مهدی نوشیار - دانشیار، دانشکده مهندسی برق و کامپیوتر - دانشگاه محقق اردبیلی - اردبیل - ایران
علی قاسمی مرزبالی - استادیار، دانشکده مهندسی برق و کامپیوتر - دانشگاه علوم و فنون مازندران - بابل - ایران

نظر به اینکه سیگنال قیمت در بازار برق، نوسانات زیاد و عدم‌قطعیت فراوانی دارد، بر پیش‌بینی کوتاه‌مدت تأثیر زیادی می‌گذارد. با توجه به اینکه روش‌های مبتنی بر سری زمانی نمی‌توانند مدل‌های غیرخطی این‌چنینی را به‌صورت مناسب با دقت بالا تخمین بزنند، به ارائۀ مدل کارا نیاز است؛ به همین دلیل در این مقاله روش ترکیبی جدید چندمرحله‌ای برای پیش‌بینی روزانۀ قیمت برق پیشنهاد شده است. به‌منظور دستیابی به این الگو، ابتدا پیش‌بینی به سه لایۀ اصلی، پیش‌پردازش‌کننده، آموزش و تنظیم‌کننده تقسیم شده است. در لایۀ اول از تبدیل کرولت برای کاهش نویزهای احتمالی در سیگنال قیمت استفاده شده است. سپس با استفاده از مدل توسعه‌یافتۀ انتخاب داده بر مبنای افزایش همبستگی و کاهش تکرار، داده‌های غیرمفید را حذف و حجم محاسبات را به‌صورت چشمگیری کاهش داده است. سپس داده‌های منظم‌شده وارد لایۀ یادگیری شده که به‌منظور دست‌یابی و استخراج بهترین الگو از داده‌های ورودی، ماشین یادگیری شدید توسعه‌یافته پیشنهاد شده است. با توجه به اینکه تنظیم پارامترهای کنترلی ماشین یادگیری پیشنهادی می‌تواند به حداکثر قابلیت آن در استخراج الگو غیرخطی از سیگنال قیمت منجر شود، در لایۀ آخر روش توسعه‌یافتۀ جدیدی مبتنی بر کلونی جستجوی ویروس بر مبنای تئوری ضرایب متغیر زمانی پیشنهاد شده است. الگوریتم پیشنهادی، روش بهینه‌سازی جدید براساس عملکرد ویروس‌ها برای نابودی سلول‌های میزبان و نفوذ بهترین آن‌ها به داخل یک سلول برای تکثیر است. روش پیشنهادی بر بازارهای برق واقعی موجود، اعمال و نتایج به‌دست‌آمده براساس میزان خطای پیش‌بینی و معیارهای مبتنی بر خطا مقایسه شده‌اند. نتایج نشان می‌دهند روش پیشنهادی، کارایی مناسب و پذیرفتنی دارد.

روش ترکیبی پیش‌بینی, ماشین یادگیری شدید, تبدیل کرولت, آنتروپی, کلونی جستجوی ویروس