پیش بینی کوتاه مدت قیمت الکتریسیته در بازار برق با استفاده از شبکه‌های یادگیری عمیق بهبودیافته بر پایه الگوریتم فاخته

در بازارهای برق رقابتی، قیمت الکتریسیته طبیعتی نامطمئن دارد و از آن به عنوان مهم‌ترین عامل عدم قطعیت نام می‌برند. در این محیط، بازیگران مختلف بازار نیازبه پیش‌بینی دقیق این سیگنال جهت فعالیت‌های بهره‌برداری و برنامه‌ریزی خود دارند. پیش‌بینی قیمت در بازارهای با مناقصه pab، دارای اهمیت بیشتری می‌باشد؛ چرا که در بازار با مناقصه pab با توجه به این که هر بازیگر، در صورت برنده شدن، بر اساس میزان قیمت پیشنهادی خود وجه دریافت می‌نماید، شرکت‌کنندگانی که پیش‌بینی دقیق‌تری داشته و استراتژی مناسب‌تری را بکار گیرند، سود بیشتری را نصیب خود خواهند ساخت. از این رو در این مقاله به ارائه مدلی چند مرحله ای جهت پیش بینی قیمت در بازار برق ایران سال 1402 پرداخته شده است. در مدل پیشنهادی ابتدا داده ها با استفاده از خوشه بندی فازی برحسب نوع بار یا روز سال تقسیم بندی می شوند، سپس با استفاده از شبکه‌ یادگیری عمیق (dl) بهبودیافته بر پایه الگوریتم فاخته پیش بینی قیمت برای ساعات مختلف روز صورت می پذیرد. نتایج بدست آمده بیانگر دقت بالای مدل پیشنهادی می باشد.

short-term electricity price forecasting in power market using an improved deep learning based cuckoo search algorithm

in competitive electricity markets, the price of electricity has an uncertain nature and it is called as the most important factor of uncertainty. in this environment, different market players have to accurately forecaste this signal for their exploitation and planning activities. price forecasting in markets with pab bidding is more important; because in the market with pab bidding, given that each actor, in case of winning, receives money based on the amount of his bid, the participants who have more accurate forecast and use a more appropriate strategy will make more profit. therefore, in this article, a multi-stage model has been presented to predict the price in the iranian electricity market in 1402. in the proposed model, the data is first divided by fuzzy clustering according to the type of load or day of the year, then the price prediction is done for different hours of the day using the improved deep learning (dl) network based on the cuckoo algorithm. accept the obtained results show the high accuracy of the proposed model.