تعداد نشریات | 43 |
تعداد شمارهها | 1,272 |
تعداد مقالات | 15,720 |
تعداد مشاهده مقاله | 51,822,992 |
تعداد دریافت فایل اصل مقاله | 14,663,526 |
پیشبینی قیمت روزانه برق با شبکه عصبی بهبودیافته مبتنی بر تبدیل موجک و روش آشوبناک جستجوی گرانشی | ||
مجله مهندسی برق دانشگاه تبریز | ||
مقاله 19، دوره 45، شماره 4 - شماره پیاپی 74، اسفند 1394، صفحه 103-113 اصل مقاله (646.76 K) | ||
نویسندگان | ||
حسین شایقی* 1؛ علی قاسمی2 | ||
1عضو هیئت علمی دانشگاه محقق اردبیلی | ||
2دانشجوی دکترا | ||
چکیده | ||
چکیده:با سمتگیری وتغییرساختاربازاربرقازبازارانحصاریدولتیبهبازار رقابتیکهدرآنقیمتتوسطنیروهایبازارتعیینمیشود،نیاز به طراحی مدلی کارا و مناسب بهگونهای که ریسک شرکت در بازار رقابتی برای فعالان بازاربرق را در جهت افزایش سوددهی آنها کاهش دهد، اهمیتویژهاییافتهاست. برای مدلسازی و پیشبینی قیمت برق در بازار رقابتی باید خصوصیات این کالا ازجملهعدمقابلیتذخیرهسازی،کمکششبودن وفصلی بودنتقاضارادرنظرگرفت. مدل ایجادشده درصورتیکه بتواند با ایجاد رابطهای از دادههای قبلی، کمترین خطای پیشبینی را داشته باشد، مؤثرتر و کارآمدتر خواهد بود. در مدلهای کلاسیک ارائهشده در مسئله پیشبینی قیمت برق با تنوع تعداد متغیرهای ورودی و عـدم پیروی متغیرهـا از یک مـدل سری مشخص، خطای ناشی از پیشبینی افزایش خواهد یافت. در این مقاله با انگیزه دستیابی به کمترین خطای پیشبینی و برطرف کردن نواقص روشهای قبلی، از روشی ترکیبی تبدیل موجک برای کم کردن نوسانات در دادههای ورودی و بهمنظور افزایش دقت پیشبینی از شبکه عصبی بهبودیافته مبتنی بر ساختار غیرخطی برای آموزش و یادگیری بهتر بر روی مقادیر گذشته قیمت برق و استفاده از آن برای اطلاعات آینده و از ایده ترکیبی جدید نظریه آشوب با فن جستجوی گرانشی سعی در یافتن بهترین وزنها و بایاسها برای حداقل کردن مربعات خطای پیشبینی بهره گرفته شده است. بهمنظور نشان دادن کارایی روش پیشنهادی در حل مسئله پیشبینی قیمت بازار برق در مقایسه با سایر روشهای اخیر انجامگرفته در این زمینه، از دادههای بازارهای واقعی مانند اسپانیا و ایران استفاده شده است. نتایج نشان از دقت بالا و خطای کمتر در پیشبینی میدهد. همچنین قابلیت جستجوی محلی و نهایی الگوریتم هوشمند ارائهشده در تنظیم وزنها و بایاسهای شبکه عصبی بهطور قابلملاحظهای بهبود یافته است. | ||
کلیدواژهها | ||
واژه های کلیدی: پیشبینی قیمت؛ الگوریتم بهبود جستجوی گرانشی؛ تبدیل موجک؛ نظریه آشوب | ||
مراجع | ||
[1]X. R. Li, C. W. Yu, S. Y. Ren, C. H. Chiu and K. Meng, “Day-ahead electricity price forecasting based on panel cointegration and particle filter,” Electric Power Systems Research, vol. 95, pp. 66– 76, 2013. [2]F. J. Nogales, J. Contreras, A. J. Conejo and R. Espinola, “Forecasting next-day electricity prices by time series models,” IEEE Transactions on Power System, vol. 17, pp. 342–348, 2002. [3]J. Contreras, R. Espinola, F. J. Nogales and A. J. Conejo, “ARIMA models to predict next day electricity prices,” IEEE Transactions. on Power Systems, vol. 18, pp. 1014–1020, 2003. [4]H. T. Pao, “Forecasting energy consumption in Taiwan using hybrid nonlinear models. Energy,” vol. 34, pp. 1438–1446, 2009. [5]N. Bowden and J. E. Payne, “Short-term forecasting of electricity prices for MISO hubs: evidence from ARIMA-EGARCH models,” Energy Economics, vol. 30, pp. 3186–3197, 2008. [6]A. J. Conejo, M. A. Plazas, R. Espinola and A. B. Molina, “Day-ahead electricity price forecasting using the wavelet transform and ARIMA models,” IEEE Transactions Power Syst, vol. 20, pp. 1035–1042, 2005. [7]A. K. Diongue, D. Guegan and B. Vignal, “Forecasting electricity spot market prices with a k-factor GIGARCH process,” Applied Energy, vol. 86, pp. 505–510, 2009. [8]H. Taherian, S. I. Nazer, S. E. Razavi, S. R. Goldani, M. Farshad and M. R. Aghaebrahimi, “Application of an improved neural network using cuckoo search algorithm in short-term electricity price forecasting under competitive power markets,” Journal of Operation and Automation in Power Engineering, vol. 1, no. 2, pp. 136-146, 2013. [9]P. Mandal, A. U. Haque, U. Meng, A. K. Srivastava and R. Martinez, “A Novel Hybrid Approach Using Wavelet, Firefly Algorithm, and Fuzzy ARTMAP for Day-Ahead Electricity Price Forecasting,” IEEE Transactions. on Power Systems, vol. 28, no. 2, pp. 1041-1051, 2013. [10]L. Wu and M. Shahidehpour, “Hybrid model for day-ahead price forecasting,” IEEE Transactions. on Power Systems, vol. 25, pp. 1519–1530, 2010. [11]N. Amjady, “Day-ahead price forecasting of electricity markets by a new fuzzy neural network,” IEEE Transactions on Power Systems, vol. 21, pp. 887–896, 2006. [12]N. Amjady and F. Keynia,” Day-Ahead Price Forecasting of Electricity Markets by Mutual Information Technique and Cascaded Neuro-Evolutionary Algorithm,” IEEE Transactions. on Power Systems, vol. 24, no. 1, pp. 306-318, 2009. [13]H. Shayeghi and A. Ghasemi, “Optimal tuning of PID type stabilizer and AVR gain using GSA technique,” International Journal on “Technical and Physical Problems of Engineering” vol. 4, no. 2, pp. 98-106, 2012. [14]B. Liu, L. Wang, and Y. H. Jin, “Improved particle swarm optimization combined with chaos,” Chaos, Solitons Fractals, vol. 25, no. 5, pp. 1261-1271, 2005. [15]J. Cai, X. Ma, Q. Li, L. Li and H. Peng, “A multi-objective chaotic particle swarm optimization for environmental/economic dispatch,” Energy Conversion and Management, vol. 50, pp. 1318–1325, 2009. [16]Informe de operación del sistema eléctrico. Red Eléctrica de España (REE), Madrid, Spain. [Online]. Available:http://www.ree.es/cap03/pdf/Inf_Oper_REE_99b.pdf. [17]http://edipg.igmc.ir:8070/edipg. [18]H. Shayeghi and A. Ghasemi, “Day-ahead electricity prices forecasting by a modified CGSA technique and hybrid WT in LSSVM based scheme,” Energy Conversion and Management, vol. 74, pp. 482–491, 2013. | ||
آمار تعداد مشاهده مقاله: 2,173 تعداد دریافت فایل اصل مقاله: 1,626 |