کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6860487 | 1438745 | 2014 | 10 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A hybrid wavelet-ELM based short term price forecasting for electricity markets
ترجمه فارسی عنوان
پیشبینی قیمت کوتاه مدت مبتنی بر موجک-ELM ترکیبی، برای بازار برق
همین الان دانلود کنید
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
شبکه عصبی مصنوعی، مقررات زدایی، گروه - یادگیری ماشین افراطی ، پیش بینی هزینه، موجک تبدیل
فهرست مطالب مقاله
چکیده
کلیدواژه ها1. مقدمه2. چگونگی روش فهرست اصطلاحات
2.1 ماشین های یادگیری سریع
شکل1. پروفایل قیمت بازار برق اونتاریو برای سال 2004.
2.2 تبدیلات موجک
2.3 تصمیم گیری مبتنی بر اثر مجموع
2.4 اندازه های خطای پیشبینی3. توسعه مدل
شکل 2. ساختار مدل WELM ارایه شده.4. بررسی های موردی و نتایج
شکل 3. نمودارهای ACF برای بازار روزِ پیشِ روی PJM.
شکل 1. ویژگی های انتخاب شده با استفاده از ACF.
شکل 4. مقایسه عملکرد با تابع های فعال سازی مختلف.
شکل 5. مقایسه عملکرد به ازای گره ها و داده های آموزش مختلف.
جدول 2. MAPE هفتگی برای پیشبینی HOEP در بازار برق انتاریو
شکل 6. قیمت های واقعی و پیشبینی برای 26 آوریل تا 2 مه: انتاریو.
شکل 7. قیمت های واقعی و پیشبینی برای 26 جولای تا 1 آگوست: انتاریو.
شکل 8. قیمت های واقعی و پیشبینی برای 13 تا 19 دسامبر: انتاریو.
شکل 9. قیمت های حقیقی و پیشبینی، برای 23 تا 29 آگوست: PJM.
جدول 4. MDE ماهیانه برای بازار برق ایتالیا.
جدول 5. MDE ماهیانه برای بازار برق نیویورک.
جدول 6. شاخص های عملکرد WELM برای بازار انتاریو.5. نتیجه گیری
کلیدواژه ها1. مقدمه2. چگونگی روش فهرست اصطلاحات
2.1 ماشین های یادگیری سریع
شکل1. پروفایل قیمت بازار برق اونتاریو برای سال 2004.
2.2 تبدیلات موجک
2.3 تصمیم گیری مبتنی بر اثر مجموع
2.4 اندازه های خطای پیشبینی3. توسعه مدل
شکل 2. ساختار مدل WELM ارایه شده.4. بررسی های موردی و نتایج
شکل 3. نمودارهای ACF برای بازار روزِ پیشِ روی PJM.
شکل 1. ویژگی های انتخاب شده با استفاده از ACF.
شکل 4. مقایسه عملکرد با تابع های فعال سازی مختلف.
شکل 5. مقایسه عملکرد به ازای گره ها و داده های آموزش مختلف.
جدول 2. MAPE هفتگی برای پیشبینی HOEP در بازار برق انتاریو
شکل 6. قیمت های واقعی و پیشبینی برای 26 آوریل تا 2 مه: انتاریو.
شکل 7. قیمت های واقعی و پیشبینی برای 26 جولای تا 1 آگوست: انتاریو.
شکل 8. قیمت های واقعی و پیشبینی برای 13 تا 19 دسامبر: انتاریو.
شکل 9. قیمت های حقیقی و پیشبینی، برای 23 تا 29 آگوست: PJM.
جدول 4. MDE ماهیانه برای بازار برق ایتالیا.
جدول 5. MDE ماهیانه برای بازار برق نیویورک.
جدول 6. شاخص های عملکرد WELM برای بازار انتاریو.5. نتیجه گیری
ترجمه چکیده
پیشبینی دقیق قدمت برق، چالشی بزرگ برای شرکت کنندگان و مدیران بازار می باشد، زیرا قیمت الکتریسیته دارای نوسانات بسیاری است. پیشبینی قیمت نیز، مهم ترین هدف مدیریتی برای مشارکت کنندگان در بازار است، چرا که مبانی بیشینه کردن سود را، تشکیل می دهد. این مطالعه، عملکرد یک تکنیک شبکه عصبی جدید را بنام ماشین یادگیری سریع (ELM)، در مساله پیشبینی قیمت، بررسی می کند. با در نظر داشتن خط مربوط به بازهای برق که دارای نوسانات بسیاری در قیمت هستند، تکیه به یک تکنیک، خیلی هم سودمند نمی باشد. بنابراین، ELM با تکنیک موجک همراه شده است و یک مدل پیوندی (مرکب) را به نام WELM (ELM مبتنی بر موجک) را تشکیل داده است تا دقت پیشبینی و نیز قابلیت اطمینان آن را، بهبود بخشد. در این روش، ویژگی های بی همتای هر ابزار، ترکیب شده اند تا الگوهای مختلفی را در اطلاعات، بدست آورند. قدرت این تکنیک، با استفاده از روش مجموع شده، بهبود بیشتری می یابد. عملکردهای مدل های ارایه شده، با استفاده از اطلاعات موجود در بازارهای برق انتاریو، PJM، نیویورک و ایتالیا، ارزیابی شده اند. نتایج آزمایشی نشان می دهند که روش پیشنهادی، یکی از مناسب ترین تکنیک های پیشبینی قیمت می باشد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Accurate electricity price forecasting is a formidable challenge for market participants and managers owing to high volatility of the electricity prices. Price forecasting is also the most important management goal for market participants since it forms the basis of maximizing profits. This study investigates the performance of a novel neural network technique called Extreme Learning Machine (ELM) in the price forecasting problem. Keeping in view the risk associated with electricity markets with highly volatile prices, relying on a single technique is not so profitable. Therefore ELM has been coupled with the Wavelet technique to develop a hybrid model termed as WELM (wavelet based ELM) to improve the forecasting accuracy as well as reliability. In this way, the unique features of each tool are combined to capture different patterns in the data. The robustness of the model is further enhanced using the ensembling technique. Performances of the proposed models are evaluated by using data from Ontario, PJM, New York and Italian Electricity markets. The experimental results demonstrate that the proposed method is one of the most suitable price forecasting techniques.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Electrical Power & Energy Systems - Volume 55, February 2014, Pages 41–50
Journal: International Journal of Electrical Power & Energy Systems - Volume 55, February 2014, Pages 41–50
نویسندگان
Nitin Anand Shrivastava, Bijaya Ketan Panigrahi,