Tytuł pozycji:
Forecasting South Sulawesi electrical energy consumption using artificial neural network
Electrical Energy must be provided in an amount according to needs. Energy that exceeds consumption needs causes power loss. On the other hand, when electricity is scarce, it causes blackouts. To produce electrical energy that meets these needs, there must be a plan for the provision of electrical energy which is carried out by forecasting electricity consumption. Therefore, forecasting electricity consumption is very important to ensure electricity efficiency. This research was conducted in the province of South Sulawesi, Indonesia. The research method used is the Artificial Neural Network (ANN) method. The results of forecasting energy consumption show that the Artificial Neural Network method, Network Type back-propagation, and the TRAINGDX training function of 1480.133602 MW are closest to the target value of 1480.167515 MW or a difference of 0.033913 MW, Mean Square Error (MSE) value is 0.000002131. TRAINCGB is 1480.115899 MW or a difference of 0.051616 MW, the Mean Square Error (MSE) value is 0.000003226. This forecast shows that the results are accurate.
Energia elektryczna musi być zapewniona w ilości dostosowanej do potrzeb. Energia przekraczająca zapotrzebowanie powoduje utratę mocy. Z drugiej strony, gdy brakuje prądu, powoduje to przerwy w dostawie prądu. Aby wyprodukować energię elektryczną zaspokajającą te potrzeby, musi istnieć plan dostarczania energii elektrycznej, który odbywa się poprzez prognozowanie zużycia energii elektrycznej. Dlatego prognozowanie zużycia energii elektrycznej jest bardzo ważne dla zapewnienia efektywności energetycznej. Badania przeprowadzono w prowincji Sulawesi Południowe w Indonezji. Zastosowaną metodą badawczą jest metoda sztucznej sieci neuronowej (ANN). Wyniki prognozowania zużycia energii pokazują, że metoda sztucznej sieci neuronowej, propagacja wsteczna typu sieci oraz funkcja ucząca TRAINGDX wynosząca 1480,133602 MW są najbliższe docelowej wartości 1480,167515 MW lub różnicy 0,033913 MW, średniego błędu kwadratowego (MSE). wartość wynosi 0,000002131. TRAINCGB wynosi 1480,115899 MW lub różnica 0,051616 MW, wartość błędu średniokwadratowego (MSE) wynosi 0,000003226. Prognoza ta pokazuje, że wyniki są trafne.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).
