ارائه یک روش هوشمند ترکیبی براساس شبکه های عصبی جهت انجام پیش بینی های کوتاه مدت در بازار برق

صنعت برق، این قلب تپنده صنایع، از شاخص¬های اثرگذار بر وضعیت اقتصادی، اجتماعی، سیاسی، فرهنگی و رفاهی جامعه به شمار می¬رود. صنعت برق، سال ها به عنوان یک خدمت عمومی تلقی می شد و از همین رو، انحصاری و غیررقابتی بود. در دهه 80 میلادی برخی اقتصاددانان پیشنهاد دادند اگر تولید برق به جای اتکا بر مقررات انحصاری یا سیاست¬های دولتی، بر نظام بازاری مبتنی گردد، قیمت¬ها کاهش یافته، باعث منفعت اقتصادی همگان خواهد شد. بنابراین صنایع برق جهان در دو دهه گذشته با دگرگونی¬های ساختاری بنیادینی همراه شدند. در هر دو سیستم قدرت سنتی و تجدید ساختار یافته، هر نوع تصمیم-گیری در برنامه¬ریزی و بهره¬برداری از سیستم قدرت منوط به داشتن اطلاعات مربوط به میزان مصرف انرژی در مقاطع مختلف زمانی و مکانی در سیستم است. با توجه به رقابتی بودن محیط بازار برق تجدید ساختاریافته، شرکت کنندگان در بازار برای بالا بردن سود خود باید آگاهی دقیقی از آینده تقاضای مصرف¬کنندگان داشته باشند. مدیریت بازار و بهره بردار سیستم باید بر اساس تطبیق عرضه تقاضای انرژی برق، اقدام به برنامه¬ریزی بهینه نمایند. بنابراین پیش بینی بار اساسی¬ترین ابزار برای بهره برداری بهینه و مطمئن سیستم قدرت می¬باشد. معمولاً دو ساختار کلی برای دادوستد در این بـازار رقابتی وجود دارد: بازار حوضچه¬ای و قراردادهای دو جانبه. در بازار حوضچه¬ای که حجم بالایی از معادلات بازار در آن انجام می¬گیرد، فروشندگان و خریداران انرژی، پیشنهادات خود را به مدیریت بازار ارائه می¬دهند و مدیریت بر اساس پیشنهادات دریافت شده نسبت به بهره برداری از سیستم اقدام می¬کند. بنابراین آگاهی دقیقی از آینده قیمت انرژی به شرکت کنندگان کمک می¬کند تا بتوانند به بیشترین سود خود برسند. با توجه به موارد ذکر شده در بالا، اهمیت پیش بینی کوتاه مدت بار و قیمت انرژی الکتریکی در صنعت برق آشکار می¬شود. در سال¬های گذشته روش¬های مختلفی برای پیش بینی بار و قیمت برق ارائه شده است. ولی به دلیل اهمیت این موضوع، نیاز به روش¬های دقیق¬تر امری اجتناب ناپذیر است. بنابراین در این پایان¬نامه روش های جدیدی برای پیش بینی بار و قیمت انرژی الکتریکی پیشنهاد شده است. بطور کلی پیش بینی در سه مرحله پیش پردازش، انتخاب داده¬های موثر و پیش بینی انجام می گیرد. تبدیل موجک، یکسان سازی داده¬ها و جابجا کردن نمونه¬های آموزش برای پیش پردازش و آماده سازی داده¬ها مورد استفاده قرار گرفته¬اند. برای انتخاب داده¬های ورودی موثر از روش فیلتر کردن داده¬ها استفاده شده است. چندین ساختار مختلف برای طراحی فیلتر انتخاب کننده در این پایان¬نامه ارائه شده است. برای پیش بینی کننده، شبکه¬های عصبی موازی شده و ساختار ترکیبی عصبی-تکاملی پیشنهاد شده است. در ساختار شبکه¬های موازی شده، از سه شبکه عصبی موازی که خروجی هر شبکه به مجموعه ورودیهای شبکه بعدی اضافه می¬شود استفاده شده است. ساختار موازی، رابطه نگاشت بین ورودی و خروجی سیگنال غیر خطی بار و قیمت انرژی الکتریکی را بصورت کارآمدتری می¬تواند تعیین کند. در ساختار عصبی-تکاملی، از روش بهینه¬سازی تکامل دیفرانسیلی برای تنظیم دقیق نرون¬های شبکه عصبی استفاده شده است. نتایج بررسی¬های موردی انجام شده صحت و دقت عملکرد روش¬های پیشنهادی را تایید می¬کند.