پیش بینی کوتاه مدت بار با استفاده از شبکه عصبی مصنوعی و درخت رگرسیون کیسه ای

در این مقاله، تحلیلی از نتایج یک مطالعه در مورد پیش بینی قیمت عمده فروشی برق با استفاده از شبکه های عصبی ۱ و درخت رگرسیون کیسه ای ۲ ارائه می کنیم. تغییرات نظارتی مکرر در بازارهای برق و استراتژی های قیمتگذاری (مناقصه) شرکت کنندگان در بازار که به سرعت در حال تحول هستند، باعث می شود که بازآموزی کارآمد در حفظ دقت مدل های پیش بینی قیمت برق بسیار مهم باشد. کارایی بازآموزی NN و BRT برای پیش بینی قیمت با استفاده از داده های منطقه ای بازار ملی برق استرالیا ۳ ، نیو ساوت ولز در بازه زمانی سپتامبر ۲۰۱۸ تا سپتامبر ۲۰۲۲ مورد ارزیابی قرار گرفت. دقت و بنابراین نیاز به زمان کمتری برای آموزش بهینه نسبت به روش های دیگر دارد که می تواند منجر به راه حلی در تعداد زیادی از حداقل های محلی شود. NN و BRT و سایر روش های پیش بینی از نظر دقت تشخیص بسیار مشابه بودند.

کلیدواژه ها:

پیش بینی بار ، برق ، شبکه عصبی مصنوعی ، درخت رگرسیون کیسه ای