ISSN在线(2278 - 8875)打印(2320 - 3765)
Aarti古普塔1,Pankaj拉2,思帕诗乔3
|
相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程
电力价格的预测是至关重要的信息生产者和消费者在规划招标策略为了获得最大的好处。预测模型的选择成为一个重要的工具如何提高价格预测的准确性。本文结合安和模糊推理系统(FIS)方法用于预测短期电力价格。印度电力市场数据被用来测试系统。这些方法检查了2012年印度电力市场的比较安和FIS-ANN方法的预测性能。结果表明,FIS-ANN方法提高了价格预测的准确性。发达系统显示相当大的改善的性能对于价格数据,实现日军与FIS-ANN小于3%,相比之下,安。
关键字 |
人工神经网络(ANN);电价预测;印度电力市场;模糊逻辑 |
介绍 |
与放松管制在许多世界各地的电力市场,未来可能的值的知识需求和相应的价格已成为更重要的市场上的不同实体——发电机和电力交易商确定投标策略,为管理和系统运营商市场[1]。 |
一般商品价格被迫由供给和需求的平衡。在电力市场交易„commodityA¢不能储存在经济上,定义的约束系统总容量满足需求在任何给定的时间[2]。这因此导致电价波动的高概率,这面具可观察到的趋势预测未来值所必需的,特别是在短期内。 |
短期预测的时期f电子战d y s h e d。这些都是用于调度和短期或现货交易。短期交易是为了服务短期负荷变化和匹配后的实际价格是唯一已知的投标,并提供由市场运营商[1]。这提出了一个挑战,将有效的投标;交易员需要知道未来的价值需求和相应的价格。 |
不同的模型在电力系统实现预测的准确性,这些包括:回归,统计和状态空间方法[3,5]。基于人工智能的方法探索了基于专家系统,进化编程、模糊系统、人工神经网络和不同的组合。使用最广泛的方法之一是汽车回归集成移动平均模型(ARIMA)。这个模型的流行是由于它的统计特性以及众所周知的盒子——詹金斯方法在模型建立过程中。面临的主要挑战与这是准确的非线性数学模型。同时,完成系统数据并不总是容易获得和伟大的计算工作量。 |
除了这些方法人工智能方法被用于这一领域。人工神经网络(ann)已被应用于许多研究预测电价[6]。此方法最重要的优势在于它的灵活性在使用非线性模型,使用安不需要引入一个特定的模型形式。他们自适应形成的特点提出了基于数据。此功能适用于许多实证数据集没有具体的理论指导。其他方法,如模糊神经网络方法[7],支持向量机(svm) [8]。 |
在实际电力市场中,价格曲线表现出比负载曲线和更丰富的结构具有以下特点:高频率,不恒定的均值和方差,多个季节性、日历效应、高水平的波动和高百分比的不同寻常的价格变动。所有的这些特征都可以归因于以下原因,区分电力和其他商品: |
(我)Non-storable电能的性质 |
(2)要求保持恒定的需求与供应之间的平衡 |
(3)非弹性性质的需求在短时间内 |
(iv)寡头垄断的一代 |
除了这些市场均衡也受到负载和代不确定性[4]。 |
估计未来的任何参数值o n e需要一些参数的影响因素的信息,或趋势描述感兴趣的参数。大量的参数进行了分析确定为短期评估其效用作为输入数据。其中包括过去的需求和价格数据[2]。 |
摘要是一种利用人工神经网络方法(ANN)从历史数据中提取趋势相同的参数,用它来预测未来可能的值。价格预测是基于不同的方法包括人工神经网络和模糊逻辑。比较不同的方法检查的结果通过印度电力市场数据。 |
在电力市场不同类型的批发价格存在,但最基本的定价概念是市场出清价格(MCP)。当系统中传输拥塞然后其他价格等概念边际价格的位置(LMP)和纬向市场出清价格(ZMCP)。本文对MCP不依赖内部传输约束。 |
方法 |
有几个时间序列预测模型,包括移动平均线性回归和GARCH技术。在现货市场MCP可以被视为一种non-stationery随机时间序列以同样的时间间隔。最近新技术如安,博弈理论、模糊和混乱的模型已经提出。 |
答:人工神经网络 |
一个人工神经网络(ANN)模型,模拟人脑的功能体系结构。本研究采用多层感知器安。这个安包括:一个输入层、隐藏层和输出层,如图1所示。除了典型输入层,每个神经元接收到的信号的线性加权和输出的神经元在前面的层。 |
然后定义为激活神经元j |
![]() |
如果神经元j是一个隐藏的神经元, |
![]() |
否则,fj (x) = x,我覆盖所有层的神经元(k - 1)。注意,j k层中的神经元的激活,Uj (k)(1),只是一个神经元的激活函数(k - 1) th层和连接的权重j k层中的神经元与神经元(k - 1)层。非线性fj (x)可以是任何单调函数可微的x域。 |
b .模糊推理系统 |
模糊推理是模糊逻辑的实现语言和规则映射的输入到输出空间没有严格规范的输入(3、4)。模糊逻辑:如果X是一个论域元素用X, X的那么模糊集定义为一组有序对,a = {X,μA (X) | Xε}。μA (x)的隶属函数x a .图2显示了用于三种不同的三角形隶属函数模糊集;低、中、高。 |
![]() |
模糊推理系统(FIS)使用模糊规则(如果-那么)和模糊推理,推理过程,获得的结论来自于一组模糊规则和已知的事实。三个概念的组成部分:规则库(模糊规则选择);数据库(隶属函数)和理性机制推理过程从而形成一个模糊推理系统的基本结构。 |
c .系统配置 |
许多配置基于该方法设置。一个系统级联处理元素设置如下图3所示。包括数据处理和分类块分开的预处理和后处理的价格估计路径[9]。 |
d .性能分析 |
为了评估的准确性预测电价使用不同的标准,也就是说,平均绝对百分比误差(日军)被定义为: |
![]() |
在那里, |
弗吉尼亚州=实际价格 |
Vf =预估价格 |
N =天数预测 |
![]() |
e .数据集 |
模糊和安的组合方法是使用印度电力市场的数据执行(IEM)[2]在2012年被认为是一个真正的世界。价格曲线在图4中给出。的数据都进行了广泛的研究与一个巨大的各种各样的非线性时间序列模型包括FIS-ANN和安。评估不同模型的预测性能,每个数据集分为两个样本的训练和测试。模型训练数据广泛用于开发和测试样本被用来评估数据。为了公平的比较2012年被选中。建立预测模式季度2012年,每日价格历史数据的信息包括2012年在四个集群。 |
![]() |
结果和讨论 |
训练后不同的网络配置(大小)进行了测试与数据集用于训练来测量性能。安的性能测量和FIS-ANN模型利用日军值不同的定义集群。 |
答:A集群的结果 |
![]() |
上面的结果显示在表二世显示价格估计的准确性比较安和FIS-ANN模型在不同网络规模之间集群„AA¢。在日军的结果清楚地表明,价格与FIS-ANN模型更好的预测精度比ANN模型 |
B B集群的结果 |
![]() |
上面的结果显示在表3显示价格估计的准确性比较安和FIS-ANN模型在不同网络规模之间集群„英航¢。在日军的结果清楚地表明,价格与FIS-ANN模型更好的预测精度比ANN模型 |
C ' C '集群的结果 |
![]() |
上面的结果如表4所示显示价格估计的准确性比较安和FIS-ANN模型在不同网络规模之间集群„CA¢。在日军的结果清楚地表明,价格与FIS-ANN模型更好的预测精度比ANN模型 |
D ' D '集群的结果 |
![]() |
结果见表V以上显示的准确性比较价格估计安和FIS-ANN模型在不同网络规模之间集群„DA¢。在日军的结果清楚地表明,价格与FIS-ANN模型更好的预测精度比ANN模型 |
从上面的表中,很明显FIS-ANN模型的结果显示了重大的进步,将ANN模型进行比较。 |
结论 |
电价在短期内显示高波动性很难预测其未来的价值,但由于该方法预测的组合模型FIS-ANN显著改善。处理中的关键元素的选择输入数据预处理和谨慎。这里的输入因素选择电价预测过去的价格和需求数据。 |
日军值是用于测量模型的性能;日军价值低显示预测价格是接近实际价格。日军值是用来测量性能的各种模型用于预测价格。上述结果和讨论得出结论,为所有集群日军值低于FIS-ANN模型比ANN模型这意味着该模型/方法产生相当好的预测结果。因此FIS-ANN的组合方法是更有效的预测电价。从预测结果中发现这项工作也可以得出结论,该模型表现很好,没有波动,可以用来预测市场价格。未来在这一领域范围可能包括选择更合适的输入变量包括价格波动分析。 |
引用 |
|