تسویه بازار برق تجدید ساختار یافته برای روز آینده بر اساس پیش‌بینی بار به کمک شبکه عصبی حافظه طولانی کوتاه مدت

در بازار برق تجدید ساختار یافته، تسویه بازار روز بعد نقش کلیدی در تخصیص بهینه تولید و تعیین قیمت‌ها دارد. دقت در پیش‌بینی بار الکتریکی، تاثیر مستقیمی بر کارایی اقتصادی و پایداری بازار دارد. در این پژوهش، یک روش پیشنهادی برای تسویه بازار برق روز بعد ارائه شده است که در آن از شبکه عصبی حافظه کوتاه‌مدت طولانی (lstm) برای پیش‌بینی بار استفاده می‌شود. با توجه به محدودیت دسترسی به داده‌های تاریخی، یک مجموعه داده مصنوعی شامل بار یک ساعت مشخص از روز برای 365 روز متوالی، بر اساس مدل خودبازگشتی مرتبه اول با فصلیت هفتگی، تولید شده است. سپس با استفاده از فرایند پیش‌بینی تقاضا، فرآیند تسویه بازار بر اساس مدل بهینه‌سازی رفاه اجتماعی اجرا گردید.نتایج شبیه‌سازی بر روی سیستم اصلاح‌شده 30 شینه ieee نشان می‌دهد که مدل lstm قادر به پیش‌بینی دقیق بار با میانگین خطای rmse حدود 7٪ است. نتایج نشان می‌دهد ترکیب مدل‌های یادگیری عمیق با الگوریتم‌های تسویه بازار می‌تواند به بهبود پایداری و کارایی بازار برق منجر شود.

day-ahead market clearing in a restructured power market based on load forecasting using long short-term memory neural network

in deregulated electricity markets, the day-ahead market clearing process plays a crucial role in achieving optimal generation scheduling and price determination. accurate load forecasting directly influences both market stability and economic efficiency. this paper presents a novel day-ahead market clearing approach that employs a long short-term memory (lstm) neural network to forecast system demand. to address the limitation of historical data, an artificial dataset was generated using a first-order autoregressive model with weekly seasonality, representing load data for 365 consecutive days. the social welfare optimization model was then applied to perform market clearing based on the predicted demand. simulation results on the modified ieee 30-bus test system indicate that the proposed lstm model achieves a mean rmse of approximately 7%, demonstrating high prediction accuracy. the findings highlight that the integration of deep learning models with market clearing optimization algorithms can significantly enhance the stability, efficiency, and economic performance of restructured electricity markets.