دانلود ترجمه مقاله دسته بندی هزینه بازار الکتریسیته و برق در آینده – مجله IEEE

بخشی از ترجمه:

 
چکیده

پیش بینی کوتاه مدت قیمت ها در بازار برق در سال های اخیردر تمرکز مطالعات متعدد بوده است.  اگر چه روش های مختلف مورد بررسی قرار داده شده اند، دستیابی کمی از خطاهای پیش بینی نشده همیشه امکان پذیر است.  با این حال، برخی از برنامه های کاربردی، مانند مدیریت سمت تقاضا، نیاز به مقادیر دقیق برای قیمت های آینده ندارند، بلکه از آستانه قیمت مشخص به عنوان پایه ای برای ساخت تصمیمات برنامه ریزی کوتاه مدت استفاده می کند.  در این مقاله، طبقه بندی قیمت های بازار برق در آینده با توجه به آستانه قیمت از پیش تعیین شدهمعرفی شده است.  دو مدل جایگزین بر اساسبردارهای پشتیبانی ماشین با مفهوم چند طبقه، به صورت طبقه بندی روز آتیقیمت ارائه شده است.  نتایج عددی برای طبقه بندی قیمت ها در بازار آلبرتا و انتاریو ارائه شده است.
I. مقدمه
قیمت برق یک عامل کلیدی در تعیین برنامه عملیاتی کوتاه مدت و استراتژیهای مناقصه در بازار رقابتی برق [۱] می باشد.  در نتیجه، روش های متعدد داده ی رانده شده، برای مدل سازی و پیش بینی کوتاه مدت قیمت ها در بازار برق ارائه شده است. خطاهای پیش بینی قیمت گزارش شده به طور کلی از حدود ۵٪تا ۳۶٪متغیرومتفاوتاستکه بر اساس روش مورد استفاده و تجزیه و تحلیل بازار می باشد.  این طیف وسیعی از خطا، با این حال، در مقایسه با پیش بینی کوتاه مدت بار الکتریکی که در آن اشتباهات معمولا از ۱٪تا ۳٪متغیر می باشند،نسبتا بالا خواهد بود.

بخشی از مقاله انگلیسی:

I. INTRODUCTION

ELECTRICITY price is a key factor in determiningshort-term operating schedules and bidding strategies incompetitive electricity markets [1]. Consequently, numerousdata-driven approaches have been proposed for modeling andforecasting short-term electricity market prices [2]–[۱۶]. Thereported price forecasting errors generally range from approximately5% to 36% and vary based on the technique used and themarket analyzed. This range of error, however, is relatively highwhen compared to that of short-term electric load forecastingwhere errors usually range from 1% to 3% [17].Various factors contribute to reduced accuracy of electricityprice forecasting models; unpredictable forced outages[16], complex and changing price regimes [18], integrationof intermittent energy sources [19], and implementation ofreliability-based demand response programs [20] all introducefluctuations and changes in electricity prices that may beextremely difficult to model accurately and consistently.It is observed from the existing literature that traditional priceforecasting models are generally developed for numerical predictionor point-forecasting. That is, existing models try to predictthe exact value of prices at future hours by approximatingthe true underlying price formation process. However, not allmarket participants need to know the exact value of future pricesin their decision-making process. For example, through the in-troduction of “smart grid” technologies and new marketplaceinitiatives, it is expected that the demand-side interactions willbe enabled to widely participate in electricity markets at the residential,commercial, and industrial levels [21]. Considering theon/off nature of most of electric loads, especially at the residentiallevel, demand-side market participants may primarily reactwhen prices exceed specific thresholds. Beyond these thresholds,the exact price of electricity would be considered unimportantsince it is simply “too expensive”. Moreover, many demand-response products are designed having certain thresholdsfor electricity prices in mind [20], such as the hour-ahead dispatchableload program in the Ontario market [22]. Another exampleof threshold-based decision making can be found in electricityconsumers with on-site generation facilities. These facilitiesonly purchase electricity from the grid if the electricitymarket price are below the marginal cost of operating the on-siteelectricity generation equipment [12]. In these types of applicationswhere the exact value of prices is not primarily required,the point-price forecasting problem can be reduced to price classificationsubproblems in which the class of future prices is ofinterest.This paper proposes a short-term price classification methodas an alternative to numerical price forecasting. In price classification,predictions are made with respect to whether the price isabove or below pre-specified price thresholds defined by usersbased on their operation and planning objectives. Price classificationis specifically useful when the exact value of future pricesis not critically important. The main contribution of this paperis to propose a customized approach to predict the behavior offuture prices where the specific forecasting needs of the usersare taken into consideration.The remainder of this paper is organized as follows: InSection II, a review of the background pertaining to this workis presented. The proposed models are discussed in Section IIIfollowed by the numerical results in Section IV. Finally, themain findings of this paper are summarized in Section V.