پيش بيني قيمت تسويه بازار براي خوشه هاي زماني رقابت پذيري بازار با استفاده از شبكه عصبي بهبود يافته با الگوريتم ژنتيك: مطالعه بازار برق ايران

Market clearing price prediction using improved neural network with genetic algorithm in Iranian day ahead market for competitiveness clustering’s

با قانون‌زدايي بازار و شكل‌گيري بازار روز بعد انرژي، در هر روز توليدكنندگان انرژي اقدام به ارائه پيشنهاد قيمت خود براي هر واحد به تفكيك ساعت، در حداكثر 10 پله به مديريت‌ شبكه مي‌كنند و مديريت‌ شبكه با تعيين ميزان تقاضا در روز بعد، قيمت‌ تسويه بازار براي روز آتي را به همراه برندگان بازار اعلام مي‌كند و بر اساس قيمت پيشنهادي توليدكنندگان با آنها تسويه مي‌كند. از اين رو پيش بيني قيمت تسويه بازار براي شركت كنندگان در بازار حائز اهميت مي‌ياشد و پيش بيني دقيق آن تاثير بسزايي بر روي سود آنها خواهد داشت. نظر به رفتار فصلي قيمت تسويه‌بازار، در اين مقاله از الگوريتم K-Means به منظور خوشه بندي فضاي رقابتي بازار ايران استفاده شده است كه مطابق با نتايج آن، رقابت در بازار برق ايران شامل سه خوشه رقابت بالا (فصول سرد سال)، رقابت كم (فصول گرم سال) و خوشه گذار مي‌باشد، در نهايت با به كارگيري الگوريتم ژنتيك جهت انجام فرايند آموزش شبكه‌ عصبي، قيمت تسويه بازار براي هر خوشه رقابتي به صورت مجزا پيش بيني شده است كه مطابق با نتايج حاصله، مدل ارائه شده قابليت پيش بيني قيمت تسويه بازار در روز بعد با دقت 95 درصد را دارد.

In The deregulation in power market is lead to competition among market participant to increase efficiency. In electricity market generation is the best candidate for iterance in competition to improve productivity and efficiency in resource allocation and offer lowest price by highest quality will be yielded. In the pool-based electricity market, every Genco submits a bidding price in ten step offer to the Independent System Operator (ISO) for every hour of the next day. The ISO uses the bidding price and forecasting demand to determine the MCP. The resulting spot price series exhibit strong seasonality at the annual, weekly and daily levels, as well as mean reversion, very high volatility and abrupt, short-lived and generally unanticipated extreme price changes known as spikes or jumps. So in this article we cluster time horizon in three cluster then we applied improved neural network by genetic algorithm for all clusters. In compare of normal neural network, results of our model are more better by 95% Accuracy.