این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
کیفیت و بهره وری صنعت برق ایران، جلد ۷، شماره ۱۳، صفحات ۸۴-۹۲
عنوان فارسی پیشبینی قیمت تسویه بازار برای خوشه های زمانی رقابت پذیری بازار با استفاده از شبکه عصبی بهبود یافته با الگوریتم ژنتیک: مطالعه بازار برق ایران
چکیده فارسی مقاله با قانون‌زدایی بازار و شکل‌گیری بازار روز بعد انرژی، در هرروز تولیدکنندگان انرژی اقدام به ارائه پیشنهاد قیمت خود برای هر واحد به تفکیک ساعت، در حداکثر 10 پله به مدیریت‌شبکه می‌کنند و مدیریت‌شبکه با تعیین میزان تقاضا در روزبعد، قیمت‌تسویه بازار برای روز آتی را به همراه برندگان بازار اعلام می‌کند و بر اساس قیمت پیشنهادی تولیدکنندگان با آنها تسویه می‌کند. از این رو پیشبینی قیمت تسویه بازار برای شرکت کنندگان در بازار حائز اهمیت می‌یاشد و پیشبینی دقیق آن تاثیر بسزایی بر روی سود آنها خواهد داشت. نظر به رفتار فصلی قیمت تسویه‌بازار، در این مقاله از الگوریتم K-Means به منظور خوشه بندی فضای رقابتی بازار ایران استفاده شده است که مطابق با نتایج آن، رقابت در بازار برق ایران شامل سه خوشه رقابت بالا (فصول سرد سال)، رقابت کم (فصول گرم سال) و خوشه گذار می‌باشد، در نهایت با به کارگیری الگوریتم ژنتیک جهت انجام فرایند آموزش شبکه‌عصبی، قیمت تسویه بازار برای هر خوشه رقابتی به صورت مجزا پیشبینی شده است که مطابق با نتایج حاصله، مدل ارائه شده قابلیت پیشبینی قیمت تسویه بازار در روز بعد با دقت 95 درصد را دارد.  
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Market clearing price prediction using improved neural network with genetic algorithm in Iranian day ahead market for competitiveness clustering’s
چکیده انگلیسی مقاله In The deregulation in power market is lead to competition among market participant to increase efficiency. In electricity market generation is the best candidate for iterance in competition to improve productivity and efficiency in resource allocation and offer lowest price by highest quality will be yielded. In the pool-based electricity market, every Genco submits a bidding price in ten step offer to the Independent System Operator (ISO) for every hour of the next day. The ISO uses the bidding price and forecasting demand to determine the MCP. The resulting spot price series exhibit strong seasonality at the annual, weekly and daily levels, as well as mean reversion, very high volatility and abrupt, short-lived and generally unanticipated extreme price changes known as spikes or jumps. So in this article we cluster time horizon in three cluster then we applied improved neural network by genetic algorithm for all clusters. In compare of normal neural network, results of our model are more better by 95% Accuracy.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله بختیار استادی | bakhtiar ostadi
Tarbiat Modares University
تربیت مدرس

امید معتمدی | omid motamedi
Tarbiat Modares University
تربیت مدرس

علی حسین زاده کاشان | ali Husseinzadeh Kashan
Tarbiat Modares University
تربیت مدرس

محمد رضا امین ناصری | Mohamad Reza Amin Naseri
Tarbiat Modares University
تربیت مدرس

نشانی اینترنتی http://ieijqp.ir/browse.php?a_code=A-10-891-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1533/article-1533-819478.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده صنایع و مدیریت
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات