ارايه يك موتور پيش بيني مبتني بر تركيب اطلاعات جهت پيش‌بيني قيمت در بازارهاي برق

A new forecast engine based on data fusion for electricity price forecasting

در بازارهاي برق تجديدساختاريافته، ييش‎بيني صحيح قيمت اهميت فراواني براي تمامي شركت‌كنندگان بازار دارد. به دليل ويژگي‌هاي خاص و پيچيدگي‌هاي سيگنال قيمت بازار، يك موتور پيش‌بيني نمي‌تواند به تنهايي تمامي الگوهاي مختلف موجود در سيگنال قيمت را شناسايي و مدل نمايند. بنابراين، جهت افزايش صحت پيش بيني‌ها، اين مقاله يك روش هيبريد كننده ارايه مي‌دهد تا بتواند از به صورت همزمان از مزيت‌هاي چند موتور پيش‌بين استفاده نمايد. در روش پيشنهادي سه موتور پيش‌بين مقدماتي پيش‌بيني‌هايي مستقل از قيمت بازار برق ارايه مي‌دهند. سه موتور پيش‌بيني مقدماتي استفاده شده در اين مقاله عبارتند از: شبكه‌هاي عصبي مصنوعي چند لايه، سيستم استنتاج تطبيقي فازي-عصبي (ANFIS) و روش ميانگين متحرك خودگردان (ARMA). سپس يك الگوريتم تركيب اطلاعات جديد ارايه شده است كه اين سه پيش‌بيني مستقل را با يكديگر تركيب نموده تا يك پيش‌بيني واحد از قيمت برق ارايه نمايد. روش پيشنهادي از ميزان خطاي گذشته موتورهاي پيش‌بين مقدماتي بازخورد گرفته تا ميزان تاثير آن‌ها را در پيش‌بيني نهايي تنظيم نمايد. روش پيشنهادي بر روي داده‌هاي قيمت بازار اسپانيا اعمال شده اند تا كارايي آن ارزيابي شود. نتايج نشان مي‌دهد كه روش پيشنهادي مي‌تواند پيش بيني‌هايي ارايه دهد كه از هركدام از پيش بيني‌هاي موتورهاي مقدماتي بهتر است.

In restructured electricity markets, accurate price forecasting plays an important role for all market participants. Due to the complexity and distinct nature of the electricity price, a single forecast engine cannot capture and model all different patterns in price signals. As a result, to improve forecast accuracies, this paper proposes a hybrid method to use advantages of several forecast engines simultaneously. In the proposed method, three primary engines, artificial neural networks (ANN), adaptive neuro-fuzzy inference systems (ANFIS), and autoregressive moving average (ARMA), provides three independent forecasts of the price. Then, a new fusion algorithm combines these three forecasts to obtain a unified single price forecast. The proposed method obtains feedback from previous error of the primary forecast engines to adjust their effect on the final forecast. The proposed method is evaluated using price data of Spanish electricity market. Results indicate that the proposed method outperform each primary forecasting engine.