پیشبینی قیمت تسویه بازار برای خوشه های زمانی رقابت پذیری بازار با استفاده از شبکه عصبی بهبود یافته با الگوریتم ژنتیک: مطالعه بازار برق ایران

با قانون زدایی بازار و شکل گیری بازار روز بعد انرژی، در هرروز تولیدکنندگان انرژی اقدام به ارائه پیشنهاد قیمت خود برای هر واحد به تفکیک ساعت، در حداکثر 10 پله به مدیریت شبکه می کنند و مدیریت شبکه با تعیین میزان تقاضا در روزبعد، قیمت تسویه بازار برای روز آتی را به همراه برندگان بازار اعلام می کند و بر اساس قیمت پیشنهادی تولیدکنندگان با آنها تسویه می کند. از این رو پیشبینی قیمت تسویه بازار برای شرکت کنندگان در بازار حائز اهمیت می یاشد و پیشبینی دقیق آن تاثیر بسزایی بر روی سود آنها خواهد داشت. نظر به رفتار فصلی قیمت تسویه بازار، در این مقاله از الگوریتم k-means به منظور خوشه بندی فضای رقابتی بازار ایران استفاده شده است که مطابق با نتایج آن، رقابت در بازار برق ایران شامل سه خوشه رقابت بالا (فصول سرد سال)، رقابت کم (فصول گرم سال) و خوشه گذار می باشد، در نهایت با به کارگیری الگوریتم ژنتیک جهت انجام فرایند آموزش شبکه عصبی، قیمت تسویه بازار برای هر خوشه رقابتی به صورت مجزا پیشبینی شده است که مطابق با نتایج حاصله، مدل ارائه شده قابلیت پیشبینی قیمت تسویه بازار در روز بعد با دقت 95 درصد را دارد.

Market clearing price prediction using improved neural network with genetic algorithm in Iranian day ahead market for competitiveness clustering’s

In The deregulation in power market is lead to competition among market participant to increase efficiency. In electricity market generation is the best candidate for iterance in competition to improve productivity and efficiency in resource allocation and offer lowest price by highest quality will be yielded. In the poolbased electricity market, every Genco submits a bidding price in ten step offer to the Independent System Operator (ISO) for every hour of the next day. The ISO uses the bidding price and forecasting demand to determine the MCP. The resulting spot price series exhibit strong seasonality at the annual, weekly and daily levels, as well as mean reversion, very high volatility and abrupt, shortlived and generally unanticipated extreme price changes known as spikes or jumps. So in this article we cluster time horizon in three cluster then we applied improved neural network by genetic algorithm for all clusters. In compare of normal neural network, results of our model are more better by 95% Accuracy.