پیش بینی قیمت تسویه بازار برق ایران با استفاده از دو مدل ترکیبی مبتنی بر یادگیری عمیق

برق کالایی منحصربه‌فرد است که پیش‌بینی آن به دلیل ویژگی‌های متمایز و متفاوت آن، کاری دشوار و چالش‌برانگیز است. از طرفی پیش‌بینی دقیق آن برای فعالان حاضر در بازار برق بسیار حائز اهمیت است؛ چراکه می‌تواند در کاهش سطح ریسک، افزایش سود اقتصادی و پایداری سیستم قدرت موثر باشد. در ادبیات پیش‌بینی قیمت برق، از میان مدل‌های مختلفی که برای پیش‌بینی وجود دارد، مدل‌های مبتنی بر یادگیری ماشین به سبب توانایی آن‌ها در الگو کردن رفتار غیرخطی داده‌های بازار برق و اجرای آسان و عملکرد مناسب آن‌‌ها، به سایر مدل‌ها ترجیح داده می‌‌شوند. در سال‌های اخیر نیز، تاکید بر اهمیت تعداد لایه‌های پنهان در ساختار مدل‌های یادگیری ماشین، منجر به شکل‌گیری گرایش یادگیری عمیق شده است. از طرفی عملکرد مدل‌های یادشده تحت تاثیر انتخاب بهینه زیرمجموعه ویژگی‌ها و نیز تنظیمات مناسب هایپرپارامتر‌ها است. از این‌رو مطالعه حاضر با هدف پیش‌بینی قیمت‌ها در بازار برق ایران، با استفاده از تکنیک‌های انتخاب ویژگی بهینه و بهینه‌سازی هایپرپارامترها، دو مدل مبتنی بر یادگیری عمیق از نوع شبکه‌های عصبی عمیق و حافظه‌های طولانی کوتاه‌مدت ارائه می‌دهد و دقت آن‌ها را با یکدیگر مقایسه می‌کند. نتایج نشان‌دهنده برتری مدل ترکیبی مبتنی بر حافظه‌های طولانی کوتاه‌مدت بر دیگری است.

forecasting the market clearing price in iran’s electricity market using two deep learning-based hybrid models

electricity is a unique commodity, and forecasting its price is challenging due to its distinct characteristics. accurate electricity price forecasting is essential for market participants, as it can help reduce risk, increase economic profitability, and enhance power system stability. in the electricity price forecasting literature, machine learning models have been preferred over other models due to their ability to capture the nonlinear behavior of market data, ease of implementation, and good performance. in recent years, the emphasis on the importance of the number of hidden layers in machine learning structures has led to the emergence of deep learning. however, the performance of these models is significantly influenced by optimal feature selection and appropriate hyperparameter tuning. therefore, this study aims to forecast the market clearing price in iran’s electricity market by employing two deep learning-based hybrid models: deep neural networks (dnn) and long short-term memory (lstm) networks, using feature selection and hyperparameter optimization techniques. the forecasting accuracy of the models is then compared. the results indicate that the lstm-based hybrid model outperforms the dnn-based model.