Short-Term Electricity Price Forecasting
ABSTRACT
Price forecasting has become an important tool in the planning and operation of restructured power systems. This paper develops a new short-term electricity price forecasting scheme based on a state space model of the power market. AGauss-Markov process is used to represent the stochastic dynamics of the electricity market. Kalman and H filters, two methods based on the state space model, are applied in order to estimate the electricity price and compare the quality of their state estimates. Our results show that performance measures for the H filter are generally superior to those for the standard Kalman filter.
INTRODUCTION
During the last two decades, with the introduction of restructuring, the price of electricity has become the focus of all agents in the power market. Consequently, electricity price forecasting plays an essential role in establishing appropriate economical operation. In the wholesale power market, electricity price forecasting is critical to both market participants and market operators. In spot markets, market participants (GenCos and DisCos) need price forecasts to decide their bidding strategies and maximize their profits. They use price forecasts to allocate assets, organize bilateral contracts, hedge risks, and plan facility investments. Market operators can also use electricity price forecasts to develop market power indices for monitoring the performance of market participants. Accurate prediction of electricity prices is a necessity in power markets for both market participants and operators. Electricity prices are impacted by factors such as transmission congestions, supply-side decision-making, and market power exercises. Therefore, the selection of input variables is critical to achieve high forecasting accuracy . Different techniques for electricity price forecasting have been applied in the literature. These techniques are categorized into simulation methods, time series, intelligent systems, econometric methods, equilibrium analysis, and volatility analysis. Intelligent systems and time series are usually used for day-ahead price forecasting. Typical time series and intelligent system methods include auto-regressive moving average (ARMA), generalized auto-regressive conditional heteroskedastic (GARCH), feed-forward neural networks (FFNNs), recurrent neural networks (RNNs), adaptive network-based fuzzy inference system (ANFIS), and support vector machine (SVM) .
چکیده
پیش بینی قیمت به یک ابزار مهم در برنامه ریزی و کار سیستم های بازسازی شده تبدیل شده است. این مقاله یک طرح جدید پیش بینی قیمت برق کوتاه مدت مبتنی بر مدل فضایی دولتی در بازار برق را توسعه می دهد. فرآیند AGas-Markov برای نشان دادن دینامیک تصادفی از بازار برق استفاده می شود. کلمن و هام؟ فیلترها، دو روش مبتنی بر مدل فضای حالت، برای ارزیابی قیمت برق و مقایسه کیفیت پیش بینی های دولت آنها مورد استفاده قرار می گیرند. نتایج ما نشان می دهد که اندازه گیری عملکرد برای H؟ فیلتر به طور کلی برتر از فیلترهای Kalman استاندارد است.
مقدمه
در طول دو دهه گذشته، با معرفی بازسازی، قیمت برق به همه عوامل در بازار برق تبدیل شده است. در نتیجه، پیش بینی قیمت برق نقش مهمی در ایجاد عملیات مناسب اقتصادی ایفا می کند. در بازار برق عمده فروشی، پیش بینی قیمت برق برای شرکت کنندگان و اپراتورهای بازار بسیار مهم است. در بازارهای نقطه، شرکت کنندگان در بازار (GenCos و DisCos) نیاز به پیش بینی قیمت برای تصمیم گیری استراتژی های پیشنهاد خود و به حداکثر رساندن سود خود را. آنها از پیش بینی های قیمت برای تخصیص دارایی ها، سازماندهی قراردادهای دو جانبه، ریسک های حمایتی و برنامه ریزی سرمایه گذاری ها استفاده می کنند. اپراتورهای بازار همچنین می توانند پیش بینی های قیمت برق را برای توسعه شاخص های قدرت بازار برای نظارت بر عملکرد شرکت کنندگان در بازار استفاده کنند. پیش بینی دقیق قیمت برق ضروری است در بازار برق برای شرکت کنندگان و اپراتورهای بازار. قیمت های برق تحت تاثیر عوامل مانند تراکم انتقال، تصمیم گیری در مورد عرضه و همچنین تمرکز قدرت بازار است. بنابراین، انتخاب متغیرهای ورودی برای دستیابی به دقت پیش بینی پیش بینی بسیار مهم است. تکنیک های مختلف پیش بینی قیمت برق در ادبیات استفاده شده است. این تکنیک ها به روش های شبیه سازی، سری زمانی، سیستم های هوشمند، روش های اقتصادسنجی، تجزیه و تحلیل تعادل و تجزیه و تحلیل نوسانات دسته بندی می شوند. سیستم های هوشمند و سری زمانی معمولا برای پیش بینی قیمت روز پیش استفاده می شود. مجموعه های زمانی معمول و سیستم های هوشمند شامل میانگین حرکت اتوماتیک رگرسیون (ARMA)، شبکه های عصبی مشروط به طور خودکار رگرسیون (GARCH)، شبکه های عصبی خورده (FFNN)، شبکه های عصبی مجدد (RNNs)، سیستم استنتاج فازی (ANFIS) و پشتیبانی از ماشین بردار (SVM).
Year: 2013
Publisher : IEEE
By : A. Arabali, E. Chalko , M. Etezadi-Amoli, M. S. Fadali
File Information: English Language/ 5 Page / size: 252 KB
سال : 1392
ناشر : IEEE
کاری از : A. Arabali, E. Chalko , M. Etezadi-Amoli, M. S. Fadali
اطلاعات فایل : زبان انگلیسی / 5 صفحه / حجم : KB 252
دیدگاه خود را ثبت کنید
تمایل دارید در گفتگو شرکت کنید؟نظری بدهید!