عنوان پایان‌نامه
مدل رفتاری خرده فروش اگرگیتور انرژی الکتریکی در محیط جدید بازار برق
- رشته تحصیلی
- مهندسی برق-قدرت-سیستم ها فشارقوی الکتریکی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2847;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 71855
- تاریخ دفاع
- ۱۲ مهر ۱۳۹۴
- دانشجو
- میراحسان سیدی
- استاد راهنما
- حمید لسانی
- چکیده
- این پایان‌نامه شامل دو فاز متفاوت است. در فاز اول این پایان¬نامه دو متغیر موجود در محیط تجدید ساختار یافته‌ی شبکه‌ی قدرت مورد بررسی قرار گرفته است. این دو متغیر بار مصرفی مصرف کنندگان انرژی الکتریکی و قیمت این انرژی است که در بازار برق مفروض در این پایان‌نامه به دو روش پیش‌بینی شده است. هر کدام از دو متغیر بار مصرفی و قیمت برق به دو روش رگرسیون بردار پشتیبانی و شبکه‌ی عصبی پیش‌بینی شده است. روش رگرسیون بردار پشتیبانی از روش‌های نوین و محبوب در پیش‌بینی سری‌های زمانی است و به همین دلیل برای کار این پایان‌نامه انتخاب شده است. از طرف دیگر روش شبکه‌ی عصبی نیز از روش‌های مورد اعتماد در پیش‌بینی است. دلیل انتخاب روش شبکه‌ی عصبی استفاده از نتایج حاصله برای مقایسه با نتایج حاصل از روش رگرسیون بردار پشتیبانی است. نتایج حاصل برای پیش‌بینی بار و قیمت نشان می‌دهند که روش رگرسیون بردار پشتیبانی از دقت قابل قبولی برخوردار است . خطای کم‌تری نیز نسبت به روش شبکه‌ی عصبی دارد. در فاز دوم این پایان نامه تابع هزینه‌ای برای یکی از بازیگران نوظهور بازار برق موسوم به خرده‌فروش/اگرگیتور مدل شده است و برای این تابع هدف بهینه‌سازی انجام شده است. خرده‌فروش/اگرگیتور بازیگری است که هم وظایف خرده‌فروشی را به عهده دارد و هم وظایف اگرگیتوری را در دستور کار خود قرار داده است. هدف این پایان‌نامه در فاز دوم کمینه‌کردن هزینه‌های خرده‌فروش/اگرگیتور است تا از این طریق خرده‌فروش/اگرگیتور نقش خود رادر بازار برق به طور کامل و ایده‌آل انجام دهد. در این صورت بازار برق به سمت بازار ایده‌آل پیش خواهد رفت. نتایج حاصل از پیش‌بینیهای انجام شده برای بار و قیمت در فاز اول، به عنوان متغیرهای تابع هزینه‌ی خرده‌فروش/اگرگیتور در فاز دوم مورد استفاده قرار می‌گیرند و این امر پل ارتباطی فاز اول و دوم این پایان‌نامه است. مشاهده می‌شود که هرچه پیش‌بینی دقیق‌تری نسبت به قیمت و بار انجام شود، هزینه‌ی کم‌تری به خرده‌فروش/اگرگیتور تحمیل می‌شود. بنابراین خرده‌فروش/اگرگیتور درصدد پیش‌بینی هرچه دقیق‌تر بار و قیمت خواهد بود و این امر در ایجاد بار اقتصادی و مشکلات فنی کم‌تر در تمام بازار برق و شبکه‌ی قدرت نیز تاثیرگذار خواهد بود. واژه‌های کلیدی: بازار برق، پیش‌بینی بار، پیش‌بینی قیمت، خرده‌فروش انرژی الکتریکی، اگرگیتور انرژی الکتریکی، بهینه‌سازی هزینه، پاسخ تقاضا، رگرسیون بردار پشتیبانی، شبکه‌ی عصبی.
- Abstract
- This thesis consists of two different sections. In the 1st section, two variables playing role in restructured power system have been studied. These two variables are the load consumed by electrical energy consumers and the relative price which have been predicted by two methods in this thesis. Each one of these two variables has been predicted by support vector regression (SVR) and neural networks methods. SVR is one of the modern and popular methods in predicting times series and this is why it has been elected for this thesis. On the other hand, neural networks method is one of the trusted methods in prediction. The reason for choosing this method is using its result for comparison with the results of SVR method. The obtained results of predicting load and price depict that SVR method has an acceptable accuracy. Also, it has less error compared with neural networks method. In the 2nd section of this thesis, the price function for one of the newfound players of power market called retailer/aggregator has been modeled and the target function has been optimized. Retailer/aggregator is a player which has a duty of a retailer along with duties of an aggregator. The 2nd section of this thesis aims to minimize costs of retailer/aggregator in order for him to play his role thoroughly and ideally which makes the power market progress towards an ideal market. The results obtained from the predictions made about load and price will be used as variables of retailer/aggregator costs function and this is how two sections of this thesis are related. It's perceived that the more accurate the prediction of price and load is made, the less costs are imposed on retailer/aggregator. Consequently, retailer/aggregator will be seeking the most accurate prediction of load and price which will influence in creating less financial burden and technical issues in the whole power market and power system. Key words: power market, load prediction, price prediction, electrical energy retailer, electrical energy aggregator, cost optimization, demand response, support vector regression (SVR), neural networks.
