يك روش تركيبي پيش‌بيني ميان‌ مدت قيمت برق در بازار تجديد ساختار شده با استفاده از ماشين بردار پشتيبان و شبكه‌هاي عصبي

A Hybrid Approach for Mid-Term Electricity Price Forecasting based on Support Vector Machine and Neural Networks

در شبكه‌هاي هوشمند آينده، اطلاع از قيمت بازار برق براي هدايت رفتار مصرف‌كنندگان و توليدكنندگان ضروري است. در اين مقاله روش تركيبي پيش‌بيني ميان‌مدت قيمت برق در بازار تجديد ساختار شده با استفاده از ماشين بردار پشتيبان و شبكه‌هاي عصبي ارائه شده است. در اين روش ابتدا حد زياد براي قيمت‌ها در نظر گرفته مي‌شود؛ سپس مجموعۀ آموزش به دو قسمت جهش‌هاي قيمت و قيمت‌هاي معمولي تقسيم مي‌شود. پس از آن، روي داده‌هاي ورودي عمليات استخراج ويژگي با استفاده از اتوانكدرهاي به‌ هم‌ چسبيده انجام مي‌گيرد و با استفاده از هر يك از مجموعه‌هاي آموزش، مدل تخمين آموزش داده مي‌شود. مدل‌هاي بردار پشتيبان با توابع كرنل مختلف و شبكۀ عصبي دو لايه پيشخور با استفاده از روش پيشنهادي، آموزش و آزموده مي‌شوند. نتايج شبيه‌سازي با استفاده از روش پيشنهادي نشان مي‌دهند اين روش در افزايش سرعت آموزش مدل تأثير چشم‌گيري دارد و موجب بهبود دقت پيش‌بيني مي‌شود.

In future smart grids, it's imperative to know the price of electricity market to guide the behavior of consumers and suppliers. This paper presents a hybrid approach for mid-term electricity price forecasting based on support vector machine and neural networks. In this method, at first, the price upper bound is considered. Then, the training set is divided into two parts including normal price and price spikes. Feature extraction applies on input data sets using stacked auto-encoders and a prediction model trained using each training set. Support Vector Machine (SVM) models with different kernel functions and a two layered feed-forward neural network were trained and tested with the proposed method. Simulation results using the proposed method show that this method has a significant effect on the speed of model training and improves forecasting accuracy.