آمار
| تعداد نشریات | 31 |
| تعداد شماره‌ها | 658 |
| تعداد مقالات | 6,901 |
| تعداد مشاهده مقاله | 8,864,740 |
| تعداد دریافت فایل اصل مقاله | 8,175,161 |
پیش‌بینی قیمت انرژی الکتریکی در روز پیش با استفاده از یک الگوریتم هوشمند مبتنی بر استخراج ویژگی | |||||||||||
| مجله مهندسی برق دانشگاه تبریز | |||||||||||
| مقاله 23، دوره 47، شماره 4 - شماره پیاپی 82، زمستان 1396، صفحه 1563-1574 اصل مقاله (1504 K) | |||||||||||
| نوع مقاله: مقاله پژوهشی | |||||||||||
| نویسنده | |||||||||||
علی‌اکبر عبدوس 
| |||||||||||
| دانشگاه صنعتی نوشیروانی بابل - دانشکده مهندسی برق و کامپیوتر | |||||||||||
| چکیده | |||||||||||
| تجدید ساختار در سیستم‌های قدرت سبب شده است که پیش‌بینی قیمت انرژی الکتریکی یکی از چالش‌های مهم در پیش روی شرکت‌کنندگان بازار برق باشد. پیش‌بینی دقیق قیمت انرژی الکتریکی می‌تواند به تولیدکنندگان و مصرف‌کنندگان کمک نماید تا تصمیم‌گیری بهتری به‌منظور افزایش سود خود داشته‌باشند. در این مقاله با استفاده از اطلاعات مربوط به قیمت و میزان مصرف انرژی در روزهای گذشته، قیمت انرژی الکتریکی برای 24 ساعت آینده پیش‌بینی می‌شود. الگوریتم هوشمند پیشنهادی از طریق سه مرحله مهم تحقق می‌یابد: 1- مرحله پیش‌پردازش، 2- مرحله انتخاب ویژگی و 3- مرحله پیش‌بینی. در ابتدا، سیگنال‌های قیمت مربوط به روزهای گذشته با استفاده از تبدیل موجک تجربی به مودهای مختلفی تجزیه می‌گردد. سپس در مرحله دوم، روش انتخاب ویژگی مبتنی بر اطلاعات متقابل به‌منظور بهبود عملکرد ماشین یادگیری بر روی داده‌های ورودی اعمال می‌گردد. در مرحله سوم، به‌منظور پیش‌بینی قیمت انرژی در ساعات روز پیشرو، رگرسیون‌بردار پشتیبان با استفاده از ویژگی‌هایِ برترِ انتخاب‌شده، آموزش داده می‌شود. عملکرد الگوریتم ارائه‌شده با استفاده از داده‌های واقعی مربوط به دو بازار برق (Pennsylvania New-Jersey Maryland (PJM و (Operador del Mercado Ibérico de Energía-Polo Español (OMEL مورد ارزیابی قرار می‌گیرد. | |||||||||||
| کلیدواژه ها | |||||||||||
| پیش‌بینی قیمت؛ تبدیل موجک تجربی؛ رگرسیون بردار پشتیبان؛ انتخاب ویژگی؛ اطلاعات متقابل | |||||||||||
| عنوان مقاله [English] | |||||||||||
| Day-Ahead Electricity Price Forecasting Using an Intelligent Algorithm Based on Feature Selection | |||||||||||
| نویسندگان [English] | |||||||||||
| A. A. Abdoos | |||||||||||
| Faculty of Electrical and Computer Engineering, Babol Noshirvani University of Technology, Babol, Iran | |||||||||||
| چکیده [English] | |||||||||||
| Restructuring in power systems has caused electricity price forecasting became one of the most important challenges facing electricity market participants. The precise electricity price forecasting helps both consumers and producers to make better decision in order to maximize their benefit. In this paper, the historical data of electricity price and energy consumption are utilized for prediction of electricity price for the next 24 hours. The proposed intelligent algorithm is realized through three main steps: 1- preprocessing step, 2- feature selection and 3- forecasting step. At first, the price signal is decomposed to different modes by using Empirical Wavelet Transform (EWT). Afterward, in the second step, the feature selection method based on mutual information is applied on input data to improve the performance of forecasting engine. In the third step, for day-ahead hourly electricity price forecasting, the Support Vector Regression (SVR) is trained by selected features. The performance of the proposed algorithm is evaluated using real data of two electricity markets i.e. Pennsylvania New-Jersey Maryland (PJM) and Operador del Mercado Ibérico de Energía-Polo Español (OMIE). | |||||||||||
| کلیدواژه ها [English] | |||||||||||
| Price forecasting, empirical wavelet transform (EWT), support vector regression (SVR), feature selection, mutual information | |||||||||||
| مراجع | |||||||||||
|
| |||||||||||
|
آمار تعداد مشاهده مقاله: 63 تعداد دریافت فایل اصل مقاله: 68 |
|||||||||||
