کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5063620 1476698 2017 25 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Composite forecasting approach, application for next-day electricity price forecasting
ترجمه فارسی عنوان
روش پیش بینی کامپوزیت، نرم افزار برای پیش بینی قیمت روز برق روزانه
کلمات کلیدی
ترجمه چکیده
پیش بینی دقیق قیمت های برق می تواند منافع قابل توجهی را برای تامین کنندگان انرژی در هنگام تخصیص دارایی های خود و مصرف کنندگان انرژی برای تعریف یک سبد بهینه فراهم آورد. روش های متعددی وجود دارد که به طور موثر از پیش بینی سری زمانی، مانند قیمت برق، که نوسانات زیاد دارند پشتیبانی می کند. با این حال، عملکرد این روش ها بسته به مجموعه داده ها و شرایط عملیاتی متفاوت است. در این کار، مفهوم پیش بینی کامپوزیت ارائه شده و در یک مطالعه گذشته نگر در شرایط پیش بینی واقعی صنعتی برای نشان دادن پتانسیل بهبود پیش بینی عملکرد و سازگاری بالا نسبت به یک عملکرد پیش بینی در روزهای مختلف روز "و روز" مجموعه داده های برق برای فصول مختلف. به عنوان روش های منحصر به فرد از رگرسیون بردار، شبکه عصبی مصنوعی و رگرسیون ریج استفاده می شود. عملکرد پیش بینی شده از این روش ها با استفاده از روش های مختلف خطا مورد بررسی و مقایسه قرار می گیرد. نتایج نشان می دهد که فرایندهای پیش بینی کامپوزیت با روش ترکیبی خطای متوسط ​​مربع خط معکوس می تواند به طور متوسط ​​پیش بینی دقیق تر و قویتری نسبت به استفاده از روش های فردی یا سایر طرح های ترکیبی ایجاد کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
روش پیش بینی کامپوزیت، نرم افزار برای پیش بینی قیمت روز برق روزانه
چکیده انگلیسی
Accurate forecasting of electricity prices can provide significant benefits to energy suppliers when allocating their assets and to energy consumers for defining an optimal portfolio. There are numerous methods that efficiently support the forecasting of time series, such as electricity prices, which have high volatility. However, the performance of these approaches varies depending on data sets and operational conditions. In this work, the concept of composite forecasting is presented and implemented in a retrospective study, in real industrial forecasting conditions to show the potential of forecast performance improvement and comparable high consistency of a forecast performance across different 'Day Peak' and 'Day Base' electricity price data sets for different seasons. As individual methods support vector regression, artificial neural networks and ridge regression are implemented. The forecast performances of these methods are evaluated and compared with their forecast combination using different error measures. The results show that composite forecasting processes with 'inverse root mean squared error' combination approach can generate, on average, a more accurate and robust forecast than using an individual methods or other combination schemas.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy Economics - Volume 66, August 2017, Pages 228-237
نویسندگان
, , ,