پیش بینی جهش قیمت برق با استفاده از روش های داده کاوی

پژوهش های بسیاری در زمینه ی پیش بینی قیمت برق انجام شده است که در آن ها نتایج مطلوبی هم گزارش شده است. بسیاری از روش های معرفی شده بر روی پیش بینی قیمت های معمولی تمرکز کرده اند، اما با توجه به اینکه سری زمانی قیمت برق بسیار بی ثبات می باشد. این روش ها برای پیش بینی جهش ها مناسب نیستند. با اینکه پیش بینی جهش قیمت برق فرآیندی بسیار متفاوت و پیچیده تر است، از اهمیت ویژه ای برای توزیع کنندگان و مصرف کنندگان برق در مدیریت بحران برخوردار است. پیش بینی جهش قیمت برق از دو جنبه حائز اهمیت است: 1. پیش بینی رخداد جهش و 2. پیش بینی مقدار قیمت جهش. در این پایان نامه ابتدا پژوهش های انجام شده در هر دو زمینه مرور شد و روش ها، ویژگی ها و بازارهای مورد مطالعه بیان شدند. سپس سعی شد پایگاه داده ای با استفاده از داده های 8 بازار مهم جهان که در آن ها جهش های بسیاری ثبت شده اند، معرفی شود. از طرفی با توجه به اینکه هدف این پایان نامه پیش بینی رخداد و مقدار جهش می باشد، پس از بررسی و مرور روش های متداول دسته بندی و تخمین، با تحلیل داده ها مدلی با استفاده از روش های نگاشت خودسازمان ده و تابع شعاعی جبری معرفی شد. تابع شعاعی جبری برای هر دو وظیفه ی دسته بندی و تخمین مورد استفاده قرار گرفت. ویژگی هایی با استفاده از مقادیر قیمت ها و بار مصرفی برای این منظور تعریف شد که به زمان و بازار وابسته نبوده و قابل اعتماد باشند. با بهره گیری از این پایگاه داده ی جهانی، تنوع داده های آموزشی افزایش یافت تا جهت پیش بینی قیمت برای داده های مشاهده نشده، داده ی (آموزشی) تاریخی مشابه ای موجود باشد. با بهره گیری از نگاشت خودسازمان ده در مدل پیشنهادی، پیچیدگی داده ها کاهش یافت. بنابراین با توجه به اینکه قیمت ها در بازارها هر ساعت یا هر نیم ساعت یکبار تعیین می شوند، می توان بدون بروزرسانی مجدد مدل، در فرآیند پیش بینی موفق بود. برای اینکه کارایی و قابلیت اطمینان پایگاه داده ی جهانی در استفاده به عنوان داده های آموزشی در پیش بینی قیمت های بازارهای آلبرتا، پنسیلوانیا-نیوجرسی-مریلند و ایران مشخص شود، آزمایش های مختلفی انجام شد. خطا های بدست آمده از پیش بینی مقدار قیمت جهش ها در بازار آلبرتا، پنسیلوانیا و ایران به ترتیب 12.80%، 3.79% و 2.07% بدست آمد. در حالی که خطا های بدست آمده، بدون استفاده از پایگاه داده ی جهانی به ترتیب 37.05%، 6.73% و 4.50% بودند. کارآمدی مدل پیشنهادی نیز در مقایسه با پژوهش های پیشین مورد ارزیابی قرار گرفت. در بخش نتایج مشخص شد که تابع شعاعی جبری بسیار موثرتر از الگوریتم های قدرتمندی مانند دسته بندی کننده ی بردار پشتیبان در بخش دسته بندی و دقیق تر از مدل قوی شبکه عصبی مبتنی بر یادگیری مارکووارت-لونبرگ در بخش تخمین مقدار قیمت ها عمل می کند. به عنوان مثال دقت پیش بینی وقوع جهش در بازار ایران با استفاده از تابع شعاعی جبری 97.99% و با استفاده از شبکه عصبی 92.46% بدست آمد.