کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
399315 1438723 2016 5 صفحه PDF 11 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله ISI
Price forecasting and validation in the Spanish electricity market using forecasts as input data
ترجمه فارسی عنوان
پیش بینی قیمت و اعتبار سنجی در بازار برق اسپانیا با استفاده از پیش بینی ها به عنوان داده های ورودی
کلمات کلیدی
شبکه های عصبی مصنوعی؛ بازار برق؛ پیش بینی قیمت؛ مدل رگرسیون؛ نوسان
فهرست مطالب مقاله


چکیده

کلید واژه ها

.1 مقدمه 

.2 مدل بر اساس داده های پیش بینی شده  MBF 

شکل 1 بلوک دیاگرام مدل پیش بینی قیمت برق.

شکل 2. داده های تاریخی ماهانه از OMI بین سال های 2004 و 2011.

شکل 3 توزیع بار ماهانه.

شکل 4: داده های تاریخی قیمت گاز.

جدول 1 ضریب رگرسیون

.3 تجزیه و تحلیل نتایج

جدول2 اندازه گیری های خطا برای نتایج قیمت برق.

.4 نتیجه گیری
ترجمه چکیده
بخش برق در چند سال اخیر در معرض تغییرات بزرگی قرار گرفته است. پیش از این، یک سیستم نظارتی وجود داشت که شرکت های برق می توانستند از قبل مقدار انرژی که هر ژنراتور تولید میکند را بدانند ، بنابراین اساس استراتژی عملیاتی عمدۀ خود را بر کاهش هزینه ها به منظور افزایش سود خود قرار دادند. در اسپانیا، از سال 1988 تا 1997، قیمت برق توسط "Marco Legal Statable" (چارچوب قانونی پایدار )تصدیق شد، که در آن وزارت صنایع و انرژی ، هزینه های تولیدی موجود مربوط به هر نوع از فن آوری ها را اعلام کرد. این یک بخش صنعتی بود که هیچ رقابت واقعی نداشت و بنابراین خطرات قابل کنترل بسیار کمی داشت.در نتیجه ، رقابت آزاد سازی بازار برق و عدم اطمینان ، ایجاد شد. به دلیل ویژگی های خاص الکتریسیته به عنوان یک کالا، قیمتهای لحظه ای برق به شدت متغیر بود. قراردادهای بلند مدت برای صندوق های تامینی برای مقابله با نوسان قیمت در بازار برق عمل می کردند. به عنوان یک نتیجه، ایجاد یک مدل پیش بینی دقیق قیمت برق ، یک کار بسیار دشوار برای ارگان های بازار برق است. هدف این کار ، ارائه یک روش برای بهبود محدودیت های این روش ها ، فقط با استفاده از داده های تاریخی برای پیش بینی قیمت های برق است. به این ترتیب و به منظور دسترسی به داده های جدیدتر، به جای استفاده از قیمت های گاز طبیعی و داده های تاریخی برق، یک مدل رگرسیون برای پیش بینی روند قیمت های گاز طبیعی و مدل مبتنی بر شبکه های عصبی مصنوعی (ANN) برای پیش بینی بارهای الکتریکی ، پیشنهاد شده است. نتایج این مدل ها ، به عنوان ورودی برای یک مدل پیش بینی قیمت برق استفاده می شود. در نهایت، و برای نشان دادن اثربخشی روش پیشنهادی، چندین مورد مطالعه مورد استفاده در بازار اسپانیا با استفاده از داده های واقعی قیمت ، ارائه شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی


• We propose a hybrid methodology to forecast electricity prices.
• We select the most important input variables in the electricity price formation.
• A good forecast will reduce the uncertainty in electricity markets.
• Selecting the correct variables will increase the accuracy in predictive model.

The electricity sector has been subjected to major changes in the last few years. Previously, there existed a regulated system where electric companies could know beforehand the amount of energy each generator would produce, hence basing their largely operational strategy on cost minimization in order to increase their profits. In Spain, from 1988 till 1997, electricity prices were established by the ‘Marco Legal Estable’ – Stable Legal Framework –, where the Ministry of Industry and Energy acknowledged the existence of certain generation costs related to each type of technology. It was an industrial sector with no actual competition and therefore, with very few controllable risks. In the aftermath of the electricity market liberalization competition and uncertainty arose. Electricity spot prices became highly volatile due to the specific characteristics of electricity as a commodity. Long-term contracts allowed for hedge funds to act against price fluctuation in the electricity market. As a consequence, developing an accurate electricity price forecasting model is an extremely difficult task for electricity market agents. This work aims to propose a methodology to improve the limitations of those methodologies just using historical data to forecast electricity prices. In this manner, and in order to gain access to more recent data, instead of using natural gas prices and electricity load historical data, a regression model to forecast the evolution of natural gas prices, and a model based on artificial neural networks (ANN) to forecast electricity loads, are proposed. The results of these models are used as input for an electricity price forecast model. Finally, and to demonstrate the effectiveness of the proposed methodology, several study cases applied to the Spanish market, using real price data, are presented.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Electrical Power & Energy Systems - Volume 77, May 2016, Pages 123–127
نویسندگان
, , , ,