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.
fr158:کد
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله پیش بینی قیمت کوتاه مدت بر اساس موجک-ELM ترکیبی، برای بازار برق
تعداد کلمات فایل انگلیسی:7665کلمه 10صفحه pdf
تعداد صفحات فایل ترجمه:27صفحه word فونت14 Arial
چکیده
پیشبینی دقیق قدمت برق، مشکلی بزرگ برای شرکت کنندگان و مدیران بازار می باشد، بدلیل آنکه قیمت الکتریسیته دارای نوسانات زیاذی است. پیشبینی قیمت نیز، مهم ترین قصد مدیریتی برای مشارکت کنندگان در بازار است، چونکه مبانی بیشینه کردن سود را، تشکیل می دهد. این مقاله، کارکرد یک تکنیک شبکه عصبی جدید را به اسم ناشین یادگیری سریع (ELM)، در مساله پیشبینی قیمت، بررسی می کند. با در نظر داشتن خط مربوط به بازهای برق که دارای نوسانات بسیاری در قیمت هستند، تکیه به یک تکنیک، خیلی هم سودمند نمی باشد. از اینرو، ELM با تکنیک موجک همراه شده است و یک مدل پیوندی (مرکب) را به نام WELM (ELM مبتنی بر موجک) را تشکیل داده است تا دقت پیشبینی و نیز قابلیت اطمینان آن را، بهبود بخشد. در این شیوه، ویژگی های بی همتای هر ابزار، تکریب شده اند تا الگوهای مختلفی را در اطلاعات، بدست آورند. قدرت این تکنیک، بوسیله روش مجموع شده، بهبود بیشتری می یابد. کارکردهای مدل های ارایه شده، بوسیله اطلاعات موجود در بازارهای برق انتاریو، PJM، نیویورک و ایتالیا، ارزیابی شده اند. نتایج آزمایشی نشان می دهند که شیوه پیشنهادی، یکی از مناسب ترین تکنیک های پیشبینی قیمت می باشد.
مقدمه
مقررات زدایی (تجدید ساختار) بخش برق، منجر به توسعه یک ساختار بازار رقابتی شده است که در آن شرکت کننده ها برای ارایه بازار خود از طریق بازار معامله های لحظه ای و بازار دو-جانبه، رقابت می کنند. قیمت های برق در این بازارها، بصورت مستقیم یا غیر-مستقیم تحت تاثیر تعدادی از عواملی که بطور پیچیده ای با هم مرتبط هستند، قرار دارند. عدم قطعیت در عواملی همچون آب و هوا، قطعی های تجهیزات، قیمت های سوخت، و تنگراه انتقال، منجر به نوسانات شدید قیمت یا حتی تغییرات ناگهانی قیمت در بازار برق می شوند. حرکت غیرقطعی پیچیده ی قیمت های برق در ساعت های مختلف روز، از اهمیت بالایی در میان شکرت کنندگان بازار برخوردار است. شرکت کنندگان در بازار، نیاز به پیشبینی های مطمین از نوسانات قیمت در بازار برق دارند، تا بتوانند آن را به مزایده گذاشته یا خرید و فروش نمایند. بدلیل اهمیت قیمت های آینده و پیچیدگی موجود مربوط به تعیین آنها، مدل سازی و پیشبینی دقیق قیمت های بازار، یکی از زمینه های اصلی تحقیقاتی در مهندسی برق شده است.
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.
fr158:کد
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com