:: دوره 7، شماره 1 - ( 6-1397 ) ::
جلد 7 شماره 1 صفحات 92-84 برگشت به فهرست نسخه ها
پیشبینی قیمت تسویه بازار برای خوشه های زمانی رقابت پذیری بازار با استفاده از شبکه عصبی بهبود یافته با الگوریتم ژنتیک: مطالعه بازار برق ایران
بختیار استادی* 1، امید معتمدی1 ، علی حسین زاده کاشان1 ، محمد رضا امین ناصری1
1- تربیت مدرس
چکیده:   (4380 مشاهده)
با قانون‌زدایی بازار و شکل‌گیری بازار روز بعد انرژی، در هرروز تولیدکنندگان انرژی اقدام به ارائه پیشنهاد قیمت خود برای هر واحد به تفکیک ساعت، در حداکثر 10 پله به مدیریت‌شبکه می‌کنند و مدیریت‌شبکه با تعیین میزان تقاضا در روزبعد، قیمت‌تسویه بازار برای روز آتی را به همراه برندگان بازار اعلام می‌کند و بر اساس قیمت پیشنهادی تولیدکنندگان با آنها تسویه می‌کند. از این رو پیشبینی قیمت تسویه بازار برای شرکت کنندگان در بازار حائز اهمیت می‌یاشد و پیشبینی دقیق آن تاثیر بسزایی بر روی سود آنها خواهد داشت. نظر به رفتار فصلی قیمت تسویه‌بازار، در این مقاله از الگوریتم K-Means به منظور خوشه بندی فضای رقابتی بازار ایران استفاده شده است که مطابق با نتایج آن، رقابت در بازار برق ایران شامل سه خوشه رقابت بالا (فصول سرد سال)، رقابت کم (فصول گرم سال) و خوشه گذار می‌باشد، در نهایت با به کارگیری الگوریتم ژنتیک جهت انجام فرایند آموزش شبکه‌عصبی، قیمت تسویه بازار برای هر خوشه رقابتی به صورت مجزا پیشبینی شده است که مطابق با نتایج حاصله، مدل ارائه شده قابلیت پیشبینی قیمت تسویه بازار در روز بعد با دقت 95 درصد را دارد.
 
واژه‌های کلیدی: شبکه عصبی، الگوریتم ژنتیک، خوشه بندی رقابتی بازار برق، پیشبینی قیمت تسویه بازار
متن کامل [PDF 905 kb]   (1143 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: صنایع و مدیریت
دریافت: 1396/10/27 | پذیرش: 1397/2/22 | انتشار: 1397/6/3
فهرست منابع
1. Lora AT, Santos JMR, Exposito AG, Ramos JLM, Santos JCR. Electricity market price forecasting based on weighted nearest neighbors techniques. Power Systems, IEEE Transactions on. 2007;22(3):1294-301.
2. Bigdeli N, Afshar K, Fotuhi-Firuzabad M. Bidding strategy in pay-as-bid markets based on supplier-market interaction analysis. Energy Conversion and Management. 2010;51(12):2419-3
3. Aggarwal SK, Saini LM, Kumar A. Electricity price forecasting in deregulated markets: A review and evaluation. International Journal of Electrical Power & Energy Systems. 2009;31(1):13-22.
4. Kwon RH, Frances D. Optimization-based bidding in day-ahead electricity auction markets: A review of models for power producers. Handbook of Networks in Power Systems I: Springer; 2012. p. 41-59
5. F. Gao, X. Guan, X. –R. Cao, A. Papalexopoulos, “Forecasting Power Market Clearing Price and Quantity Using a Neural Network Method” IEEE PES Winter Meeting, pp. 2183-2188, 2000.
6. Y: Y. Hong, C: -Y. Hsiao “Locational Marginal Price Forecasting in Deregulated Electricity Markets Using Artificial Intelligence”, IEE Proc. Gener. Transm. Distrib., Vol. 149,No.5., pp. 621- 626, 2002.
7. A. Wang, B. Ramsay, “Prediction of System Marginal Price in the UK Power Pool”, Int. Conf. on Neural Networks and Systems, Vol. 1, pp. 2116- 2120, 1997.
8. M. P. Moghaddam, M. K. Sheikh-El-Eslami, S. Jadid, “A Price Guideline for Generation Expansion Planning in Competitive Electricity Markets” IEEE Conf., pp. 1-5, 2005
9. Z. Hu,Y. Yu, Z. Wang, W. Sun, D. Gan, Z. Han, “Price Forecasting Using an Integrated Approach” IEEE Int. Conf. on Electric Utility, April 2004, Hong Kong.
10. D. E. Rumelhart, G. E. Hinton and R. J. Williams, “Learning representations by back propagating errors,” Nature, Vol. 323, No. 1, pp. 533-536, 1986.
11. J. P. S. Catal˜ao, S.J.P.S. Mariano, V. M. F. Mendes and L. A. F. M. Ferreira, “Short-term electricity price forecasting in a competitive market: A neural network approach,” Electric Power Systems Research, Vol.77, No. 10, pp. 1297-1304, 2007.
12. V. Vahidinasab, S. Jadid and A. Kazemi, “Day-ahead price forecasting in restructured power system using artificial neural networks”. Electric Power Systems Research, Vol. 78, No. 8, pp. 1332-1342, 2008
13. Trippi, R.R. and E. Turban, Neural Networks in Finance and Investing: Using Artificial Intelligence to Improve Real World Performance. 1992: McGraw-Hill, Inc.
14. Uritskaya OY, Uritsky VM. Predictability of price movements in deregulated electricity markets. Energy Economics. 2015;49:72-81.
15. Regime-switching models for electricity spot prices Introducing heteroskedastic base regime dynamics and shifted spike distributions


XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 7، شماره 1 - ( 6-1397 ) برگشت به فهرست نسخه ها