دانلود مقاله ترجمه شده مدل نزدیک ترین همسایه وزن دار برای پیش بینی قیمت بازار برق – مجله IEEE

• بخشی از ترجمه:

چکیده
این مقاله، یک روش ساده برای پیش بینی قیمت های روز-بعد بازار را، مبنی بر تکنیک نزدیک ترین همسایه ها وزن دار، ارایه می دهد. نخست، چگونگی بدست آوردن پارامترهای مربوطه ای که مدل مورد نظر را تعیین می کنند، تشریح شده است. این پارامترها، مربوط به طول پنجره سری های زمانی و نیز مربوط به تعداد همسایه هایی که برای پیش بینی انتخاب شده اند، می باشند. سپس، نتایج مربوط به بازار برق اسپانیا در طی سال ٢٠٠٢، ارایه شده و مورد بحث قرار گرفته است. در پایان، عملکرد روش پیشنهاد شده با روش های جدید، مقایسه می شود.
اصطلاحات شاخص ــ قیمت های بازار برق، پیش بینی، سری های زمانی، نزدیک ترین همسایه ها وزن دار.
١.مقدمه:
در بازار برق رقابتی، ابزارهای پیش بینی برای عامل های شرکت کننده، مهم شده اند تا آنها بتوانند استراتژی های مناقصه خود را به منظور بیشینه کردن سود بدست آمده از انرژی مبادله شده، توسعه دهند. این روش ها، که بطور مرسوم برای پیش بینی بار بکار می روند، بتازگی بر روی مسایل پیش بینی قیمت ساعتی انرژی بازار برق مبتنی بر pool (حوضچه) تمرکز کرده اند.
مدل های قیمت برق را می توان به دو دسته گسترده _بنام های مدل های هزینه تولید و مدل های آماری_ تقسیم کرد. مدل های هزینه تولید، تلاش در شبیه سازی عملکرد سیستم، با در نظر گرفتن رفتار استراتژیک عامل های درگیر، دارند. اشکال های اصلی مدل های شبیه سازی، نیاز به اطلاعات گسترده می باشد که بدست آوردن آن در بازارهای آزاد، دشوار می باشد.
از سویی دیگر، مدل های آماری، تکامل قیمت را مبتنی بر روابط مشاهده شده پیشین، بدون مدل کردن صریح فرآیندهای فیزیکی اساسی، پیش بینی می کنند. این دسته، شامل انواع روش ها، از ساده ترین روش های سری-زمانی “جعبه سیاه” فقط با استفاده از قیمت قبلی به عنوان داده ورودی، گرفته تا مدل های پیش بینی ساختاری پیچیده تری که متغیرهای توضیحی (اتفاقی) مانند تقاضای بار، قیمت سوخت، و میزان تولید در دسترس را نیز شامل می شوند، می باشد.

• بخشی از مقاله انگلیسی:

Abstract

This paper presents a simple technique to forecast next-day electricity market prices based on the weighted nearest neighbors methodology. First, it is explained how the relevant parameters defining the adopted model are obtained. Such parameters have to do with the window length of the time series and with the number of neighbors chosen for the prediction. Then, results corresponding to the Spanish electricity market during 2002 are presented and discussed. Finally, the performance of the proposed method is compared with that of recently published techniques.

I. INTRODUCTION

I N competitive electricity markets, prediction tools have become important for participating agents to be able to develop their bidding strategies in order to maximize the profit obtained by trading energy. Such techniques, traditionally applied to load forecasting, have recently focused on the problem of predicting the hourly energy prices of pool-based electricity markets. Electricity price models can be broadly classified in two sets [14], namely production cost models and statistical models. Production cost models try to simulate the operation of the system taking into account the strategic behavior of the involved agents. The main drawback of simulation methods is the large amount of information required, which is difficult to obtain in liberalized markets. On the other hand, statistical models predict price evolution based on historically observed relationships, without explicitly modeling underlying physical processes. This category comprises a diversity of methods ranging from the simplest “black box” time-series methods, using only previous price as input data, to more complex structural forecasting models that include explanatory (causal) variables such as load demand, fuel prices, and generation availability.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله