مدل‌سازی سیستم چند ورودی چند خروجی برای پیش‌بینی همزمان قیمت و بار در شبکه هوشمند با اعمال مدیریت بار

با تجدید ساختار یافتن بازار برق از ساختار انحصاری دولتی به بازاری رقابتی و در پی آن با ایجاد امکانات ارتباطی و نفوذ انرژی های تجدید پذیر و لزوم ارائه دوطرفه اطلاعات بین فروشندگان و خریداران در غالب شبکه هوشمند، سبب گشته تا شرکت کنندگان بیش از پیش نیازمند تخمین دقیق از رفتار پارامترهای دخیل در سوددهی خود باشند. از این میان، مدل سازی و پیش بینی قیمت و بار کاملاً ریسکی و همـراه بـا عدم قطعیتهای موجود در بازار رقابتی بـرای شرکتگنندگان بازار اهمیت ویژه ای یافته است. از سویی دیگر، در شبکه هوشمند تغییرات قیمت و بار به سبب ارتباطات دو طرفه میان تولیدکننده و مصرف کننده وابستگی زیادی داشته، که عدم لحاظ نمودن آن از معایب عمده روشهای پیش بینی قیمت و بار به صورت مجزا است. در این مقاله به منظور فائق آمدن بر این نقاط ضعف، یک مدل چند ورودی چند خروجی پیش بین برای پیش بینی همزمان قیمت و بار ارائه می شود. به عبارتی الگوریتم پیش بینی کننده پیشنهادی در این مقاله از چهار بخش تشکیل شده، در بخش اول از تبدیل موجک گسسته برای ریز سازی سیگنال اصلی با حفظ اطلاعات باارزش بهره می گیریم. بخش دوم با استفاده از مدل الگوریتم انتخاباتی فازی پیشنهادی بهترین داده ها با بیش ترین ارتباط و کمترین تکرار انتخاب شده و برای آموزش به بخش سوم که یک موتور پیش بینی کننده بر اساس سیستم چند ورودی چند خروجی شبکه بردار پشتیبان مبتنی بر کوچک ترین مربعات هست، فرستاده می شوند. بخش چهارم با توجه به تابعی هدفی متشکل از خطای ناشی از پیش بینی و روش بهبودیافته کلونی مصنوعی زنبور عسل به تنظیم پارامترهای شبکه بردار پشتیبان پیشنهادی می پردازد. در روش بهبودیافته کلونی مصنوعی زنبور عسل از دو عملگر یکی در جستجوی محلی به کمک مدل لجستیک و دیگری برای جستجوی کلی الگوریتم که بر اساس هدایت ذرات مبتنی بر جهت یابی بهترین پاسخ در آن تکرار بهره می برد. همچنین، تاثیر مدیریت بار در پیک زدایی و بهبود ضریب بار به صورت یک مسئله بهینه سازی مورد بحث و بررسی قرار گرفته است. روش پیشنهادی بر روی سیستم اسپانیا و نیوانگلند به عنوان دو بازار معروف با اطلاعات دسترس آزاد اعمال و نتایج حاصل از آن به کمک معیارهای مبتنی بر خطای حاصل از پیش بینی مورد بررسی و آنالیز قرار گرفته است. نتایج به دست آمده از الگوریتم پیشنهادی به کمک معیارهای معرفی شده با سایر روش های موجود مقایسه شده است. نتایج به دست آمده نشان از سادگی در پیاده سازی و قابلیت بالای روش پیشنهادی در حل مسائل پیش بینی دارد.

Modeling of Multi input Multi Output based LSSVM for Electricity Price and Load Forecasting in Smart Grid with Considering Demand Side Management

In smart grids, customers will be enabled to change their strategies by electricity prices. In fact, in smart grid, we obvious a great correlation between price and load signals which show the market participants will have complex model in their decisions to maximize their profit. Many perviousstudies forecasted load or price independently. But they were not suitable for smart grid environment. To overcome this shortage, we present MultiInput MultiOutput based Least Squares Support Vector Machine (MIMOLSSVM) forecasted engine which can consider the correlation between price and load signals in simultaneous model. In other words, this paper presents a new hybrid algorithm to forecast dayahead price and load in the electricity market. It consists of four stages known as a Discrete Wavelet Transform (DWT) to make valuable subsets, fuzzy mutual information (FMI) to select best input candidate and LSSVMMIMO model. Finally, the LSSVMMIMO parameters are optimized by a novel Improved Artificial Bee Colony (IABC) algorithm. Some forecasting indexes based on error factor are considered to shows the forecasting accuracy. Simulation results are examined on New England and New South Wales (NSW) Zone in Australiaamp;rsquo;s electricity markets. The numerical simulation results show that the proposed hybrid algorithm has good potential for forecasting simultaneous loap/price problems.