Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/39553
Назва: | Additive mathematical model of gas consumption process |
Інші назви: | Адитивна математична модель процесу газоспоживання |
Автори: | Литвиненко, Ярослав Володимирович Лупенко, Сергій Анатолійович Назаревич, Олег Богданович Шимчук, Григорій Валерійович Готович, Володимир Анатолійович Lytvynenko, Iaroslav Lupenko, Serhii Nazarevych, Oleh Shymchuk, Hryhorii Hotovych, Volodymyr |
Приналежність: | Тернопільський національний технічний університет імені Івана Пулюя, Тернопіль, Україна Ternopil Ivan Puluj National Technical University, Ternopil, Ukraine |
Бібліографічний опис: | Additive mathematical model of gas consumption process / Iaroslav Lytvynenko, Serhii Lupenko, Oleh Nazarevych, Hryhorii Shymchuk, Volodymyr Hotovych // Scientific Journal of TNTU. — Tern. : TNTU, 2021. — Vol 104. — No 4. — P. 87–97. |
Bibliographic description: | Lytvynenko I., Lupenko S., Nazarevych O., Shymchuk H., Hotovych V. (2021) Additive mathematical model of gas consumption process. Scientific Journal of TNTU (Tern.), vol. 104, no 4, pp. 87-97. |
Є частиною видання: | Вісник Тернопільського національного технічного університету, 4 (104), 2021 Scientific Journal of the Ternopil National Technical University, 4 (104), 2021 |
Журнал/збірник: | Вісник Тернопільського національного технічного університету |
Випуск/№ : | 4 |
Том: | 104 |
Дата публікації: | 25-січ-2022 |
Дата подання: | 13-жов-2021 |
Дата внесення: | 25-гру-2022 |
Видавництво: | ТНТУ TNTU |
Місце видання, проведення: | Тернопіль Ternopil |
DOI: | https://doi.org/10.33108/visnyk_tntu2021.04.087 |
УДК: | 519.6 |
Теми: | циклічний процес процес газоспоживання статистичне опрацювання сегментація циклічний випадковий процес cyclic random process gas consumption process statistical processing segmentation cyclic random process |
Кількість сторінок: | 11 |
Діапазон сторінок: | 87-97 |
Початкова сторінка: | 87 |
Кінцева сторінка: | 97 |
Короткий огляд (реферат): | Розглянуто задачу побудови нової математичної моделі процесу газоспоживання. Нова математична модель подана у вигляді адитивної суміші трьох компонент: циклічний випадковий процес, трендова компонента та стохастичний залишок. Процес отримання трьох компонент здійснюється на основі застосування методу гусениці, при цьому отримуються десять компонент сингулярного розкладу. За такого підходу циклічна компонента формується із суми дев’яти компонент розкладу, які мають спільну ознаку – повторюване розгортання в часі. Трендова компонента нової математичної моделі – це друга компонента сингулярного розкладу, а стохастичний залишок формується на основі різниці значень досліджуваного процесу газоспоживання й суми циклічної та трендової компонент. Використано два підходи щодо стохастичного опрацювання циклічного процесу газоспоживання на основі відомої моделі стохастично-періодичного випадкового процесу та циклічного випадкового процесу як моделей циклічної компоненти. Застосування математичної моделі циклічної компоненти у вигляді циклічного випадкового процесу зі циклічною структурою дозволило отримати оцінку дисперсії на циклі процесу газоспоживання, за умови сегментації циклічної компоненти по впадинах, значно менше у порівнянні отриманої оцінки дисперсії для випадку застосування математичної моделі у вигляді стохастично-періодичного випадкового процесу. Це свідчить про значно більшу точність при опрацюванні процесу газоспоживання й дозволить використати отримані стохастичні оцінки під час моделювання процесу газоспоживання у подальших дослідженнях. The problem of construction of a new mathematical model of the gas consumption process is considered in this paper. The new mathematical model is presented as an additive mixture of three components: cyclic random process, trend component and stochastic residue. The process of obtaining three components is carried out on the basis of caterpillar method, thus obtaining ten components of singular decomposition. In this approach, the cyclic component is formed from the sum of nine components of the schedule, which have one thing in common – repeated deployment over time. The trend component of the new mathematical model is the second component of singular decomposition, and the stochastic residue is formed on the basis of the difference between the values of the studied gas consumption process and the sum of cyclic and trend components. Two approaches to stochastic processing of cyclic gas consumption process based on the known model of stochastic-periodic random process and cyclic random process as models of the cyclic component are used in this paper. Application of mathematical model of cyclic component in the form of cyclic random process with cyclic structure makes it possible to obtain estimation of variance on cycle of gas consumption process, provided segmentation of cyclic component on depressions, much less in comparison of obtained variance estimation for indicating greater accuracy in the study of the gas consumption process and will use the obtained stochastic estimates when modeling the gas consumption process in further studies. |
URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/39553 |
ISSN: | 2522-4433 |
Власник авторського права: | © Ternopil Ivan Puluj National Technical University, 2021 |
URL-посилання пов’язаного матеріалу: | https://doi.org/10.1016/j.enpol.2009.06.053 https://doi.org/10.1016/j.resconrec.2010.02.010 https://doi.org/10.1016/j.energy.2015.03.084 https://doi.org/10.1016/j.enconman.2013.11.019 https://doi.org/10.1080/00908310490256617 https://doi.org/10.1016/j.rser.2015.04.154 https://doi.org/10.1016/j.egyr.2015.11.001 https://doi.org/10.1201/9781420035841 |
Перелік літератури: | 1. Приймак М. В. Аналіз електронавантажень із використанням лінійних випадкових процесів //Вісник Тернопільського держ. техн. ун-ту. 1999. Том 4 Число 1. С. 84–87. [In Ukraine]. 2. Марченко Б. Г., Мулик Н. В., Фриз М. Є. Характеристична функція умовного лінійного випадкового процесу як математичної моделі газоспоживання. Наукові праці Національного авіаційного університету. Серія: електроніка та системи управління. 2006. № 3 (9). С. 40–46. 3. Maggio G., Cacciola G. (2009) A variant of the Hubbert curve for world oil production forecasts. Energy Policy 37 (11). 4761–4670. DOI: https://doi.org/10.1016/j.enpol.2009.06.053 4. Valero A. (2010) Physical geonomics: combining the exergy and Hubbert peak analysis for predicting mineral resources depletion. Resour. Conserv. Recycl. 54 (12). 1074–1083. DOI: https://doi.org/10.1016/j.resconrec.2010.02.010 5. Szoplik J. (2015) Forecasting of natural gas consumption with artificial neural networks. Energy 85, 208–220. DOI: https://doi.org/10.1016/j.energy.2015.03.084 6. Ardakani F. J., Ardehali M. M. (2014) Novel effects of demand side management data on accuracy of electrical energy consumption modeling and long-term forecasting. Energy Convers. Manage. 78, 745–752. DOI: https://doi.org/10.1016/j.enconman.2013.11.019 7. Demirel O. F., Zaim S., Caliskan A., Ozuyar P. (2012) Forecasting natural gas consumption in Istanbul using neural networks and multivariate time series methods. Turkish J. Electr. Eng. Comput. Sci. 20 (5), 695–711. 8. Gorucu F. B. (2010) Evaluation and forecasting of gas consumption by statistical analysis. Energy Sources 26, 267–276. DOI: https://doi.org/10.1080/00908310490256617 9. Khan M. A., (2015) Modelling and forecasting the demand for natural gas in Pakistan. Renewable Sustainable Energy Rev. 49, 1145–1159. DOI: https://doi.org/10.1016/j.rser.2015.04.154 10. Zhang Wei; Yang, Jun (2015): Forecasting natural gas consumption in China by Bayesian Model Averaging, Energy Reports, ISSN 2352-4847, Elsevier, Amsterdam, Vol. 1. P. 216–220. DOI: https://doi.org/10.1016/j.egyr.2015.11.001 11. Лупенко С. Циклічні функції та їх класифікація в задачах моделювання циклічних сигналів та коливних систем. Вимірювальна та обчислювальна техніка в технологічних процесах. 2005. № 1. P. 177–185. 12. Лупенко С. Циклічні функції та їх класифікація в задачах моделювання циклічних сигналів та коливних систем. Вимірювальна та обчислювальна техніка в технологічних процесах. 2005. № 1. P. 177–185. 13. Назаревич О. Виділення річного тренду як адитивної складової часового ряду газоспоживання. Вісник ТНТУ. 2011. Том 16. № 4. С. 201–209. 14. Golyandina N. E., Nekrutkin V. V., Zhigljavsky A. A. Analysis of Time Series Structure: SSA and Related Techniques. Boca Raton: Chapman&Hall / CRC, 2000. 305 p. DOI: https://doi.org/10.1201/9781420035841 15. Lytvynenko I. V. The method of segmentation of stochastic cyclic signals for the problems of their processing and modeling. Journal of Hydrocarbon Power Engineering, Oil and Gas Measurement and Testing. 2017. Vol. 4. No. 2. P. 93–103. 16. LytvynenkoA., Horkunenko O., Kuchvara Y., Palaniza, Methods of processing cyclic signals in automated cardiodiagnostic complexes, in: Proceedings of the 1st International Workshop on Information-Communication Technologies and Embedded Systems. Mykolaiv, Ukraine, 2019. P. 116–127. 17. Lytvynenko I. V., Maruschak P. O., Lupenko S. A., Hats Yu. I., Menou A., Panin S. V. Software for segmentation, statistical analysis and modeling of surface ordered structures. Mechanics, resource and diagnostics of materials and structures (MRDMS-2016): Proceedings of the 10th International Conference on Mechanics, Resource and Diagnostics of Materials and Structures. AIP Publishing, 2016, Vol. 1785. No. 1. P. 030012-1-030012-7. 18. Lupenko S., Lytvynenko I., Stadnyk N., Osukhivska H., Kryvinska N. Modification of the Software System for the Automated Determination of Morphological and Rhythmic Diagnostic Signs by Electrocardio Signals. IntelITSIS-2020, Proceedings of the 1st International Workshop on Intelligent Information Technologies & Systems of Information Security. Khmelnytskyi, Ukraine, June 10–12, 2020. P. 36–46. 19. Приймак Н. В., Гузий В. И. Исследование возможности измерения периода корреляции переодически коррелированного случайного процесса по одной наблюдаемой реализации Весник Киевского политехнического института «Электроакустика и звукотехника». Киев.: Высшая школа, 1984. Вып. 8. С. 31–33. |
References: | 1. Pryymak M. V. Analiz elektronavantazhenʹ iz vykorystannyam liniynykh vypadkovykh protsesiv. Visnyk Ternopilʹsʹkoho derzh. tekhn. un-tu. 1999. Tom 4. Chyslo 1. P. 84–87. [In Ukraine]. 2. Marchenko B. H., Mulyk N. V., Fryz M. Y. Kharakterystychna funktsiya umovnoho liniynoho vypadkovoho protsesu yak matematychnoyi modeli hazospozhyvannya. Naukovi pratsi Natsionalʹnoho aviatsiynoho universytetu. Seriya: elektronika ta systemy upravlinnya. 2006. No. 3 (9). P. 40–46. [In Ukraine]. DOI: https://doi.org/10.1016/j.enpol.2009.06.053 3. Maggio G., Cacciola G. (2009) A variant of the Hubbert curve for world oil production forecasts. Energy Policy 37 (11), 4761–4670. 4. Valero A. (2010) Physical geonomics: combining the exergy and Hubbert peak analysis for predicting mineral resources depletion. Resour. Conserv. Recycl. 54 (12), 1074–1083. DOI: https://doi.org/10.1016/j.resconrec.2010.02.010 5. Szoplik J. (2015) Forecasting of natural gas consumption with artificial neural networks. Energy 85, 208–220. DOI: https://doi.org/10.1016/j.energy.2015.03.084 6. Ardakani F. J., Ardehali M. M. (2014) Novel effects of demand side management data on accuracy of electrical energy consumption modeling and long-term forecasting. Energy Convers. Manage. 78, 745–752. DOI: https://doi.org/10.1016/j.enconman.2013.11.019 7. Demirel O. F., Zaim S., Caliskan A., Ozuyar P. (2012) Forecasting natural gas consumption in Istanbul using neural networks and multivariate time series methods. Turkish J. Electr. Eng. Comput. Sci. 20 (5), 695–711. 8. Gorucu F. B. (2010) Evaluation and forecasting of gas consumption by statistical analysis. Energy Sources 26, 267–276. DOI: https://doi.org/10.1080/00908310490256617 9. Khan M. A., (2015) Modelling and forecasting the demand for natural gas in Pakistan. Renewable Sustainable Energy Rev. 49, 1145–1159. DOI: https://doi.org/10.1016/j.rser.2015.04.154 10. Zhang Wei; Yang, Jun (2015): Forecasting natural gas consumption in China by Bayesian Model Averaging, Energy Reports, ISSN 2352-4847, Elsevier, Amsterdam. Vol. 1. P. 216–220. DOI: https://doi.org/10.1016/j.egyr.2015.11.001 11. Lupenko S. Tsiklicheskiye funktsii i ikh klassy v zadachakh modelirovaniya tsiklicheskikh signalov i kolivnikh system. Vimíryuvalʼna i obchislyuvalʼna tekhnika v tekhnologíchnikh protsessakh. Khmelʼnitskiy. 2005. No. 1. P. 177–185. [In Ukraine]. 12. Lupenko S. A. Vypadkovyy protses iz zonnoyu chasovoyu strukturoyu ta simeystvo yoho funktsiy rozpodilu. Visnyk Ternopilʹsʹkoho derzhavnoho tekhnichnoho universytetu, 2005. Tom 14. P. 183–192. [In Ukraine]. 13. Nazarevych O. Vydilennya richnoho trendu yak adytyvnoyi skladovoyi chasovoho ryadu hazospozhyvannya. Visnyk TNTU. 2011. Tom 16. No. 4. P. 201–209) [in Ukraine]. 14. Golyandina N. E., Nekrutkin V. V., Zhigljavsky A. A. Analysis of Time Series Structure: SSA and Related Techniques. Boca Raton: Chapman&Hall. CRC, 2000. 305 p. DOI: https://doi.org/10.1201/9781420035841 15. Lytvynenko I. V. The method of segmentation of stochastic cyclic signals for the problems of their processing and modeling. Journal of Hydrocarbon Power Engineering, Oil and Gas Measurement and Testing. 2017. Vol. 4.No. 2. P. 93–103. 16. Lytvynenko A. Horkunenko O. Kuchvara Y. Palaniza, Methods of processing cyclic signals in automated cardiodiagnostic complexes, in: Proceedings of the 1st International Workshop on Information-Communication Technologies and Embedded Systems. Mykolaiv, Ukraine, 2019. P. 116–127. 17. Lytvynenko I. V., Maruschak P. O., Lupenko S. A., Hats Yu. I., Menou A., Panin S. V. Software for segmentation, statistical analysis and modeling of surface ordered structures. Mechanics, resource and diagnostics of materials and structures (MRDMS–2016): Proceedings of the 10th International Conference on Mechanics, Resource and Diagnostics of Materials and Structures. AIP Publishing. 2016. Vol. 1785. No. 1, P. 030012-1-030012-7. 18. Lupenko S., Lytvynenko I., Stadnyk N., Osukhivska H., Kryvinska N. Modification of the Software System for the Automated Determination of Morphological and Rhythmic Diagnostic Signs by Electrocardio Signals. IntelITSIS-2020, Proceedings of the 1st International Workshop on Intelligent Information Technologies & Systems of Information Security. Khmelnytskyi, Ukraine, June 10–12. 2020. P. 36–46. 19. Priymak N. V. Guziy V. I. Issledovaniye vozmozhnosti izmereniya perioda korrelyatsii pereodicheski korrelirovanogo sluchaynogo protsesa po odnoy nablyudayemoy realizatsii. Vesnik Kiyevskogo politekhnicheskogo instituta „Yelektroakustika i zvukotekhnika” Kiyev: Vysshaya shkola, 1984. Vyp. 8. P. 31–33. [In Russian]. |
Тип вмісту: | Article |
Розташовується у зібраннях: | Вісник ТНТУ, 2021, № 4 (104) |
Файли цього матеріалу:
Файл | Опис | Розмір | Формат | |
---|---|---|---|---|
TNTUSJ_2021v104n4_Lytvynenko_I-Additive_mathematical_87-97.pdf | 5,22 MB | Adobe PDF | Переглянути/відкрити | |
TNTUSJ_2021v104n4_Lytvynenko_I-Additive_mathematical_87-97.djvu | 306,93 kB | DjVu | Переглянути/відкрити | |
TNTUSJ_2021v104n4_Lytvynenko_I-Additive_mathematical_87-97__COVER.png | 1,36 MB | image/png | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.