ORIGINAL PAPER
Using the LSTM network to forecast the demand for hard coal
 
More details
Hide details
1
The Silesian University of Technology Faculty of Mining, Safety Engineering and Industrial Automation
CORRESPONDING AUTHOR
Anna Manowska   

The Silesian University of Technology Faculty of Mining, Safety Engineering and Industrial Automation
Submission date: 2020-08-14
Final revision date: 2020-09-18
Acceptance date: 2020-11-12
Publication date: 2020-12-17
 
Gospodarka Surowcami Mineralnymi – Mineral Resources Management 2020;36(4):33–48
 
KEYWORDS
TOPICS
ABSTRACT
Securing the certainty of supplies of the necessary minimum energy in each country is a basic condition for the energy security of the state and its citizens. The concept of energy security combines several aspects at the same time, as it can be considered in terms of the availability of own energy resources, it concerns technical aspects related to technical infrastructure, as well as political aspects related to the management and diversification of energy supplies. Another aspect of the issue of energy security is the environmental perspective, which is now becoming a priority in the light of the adopted objectives of the European Union’s energy policy. The restrictive requirements for reducing greenhouse gas emissions and increasing the required level of renewable energy sources in the energy balance of the Member States is becoming a challenge for economies that use fossil fuels to a large extent in the raw material structure, including Poland. Poland is the largest producer of hard coal in the European Union and hard coal is a strategic raw material as it satisfies about 50% of the country’s energy demand. In this context, the main goal of the article was to determine the future sale of hard coal by 2030 in relation to environmental regulations introduced in the energy sector. For this purpose, a mathematical model with a 95% confidence interval was developed using artificial LSTM neural networks, which belong to deep learning machine learning techniques, which reflects the key relationships between hard coal mining and the assumptions adopted in the National Energy and Climate Plan for the years 2021–2030 (NECP).
METADATA IN OTHER LANGUAGES:
Polish
Wykorzystanie sieci LSTM do prognozowania zapotrzebowania na węgiel kamienny
szeregi czasowe, analiza składowych głównych, sztuczne sieci neuronowe LSTM, sprzedaż węgla kamiennego
Zabezpieczenie pewności dostaw niezbędnego minimum energii w każdym kraju jest podstawowym warunkiem bezpieczeństwa energetycznego państwa i jego obywateli. Pojęcie bezpieczeństwa energetycznego łączy kilka aspektów jednocześnie, gdyż można je rozpatrywać na płaszczyźnie dostępności własnych surowców energetycznych; dotyczy aspektów technicznych związanych z infrastrukturą techniczną, a także aspektów politycznych, które związane są z zarządzaniem oraz dywersyfikacją dostaw surowców energetycznych. Kolejnym elementem zagadnienia bezpieczeństwa energetycznego jest perspektywa środowiskowa, która nabiera obecnie priorytetowej ważności w świetle przyjętych celów polityki energetycznej Unii Europejskiej. Restrykcyjne wymagania w zakresie redukcji poziomów emisji gazów cieplarnianych oraz wzrostu wymaganego poziomu odnawialnych źródeł energii w bilansie energetycznym krajów członkowskich stają się wyzwaniem dla gospodarek wykorzystujących w dużej mierze paliwa kopalne w strukturze surowcowej, do których należy również Polska. Polska jest największym producentem węgla kamiennego w Unii Europejskiej i jest to surowiec strategiczny, gdyż zaspokaja około 50% zapotrzebowania energetycznego kraju. W tym kontekście głównym celem artykułu było określenie przyszłej sprzedaży węgla kamiennego w perspektywie do 2030 roku, w odniesieniu do regulacji środowiskowych wprowadzanych w energetyce. W tym celu opracowano model matematyczny z 95-procentowym przedziałem ufności z wykorzystaniem sztucznych sieci neuronowych LSTM, które należą do technik uczenia maszynowego – deep learning, który odzwierciedla kluczowe relacje między górnictwem węgla kamiennego a przyjętymi założeniami w Krajowym planie na rzecz energii i klimatu na lata 2021–2030 (KPEiK).
 
REFERENCES (25)
1.
Ahmad, T. and Chen, H. 2018. Utility companies strategy for short-term energy demand forecasting using machine learning based models. Sustainable Cities and Society 39, pp. 401–417.
 
2.
Anđelković, A.S. and Bajatović, D. 2020. Integration of weather forecast and artificial intelligence for a short-term city-scale natural gas consumption prediction. Journal of Cleaner Production 266, 122096.
 
3.
Bluszcz, A. 2018. The emissivity and energy intensity in EU countries – consequences for the Polish economy. Conference proceedings Energy and clean technologies. Recycling, air pollution and climate change. STEF92 2018 Sofia, 18, 14.2, pp. 631–638.
 
4.
Directive IED 2010. Directive (EU) 2010/75/EU of the European Parliament and of the Council of 24 November 2010 on industrial emissions (integrated pollution prevention and control).
 
5.
Felix et al. 2015 – Felix, A., Jürgen, G., Schmidhuber, J. and Cummins F. 2015. Learning to Forget: Continual Prediction with LSTM. Neural Computation 12(10), pp. 2451–2471.
 
6.
Forum energii 2020. Energy transformation in Poland. 2020 edition (Transformacja energetyczna w Polsce. Edycja 2020). [Online] https://forum-energii.eu/publi... [Accessed: 2020-07-21] (in Polish).
 
7.
Li et al. 2018 – Li, J. Wang, R. Wang J. and Li, Y. 2018. Analysis and forecasting of the oil consumption in China based on combination models optimized by artificial intelligence algorithms. Energy 144, pp. 243–264.
 
8.
Gawlik, L. and Mokrzycki, E. 2014. Scenarios of coal utilization in power engineering in Poland in the light of EU climate policy (Scenariusze wykorzystania węgla w polskiej energetyce w świetle polityki klimatycznej Unii Europejskiej). Przegląd Górniczy 70(5), pp. 1–8 (in Polish).
 
9.
Gawlik, L. and Mokrzycki, E. 2019. Changes in the Structure of Electricity Generation in Poland in View of the EU Climate Package. Energies 12, 3323.
 
10.
Gers, F.A. 1999. Learning to forget: Continual prediction with LSTM. 9th International Conference on Artificial Neural Networks: ICANN‘99, pp. 850–855.
 
11.
Greff et al. 2015 − Greff, K., Srivastava, R.K., Koutník, J., Steunebrink, B.R. and Schmidhuber, J. 2015. LSTM: A Search Space Odyssey. IEEE Transactions on Neural Networks and Learning Systems 28(10), pp. 2222–2232.
 
12.
Hochreiter, S. and Schmidhuber, J. 1997. Long short-term memory. Neural Computation 9(8), pp. 1735–1780.
 
13.
Hyndman, R.J. and Kostenko, A.V. 2007. Minimum sample size requirements for seasonal forecasting models. Foresight 6, pp. 12−15.
 
14.
Industrial Development Agency 2020. Polish Coal Market. [Online] https://polskirynekwegla.pl/ra... [Accessed: 2020-08-01].
 
15.
Kaszyński, P. and Kamiński, J. 2020. Coal Demand and Environmental Regulations: A Case Study of the Polish Power Sector. Energies 13, 1521.
 
16.
Manowska, A. 2018. Use of autoregressive models to estimate a demand for hard coal. 18th International Multidisciplinary Scientific GeoConference. SGEM 2018, vol. 18, Ecology, economics, education and legislation. No. 5.3, Environmental economics, Sofia, pp. 975–982.
 
17.
Manowska, A. 2020. Analysis and Forecasting of the Primary Energy Consumption in Poland Using Deep Learning. Inżynieria Mineralna – Journal of the Polish Mineral Engineering Society 1(1), pp. 217–222.
 
18.
Macrotrends 2020. Poland Fossil Fuel Consumption 1960-2020. [Online] https://www.macrotrends.net/co... [Accessed: 2020-08-05].
 
19.
Ministry of State Assets 2019. National Energy and Climate Plan for 2021–2030. Assumptions, Goals and Policies Project – v. 3.1. 04/01/2019 (Ministerstwo Energii. Krajowy plan na rzecz energii i klimatu na lata 2021–2030. Założenia i cele oraz polityki i działania. Projekt – w. 3.1. 04.01.2019). [Online] https: //www.gov.pl/web/energia/projekt... [Accessed: 2020-07-20] (in Polish).
 
20.
Polish Geological Institute 2019. National Research Institute: Balance of mineral resources in Poland as at December 31, 2018, Warsaw 2019. [Online] geoportal.pgi.gov.pl [Accessed: 2020-07-21].
 
21.
Saksornchai et al. 2005 – Saksornchai, T., Lee, W.J., Methaprayoon, K., Liao, J.R. and Ross, R.J. 2005. Improve the unit commitment scheduling by using the neural-network-based short-term load forecasting. IEEE Transactions on Industry Applications 41(1), pp. 169–179.
 
22.
StatSoft 2020. Electronic Statistics Textbook. [Online] https://www.statsoft.pl/textbo... [Accessed: 2020-07-22].
 
23.
Tae-Young, K. and Sung-Bae, Ch. 2019. Predicting residential energy consumption using CNN-LSTM neural networks. Energy 182, pp. 72−81.
 
24.
Rybak, A. and Manowska, A. 2019. The forecast of coal sales taking the factors influencing the demand for hard coal into account. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 35(1), pp. 129–140.
 
25.
Zielaś et al. 2003 − Zielaś, A., Pawełek, B. and Wanat, S. 2003. Economic forecasting, theory, examples, given (Prognozowanie ekonomiczne, teoria, przykłady, zadana). Warszawa: PWN, 380 pp. (in Polish).
 
eISSN:2299-2324
ISSN:0860-0953