Forecasting global coal consumption: An artificial neural network approach
,
 
,
 
 
 
More details
Hide details
1
Mineral and Energy Economy Research, Institute, Polish Academy of Sciences, Krakow, Poland
 
2
Independent researcher
 
 
Gospodarka Surowcami Mineralnymi – Mineral Resources Management 2017;33(4):29-44
 
KEYWORDS
ABSTRACT
In the 21st century, energy has become an integral part of our society and of global economic development. Although the world has experienced tremendous technological advancements, fossil fuels (including coal, natural gas, and oil) continue to be the world’s primary energy source. At the current production level, it has been estimated that coal reserves (economically recoverable) would last approximately 130 years (with the biggest reserves found in the USA, Russia, China, and India). The intricate relationship between economic growth, demographics and energy consumption (particularly in countries with coal intensive industries and heavy reliance on fossil fuels), along with the elevated amounts of greenhouse gases in the atmosphere, have raised serious concerns within the scientific community about the future of coal. Thus, various studies have focused on the development and application of forecasting methods to predict the economic prospects of coal, future levels of reserves, production, consumption, and its environmental impact. With this scope in mind, the goal of this article is to contribute to the scarce literature on global coal consumption forecasting with the aid of an artificial neural network method. This paper proposes a Multilayer Perceptron neural network (MLP) for the prediction of global coal consumption for the years 2020–2030. The MLP-based model is trained with historical data sets gathered from financial institutions, global energy authorities, and energy statistic agencies, covering the years 1970 through 2016. The results of this study show a deceleration in global coal consumption for the years 2020 (3 932 Mtoe), 2025 (4 069 Mtoe) and 2030 (4 182 Mtoe).
METADATA IN OTHER LANGUAGES:
Polish
Prognozowanie światowego zużycia węgla z zastosowaniem podejścia sztucznych sieci neuronowych
prognozowanie, zużycie węgla, sztuczna sieć neuronowa
W XXI wieku energia stała się integralną determinantą społeczeństwa i światowego rozwoju gospodarczego. Pomimo tego, że świat doświadczył zdecydowanych postępów technologicznych, paliwa kopalne (tj. węgiel, gaz ziemny i ropa naftowa) nadal są głównym źródłem energii na świecie. Szacuje się, że przy obecnym poziomie produkcji zasoby węgla (ekonomicznie możliwe do pozyskania) powinny wystarczyć na około 130 lat (największe rezerwy węgla znajdują się w Stanach Zjednoczonych, Rosji, Chinach i Indiach). Zawiłe relacje między wzrostem gospodarczym, demografią, zużyciem energii (szczególnie w krajach o przemysłach silne uzależnionych od paliw kopalnych) oraz podwyższone ilości gazów cieplarnianych w atmosferze wzbudziły poważne obawy w społeczności naukowej na temat przyszłości węgla. W świetle powyższego, dotychczasowe badania skupiały się na opracowywaniu i stosowaniu metod prognozowania rozwoju rynku węgla, przyszłych poziomów rezerw, produkcji, konsumpcji i wpływu na środowisko. Biorąc pod uwagę powyższe uwarunkowania, celem niniejszego artykułu jest opracowanie metody prognozowania światowego zapotrzebowania na węgiel z wykorzystaniem metody sztucznej sieci neuronowej. W poniższej pracy zastosowano podejście oparte na sieci neuronowej Perceptron Multilayer (MLP) do prognozowania światowego zużycia węgla w latach 2020–2030. Model MLP bazuje na historycznych zestawach danych zebranych od instytucji finansowych, organów i agencji statystycznych pozyskujących dane na temat energii obejmujących lata od 1970–2016. Wyniki niniejszego badania wskazują na spowolnienie światowego zużycia węgla do poziomu 3932 Mtoe w 2020 r., 4069 Mtoe w 2025 r. oraz 4182 Mtoe w 2030 roku.
REFERENCES (19)
1.
Beale et al. 2017 – Beale, M.H., Hagan, M.T. and Demuth, H.B. 2017. Neural Network Toolbox TM Reference. The MathWorks, Inc., Natick.
 
2.
BP, 2017. BP Statistical Review of World Energy 2017. London.
 
3.
Dreyfus, G. 2005. Neural networks: methodology and applications, 1st ed. Springer-Verlag Berlin Heidelberg, Berlin, Heidelberg. doi: 10.1007/3-540-28847-3.
 
4.
EIA, 2016. International Energy Outlook 2016, International Energy Outlook 2016. U.S. Energy Information Administration. [Online] Available at: www.eia.gov/forecasts/ieo/pdf/0484(2016).pdf [Accessed: 7.06.2017].
 
5.
Ermis et al. 2007 – Ermis, K., Midilli, A., Dincer, I. and Rosen, M.A. 2007. Artificial neural network analysis of world green energy use. Energy Policy 35, 1731–1743. doi: 10.1016/j.enpol.2006.04.015.
 
6.
Günay, M.E. 2016. Forecasting annual gross electricity demand by artificial neural networks using predicted values of socio-economic indicators and climatic conditions: Case of Turkey. Energy Policy 90, 92–101. doi: 10.1016/j.enpol.2015.12.019.
 
7.
Hagan et al. 1995 – Hagan, M.T., Demuth, H.B. and Beale, M.H. 1995. Neural Network Design. Bost. Massachusetts PWS 2, 734. doi: 10.1007/1-84628-303-5.
 
8.
Hill et al. 1994 – Hill, T., Marquez, L., O’Connor, M. and Remus, W. 1994. Artificial neural network models for forecasting and decision making. Int. J. Forecast. 10, 5–15. doi:.10.1016/0169–2070(94)90045-0.
 
9.
IEA, 2016. Coal Information 2016. International Energy Agency, Paris.
 
10.
Jebaraj et al. 2011 – Jebaraj, S., Iniyan, S. and Goic, R. 2011. Forecasting of Coal Consumption Using an Artificial Neural Network and Comparison with Various Forecasting Techniques. Energy Sources, Part A Recover. Util. Environ. Eff. 33, 1305–1316. doi: 10.1080/15567030903397859.
 
11.
Kursa, M.B. and Rudnicki, W.R. 2010. Feature Selection with the Boruta Package. J. Stat. Softw. 36, Issue 11, 1–13, doi: 10.18637/jss.v036.i11.
 
12.
MacKay, D.J.C., 1992. Bayesian Interpolation. Neural Comput. 4, 415–447. doi: 10.1162/neco.1992.4.3.415.
 
13.
National Coal Council, 2015. Coal = Reliable Energy. National Coal Council, Washington, DC.
 
14.
Prieto et al. 2016 – Prieto, A., Prieto, B., Ortigosa, E.M., Ros, E., Pelayo, F., Ortega, J. and Rojas, I. 2016. Neural networks: An overview of early research, current frameworks and new challenges. Neurocomputing 214, 242–268. doi: 10.1016/j.neucom.2016.06.014.
 
15.
Raza, M.Q. and Khosravi, A. 2015. A review on artificial intelligence based load demand forecasting techniques for smart grid and buildings. Renew. Sustain. Energy Rev. 50, pp. 1352–1372. doi: 10.1016/j.rser.2015.04.065.
 
16.
Rutkowski, L. 2008. Computational Intelligence, Computational Intelligence. Springer Berlin Heidelberg, Berlin, Heidelberg. doi: 10.1007/978-3-540-76288-1.
 
17.
Szoplik, J. 2015. Forecasting of natural gas consumption with artificial neural networks. Energy 85, 208–220. doi: 10.1016/j.energy.2015.03.084.
 
18.
The World Bank, 2017. World Development Indicators 2017 [WWW Document]. URL. [Online] Available at: http://data.worldbank.org/data... [Accessed 8.21.2017].
 
19.
Wilamowski, B.M. 2009. Neural networks architectures and learning algorithms. Ieee Ind. Electron. Mag. 56–63.
 
eISSN:2299-2324
ISSN:0860-0953
Journals System - logo
Scroll to top