کاربرد روش های سری زمانی در پیش بینی قیمت برق
| عنوان | کاربرد روش های سری زمانی در پیش بینی قیمت برق |
|---|---|
| نویسنده | اولگن، تویگار |
| تاریخ انتشار: | 2021-01-18 |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شماره ثبت | fe22412a-531e-49f7-ac41-2c3f1a8e3981 |
| محل کتابخانه | گروه مهندسی برق و الکترونیک |
| تاریخ | 2021-01-18 |
| متن نمونه | پیش بینی قیمت روز آینده برق با دقت بالاتر همیشه برای فعالان بازار بورس برق مفید است. مدلها در وهله اول برای یافتن بهترین روش تخمین سری زمانی برای 12 کشور اروپایی منتخب قبل و در طول COVID-19 با استفاده از خانواده هموارسازی نمایی و پردازش ساده طراحی شدند. رویکرد طبقه بندی با 33 ویژگی مختلف هر کشور دنبال می شود تا به سوال بهترین روش برای سایر کشورها پاسخ داده شود. همچنین 24 ساعت بدون هیچ متغیر مستقل با استفاده از میانگین متحرک یکپارچه اتورگرسیو فصلی برآورد شده است. جدای از مدل پیش بینی آماری، حافظه بلند مدت برای هر کشور اروپایی استفاده می شود. از رگرسیون خطی چندگانه برای پیشبینی قیمت برق استفاده میشود. پیشبینیکنندههای مختلف برای کاهش میانگین درصد مطلق خطا تحلیل میشوند. داده های آموزشی شامل تاریخ های بازار برق یک روزه در ترکیه است. ثابت شده است که تأخیر قیمتهای برق مانند قیمتهای یک روزه، یک هفتهای قبلی و میانگین متحرک با تأخیر، نقش کلیدی در برآورد قیمت برق دارند. گذشته از سایر ضرایب ارزشمند، قیمت گاز طبیعی، نفت و زغال سنگ در مدل پیشبینی آزمایش میشوند. نرخ خطای قیمت سوخت با استفاده از رگرسیون خطی چندگانه که نتایج دقیقتری ایجاد میکند، بهطور محسوسی کاهش مییابد و متغیرهای مهم مؤثر بر قیمت ساعتی برق تعیین شدهاند. طول دادههای آموزشی مختلف بخش اساسی کاهش نسبت خطا در تخمین قیمت برق است. همچنین تحلیل میشود که در مقایسه با مدلهای رگرسیون منظم و دینامیک در پیشبینی قیمت برق، تفاوت زیادی در میزان خطا وجود ندارد. روشهای شبکه عصبی پیشخور منظم و دینامیک برای مدل استفاده شد تا عملکرد خطای بهتری ارائه دهد و نتایج دقیقتری بهدست آمد.، Modeller, üstel tahminleme metotları ve naive işleme kullanılarak COVID-19 öncesi ve boyunca seçilen 12 Avrupa ülkesi için en iyi zaman serisi tahmin yöntemini bulmak için ilk olarak tasarlandı. داها سونرا، دیغر ولکلر ایچین ان اییی یونتهمین هانگیسی اولدوغو سوروسونا جئوپ ورمک ایچین هر ولکنین 33 فارکلی اوزللیغی بیر سینیفلاندیرما یاکلاسیمینی تاکیپ ادر. آیریجا، میوسیمسل اوتوررگرسیف انتگره هارهکتلی اورتالاما کولانیلاراک هرهنگی بیر باغیمسیز دغیشکن اولماکسیزین 24 ساعت تهمین ادیلیر. İstatistiksel tahmin modelinin yanı sira, her Avrupa ülkesi için uzun-kısa süreli bellek kullanılmaktadır. Elektrik fiyatı tahmininde çoklu doğrusal regresyon kullanıldı. Ortalama mutlak yüzde hatasını azaltmak için farklı tahmin ediciler analiz edilir. Eğitim verileri، Türkiye'deki gün öncesi elektrik piyasasından alınan tarihleri içermektedir. Elektrik fiyat tahmininde önceki bir gün, bir hafta gibi gecikmeli elektrik fiyatları ve gecikmeli hareketli ortalama fiyatların önemli ro oynadığı kanıtlanmıştır. تهمين مدلينده ديغر دگرلي کاتسايلارين ياني سيرا دوغالگاز، بنزين و کومور فياتلاري تست اديلمکتيدير. Daha doğru sonuçlar üreten çoklu doğrusal regresyon kullanılarak akaryakıt fiyatlarının hata oranları belirgin şekilde düşürülmüş ve saatlik elektrik fiyatını etkileyen önemli değişkenler belir. Farklı eğitim veri uzunluğu، elektrik fiyatı tahmininde hata oranlarını düşürmenin önemli bir parçasıdır. Ayrıca elektrik fiyatları tahmininde Düzenli ve Dinamik Regresyon modeli ile karşılaştırıldığında hata oranlarında büyük bir fark olmadığı analiz edilmektedir. Modelde daha iyi hata performansı vermesi için Düzenli ve Dinamik İleri Beslemeli Sinir Ağı Yöntemleri kullanılmış ve daha doğru sonuçlar elde edilmiştir. |
