Forecasting of Natural Gas Consumption in Poland Based on ARIMA-LSTM Hybrid Model. Energies, 14(24), 8597. https://doi.org/10.3390/en14248597.
Narloch P., 2024. Dynamiczna kontrola ciśnienia w modelowaniu pracy sieci gazowych z wykorzystaniem modeli sieci neuronowych w celu optymalizacji działań inwestycyjnych wspierających redukcję smogu i niskiej emisji. Rozprawa doktorska. Akademia Górniczo-Hutnicza im. Stanisłąwa Staszica w Krakowie.
Osiadacz A., 2019. Możliwości zmniejszenia kosztów transportu gazu. Przegląd Gazowniczy, 1(61), 14-18.
Oskoui K.N., Belaifa M., 2017. Forecasting Natural Gas Demand in the Short-term. Gas Market Analysis Department GECF. https://www.haee.gr/media/3966/k-oskoui-m-belaifa-forecasting-natural-gas-demand-in-the-short-term.pdf (dostęp: styczeń 2026).
Panek W., Włodek T., 2022. Natural Gas Consumption Forecasting Based on the Variability of External Meteorological Factors Using Machine Learning Algorithms. Energies, 15(1), 348. https://doi.org/10.3390/en15010348.
Yükseltan E., Yucekaya A., Bilge A., Agca Aktunc E., 2020. Forecasting models for daily natural gas consumption considering periodic variations and demand segregation. Socio-Economic Planning Sciences. 74. 100937. 10.1016/j.seps.2020.100937.
Autorzy: Mgr inż. Jacek Kawula, Dyrektorw OZG Kraków; Dr inż. Piotr Narloch, Kierownik Sekcji Symulacji i Bilansowania Sieci w OZG Kraków; Dr inż. Klaudia Ligęza, Specjalista ds. Symulacji i Bilansowania Sieci w OZG Kraków; Mgr inż. Ewa Zięba, Starszy Specjalista ds. Symulacji i Bilansowania Sieci w OZG Kraków; Mgr inż. Monika Malisz, Młodszy Specjalista ds. Symulacji i Bilansowania Sieci w OZG Kraków; Mgr inż. Wiktoria Mazur, Młodszy Specjalista ds. Symulacji i Bilansowania Sieci w OZG Kraków, Polska Spółka Gazownictwa sp. z o.o.; Zakład Gazowniczy w Krakowie
Źródło: Artykuł pochodzi z wydania 3/2026 magazynu ,,Nowa Energia”
