پیش‌بینی قیمت کوتاه مدت مبتنی بر موجک-ELM ترکیبی، برای بازار برق

چکیده

کلیدواژه ها

1. مقدمه

2. چگونگی روش

فهرست اصطلاحات

2.1     ماشین های یادگیری سریع

شکل1.   پروفایل قیمت بازار برق اونتاریو برای سال 2004.

2.2     تبدیلات موجک

2.3     تصمیم گیری مبتنی بر اثر مجموع

2.4     اندازه های خطای پیش‌بینی

3.        توسعه مدل

شکل 2.   ساختار مدل WELM ارایه شده.

4.         بررسی های موردی و نتایج

شکل 3.   نمودارهای ACF برای بازار روزِ پیشِ روی PJM.

شکل 1.   ویژگی های انتخاب شده با استفاده از ACF.

شکل 4.   مقایسه عملکرد با تابع های فعال سازی مختلف.

شکل 5.   مقایسه عملکرد به ازای گره ها و داده های آموزش مختلف.

جدول 2.   MAPE هفتگی برای پیش‌بینی HOEP در بازار برق انتاریو

شکل 6.   قیمت های واقعی و پیش‌بینی برای 26 آوریل تا 2 مه: انتاریو.

شکل 7.   قیمت های واقعی و پیش‌بینی برای 26 جولای تا 1 آگوست: انتاریو.

شکل 8.   قیمت های واقعی و پیش‌بینی برای 13 تا 19 دسامبر: انتاریو.

شکل 9.   قیمت های حقیقی و پیش‌بینی، برای 23 تا 29 آگوست: PJM.

جدول 4.   MDE ماهیانه برای بازار برق ایتالیا.

جدول 5.   MDE ماهیانه برای بازار برق نیویورک.

جدول 6.   شاخص های عملکرد WELM برای بازار انتاریو.

5.         نتیجه گیری

پیش‌بینی دقیق قدمت برق، چالشی بزرگ برای شرکت کنندگان و مدیران بازار می باشد، زیرا قیمت الکتریسیته دارای نوسانات بسیاری است. پیش‌بینی قیمت نیز، مهم ترین هدف مدیریتی برای مشارکت کنندگان در بازار است، چرا که مبانی بیشینه کردن سود را، تشکیل می دهد. این مطالعه، عملکرد یک تکنیک شبکه عصبی جدید را بنام ماشین یادگیری سریع (ELM)، در مساله پیش‌بینی قیمت، بررسی می کند. با در نظر داشتن خط مربوط به بازهای برق که دارای نوسانات بسیاری در قیمت هستند، تکیه به یک تکنیک، خیلی هم سودمند نمی باشد. بنابراین، ELM با تکنیک موجک همراه شده است و یک مدل پیوندی (مرکب) را به نام WELM (ELM مبتنی بر موجک) را تشکیل داده است تا دقت پیش‌بینی و نیز قابلیت اطمینان آن را، بهبود بخشد. در این روش، ویژگی های بی همتای هر ابزار، ترکیب شده اند تا الگوهای مختلفی را در اطلاعات، بدست آورند. قدرت این تکنیک، با استفاده از روش مجموع شده، بهبود بیشتری می یابد. عملکردهای مدل های ارایه شده، با استفاده از اطلاعات موجود در بازارهای برق انتاریو، PJM، نیویورک و ایتالیا، ارزیابی شده اند. نتایج آزمایشی نشان می دهند که روش پیشنهادی، یکی از مناسب ترین تکنیک های پیش‌بینی قیمت می باشد.

مقررات زدایی (تجدید ساختار) بخش برق، منجر به توسعه یک ساختار بازار رقابتی شده است که در آن شرکت کننده ها برای ارایه بازار خود از طریق بازار معامله های لحظه ای و بازار دو-جانبه، رقابت می کنند. قیمت های برق در این بازارها، بصورت مستقیم یا غیر-مستقیم تحت تاثیر تعدادی از عواملی که بطور پیچیده ای با هم مرتبط هستند، قرار دارند. عدم قطعیت در عواملی همچون آب و هوا، قطعی های تجهیزات، قیمت های سوخت، و تنگراه انتقال، منجر به نوسانات شدید قیمت یا حتی تغییرات ناگهانی قیمت در بازار برق می شوند. حرکت غیرقطعی پیچیده ی قیمت های برق در ساعت های مختلف روز، از اهمیت بالایی در میان شکرت کنندگان بازار برخوردار است. شرکت کنندگان در بازار، نیاز به پیش‌بینی های مطمین از نوسانات قیمت در بازار برق دارند، تا بتوانند آن را به مزایده گذاشته یا خرید و فروش نمایند. بدلیل اهمیت قیمت های آینده و پیچیدگی موجود مربوط به تعیین آنها، مدل سازی و پیش‌بینی دقیق قیمت های بازار، یکی از زمینه های اصلی تحقیقاتی در مهندسی برق شده است. تعداد قابل ملاحظه ای از مقاله های تحقیقاتی، مساله پیش‌بینی دقیق قیمت را، با استفاده از تکنیک های گوناگون، پاسخ داده اند. رایج ترین آنها، تکنیک های مبتنی بر سری های زمانی و مبتنی بر هوش مصنوعی می باشند که اساسا مدل های بازگشتی (رگرسیون) هستند، چرا که این روش ها، تغییرات قیمت های بازار را با قیمت های پیشین آن و دیگر متغیرهای تشریحی _مانند تقاضا، قیمت های سوخت، دما، زمان روز، غیره_ مرتبط می سازند.