پیش‌بینی کوتاه مدت قیمت‌ برق در یک بازار رقابتی به کمک روش هوشمند ترکیبی

چکیده

مقدمه

روش ارائه‌شده

تبدیل موجک

روش عصبی- فازی

شکل1: فرایند تجزیه‌ی چندسطحی.

شکل2: ساختار ANFIS

ارزیابی دقت پیش‌بینی

نتایج عددی

شکل3. هفته‌ی زمستانی: قیمت‌های واقعی، خط توپر، در کنار قیمت‌های پیش‌بینی شده، خط‌چین، برحسب یورو در هر مگاوات ساعت

شکل4. هفته‌ی بهاری: قیمت‌های واقعی، خط توپر، در کنار قیمت‌های پیش‌بینی شده، خط‌چین، برحسب یورو در هر مگاوات ساعت

شکل5. هفته‌ی تابستانی: قیمت‌های واقعی، خط توپر، در کنار قیمت‌های پیش‌بینی شده، خط‌چین، برحسب یورو در هر مگاوات ساعت

شکل6. هفته‌ی پاییزی: قیمت‌های واقعی، خط توپر، در کنار قیمت‌های پیش‌بینی شده، خط‌چین، برحسب یورو در هر مگاوات ساعت

جدول1: تحلیل آماری خطای پیش‌بینی هفتگی

جدول2: نتایج مقایسه‌ای MAPE

نتیجه‌گیری

در این مقاله، یک روش هوشمند ترکیبی برای پیش‌بینی کوتاه مدت قیمت برق در یک بازار رقابتی ارائه می‌شود. روش ارائه شده مبتنی بر تبدیل موجک و ترکیبی از شبکه‌ی عصبی و منطق فازی است. نتایج حاصل از یک مورد مطالعه‌ای بر اساس بازار برق اسپانیا بدست می‌آیند. یک مقایسه‌ی جامع با در نظر گرفتن نتایج انتشارات پیشین به انجام می‌رسد. نتایج نیز به قدر لازم ارائه شده است.

فرایندهای تجدیدساختار در طی دو دهه‌ی اخیر در بسیاری از کشورهای توسعه یافته نیاز به ابزارهای دقیق‌تر برای پیش‌بینی بازارهای برق را تحرک بخشیده است [1]. پیش‌بینی کوتاه مدت قیمت برق، موردنیازِ تولیدکنندگان و مصرف‌کنندگان است تا راهبردهای مزایده‌ای خود در بازار برق را استخراج کنند. تجدیدساختار باعث عدم قطعیت قیمت‌های برق ده و الزامات بیشتری را متوجه پیش‌بینی قیمت‌ها می‌کند [2]. بنابراین، ابزارهای پیش‌بینی قیمت برای همه‌ی مشارکین بازار ضرورت دارد تا بتوانند تحت محیط تجدیدساختار یافته نجات پیدا کنند [3]. در بیشتر بازارهای رقابتی برق مجموعه‌ای از قیمت‌ها ویژگی‌های ذیل را ارائه می‌دهند: تکرار بالا، میانگین غیر ثایت و تغییر، تغییرپذیری روزانه و هفتگی، تاثیر سالنامه روی آخر هفته‌ها و روزهای تعطیل رسمی، فراریت بالا و درصد بالای قیمت‌های غیرمعمول [4]. پیش‌بینی قیمت یک موضوع کلیدی در بازارهای رقابتی برق است [5، 6]، و تکنیک‌های مختلفی در این زمینه انجام شده است. در کل، تکنیک‌های محاسباتی سخت و نرم را می‌توان برای پیش‌بینی قیمت‌های برق به کار برد. تکنیک‌های محاسبه‌ی سخت شامل روش‌های میانگین ﻣﺘﺤﺮﻙ ﺧﻮﺩﺭﮔﺮﺳﻴﻮﻥ ﺍﻧﺒﺎﺷﺘﻪ (ARIMA) [7]، ARIMA موجک [8] و مدل ترکیبی است. معمولا، نیاز به یک مدل دقیق سیستم است، و پاسخ با کمک الگوریتم‌هایی یافت می‌شود که پدیده‌هایی فیزیکی‌ای را در نظر می‌گیرند که این پدیده‌ها فرایند را هدایت می‌کنند. هرچند این روش‌ها می‌توانند خیلی دقیق و صحیح باشند، منتها نیازمند اطلاعات بسیار زیادی هستند و نیز هزینه‌ی محاسباتی خیلی بالاست.