期刊名称：Intelligent Systems in Electrical Engineering
印刷版ISSN：2251-6530
电子版ISSN：2252-083X
出版年度：2019
卷号：10
期号：2
页码：73-86
DOI：10.22108/isee.2019.116627.1215
语种：English
摘要：نظر به اینکه سیگنال قیمت در بازار برق، نوسانات زیاد و عدم‌قطعیت فراوانی دارد، بر پیش‌بینی کوتاه‌مدت تأثیر زیادی می‌گذارد. با توجه به اینکه روش‌های مبتنی بر سری زمانی نمی‌توانند مدل‌های غیرخطی این‌چنینی را به‌صورت مناسب با دقت بالا تخمین بزنند، به ارائۀ مدل کارا نیاز است؛ به همین دلیل در این مقاله روش ترکیبی جدید چندمرحله‌ای برای پیش‌بینی روزانۀ قیمت برق پیشنهاد شده است. به‌منظور دستیابی به این الگو، ابتدا پیش‌بینی به سه لایۀ اصلی، پیش‌پردازش‌کننده، آموزش و تنظیم‌کننده تقسیم شده است. در لایۀ اول از تبدیل کرولت برای کاهش نویزهای احتمالی در سیگنال قیمت استفاده شده است. سپس با استفاده از مدل توسعه‌یافتۀ انتخاب داده بر مبنای افزایش همبستگی و کاهش تکرار، داده‌های غیرمفید را حذف و حجم محاسبات را به‌صورت چشمگیری کاهش داده است. سپس داده‌های منظم‌شده وارد لایۀ یادگیری شده که به‌منظور دستیابی و استخراج بهترین الگو از داده‌های ورودی، ماشین یادگیری شدید توسعه‌یافته پیشنهاد شده است. با توجه به اینکه تنظیم پارامترهای کنترلی ماشین یادگیری پیشنهادی می‌تواند به حداکثر قابلیت آن در استخراج الگو غیرخطی از سیگنال قیمت منجر شود، در لایۀ آخر روش توسعه‌یافتۀ جدیدی مبتنی بر کلونی جستجوی ویروس بر مبنای تئوری ضرایب متغیر زمانی پیشنهاد شده است. الگوریتم پیشنهادی، روش بهینه‌سازی جدید براساس عملکرد ویروس‌ها برای نابودی سلول‌های میزبان و نفوذ بهترین آن‌ها به داخل یک سلول برای تکثیر است. روش پیشنهادی بر بازارهای برق واقعی موجود، اعمال و نتایج به‌دست‌آمده براساس میزان خطای پیش‌بینی و معیارهای مبتنی بر خطا مقایسه شده‌اند. نتایج نشان می‌دهند روش پیشنهادی، کارایی مناسب و پذیرفتنی دارد.
其他摘要：Given that the price signal in the electricity market is highly volatile or otherwise uncertain, short-term forecasting is significantly affected. Since time-series methods cannot estimate such nonlinear models appropriately with high accuracy, we need to provide an efficient model. For this reason, in this paper, a new hybrid algorithm for day-ahead electricity price forecasting is proposed. In order to achieve this model, we first divide the forecasting problem into three main layers: preprocessor, training, and regulator. In the first layer, we use the curvelet transform to reduce possible noise in the price signal. Then, using the extended data selection model based on increasing correlation and decreasing redundancy, we eliminate the unnecessary data and reduce the volume of computation significantly. Then the regularized data is entered into the learning layer which is a developed Extreme Learning Machine (ELM) to obtain and extract the best pattern from the input data. Since adjusting the control parameters of the proposed ELM can maximize its ability to derive a nonlinear pattern from the price signal, a new developed Virus Colony Search (VCS) method based on the time-varying coefficients theory is proposed in the last layer. The proposed algorithm is a novel optimization method based on the function of viruses to destroy host cells and penetrate the best ones into a cell for replication. The proposed method is applied to existing real electricity markets and the results are compared based on prediction error rates and error-based criteria. The obtained results show the appropriate and acceptable performance of the proposed forecasting method.
