پیش بینی قیمت کوتاه مدت برق
15,200 تومانشناسه فایل: 10016
چکیده
پیش بینی قیمت به ابزار مهم در برنامه ریزی و بهره برداری از سیستم های قدرت تجدید ساختار شده تبدیل شده است. این مقاله یک طرح پیش بینی قیمت کوتاه مدت برق را بر اساس یک مدل فضای وضعیت بازار برق مطرح می نماید. فرآیند گاوس – مارکوف برای نشان دادن پویایی تصادفی بازار برق مورد استفاده قرار گرفته است. فیلترهای کالمن و H∞ ، دو روش مبتنی بر مدل فضای وضعیت به شمار می روند که به منظور برآورد قیمت برق و مقایسه کیفیت برآوردهای وضعیت آنان به کار گرفته می شوند. نتایج ما نشان می دهند که معیارهای عملکرد برای فیلتر ∞H به طور کلی برتر از معیارهای عملکرد برای فیلتر کالمن استاندارد هستند.
مقدمه مقاله
در خلال دو دهه گذشته، با معرفی بازسازی، قیمت برق به کانون توجه کلیه کارگزاران بازار برق تبدیل شده است. در نتیجه، پیش بینی قیمت برق نقش اساسی را در انجام عملیات اقتصادی مناسب ایفاء می نماید. در بازار عمده فروشی برق، پیش بینی قیمت برق هم برای شرکت کنندگان در بازار و هم اپراتورهای بازار بسیار حیاتی به شمار می آید.در بازارهای آزاد، شرکت کنندگان در بازار (GenCos و DisCos) به پیش بینی های قیمت برای تصمیم گیری درباره استراتژی های پیشنهاد قیمت خرید و به حداکثر رساندن سود خود نیاز دارند. آن ها از پیش بینی های قیمت برای تخصیص دارایی ها، سازماندهی قراردادهای دو جانبه، ریسک های تامینی و سرمایه گذاری طرح تسهیلات استفاده می نمایند.
هم چنین اپراتورهای بازار نیز می توانند از پیش بینی های قیمت برق به منظور توسعه شاخص های قدرت بازار برای نظارت بر عملکرد شرکت کنندگان در بازار استفاده نمایند. پیش بینی دقیق و صحیح قیمت های برق یک ضرورت در بازارهای قدرت هم برای شرکت کنندگان در بازار و هم اپراتورهای بازار محسوب می شود. قیمت های برق تحت تاثیر عواملی همچون تراکم انتقال، تصمیم گیری طرف عرضه، و کاربست های قدرت بازار قرار دارد. از همین رو، انتخاب متغیرهای ورودی به منظور دستیابی به دقت و صحت پیش بینی بالا امری حیاتی به شمار می رود [1].تکنیک های مختلفی برای پیش بینی قیمت برق در مقالات مورد استفاده قرار گرفته اند. این تکنیک ها در روش های شبیه سازی، سری های زمانی، سیستم های هوشمند، روش های اقتصادسنجی، تجزیه و تحلیل موازنه، و تجزیه و تحلیل نوسانات یا ناپایداری ها دسته بندی می شوند. سیستم های هوشمند و سری های زمانی معمولاً برای پیش بینی های روز پیش روی قیمت مورد استفاده قرار می گیرند. روش‌های معمول سری‌زمانی و سیستم هوشمند عبارتند از: میانگین متحرک خودبرگشتی (ARMA)، تعمیم ناهمسانی شرطی خودبرگشتی (GARCH)، شبکه‌های عصبی پیش‌خورد (FFNNs)، شبکه‌های عصبی بازگشتی (RNNs)، سیستم استنتاج فازی شبکه‌ای تطبیقی (ANFIS) و ماشین بردار پشتیبان (SVM) [2].عملکرد پیش بینی اغلب این تکنیک ها بر مبنای شبیه سازی های کامپیوتری در [1]، [3] و [4] مقایسه گردید. این شبیه سازی نشان می دهند که با توجه به ورودی های مشابه، یک سیستم هوشمند ساده، به مانند FFNN، نسبت به سری های زمانی، به مانند ARMA و GARCH، و سیستم های هوشمند پیچیده، به مانند RNN و ANFIS، دقیق تر و کارآمدتر کار می کند [4].
ترکیبی از روش های سری های زمانی و سیستم استنتاج فازی (FIS) برای پیش بینی قیمت برق روز پیش رو در [1] پیشنهاد گردید. سیستم استنتاج فازی (FIS) به علت وضوح و قابلیت تفسیرپذیری خود اتخاذ گردید و برآورد حداقل مربعات (LSE) به منظور برآورد نمودن پارامترهای سری های زمانی استفاده گردید. متدولوژی پیش بینی برای قیمت نهایی منطقه ای (LMP) بر اساس محیط بازار به کار گرفته شد [1].بارهای ناحیه ای و محدودیت های روز پیش رو به عنوان ورودی به ترتیب برای نشان دادن تاثیرات عوامل طرف تقاضا و انتقال متراکم گنجانیده شدند. متغیرهای ورودی با متغیرهایی از جمله قیمت به ازای همان ساعات در روز قبل، قیمت یک هفته قبل از آن، بارهای ناحیه محلی تقاضا، و گستره حوزه و محدودیت های انتقال همبستگی داشتند در حالی که متغیرهای خروجی کاربردهای مشخصی داشتند. نتایج [1] نشان دادند که برآورد حداقل مربعات (LSE) دقیق ترین نتایج را ارائه می کند، و سیستم استنتاج فازی (FIS)، که آن هم بسیار دقیق می باشد، شفافیت و قابلیت تفسیرپذیری را فراهم خواهد ساخت.
در [2] و [5]، یک رویکرد برای پیش بینی ساعتی قیمت در بازار برق روز پیش رو با استفاده از شبکه عصبی بازگشتی (RNN) پیشنهاد گردید. عموماً، RNN یک رویکرد چند مرحله ای است که شامل یک گره خروجی بوده و به طور بازگشتی از پیش بینی خود به عنوان ورودی پیش بینی های بعدی استفاده می کند.بدین ترتیب، RNN به صورت بازگشتی برای بیست و چهار مرحله به منظور پیش بینی قیمت 24 ساعت آینده انجام می پذیرد. مقایسه عملکرد پیش بینی مدل RNN پیشنهادی با روش های دیگر مورد استفاده در مقالات در [5] انجام پذیرفت. از طریق شبیه سازی، [5] نشان داد که مدل RNN پیشنهادی می تواند نتایج دقیق تر و کارآمدتری را برای بازار برق پنسیلوانیا – نیوجرسی – مریلند (PJM) ارائه نماید.
هیچ کدام از روش های موجود در مقالات طرح مناسبی را به منظور استفاده از فضای وضعیت بازار برق برای پیش بینی قیمت تعریف نمی کنند. این مقاله الگوریتمی را برای پیدا کردن مدل فضای وضعیت بازار برق پیشنهاد می نماید. با استفاده از این الگوریتم و بکارگیری دو روش برآورد، فیلترهای کالمن و H∞، یک طرح جدید جهت پیش بینی قیمت برق (LMP) مطرح گردید.
بخش دوم (II) قسمت A به توسعه یک مدل فضای وضعیت برای بازار قدرت می پردازد. معادلات فیلتر کالمن و H∞ به ترتیب در بخش دوم (II) در قسمت های B و C تعریف گردیده اند. یک طرح جدید پیش بینی قیمت در بخش دوم (II) قسمت D ارائه شده است. بخش سوم و چهارم (III و IV) نیز به ترتیب به نتایج شبیه سازی و نتیجه گیری اختصاص داده شدند.
ABSTRACT Short-term electricity price forecasting
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. A Gauss-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 [1].
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) [2]. The prediction performance of most of these techniques is compared based on computer simulations in [1], [3] and [4]. These simulations show that considering the same inputs, a simple intelligent system, such as FFNN, performs more accurately and efficiently compared to time series, such as ARMA and GARCH, and complex intelligent systems, e.g., RNN and ANFIS [4].
A combination of time series methods and fuzzy inference system (FIS) for day-ahead electricity price forecasting was proposed in [1]. The FIS was adopted due to its clearness and interpretability and least-squares estimation (LSE) was used to estimate the parameters of the time series. The forecasting methodology was applied to the locational marginal price (LMP) based market environment [1]. Zonal loads and dayahead constraints are included as inputs to represent impacts of demand-side factors and congested transmissions, respectively. The input variables were correlated variables including prices for the same hours on the previous day, prices one week earlier, demand loads of local zone, and area wide and transmission constraints while the output variables were the specified applications. The results of [1] showed that LSE provides the most accurate results, and FIS, which is also highly accurate, provides transparency and interpretability.
In [2] and [5], an approach was proposed for forecasting hourly prices in the day-ahead electricity market using a recursive neural network (RNN). Generally, RNN is a multistep approach that includes one output node and recursively uses its prediction as input for subsequent forecasts. Thus, it is carried out recursively for twenty four steps to predict next 24 hour prices. A comparison of the prediction performance of the proposed RNN model to other methods used in literature was performed in [5]. Through simulation, [5] showed that the proposed RNN model can provide more efficient and accurate results for the Pennsylvania-New Jersey-Maryland (PJM) electricity market.
None of the methods in the literature define an appropriate scheme to use the state space of the power market for price forecasting. This paper proposes an algorithm to find the state space model of the power market. Using this algorithm and applying two estimation methods, the Kalman and H filters, a new scheme is developed to forecast the electricity price (LMP). Section II. A develops a state space model for the power market. Kalman and H filter equations are defined in Section II B and C, respectively. A new price forecasting scheme is proposed in Section II. D. Sections III and IV are devoted to the simulation results and conclusion, respectively.
- مقاله درمورد پیش بینی قیمت کوتاه مدت برق
- پروژه دانشجویی پیش بینی قیمت کوتاه مدت برق
- پیش بینی قیمت برق کوتاه مدت
- پایان نامه در مورد پیش بینی قیمت کوتاه مدت برق
- تحقیق درباره پیش بینی قیمت کوتاه مدت برق
- مقاله دانشجویی پیش بینی قیمت کوتاه مدت برق
- پیش بینی قیمت کوتاه مدت برق در قالب پايان‌نامه
- پروپوزال در مورد پیش بینی قیمت کوتاه مدت برق
- گزارش سمینار در مورد پیش بینی قیمت کوتاه مدت برق
- گزارش کارورزی درباره پیش بینی قیمت کوتاه مدت برق