پيش‌بيني روزانۀ قيمت برق با روش مبتني بر ماشين يادگيري شديد، سيستم پيش‌پردازش‌كنندۀ و الگوريتم بهبوديافتۀ كلوني جستجوي ويروس

Day-ahead Electricity Price Forecasting by a New Hybrid Algorihtm based on ELM, Curvelet Transform, Preprocessing System, and Modified VCS Algorithm

نظر به اينكه سيگنال قيمت در بازار برق، نوسانات زياد و عدم‌قطعيت فراواني دارد، بر پيش‌بيني كوتاه‌مدت تأثير زيادي مي‌گذارد. با توجه به اينكه روش‌هاي مبتني بر سري زماني نمي‌توانند مدل‌هاي غيرخطي اين‌چنيني را به‌صورت مناسب با دقت بالا تخمين بزنند، به ارائۀ مدل كارا نياز است؛ به همين دليل در اين مقاله روش تركيبي جديد چندمرحله‌اي براي پيش‌بيني روزانۀ قيمت برق پيشنهاد شده است. به‌منظور دستيابي به اين الگو، ابتدا پيش‌بيني به سه لايۀ اصلي، پيش‌پردازش‌كننده، آموزش و تنظيم‌كننده تقسيم شده است. در لايۀ اول از تبديل كرولت براي كاهش نويزهاي احتمالي در سيگنال قيمت استفاده شده است. سپس با استفاده از مدل توسعه‌يافتۀ انتخاب داده بر مبناي افزايش همبستگي و كاهش تكرار، داده‌هاي غيرمفيد را حذف و حجم محاسبات را به‌صورت چشمگيري كاهش داده است. سپس داده‌هاي منظم‌شده وارد لايۀ يادگيري شده كه به‌منظور دست‌يابي و استخراج بهترين الگو از داده‌هاي ورودي، ماشين يادگيري شديد توسعه‌يافته پيشنهاد شده است. با توجه به اينكه تنظيم پارامترهاي كنترلي ماشين يادگيري پيشنهادي مي‌تواند به حداكثر قابليت آن در استخراج الگو غيرخطي از سيگنال قيمت منجر شود، در لايۀ آخر روش توسعه‌يافتۀ جديدي مبتني بر كلوني جستجوي ويروس بر مبناي تئوري ضرايب متغير زماني پيشنهاد شده است. الگوريتم پيشنهادي، روش بهينه‌سازي جديد براساس عملكرد ويروس‌ها براي نابودي سلول‌هاي ميزبان و نفوذ بهترين آن‌ها به داخل يك سلول براي تكثير است. روش پيشنهادي بر بازارهاي برق واقعي موجود، اعمال و نتايج به‌دست‌آمده براساس ميزان خطاي پيش‌بيني و معيارهاي مبتني بر خطا مقايسه شده‌اند. نتايج نشان مي‌دهند روش پيشنهادي، كارايي مناسب و پذيرفتني دارد.

Given that the price signal in the electricity market is highly volatile or otherwise uncertain, short-term forecasting is significantly affected. Since time-series methods cannot estimate such nonlinear models appropriately with high accuracy, we need to provide an efficient model. For this reason, in this paper, a new hybrid algorithm for day-ahead electricity price forecasting is proposed. In order to achieve this model, we first divide the forecasting problem into three main layers: preprocessor, training, and regulator. In the first layer, we use the curvelet transform to reduce possible noise in the price signal. Then, using the extended data selection model based on increasing correlation and decreasing redundancy, we eliminate the unnecessary data and reduce the volume of computation significantly. Then the regularized data is entered into the learning layer which is a developed Extreme Learning Machine (ELM) to obtain and extract the best pattern from the input data. Since adjusting the control parameters of the proposed ELM can maximize its ability to derive a nonlinear pattern from the price signal, a new developed Virus Colony Search (VCS) method based on the time-varying coefficients theory is proposed in the last layer. The proposed algorithm is a novel optimization method based on the function of viruses to destroy host cells and penetrate the best ones into a cell for replication. The proposed method is applied to existing real electricity markets and the results are compared based on prediction error rates and error-based criteria. The obtained results show the appropriate and acceptable performance of the proposed forecasting method.