عنوان پایان‌نامه
پیش بینی احتمالی قیمت حاشیه ای محلی با در نظر گرفتن نایقینی بار
- رشته تحصیلی
- مهندسی برق -قدرت - تجدید ساختار
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2207;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 57158
- تاریخ دفاع
- ۰۵ مهر ۱۳۹۰
- دانشجو
- فهیمه سرافراز
- چکیده
- در این پایان نامه پیش بینی قیمت حاشیه ای محلی (LMP)، از دو دیدگاه صورت گرفته است. در دیدگاه اول، پیش بینی احتمالی LMP با توجه به توپولوژی و قیود شبکه و اجرای پخش بار بهینه با در نظر گرفتن نایقینی بار، انجام شده است. روش استفاده شده در پخش بار بهینه، روش تخمین دو نقطه ای (2PEM) است و از آنجا که مدل DCOPF بکار گرفته شده است، جهت مدل کردن مولفه¬ی قیمت تلفات، از روش گره تقاضای فرضی (FND) استفاده شده است. نتایج حاصل از روش تخمین دو نقطه¬ای با روش مونت کارلو مقایسه شده است که نتایج با تقریب بسیار خوبی به روش مونت کارلو نزدیک است با این تفاوت که این روش 70 بار سریعتر از روش مونت کارلو عمل می¬کند. پیاده سازی بر روی شبکه 5 باسه PJM و 39 باسه New England انجام شده است. رفتارLMP بر حسب تغییر بار و علت پرش آن در سطوح بحرانی بار بصورت تحلیلی و ریاضی مورد بررسی قرار گرفته است، اما از آنجا که نایقینی بار یا خطای پیش¬ بینی بار در سیستم قدرت همواره وجود دارد، علاوه بر پیش بینی احتمالی مقدار LMP، در این پایان نامه، روش پیشنهادی جهت پیش بینی احتمالی سطوح بحرانی بار که LMP در آن سطوح پرش ناگهانی دارد، با استفاده از روش تخمین دو نقطه¬ای ارائه شده است. روش پیشنهادی بر روی شبکه 5 باسه PJM پیاده سازی شده است. در دیدگاه دوم، پیش بینی چند ساعت بعد قیمت حاشیه¬ای محلی با استفاده از داده های تاریخی بازار PJM و با مدل نرو فازی خطی محلی انجام شده است و نتایج این مدل با شبکه عصبی چند لایه پرسپترون مقایسه شده است. نتایج قابل قبول و خوب این روش در مقایسه با شبکه¬ی MLP و کارهای اخیر صورت گرفته در زمینه¬ی پیش بینی چند ساعت بعد قیمت برق، قابل توجه است.
- Abstract
- In this thesis, locational marginal price (LMP) forecasting has been done based on two distinct viewpoints. In the first viewpoint, probabilistic LMP forecasting is performed regarding the network topology and constraint and applying the probabilistic optimal power flow considering the load uncertainty. The applied method to optimal power flow is two-point estimate method (2PEM) and since DCOPF is used, the fictitious nodal demand (FND) method has been applied in order to model the loss price component. The results of 2PEM are compared to those of Monte-Carlo method and it is observed that with an acceptable approximation the results are fairly close. 2PEM is 70-times faster than Monte Carlo. The feasibility tests carried on 5-Bus PJM network and New England 39-Bus network. The variation due to changes and the reason of LMP step change, in critical load level are analyzed analytically and mathematically. However, because the always exists load uncertainty or load forecasting error in power systems, in addition to probabilistic forecasting of LMP, an approach to forecast load levels in which LMP step changes occur has been proposed using 2PEM. In the second viewpoint, several hour-ahead forecasting of LMP is don based on historical data of PJM market and using the locally linear neuro-fuzzy model (LLNF), and the results are compared to multi-layer perceptron (MLP) neural network. The results of this method are compared to MLP showing higher accuracy.
