تصميم گيري خريد و فروش سهام سودا گران در بازار انرژي الكتريكي با استفاده از يادگيري ماشين

Buy and Sell Decision Making of Speculators in the Electricity Market using Machine Learning

پيش‌بيني قيمت برق با هدف بيشينه كردن سود شركت‌هاي برقي يا كاهش هزينه برق مشتريان و همچنين تضمين ثبات بازار توسط اپراتور مستقل سيستم انجام مي‌شود. پيش از اين در بازارهاي انرژي الكتريكي شركت‌كنندگان در بازار غالباً گروه‌هايي بودند كه علاوه بر خريد و فروش كالا، تحويل فيزيكي آن را نيز بر عهده داشتند. در اين مقاله مدلي معرفي مي‌شود كه مشاركت در بازار تنها به شركت‌هايي كه برق را توليد يا مصرف مي‌كنند محدود نشده، بلكه سوداگران (سفته بازان) را كه نمي‌توانند تحويل فيزيكي آن را داشته باشند نيز در بر مي‌گيرد. به وجود آوردن نقشي جديد در بازار برق و افزايش شركت كنندگان در بازار، رقابتي تر شدن بازار برق را به همراه خواهد داشت و اين موضوع سبب ارائه قيمت هاي بهتر به مصرف‌كننده خواهد شد. حال نظر به اينكه پيش‌بيني قيمت برق نقش اساسي را براي جذب سرمايه افراد در اين بازار بازي مي‌كند، در اين مقاله به پيش بيني قيمت برق روزانه با استفاده از روش درخت تصميم كه از روش‌هاي يادگيري ماشين است پرداخته مي شود. فرآيند بهينه سازي سود سوداگر نيز توسط الگوريتم ژنتيك انجام مي شود. تمام شبيه سازي ها در نرم افزار MATLAB انجام مي شود و با پيش بيني قيمت برق، سود سوداگر در مدت سرمايه گذاري به دست آمده و كارايي سيستم پيشنهادي را نشان مي‌دهد.

Electricity price forecasting is done by an independent system operator with the aim of maximizing the profits of electric companies or reducing the cost of electricity to customers, as well as ensuring market stability. Previously, in the electricity markets, market participants were often players that, in addition to buying and selling goods, were also responsible for their physical delivery. This paper introduces a model in which market participation is not limited to companies that generate or consume electricity, but also includes traders (speculators) who cannot physically taking it. Creating a new role in the electricity market and increasing market participants will make the electricity market more competitive, and this will lead to better prices for consumers. Since electricity price forecasting plays a key role in attracting people's capital in this market, this article deals with daily electricity price forecasting using the decision tree method, which is one of the machine learning methods. The process of optimizing the trader's profit is also performed by a genetic algorithm. Case study is simulated in MATLAB and by predicting the price of electricity using the algorithm, the trader's profit is obtained during the investment period and shows the efficiency of this proposed method.