ORIGINAL PAPER
Using the R language computing environment in forecasting natural gas consumption
 
 
More details
Hide details
1
Drilling, Oil and Gas, University Since and Technology AGH in Cracov, Poland
 
 
Submission date: 2021-01-25
 
 
Final revision date: 2021-03-13
 
 
Acceptance date: 2021-03-13
 
 
Publication date: 2021-06-21
 
 
Corresponding author
Tomasz Chrulski   

Drilling, Oil and Gas, University Since and Technology AGH in Cracov, Poland
 
 
Polityka Energetyczna – Energy Policy Journal 2021;24(2):33-56
 
KEYWORDS
TOPICS
ABSTRACT
There are many IT tools available on the market that carry out various types of forecasts in the gas industry. Programming evolves with the availability and capability of computers. IT tools support the user in engineering calculations, but also present the obtained results in an interesting visualization, e.g. in the form of interactive charts. The software can support making business decisions, which, in turn, can be used as business intelligence. In the era of digitization, huge metadata of measurements are created, so conducting data analyzes in the energy sector is very common. Moreover, rapidly evolving artificial intelligence creates new opportunities. The article presents a sample analysis of calculations using RStudio, an integrated development environment for the R language, a programming language for statistical calculations and graphics. The aim of the article is to present the possibility of using R language software to make a forecast and to determine the quality of forecasts. The article aims to present the possibility of making fore-casts based on mathematical models available in R packages and the possibilities offered by the forecasting platform to readers. The article presents the U.S. market and has a particular focus on Natural Gas Residential Consumption in Pennsylvania (publicly available data from the U.S. Energy Information Administration). This dataset represents the monthly consumption of natural gas between 2015 and 2020. Forecasts were presented over a span of 12 months.
METADATA IN OTHER LANGUAGES:
Polish
Wykorzystanie środowiska obliczeniowego języka R w prognozowaniu zużycia gazu ziemnego
prognozowanie, zużycie gazu, rstudio
Na rynku dostępnych jest wiele narzędzi informatycznych, które wykonują różnego rodzaju prognozy w gazownictwie. Programowanie ewoluuje wraz z dostępnością i możliwościami komputerów. Narzędzia informatyczne wspierają użytkownika w obliczeniach inżynierskich, ale także prezentują uzyskane wyniki w ciekawej wizualizacji, np. w postaci interaktywnych wykresów. Oprogramowanie może wspomagać podejmowanie decyzji biznesowych, które z kolei mogą służyć jako inteligencja biznesowa. W dobie cyfryzacji powstają ogromne metadane pomiarów, prowadzenie analiz danych w energetyce jest bardzo powszechne. Ponadto szybko rozwijająca się sztuczna inteligencja stwarza nowe możliwości. W artykule przedstawiono przykładową analizę obliczeń z wykorzystaniem RStudio, zintegrowanego środowiska programistycznego dla języka R, języka programowania do obliczeń statystycznych i grafiki. Ten język jest jednym z najbardziej rozpowszechnionych języków programowania używanych do tego typu obliczeń. Dodatkową zaletą jest to, że R to bezpłatne środowisko programowe do obliczeń statystycznych i grafiki. Kompiluje się i działa na wielu różnych platformach UNIX, Windows i MacOS. Artykuł ma na celu przedstawienie czytelnikom możliwości tworzenia prognoz na podstawie modeli matematycznych dostępnych w pakietach R oraz możliwości, jakie daje platforma. Prezentuje funkcje zawarte w pakiecie, które z czasem są aktualizowane i pojawiają się nowe możliwości. Wynikiem badań są analizy wybranych modeli dostarczonych przez R. W artykule przedstawiono zużycie gazu ziemnego w budynkach mieszkalnych stanu Pensylwania. Zbiór ten przedstawia miesięczne zu- życie gazu ziemnego w latach 2015–2020. Prognozy przedstawiono w horyzoncie 12 miesięcy.
REFERENCES (17)
1.
Ardia et al. 2020 – Ardia, D., Boudt, K. and Catania, L. 2019. Generalized Autoregressive Score Models in R: The GAS Package. [Online] https://www.jstatsoft.org/arti... [Accessed: 2021-02--08].
 
2.
Baltagi, B. 2013. Gasoline: Gasoline Consumption. [Online] https://rdrr.io/cran/plm/man/G... [Accessed: 2021-03-13].
 
3.
Bergheim, St. 2008. Long – Run Growth Forecating. Springer, Berlin–Heidelberg.
 
4.
EIA 2020. Natural gas explained. [Online] https://www.eia.gov/energyexpl... [Accessed: 2021-03-12].
 
5.
EPA 2020. Package fueleconomy. [Online] https://cran.r-project.org/web... [Accessed: 13-03-12].
 
6.
Hayes, A. 2021. Simple Moving Average. [Online] https://www.investopedia.com/t... [Accessed: 2020-03-13].
 
7.
Makridakis, S. 2020. Bicoal: Annual bituminous coal production. [Online] https://rdrr.io/cran/fma/man/b... [Accessed: 2021-02-15].
 
8.
Makssod, Z. and Achuthan, G. 2017. Sustainability in Oman: Energy Consumption Forecasting using R. Indian Journal of Science and Technology 10(10), DOI: 10.17485/ijst/2017/v10i/97008.
 
9.
Manowska, A. 2013. Forecasting the quantities of coal sales by eploying artificial neural networks (Prognozowanie wielkości sprzedaży węgla kamiennego z wykorzystaniem sztucznej inteligencji). Zeszyty Naukowe Politechniki Śląskiej. Organizacja i Zarządzanie 63 (in Polish).
 
10.
Paliński, A. 2019. Forecasting gas demand using artificial intelligence methods (Prognozowanie zapotrzebowania na gaz metodami sztucznej inteligencji). Nafta-Gaz 2, pp. 111–117 (in Polish).
 
11.
Rami, K. 2020. Introduction to USgas Package. [Online] https://ramikrispin.github.io/... [Accessed: 2021-02-01].
 
12.
Strielkowski et al. 2021 – Strielkowski, W., Firsova, I., Lukashenko, I., Raudeliuniene, J. and Tvaronaviciene, M. 2021. Effective Management of Energy Consumption during the COVID-19 Pandemic: The Role of ICT Solutions. Energies 14, 893, DOI: 10.3390/en14040893.
 
13.
TBATS, BATS model (Exponential smoothing state space model with Box-Cox transformation, ARMA errors, Trend and Seasonal components. [Online] http://search.r-project.org/ [Accessed: 2020-01-12].
 
14.
Timmer, P. and Lamb, J. 2007. Relations between Temperature and Residential Natural Gas Consumption in the Central and Eastern United States. Journal of Applied Meteorology and Climatology 46(11), DOI: 10.1175/2007JAMC1552.1.
 
15.
Truong, E. 2018. Time series analysis on Electrical Demand in Australia. [Online] https://rstudio-pubs- -static.s3.amazonaws.com/430567_e3e7a704a4dd45bbbb01abd7f03c7383.html [Accessed: 2021-02-10].
 
16.
Yang, D. 2018. SolarData: An R package for easy access of publicly available solar datasets. [Online]https://www.researchgate.net/p... [Accessed: 2021-02-11].
 
17.
Zhu et al. 2014 – Zhu, Q., Quan-Ying, L., Xiao-Yang, Z. and Keung, L. 2014. A Driving Force Analysis and Forecast for Gas Consumption Demand in China. Mathematical Problems in Engineering 2014, DOI: 10.1155/2014/980410.
 
eISSN:2720-569X
ISSN:1429-6675
Journals System - logo
Scroll to top