ارايه يك مدل تركيبي در پيش بيني بار در بازار برق تجديدساختار يافته

Load forecasting using mutual information, adaptive FNN and Artificial Bee search model

چكيده: با سمت‎گيري و تغيير ساختار بازار برق از بازار انحصاري دولتي به بازار رقابتي كه در آن ميزان تقاضا توسط نيروهاي بازار تعيين مي‎شود، نياز به طراحي مدلي كارا و مناسب به گونه‎اي كه ريسك شركت در بازار رقابتي براي فعالان بازار برق را در جهت افزايش سودهي آنها كاهش دهد، اهميت ويژه‎اي يافته است. براي مدلسازي و پيش‎بيني بار در بازار رقابتي بايد خصوصيات اين كالا از جمله فصلي بودن تقاضا را در نظر گرفت. مدل ايجاد شده در صورتي كه بتواند با ايجاد رابطه‎اي از داده‎هاي قبلي، كمترين خطاي پيش‎بيني را داشته باشد، موثرتر و كارآمدتر خواهد بود. در مدل‎هاي كلاسيك ارايه شده در مساله پيش بيني بار در بازار برق با تنوع تعداد متغيرهاي ورودي و عدم پيروي متغيرها از يك مدل سري مشخص، خطاي ناشي از پيش بيني افزايش خواهد يافت. در اين مقاله با انگيزه دستيابي به كمترين خطاي پيش‎بيني و برطرف كردن نواقص روش‎هاي قبلي، از روشي تركيبي شبكه عصبي بهبود يافته مبتني بر ساختار غير خطي براي آموزش و يادگيري بهتر بر روي مقادير گذشته بار و استفاده از آن براي اطلاعات آينده و از ايده تركيبي كلوني مصنوعي زنبور عسل در يافتن بهترين وزن‎ها و باياس‎ها براي حداقل كردن مربعات خطاي پيش‎بيني بهره گرفته شده است. همچنين به منظور مرتب‎سازي داده‎ها و در نظر گرفتن عدم قطعيت در انتخاب بهترين داده‎ها از روش پيشنهادي انتخاباتي با در نظر گرفتن معيار آنتروپي بهره گرفته شده است. به منظور نشان دادن كارايي روش پيشنهادي در حل مساله پيش‎بيني بار در بازار برق در مقايسه با ساير روش‎هاي اخير انجام گرفته در اين زمينه، از بازار واقعي موجود نيوانگلند استفاده شده است. نتايج نشان از دقت بالا و خطاي كمتر در پيش بيني مي‎دهد. همچنين الگوريتم هوشمند ارايه شده قابليت جستجوي محلي و نهايي آن به طور قابل ملاحظه‎اي بهبود يافته است.

Accurate load forecasting becomes more and more important for all market participants in competitive electricity markets, which can maximize producers’ profits and consumers’ utilities, respectively. The optimal profit is determined by applying a perfect price forecast. A load forecast with a less prediction errors, yields maximum profits for market players. The numerical electricity load forecasting is high in forecasting errors of various approaches. However, electricity load is a complex signal due to its nonlinearity, non-stationary, and time variant behavior. In spite of much research in this area, more accurate and robust price forecast methods are still required. In this paper, a new hybrid forecast technique based on feature selection technique, Artificial Neural Network (ANN) and Artificial Bee Colony (ABC) model is proposed for load forecasting. The feature selection method is an improved version of the mutual information (MI) technique. The superiority of this proposed method is examined by using the data acquired from New England market. Empirical results show that this proposed method performs better than some of the other price forecast techniques