Konteksty i narzędzia wsparcia ER: aspekty społeczne i klimatyczno-środowiskowe, cyfryzacja i prognozowanie cen
DOI:
https://doi.org/10.7494/er.2025.13-14.177Słowa kluczowe:
postawy wobec transformacji energetycznej, badania ilościowe i jakościowe, technika CATI, zdrowotne skutki zanieczyszczeń powietrza, wskaźniki monitorujące, Obserwatorium Transformacji Energetycznej, data space, przestrzenie danych, cyfryzacja energetyki, prognozowanie cen energii, równania różniczkowe stochastyczne, uczenie maszynowe, modele hybrydoweAbstrakt
Transformacja energetyczna to złożony proces, który maco prawda naturę technologiczną, ale o jego skuteczności decydują w dużej mierze czynniki społeczne i kulturowe. Dla rozwoju energetyki rozproszonej największą wartość mają zatem działania interdyscyplinarne, angażujące specjalistów z różnych dziedzin nauki i gospodarki lub szukające społecznego rezonansu. Niniejszy artykuł prezentuje przykłady takich badań. Analizy postaw Polaków wobec transformacji energetycznej czy monitoring zdrowotnych skutków zanieczyszczenia powietrza – to konteksty, które powinny być punktem wyjścia dla myślenia o rozwoju energetyki rozproszonej w naszym kraju. Z kolei koncepcja przestrzeni danych (data space) oraz modele prognozowania cen energii – to przykłady tego,jak nauki ścisłe i technologie informatyczne mogą odpowiadać na realne potrzeby interesariuszy transformacji.
Bibliografia
Baranek M., Kałuża A., Morkisz P.M., Przybyłowicz P., Sobieraj M. (2023), On the Randomized Euler Algorithm under Inexact Information, https://arxiv.org/abs/2307.04718 [dostęp: 24.06.2025].
Błaszczyk P., Klimczak K., Mahdi A., Oprocha P., Potorski P., Przybyłowicz P., Sobieraj M. (2022), On Automatic Calibration of the SIRD Epidemiological Model for COVID-19 Data in Poland, https://arxiv.org/abs/2204.12346 [dostęp: 24.06.2025].
Bochacik T., Czyżewska N., Kałuża A., Majchrowski D., Morkisz P., Przybyłowicz P., Studzińska-Wrona M. (2020), Hybrid Option Pricing through AI and GPU-Powered SDEs Solvers, sesja posterowa, NVIDIA GTC 2020.
Common Information Model (b.r.), https://www.entsoe.eu/digital/ common-information-model [dostęp: 20.06.2025].
Data Act (2023), Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2023/2854 z dnia 13 grudnia 2023 r. w sprawie zharmonizowanych przepisów dotyczących sprawiedliwego dostępu do danych i ich wykorzystania oraz w sprawie zmiany rozporządzenia (UE) 2017/2394 i dyrektywy (UE) 2020/1828.
EDIEL (b.r.), https://ediel.org/common-ediel-documents [dostęp: 20.06.2025].
Energetyczna przyszłość – co naprawdę myślimy? (2025), seminarium 1. projektu Obserwatorium Transformacji Energetycznej, https://www.energetyka-rozproszona.pl/relacje-z-wydarzen/ seminarium-ote-preker-1/ [dostęp: 18.06.2025].
HEMRM (2022), The Harmonised Electricity Market Role Model, wersja 2022–01, https://eepublicdownloads.entsoe.eu/clean-documents/EDI/Library/HRM/Harmonised_Role_Mo¬del_2022-01.pdf [dostęp: 20.06.2025].
IEC (b.r.), Smart Grid Architecture Model, https://syc-se.iec.ch/deliveries/sgam-basics [dostęp: 20.06.2025].
IEEE (2023), IEEE Standard for Smart Energy Profile Application Protocol https://standards.ieee.org/ieee/2030.5/11216 [dostęp: 20.06.2025].
Kałuża A., Morkisz P.M., Mulewicz B., Przybyłowicz P., Wiącek M. (2024), Deep Learning-Based Estimation of Time-Dependent Parameters in Markov Models with Application to Nonlinear Re-gression and Sdes, „Applied Mathematics and Computation” 480: 128906.
Kopeć A., Przybyłowicz P., Wiącek M. (w przygotowaniu), Neural Network-Based Estimation of Time-Dependent Parameters in AR (1) Processes.
Laitsos V., Vontzos G., Bargiotas D., Daskalopulu A., Tsoukalas L.H. (2024), Data-Driven Techniques for Short-Term Electricity Price Forecasting through Novel Deep Learning Approaches with Attention Mechanisms, „Energies” 17 (7): 1625.
Mishra B.K., Preniqi V., Thakker D., Feigl E. (2024), Machine Learning and Deep Learning Prediction Models for Time-Series: A Comparative Analytical Study for the Use Case of the UK Short-Term Electricity Price Prediction, „Discover Internet of Things” 4: 24.
Morkisz P.M., Przybyłowicz P. (2021), Randomized Derivative-Free Milstein Algorithm for Efficient Approximation of Solutions of SDEs Under Noisy Information, „Journal of Computational and Applied Mathematics” 383: 113112.
North American Energy Standards Board (b.r.), The NAESB Energy Services Provider Interface Model Business Practices Information Page, https://www.naesb.org/espi_standards.asp [dostęp: 20.06.2025].
OpenADR (b.r.), https://www.openadr.org/specification [dostęp: 20.06.2025].
Przybyłowicz P. (2022), Foundations of Monte Carlo Methods and Stochastic Simulations – From Monte Carlo Lebesgue Integration to Weak Approximation of SDEs, https://arxiv.org/ abs/2208.05531 [dostęp: 24.06.2025].
Unia Europejska (2020), The European Strategy for Data, Document 52020DC0066, https://eur-lex.europa.eu/legal-content/ EN/TXT/?uri=CELEX%3A52020DC0066 [dostęp: 20.06.2025].
Unia Europejska (2023), Data Exchange Reference Architecture European (energy) data exchange reference architecture 3.0, https://op.europa.eu/en/publication-detail/-/publication/ dc073847-4d35-11ee-9220-01aa75ed71a1/language-en [dostęp: 20.06.2025].
Vega-Márquez B., Rubio-Escudero C., Nepomuceno-Chamorro I.A., Arcos-Vargas Á. (2021), Use of Deep Learning Architectures for Day-Ahead Electricity Price Forecasting over Different Time Periods in the Spanish Electricity Market, „Applied Sciences” 11 (13): 6097.
Weron R. (2014), Electricity Price Forecasting: A Review of the State-of-the-Art with a Look Into the Future, „International Journal of Forecasting” 30 (4): 1030–1081.
Pobrania
Opublikowane
Wersje
- 2025-09-29 - (2)
- 2025-09-28 - (1)
Numer
Dział
Licencja
Prawa autorskie (c) 2025 Czasopismo „Energetyka Rozproszona” stosuje licencję „Creative Commons Uznanie autorstwa 4.0”, która pozwala na kopiowanie, zmienianie, rozprowadzanie, przedstawianie i wykonywanie utworu jedynie pod warunkiem oznaczenia autorstwa. Z pełną treścią licencji można zapoznać się na stronie: https://creativecommons.org/licenses/by/4.0/legalcode.
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa 4.0 Międzynarodowe.
