بخشی از مقاله
چکیده
با توجه به طبیعت نامطمئن قیمت آتی برق در بازار رقابتی و احتساب آن به عنوان مهم ترین فاکتور عدم قطعیت در این محیط، شرکتکنندگان در بازار، جهت فعالیتهاي بهرهبرداري و برنامهریزي خود، به پیشبینی کوتاه مدت قیمت میپردازند. بازیگرانی در بازار برق موفق میباشند که ابزاري مناسبتر جهت این مساله در اختیار داشته باشند. از طرف دیگر با توجه به گسترش روزافزون استفاده از انرژي بادي در تولید جهانی انرژي و باتوجه به ساختار نامطمئن و گسسته تولید انرژي بادي، پیشبینی قیمت در بازار برق جهت فواصل زمانی مختلف ضرورت مییابد.
از اینرو ماهیت متغیر تولید بادي، متعادل ساختن بلادرنگ تقاضاي سیتم قدرت در برابر تولید را پیچیدهتر کرده است. در این مقاله اثر تولید واحدهاي بادي در پیشبینی قیمت براساس دادههاي بازار برق Nord Pool مورد بررسی قرار گرفته است.
ایده اصلی ارائه مدلی هوشمند براي پیشبینی قیمت تسویه بازار با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه، بر پایهي مدل هیبریدي ژنتیک و خفاش است. این مدل هیبریدي در مقایسه با شبکههاي عصبی مرسوم - بر پایه الگوریتمهاي بهینه سازي مبتنی بر گرادیان - دقت بهتري داشته و قابلیت همگرا شدن به سمت بهینه مطلق را دارد. نتایج حاصله دقت بالاي این مدل در پیشبینی کوتاه مدت سیگنال قیمت برق را بیان میکند.
-1 مقدمه
بسیاري از کشورهاي دنیا در طی دو دهه گذشته مقرراتزدایی را تجربه کردهاند. در این فرآیند، بازارهاي برق رقابتی جایگزین سیستمس هاي قدرت با ساختار سنتی شدهاند. در شرایط جدید، شناخت رفتار عوامل بازار و پیشبینی قیمت برق میتواند بسیار با اهمیت تلقی گردد که به عنوان یک هدف سخت اما اساسی براي کلیه بازیگران مطرح میباشد.[1] تنظیم استراتژيهاي کوتاه مدت، تنظیم قراردادهاي میانمدت یا بلندمدت، برنامهریزيهاي کوتاه مدت و برنامه ریزي توسعه، نمونههایی از این فعالیت ها هستند.
در مطالعات انجام شده در این زمینه، وروديهاي دیگري نیز مانند شاخصهاي ساعت7، قیمتهاي سایه8، قیود انتقال، سطح بار سیستمهاي مجاور، ظرفیت تولید و میزان ذخیره سیستم9 براي پیشبینی قیمت لحاظ شدهاند .
در عین حال، لحاظ نمودن وروديهاي ذکر شدهالزاماً تضمینکننده دقت بالاتر نتایج نخواهد بود. به عنوان مثال، در نظر گرفتن محدودیتهاي انتقال در مرجع دقت پیشبینی را بهبود میدهد، در حالیکه همین پارامتر در مرجع هیچ افزایش دقتی را در برنداشته است. بعلاوه، بیشتر ورودي هاي مفید جهت پیشبینی کوتاه مدت قیمت همواره در دسترس نیستند و یا عدم قطعیت بالایی دارند.
یکی از چالشهاي اساسی جهانی مسئله آلودگی زیست محیطی است که در صنعت برق، بخش عمدهاي از این آلودگی ناشی از نیروگاههاي حرارتی میباشد. در این راستا، کشورهاي مختلف با برنامهریزي و اعمال سیاستهاي حمایتی از انرژيهاي تجدیدپذیر مانند مدل تعرفه و مدل سهم مشخص، مشارکت اینگونه منابع انرژي در بازار برق را بیشتر نمودهاند و همچنین براي نیروگاههاي حرارتی جریمه زیست محیطی در نظر گرفته اند.
بسیاري از این انرژيها ازجمله باد، قابلیت ذخیرهسازي ندارند و به ناچار قیمت در بازار برق متأثر از این منابع نیز میباشد .به علت طبیعت غیرقابل پیشبینی جو، تغییرات زیادي در توان تولیدي بادي وجود دارد که پیچیدگی زیادي را مطرح میکند. این تغییرات باعث ایجاد عدمقطعیت در عملکرد و تولید نیروگاه بادي میگردد که باید توسط بهرهبردار مستقل سیستم براي اطمینان از تعادل بین عرضه و تقاضا مورد توجه قرارگیرد. به عنوان مثال ماهیت متغیر خروجی لحظهاي واحدهاي بادي بر قیمت برق در بازار اثر میگذارد .بنابراین، لحاظ نمودن اثر تولید مزارع بادي در تعیین نقطه تسویهي بازار در مناطقی که نفوذ این نیروگاهها بالا میباشد، غیرقابل انکار است.
از آنجا که پیشبینی قیمت با درنظر گرفتن اثر واحدهاي تولید بادي توسط شبکه عصبی تابعی پیچیده و غیرخطی است ، در این مقاله ارائه یک مدل پیشنهادي هیبریدي براي افزایش دقت در پیشبینی قیمت است. بررسیهاي صورت گرفته نشان میدهد، در اکثر مقالات تعداد لایههاي شبکه عصبی و نرونهاي موجود در هر لایه از طریق آزمون و خطا تعیین گردیده است
در حالیکه این روشالزاماً منجربه دستیابی به مدلی با بیشترین دقت نمیشود. از این رو در این مقاله از الگوریتم ژنتیک در بخش تعیین ساختار شبکه ي عصبی بهره گرفته شده است تا امکان ایجاد فضاي گستردهتري براي جستجو ایجاد شود. در این مطالعه، از شبکههاي عصبی آموزش یافته با الگوریتم تکاملی خفاش جهت پیشبینی باد استفاده شده است .ساختار تغییرپذیرمعمولاًو غیرمتناوب باد باعث میشود تا الگوریتمهاي آموزشی معمول جهت آموزش شبکههاي عصبی که از روش هاي گرادیانی جهت آموزش استفاده میکنند، به خوبی نتوانند فرآیند آموزش را کامل کنند. از طرفی هدف از آموزش شبکههاي عصبی یافتن اندازه وزنها و بایاسها به نحوي است که خطاي دادههاي آموزش را به حداقل برساند. لذا آموزش شبکههاي عصبی را نیز میتوان در بردارنده یک مسئله بهینهسازي دانست.
ساختار ادامه مقاله بدین شرح است: در بخش2، در خصوص انتخاب و تعیین دادههاي مطلوب ورودي بحث میشود. در بخش3، اثر تولید بادي بر قیمت تسویه بازار بیان میگردد. در بخش4 نحوهي بهینهسازي شبکه عصبی بیان میگردد. در بخش5، مدل پیشنهادي ارائه میس شود. در بخش6، نتایج شبیهسازي نشان داده شده است نهایتاًو مقاله با ارائه نتیجهگیري در بخش7 خاتمه مییابد.
-2 انتخاب دادههاي ورودي
تحقیقات گذشته نشان میدهد در اکثر موارد رفتار قیمت در روزهاي مشابه شبیه به یکدیگر است. استفاده از این اطلاعات اثر مثبتی بر آموزش شبکه ي عصبی دارد. به عنوان مثال اگر روز پیشبینی دوشنبه باشد، تمام روزهاي دوشنبه در اطلاعات گذشته میتوانند به عنوان روزهاي مشابه فرض شوند .
پس از انتخاب روزهاي مشابه، هسته مرکزي با محاسبه میانگین قیمت این روزها بدست میآید. تشابه بین روزهاي مشابه و هسته مرکزي با فاصله اقلیدسی بیان میشود:
که در آنX={x1,x2,...,xn} و Y={y1,y2,...,yn} دو بردار در فضاي N بعدي اقلیدسی هستند.
سپس، منحنی هاي قیمت روزهاي مشابه با فاصله زیادتر از آستانهي از پیش تعریف شده، از اطلاعات ورودي حذف میشوند. نتایج پیشس بینی در این تحقیق نشان میدهند که علاوه بر تأثیر مثبت ورودي روزهاي مشابه بر آموزش شبکه، منحنی قیمت روز هدف متأثر از منحنی قیمت و تولید بادي روزهاي گذشته خود نیز میباشد. بنابراین، بطور همزمان قیمت و تولید بادي روزهاي مشابه و روزهاي قبل از روز هدف به عنوان داده ورودي، به شبکه داده می شود. حال باید اثر تولید بادي در تعیین نقطه تسویه مشخص گردد.
-3 اثر تولید بادي بر قیمت در بازار برق
سالیان اخیر بسیاري از کشورها به اهمیت انرژي پاك و ارزان باد در تولید انرژي مورد نیازشان پیبرده و برنامههاي بلند مدت و بودجههاي کلانی را براي توسعه علمی و صنعتی در این بخش اختصاص دادهاند. در نتیجه سهم تولید انرژي باد در کل الکتریسیته تولیدي در حال رشد است اما همانطور که میدانیم، باد منبع انرژي پیوسته نیست. یعنی منابع ثابت تولید توان نیستند و با تغییرات سرعت باد، میزان انرژي تولیدي آنها نیز تغییر کرده و باعث نوسانات کنترلنشده، در ولتاژ و فرکانس تولیدي میشوند. همچنین توربینهاي بادي داراي حد بالا و پایین سرعت هستند و چنانچه سرعت باد از محدوده مجاز تجاوز کند، توربین بادي توسط کنترلر خاموش خواهد شد که خروج یک واحد تولید بزرگ شوك سنگینی به کل شبکه سراسري میباشد.
میتوان گفت که افزایش ضریب نفوذ انرژي بادي هنگامی ممکن است که مواردي همچون کنترل توربین بادي، تولید بهینه میان واحدها، محدودیت هاي رزرو و توزیع توان تولیدي میان واحدهاي نیروگاهی مدنظر قرار گرفته شده باشد.
قیمت لحظهاي بازار - SP - 10 اساس رقابت در بازارهاي عمده فروشی برق میباشد. ویژگی عمدهي قیمت لحظهاي نوسانات بالاي آن است.
به عنوان مثال تغییرات قیمت لحظهاي در طول 5 روز ماه مارس - چهارشنبه تا یکشنبه - سال 2010 بازار Nord Pool منطقه DK1 در کشور دانمارك در شکل - 1 - نشان داده شده است .[13] از ویژگیهاي اصلی این نمودار، جهش11 قیمت در طول بعد از ظهرها میباشد.
لازم به ذکر است که قیمتها در یک روز خاص میتوانندکاملاً متفاوت از روزهاي دیگر باشند. به عنوان مثال قیمت در بعد از ظهر 3 مارس بین 410 تا 450 کرون بر مگاوات-ساعت - DKK/MWh - است در حالیکه محدوده قیمت 4 مارس در طول همان بازه زمانی بین 300 تا DKK/MWh 410 میباشد. کاهش قیمت در روز 4 مارس میتواند بدلیل افزایش تولید بادي در طی آن دورهي زمانی باشد.
بنابراین، میتوان بیان کرد که لحاظ نمودن اثر تولید بادي بر قیمت لحظهاي بازار امري ضروري است. شکل - 2 - همبستگی دادههاي قیمت و تولید بادي در طی این دوره زمانی را نشان میدهد.
