پایگاه علمی سعید سان دانلود رایگان مقالات علمی کنفرانس و ژورنال
دانلود ترجمه مقاله پیشبینی قیمت کوتاه مدت مبتنی بر موجک-ELM ترکیبی، برای بازار برق
چکیده ــ 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 ناشین 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، تکریب 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.
کلیدواژه ها: شبکه عصبی مصنوعی (ANN)، تجدید ساختار، روش مجموع، ماشین یادگیری سریع (ELM)، پیشبینی قیمت، تبدیل موجک
- مقدمه
مقررات زدایی (تجدید ساختار) بخش برق، منجر به توسعه یک ساختار بازار رقابتی شده است که در آن شرکت کننده ها برای ارایه بازار خود از طریق بازار معامله های لحظه ای و بازار دو-جانبه، رقابت می کنند. قیمت های برق در این بازارها، بصورت مستقیم یا غیر-مستقیم تحت تاثیر تعدادی از عواملی که بطور پیچیده ای با هم مرتبط هستند، قرار دارند. عدم قطعیت در عواملی همچون آب و هوا، قطعی های تجهیزات، قیمت های سوخت، و تنگراه انتقال، منجر به نوسانات شدید قیمت یا حتی تغییرات ناگهانی قیمت در بازار برق می شوند. حرکت غیرقطعی پیچیده ی قیمت های برق در ساعت های مختلف روز، از اهمیت بالایی در میان شکرت کنندگان بازار برخوردار است. شرکت کنندگان در بازار، نیاز به پیشبینی های مطمین از نوسانات قیمت در بازار برق دارند، تا بتوانند آن را به مزایده گذاشته یا خرید و فروش نمایند. بدلیل اهمیت قیمت های آینده و پیچیدگی موجود مربوط به تعیین آنها، مدل سازی و پیشبینی دقیق قیمت های بازار، یکی از زمینه های اصلی تحقیقاتی در مهندسی برق شده است.
تعداد قابل ملاحظه ای از مقاله های تحقیقاتی، مساله پیشبینی دقیق قیمت را، با استفاده از تکنیک های گوناگون، پاسخ داده اند. رایج ترین آنها، تکنیک های مبتنی بر سری های زمانی و مبتنی بر هوش مصنوعی می باشند که اساسا مدل های بازگشتی (رگرسیون) هستند، چرا که این روش ها، تغییرات قیمت های بازار را با قیمت های پیشین آن و دیگر متغیرهای تشریحی _مانند تقاضا، قیمت های سوخت، دما، زمان روز، غیره_ مرتبط می سازند.
برخی از کارهای پیشینی که به حل مساله پیشبینی دقیق قیمت برق پرداخته اند، در مرجع های [9-12] آورده شده اند. در [9]، نویسندگان مبنای پژوهش های خود را بر تیوری سیستم خاکستری (GST) قرار دادند که این تیوری، سیستم های بدون قطعیت را که بطور جزیی شناخته شده اند و نمونه های کوچکی دارند، لحاظ می کند. آنها یک مدل خاکستری جدیدی ارایه دادند که در آن سری های مرجع، با استفاده از روش های همبستگی تعیین می شوند، و پارامترهای مدل با استفاده از بهینه سازی تجمع ذرات (PSO) _بجای روش کمترین مربع (LSM)_ مشخص می شوند. یک مدل پیوندی (ترکیبی) که تشکیل شده از تبدیلات موجک (WT)، متوسط حرکت یکپارچه خود-بازگشتی (ARIMA)، و شبکه عصبی مصنوعی مبنی بر عملکرد شعاعی (RBFN) نیز در [10] ارایه شده است. همچنین، ساختار شبکه RBN بکار رفته در این روش، با استفاده از تکنیک PSO بهینه سازی شده است، و این روش حتی به ازای داده های ورودی کمتر نیز، خوب کار می کند. نویسندگان [11] نیز، روش های معروفی مانند تبدیلات موجک، PSO و سیستم واسط فازی مبتنی بر شبکه-تطبیقی (ANFIS)، را با هم آمیخته و یک روش ترکیبی را توسعه داده اند. نخست از تبدیل موجک برای تجزیه سیگنال های قیمت غیر-خطی به سیگنال های مستقل صاف، استفاده می شود که سپس ترکیب شده و هر کدام یک سیگنال را تشکیل می دهند. عملیات پیشبینی با استفاده از ماژول ANFIS انجامی می شود و پارامترهای ساختار شبکه، با استفاده از PSO بهینه سازی می شوند. در [12]، یک مدل RBF-NN-GARCH ارایه شده است که مدل RBF-NN مرسوم، در آن با استفاده از مشخصه های GARCH برای مدل سازی نوسانی بودن سیگنال های قیمت، بسط داده می شود. پارامترهای این مدل با استفاده از یک تابع احتمال ماکزیمم _که با استفاده از یک الگوریتم کلی بدون مشتق، بهینه سازی می شود_ تنظیم می شوند.
بسیاری از مقاله های در دسترس _شامل آنهایی که در بالا نامبرده شد_ روش های مرکب را ارایه دادند و دارای نوعی ساختار شبکه می باشند که باید با استفاده از تکنیک های بهینه سازی که نیازمند تلاش های محاسباتی اضافی می باشند، استفاده می کنند. اغلب تکنیک ها از ساختارهای مبتنی بر شبکه عصبی استفاده شده است، و بازده روش های مبتنی بر NN (شبکه عصبی)، وابستگی شدیدی به تنظیم مناسب پارامترهای قابل تنظیم آنها _مانند تعداد لایه های پنهان، گره ها، وزن ها و تابع تبدیل_ دارد. بیشتر روش های پیشبینی مبتنی بر ANN (شبکه عصبی مصنوعی)، از الگوریتم های یادگیری مبتنی بر گرادیان _مانند شبکه عصبی انتشار-بعقب (BPNN)_ استفاده می کنند و دارای مشکلاتی همچون تنظیم بیش از اندازه و زمان محاسبه طولانی، می باشند. بتازگی، یک الگوریتم یادگیری جدید برای شبکه های عصبی پیشخور با یک-لایه پنهان (SLFN)، بنام ماشین یادگیری سریع (ELM)، در [13 و 14] ارایه شده است. در الگوریتم ارایه شده، وزن های ورودی و بایاس های مخفی بطور اتفاقی انتاب می شوند، و وزن های خروجی بصورت تحلیل با استفاده از وارون تعمیم یافته مور پنروز (MP)، تعیین می شوند. ELM از نظر سرعت یادگیری بیشتر و تعمیم بیشتر، از روش های یادگیری مرسوم مبتنی بر گرادیان بهتر می باشد، و همچنین بسیاری از مسایلی که در روش های یادگیری مبتنی بر گرادیان وجود دارد _مانند مشکلات معیارهای توقف، نرخ (سرعت) یادگیری، دوره یادگیری، مینیمم محلی، و اضافه-تنظیم (تنظیم بیش از اندازه)_ در آن دیده نمی شوند.
A hybrid wavelet-ELM based short term price forecasting for electricity
markets
Nitin Anand Shrivastava ⇑, Bijaya Ketan Panigrahi
Department of Electrical Engineering, Indian Institute of Technology, New Delhi, India
a r t i c l e i n f o
Article history:
Received 12 March 2013
Received in revised form 11 July 2013
Accepted 23 August 2013
Keywords:
Artificial Neural Network (ANN)
Deregulation
Ensemble
Extreme Learning Machine (ELM)
Price forecasting
Wavelet Transforms
a b s t r a c t
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.
2013 Elsevier Ltd. All rights reserved.
این فایل ورد (word) ترجمه در 26 صفحه و فایل اصلی لاتین pdf مقاله در 10 صفحه به خدمتتون ارائه میشود.