توضیحات
ABSTRACT
Accurate electricity price forecasting is a formidable challenge for market participants and managers owing to high volatility of the electricity prices. Price forecasting is also the most important management goal for market participants since it forms the basis of maximizing profits. This study investigates the performance of a novel neural network technique called Extreme Learning Machine (ELM) in the price forecasting problem. Keeping in view the risk associated with electricity markets with highly volatile prices, relying on a single technique is not so profitable. Therefore ELM has been coupled with the Wavelet technique to develop a hybrid model termed as WELM (wavelet based ELM) to improve the forecasting accuracy as well as reliability. In this way, the unique features of each tool are combined to capture different patterns in the data. The robustness of the model is further enhanced using the ensembling technique. Performances of the proposed models are evaluated by using data from Ontario, PJM, New York and Italian Electricity markets. The experimental results demonstrate that the proposed method is one of the most suitable price forecasting techniques.
INTRODUCTION
Deregulation of electricity sector has led to the development of a competitive market structure where the participants compete for the market share through spot and bilateral markets. Electricity prices in such markets are directly or indirectly driven by a number of factors which are interlinked to each other in a complex fashion. Uncertainty in factors such as weather, equipment outages, fuel prices, and transmission bottlenecks result in extreme price volatility or even price spikes of electricity market. The complex, uncertain movement of electricity prices over different hours of the day is of great interest to the market participants. The market participants need reliable forecasted prices for either bidding or hedging against price volatility in the market. Driven by the importance of the future prices and the complexities involved in determining them, detailed modeling and forecasting of electricity prices has become a major research field in electrical engineering. A significant number of research papers have addressed the problem of accurate price forecasting through different approaches. The most commonly observed one’s are the time series based and the artificial intelligence based approaches which are basically regression models as they relate electricity prices variations to historical prices and other explanatory variables such as demand, fuel prices, temperature, time of day etc.
چکیده
پیش بینی قیمت دقیق برق به دلیل نوسانات شدید قیمت برق، برای شرکت کنندگان و مدیران بازار، یک چالش بزرگی است. پیش بینی قیمت همچنین مهمترین هدف مدیریتی برای شرکت کنندگان در بازار است، زیرا این مبنای به حداکثر رساندن سود است. در این تحقیق، عملکرد یک تکنیک شبکه جدید عصبی به نام ماشین آموزش فراگیر (ELM) در پیش بینی قیمت پیش بینی شده است. در نظر داشتن ریسک مربوط به بازارهای برق با قیمت های بسیار فرار، تکیه بر تکنیک تنها سودآور نیست. بنابراین ELM با تکنیک Wavelet همراه شده است تا یک مدل ترکیبی به نام WELM (ELM مبتنی بر موجک) را برای بهبود دقت پیش بینی و همچنین قابلیت اطمینان افزایش دهد. به این ترتیب، ویژگی های منحصر به فرد هر یک از ابزارها برای ترکیب الگوهای مختلف داده ها ترکیب می شوند. استحکام مدل بیشتر با استفاده از روش جمع آوری شده افزایش می یابد. عملکرد مدل های پیشنهادی با استفاده از داده های بازار انتاریو، PJM، نیویورک و ایتالیا ارزیابی می شود. نتایج تجربی نشان می دهد که روش پیشنهاد شده یکی از تکنیک های مناسب پیش بینی قیمت است.
مقدمه
مقررات زدایی از بخش برق منجر به توسعه یک ساختار بازار رقابتی شده است که شرکت کنندگان برای سهم بازار از طریق بازارهای نقطه ای و دوجانبه رقابت می کنند. قیمت برق در چنین بازارهایی به طور مستقیم یا غیر مستقیم توسط تعدادی از عواملی که به صورت پیچیده به یکدیگر متصل هستند هدایت می شود. عدم اطمینان در عوامل مانند آب و هوا، قطع برق، قیمت سوخت و تنگناهای انتقال موجب شدت شدید قیمت ها و یا حتی افزایش قیمت بازار برق شود. جابجایی پیچیده و غیرمستقیم قیمتهای برق در ساعت های مختلف روز، برای شرکت کنندگان در بازار بسیار مهم است. شرکت کنندگان در بازار نیاز به قیمت های پیش بینی شده قابل قبول برای هر دو قیمت گذاری و یا مقررات در برابر نوسان قیمت در بازار است. با توجه به اهمیت قیمت های آینده و پیچیدگی های درگیر در تعیین آنها، مدل سازی دقیق و پیش بینی قیمت برق به یک زمینه تحقیق عمده در زمینه مهندسی برق تبدیل شده است. تعداد قابل توجهی از مقالات پژوهشی به مشکل پیش بینی قیمت دقیق از طریق رویکردهای مختلف پرداختند. یکی از رایج ترین نظریه ها، سری زمانی مبتنی بر و روشی مبتنی بر هوش مصنوعی است که اساسا مدل های رگرسیون هستند، زیرا آنها تغییرات قیمت برق را با قیمت های تاریخی و سایر متغیرهای توضیحی مانند تقاضا، قیمت سوخت، دما، زمان روز و غیره مرتبط می کنند.
Year: 2014
Publisher : ELSEVIER
By : Nitin Anand Shrivastava , Bijaya Ketan Panigrahi
File Information: English Language/ 10 Page / size: 837 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1393
ناشر : ELSEVIER
کاری از : نیتین آناند Shrivastava ⇑، Bijaya Ketan Panigrahi
اطلاعات فایل : زبان انگلیسی / 10 صفحه / حجم : KB 837
نقد و بررسیها
هنوز بررسیای ثبت نشده است.