ترجمه مقاله پیش بینی نرخ بازار برق، مبنی بر تکنیک های نزدیک ترین همسایه ارزیابی شده

عنوان انگلیسی مقاله: Electricity Market Price Forecasting Based on Weighted Nearest Neighbors Techniques

عنوان فارسی مقاله:  پیش بینی نرخ بازار برق، مبنی بر تکنیک های نزدیک ترین همسایه ارزیابی شده.

دسته: برق و الکترونیک

فرمت فایل ترجمه شده: WORD (قابل ویرایش)

تعداد صفحات فایل ترجمه شده: 21

جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید

ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

_______________________________________

چکیده ترجمه:

این مقاله، یک روش ساده برای پیش بینی قیمت های روز-بعد بازار را، مبنی بر تکنیک نزدیک ترین همسایه ها وزن دار، ارایه می دهد. نخست، چگونگی بدست آوردن پارامترهای مربوطه ای که مدل مورد نظر را تعیین می کنند، تشریح شده است. این پارامترها، مربوط به طول پنجره سری های زمانی و نیز مربوط به تعداد همسایه هایی که برای پیش بینی انتخاب شده اند، می باشند. سپس، نتایج مربوط به بازار برق اسپانیا در طی سال 2002، ارایه شده و مورد بحث قرار گرفته است. در پایان، عملکرد روش پیشنهاد شده با روش های جدید، مقایسه می شود.

اصطلاحات شاخص ــ قیمت های بازار برق، پیش بینی، سری های زمانی، نزدیک ترین همسایه ها وزن دار.

1.مقدمه:

در بازار برق رقابتی، ابزارهای پیش بینی برای عامل های شرکت کننده، مهم شده اند تا آنها بتوانند استراتژی های مناقصه خود را به منظور بیشینه کردن سود بدست آمده از انرژی مبادله شده، توسعه دهند. این روش ها، که بطور مرسوم برای پیش بینی بار بکار می روند، بتازگی بر روی مسایل پیش بینی قیمت ساعتی انرژی بازار برق مبتنی بر pool (حوضچه) تمرکز کرده اند. 

 مدل های قیمت برق را می توان به دو دسته گسترده _بنام های مدل های هزینه تولید و مدل های آماری_ تقسیم کرد. مدل های هزینه تولید، تلاش در شبیه سازی عملکرد سیستم، با در نظر گرفتن رفتار استراتژیک عامل های درگیر، دارند. اشکال های اصلی مدل های شبیه سازی، نیاز به اطلاعات گسترده می باشد که بدست آوردن آن در بازارهای آزاد، دشوار می باشد. 

از سویی دیگر، مدل های آماری، تکامل قیمت را مبتنی بر روابط مشاهده شده پیشین، بدون مدل کردن صریح فرآیندهای فیزیکی اساسی، پیش بینی می کنند. این دسته، شامل انواع روش ها، از ساده ترین روش های سری-زمانی "جعبه سیاه" فقط با استفاده از قیمت قبلی به عنوان داده ورودی، گرفته تا مدل های پیش بینی ساختاری پیچیده تری که متغیرهای توضیحی (اتفاقی) مانند تقاضای بار، قیمت سوخت، و میزان تولید در دسترس را نیز شامل می شوند، می باشد.

جهت دانلود محصول اینجا کلیک نمایید