دانلود ترجمه مقاله پیش بینی قیمت های برق روز بعد در اروپا

1. مقدمه 2. مروری بر مقالات و مشارکت ها 3. مقدمات 4. داده ها 5. چارچوب مدل سازی 6. الگوریتم انتخاب ویژگی ها 7. ارزیابی یکپارچه سازی بازار و چارچوب مدل سازی 8. نتیجه گیری ها

چکیده – با توجه به افزایش یکپارچگی در بین بازارهای برق، در این مقاله دو روش مختلف را برای ادغام یکپارچگی بازار در پیش بینی قیمت برق و برای بهبود عملکرد پیش بینی پیشنهاد می کنیم. ابتدا شبکه عصبی عمیق را پیشنهاد می کنیم که ویژگی های بازارهای مرتبط را برای بهبود دقت پیش بینی در بازار محلی در نظر می گیرد. برای اندازه گیری اهمیت این ویژگی ها، الگوریتم جدید انتخاب ویژگی را پیشنهاد می کنیم که با استفاده از بهینه سازی بیزی و تحلیل کاربردی واریانس، تاثیر ویژگی ها بر عملکرد الگوریتم را ارزیابی می کند. بعلاوه، با استفاده از یکپارچگی بازار، مدل دوم را پیشنهاد می کنیم که با پیش بینی همزمان قیمت ها از روی دو بازار، دقت پیش بینی را بهبود می دهد. به عنوان تحقیق موردی، بازار برق بلژیک را در نظر می گیریم و بهبودی دقت پیش بینی را با استفاده از ویژگی های مختلف برق فرانسه بررسی می کنیم. ما نشان می دهیم که دو مدل پیشنهادی منجر به بهبودی های معنی داری می شوند. بویژه به دلیل یکپارچگی بازار، دقت پیش بینی از 15.7% به 12.5% sMAPE (میانگین سیستماتیک درصد خطای مطلق) بهبود می یابد. بعلاوه، نشان می دهیم که الگوریتم پیشنهادی برای انتخاب ویژگی توانایی انجام ارزیابی درست را دارد، یعنی توانایی حذف ویژگی های نامربوط را دارد. مقدمه: در نتیجه آزادسازی و کاستن مقررات حکومتی در بازارهای برق در دو دهه اخیر، پویایی تجارت برق شکل دوباره ای به خود گرفته است. بویژه برق به کالایی تبدیل شده است که مجموعه ای از مشخصات را از خود نشان می دهد که در بازارهای دیگر دیده نمی شوند: تعادل ثابت بین تولید و مصرف، بار و تولید که تحت تاثیر شرایط آب و هوای بیرون قرار دارند، و وابستگی مصرف به ساعات روز، روز هفته، و زمان سال [1]. در نتیجه این واقعیت ها، پویایی قیمت های برق رفتاری از خود نشان می دهد که در سایر بازارها دیده نشده است، مثل تغییر ناگهانی و پیش بینی نشده پیک های قیمت یا فصلی بودن قیمت ها در سه سطح مختلف (روزانه، هفتگی، و سالانه) [1].

Motivated by the increasing integration among electricity markets, in this paper we propose two different methods to incorporate market integration in electricity price forecasting and to improve the predictive performance. First, we propose a deep neural network that considers features from connected markets to improve the predictive accuracy in a local market. To measure the importance of these features, we propose a novel feature selection algorithm that, by using Bayesian optimization and functional analysis of variance, evaluates the effect of the features on the algorithm performance. In addition, using market integration, we propose a second model that, by simultaneously predicting prices from two markets, improves the forecasting accuracy even further. As a case study, we consider the electricity market in Belgium and the improvements in forecasting accuracy when using various French electricity features. We show that the two proposed models lead to improvements that are statistically significant. Particularly, due to market integration, the predictive accuracy is improved from 15.7% to 12.5% sMAPE (symmetric mean absolute percentage error). In addition, we show that the proposed feature selection algorithm is able to perform a correct assessment, i.e. to discard the irrelevant features. Introduction: As a result of the liberalization and deregulation of the electricity markets in the last two decades, the dynamics of electricity trade have been completely reshaped. In particular, electricity has become a commodity that displays a set of characteristics that are uncommon to other markets: a constant balance between production and consumption, load and generation that are influenced by external weather conditions, and dependence of the consumption on the hour of the day, day of the week, and time of the year [1]. Due to these facts, the dynamics of electricity prices exhibit behavior unseen in other markets, e.g. sudden and unexpected price peaks or seasonality of prices at three different levels (daily, weekly, and yearly) [1].

ترجمه این مقاله در 39 صفحه آماده شده و در ادامه نیز صفحه 28 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.