پيش‌‌بيني كوتاه مدت قيمت تراكم گرهي در يك سيستم قدرت بزرگ تجديد ساختار يافته با استفاده از شبكه‌هاي عصبي مصنوعي با بهينه‌سازي آموزش ژنتيكي

Short-Term Nodal Congestion Price Forecasting in Large-Scale Power Market Using ANN with Genetic Optimization Training

در يك بازار برق روزانه، پيش‌بيني قيمت و بار مهمترين سيگنال براي شركت كنندگان در بازار مي‌باشد. در اين مقاله از شبكه‌هاي عصبي پيشرو با بهينه‌سازي آموزش ژنتيكي براي پيش‌بيني قيمت كوتاه مدت تراكم گرهي برق در نواحي مختلف يك بازار برق در مقياس وسيع استفاده شده است. اطلاعات لازم براي پايگاه داده شبكه عصبي از حل معادلات پخش بار بهينه سيستم قدرت با در نظر گرفتن كليه عوامل موثر، براي تغييرات بار سيستم در هر ساعت از روز در مدت يك ماه حل شده است. ساختار شبكه عصبي داراي دو سيگنال ورودي توان اكتيو و راكتيو هر شين در هر ساعت از مدل برنامه‌ريزي مي‌باشد. اين دو سيگنال همواره در سيستم قدرت قابل دسترس مي‌باشند. در اين مطالعه از سيستم 118 باسه IEEE براي بررسي صحت روش پيشنهادي استفاده شده است. اين شبكه به 3 ناحيه تقسيم شده و براي هر ناحيه از يك شبكه عصبي با آموزش بهينه ژنتيكي استفاده شده است. نتايج حاصله بيانگر توانايي اين روش براي پيش‌بيني قيمت در يك بازار برق بزرگ با خطاي نسبتاً كم و قابل قبول خصوصاً در نقاط جهش قيمت دارد.

In a daily power market, price and load forecasting is the most important signal for the market participants. In this paper, an accurate feed-forward neural network model with a genetic optimization levenberg-marquardt back propagation (LMBP) training algorithm is employed for short-term nodal congestion price forecasting in different zones of a large-scale power market. The use of genetic algorithms for neural network training optimization has had a remarkable effect on the accuracy of price forecasting in a large-scale power market. The necessary data for neural network training are obtained by solving optimal power flow equations that take into account all effective constraints at any hour of the day in a single month. The structure of the neural network has two input signals of active and reactive powers for every load busbar in every hour of the programming model. These two signals are always available. In this study, an IEEE 118-bus power system is to test the proposed method authenticity. This system is divided into three zones, and a neural network with a genetic algorithm training optimization is employed for every zone. Simulation results show the ability of the proposed method in forecasting the nodal congestion price and its severity in a large-scale power market with a rather low and acceptable error, especially at points of price spikes.