Short-term electricity price forecasting in deregulated electricity market based on enhanced artificial intelligence techniques / Alireza Pourdaryaei
Notice bibliographique
Résumé
Electricity price forecasting is considered as one of prime factors for operation, planning and scheduling of price-setter market participants. However, possessing time variant, non-linear and non-stationary behaviors make the electricity price a complex signal. The main challenge in this area is providing highly accurate and efficient day-ahead price forecasting. A suitable feature selection technique, which is able to model the interacting features and nonlinearities of the forecast processes, is still required although researches have been performed for day-ahead forecasting. In this research, a hybrid electricity price forecasting methodology is proposed using two-stage feature selection method and optimization using adaptive neuro-fuzzy inference system (ANFIS) technique as a forecasting engine. An important contribution of the proposed method is modeling of interaction in addition to relevancy and redundancy based on information-theoretic criteria for the feature selection. A multi-objective feature technique is developed in this study to extract the most influential subsets of input variables with the maximum relevancy and minimum redundancy. The proposed feature selection technique comprises of Multi-objective Binary-valued Backtracking Search Algorithm (MOBBSA). It is used to search within a number of input variables combinations and to select the feature subsets, which minimizes simultaneously vice-versa the estimation error and the feature numbers. In the developed method of multi-objective feature determination, MOBBSA is used to search within different combinations of input variables and to select the non-dominated feature subsets. ANFIS is applied as an evaluation metric to determine the performance of every feature subset. The other foremost contribution of the work is proposing a hybrid electricity price forecasting technique to provide more accurate forecasts. This merit is provided by balancing the exploitation of solution structure and exploration of its appropriate weighting factors through the use of Backtracking Search Algorithm (BSA) as an efficient optimization algorithm in learning process of ANFIS approach. Real-world electricity demand and price dataset from Ontario and Australia power markets, which are reported as among the most volatile market worldwide, have been used to validate the performance of the proposed approach. Finally, the obtained results corroborate the premise of the proposed method through the enhanced accuracy compared to the existing artificial intelligence-based models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».