یک روش ترکیبی پیش‌بینی میان‌مدت قیمت برق در بازار تجدید ساختار شده با استفاده از ماشین بردار پشتیبان و شبکه‌های عصبی

در شبکه‌های هوشمند آینده، اطلاع از قیمت بازار برق برای هدایت رفتار مصرف‌کنندگان و تولیدکنندگان ضروری است. در این مقاله روش ترکیبی پیش‌بینی میان‌مدت قیمت برق در بازار تجدید ساختار شده با استفاده از ماشین بردار پشتیبان و شبکه‌های عصبی ارائه شده است. در این روش ابتدا حد زیاد برای قیمت‌ها در نظر گرفته می‌شود؛ سپس مجموعۀ آموزش به دو قسمت جهش‌های قیمت و قیمت‌های معمولی تقسیم می‌شود. پس از آن، روی داده‌های ورودی عملیات استخراج ویژگی با استفاده از اتوانکدرهای به‌هم‌چسبیده انجام می‌گیرد و با استفاده از هر یک از مجموعه‌های آموزش، مدل تخمین آموزش داده می‌شود. مدل‌های بردار پشتیبان با توابع کرنل مختلف و شبکۀ عصبی دولایه پیشخور با استفاده از روش پیشنهادی، آموزش و آزموده می‌شوند. نتایج شبیه‌سازی با استفاده از روش پیشنهادی نشان می‌دهند این روش در افزایش سرعت آموزش مدل تاثیر چشم‌گیری دارد و موجب بهبود دقت پیش‌بینی می‌شود.

A Hybrid Approach for MidTerm Electricity Price Forecasting based on Support Vector Machine and Neural Networks

In future smart grids, it's imperative to know the price of electricity market to guide the behavior of consumers and suppliers. This paper presents a hybrid approach for midterm electricity price forecasting based on support vector machine and neural networks. In this method, at first, the price upper bound is considered. Then, the training set is divided into two parts including normal price and price spikes. Feature extraction applies on input data sets using stacked autoencoders and a prediction model trained using each training set. Support Vector Machine (SVM) models with different kernel functions and a two layered feedforward neural network were trained and tested with the proposed method. Simulation results using the proposed method show that this method has a significant effect on the speed of model training and improves forecasting accuracy.