رگرسیون شبکه عصبی مربوط به جعبه های الگوریتم پیشنهادی

شکل ۴- ۷: رگرسیون شبکه عصبی مربوط به جعبه داده های ۱ سال گذشته
شکل ۴- ۸: رگرسیون شبکه عصبی مربوط به جعبه داده های ۱ ماه گذشته
شکل ۴- ۹: رگرسیون شبکه عصبی مربوط به جعبه داده های ۱ هفته گذشته
شکل ۴- ۱۰: رگرسیون شبکه عصبی مربوط به جعبه داده های بارهای مصرفی نزدیک به داده مورد نظر

اعتبارسنجی نتایج در بازار واقعی برق ایران
همان طور که در ابتدای پایان نامه و در قسمت چکیده این پژوهش آورده شده است، در اقدامی داوطلبانه و با بهره گرفتن از جلب اطمینان و همکاری یکی از نیروگاه های سیکل ترکیبی کشور، نتایج خروجی از نرم افزار نوشته شده، در بازار واقعی فروردین و اردیبهشت ماه سال ۱۳۹۲ ، مورد آزمایش قرار گرفت و نتایجی فراتر از انتظار پروژه ثبت و ضبط گردید که اسناد مربوط به این مهم، در این بخش آورده شده است.
بازیگران بازار برق در طرف فروشنده، قیمت های پیشنهادی خود را برای سه روز آینده در فرمی به شکل فرم زیر ثبت می نمایند:
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

شکل ۴- ۱۱: فرم ثبت قیمت برای فروشندگان برق و مالکان نیروگاه ها
منظور از Power 1 ، همان پله اول و Price 1 همان قیمت برای پله اول می باشد و الی آخر.
شکل ۴- ۱۲: فرم مخصوص خریداران برق جهت مشخص شدن نیاز بار مصرفی در روزهای آتی
در شکل ۴-۱۲ نیز قسمتی از سامانه قیمت دهی بازار برق را مشاهده می فرمایید که مربوط به خریداران برق است.
یکی از مهمترین گزارشاتی که از مدیریت بازار برق منتشر می شود، گزارش آرایش تولید می باشد که در شکل ۴-۱۳ یک نمونه از این گزارشات آورده شده است. در واقع این گزارش که بعد از ظهر هر روز در اختیار نیروگاه ها قرار می گیرد، خروجی عملکرد آنها در روز قبل را نشان می دهد.
شکل ۴- ۱۳: گزارش آرایش تولید فروشنده
ستون Dispatchable مربوط به مقدار کل ظزفیتی را که فروشنده جهت شرکت در بازار، ابراز می دارد نشان می دهد. ستون Economic شرایط فروشنده را با توجه به شکل های ۱-۱ و همچنین ۴-۱ به تصویر می کشد که در واقع در نقاطی که ۰(صفر) درج شده، اولین پله قیمت فروشنده بعد از نقطه تسویه بازار قرار داشته است. همچنین ستون Required همین شرایط را با عنایت به رعایت قیود فنی موجود در شبکه برق سراسری اعمال می کند، یعنی نگاهی به موقعیت جغرافیایی نیروگاه، ظرفیت نیروگاه، نوع نیروگاه(گازی، بخاری، سیکل ترکیبی، اتمی و …) و بسیاری از فاکتورهای گفته شده در فصل های قبل، دارد.
نتایج خروجی نرم افزار در یک روز مشخص(قیمت بهینه پیش بینی شده)
شکل ۴- ۱۴: قیمت های بهینه استخراج شده از نرم افزار در روز ۲۷/۰۱/۱۳۹۲ و ثبت آنها در بازار واقعی
خطی که در شکل ۴-۱۴ از همه خطوط پایین تر قرار دارد، میانگین قیمت های ثبت شده در کشور در روز ۲۷/۰۱/۱۳۹۲ می باشد. ده خط بالایی این خط در واقع پله های قیمتی ثبت شده برای یک واحد گازی نیروگاهی مشخص می باشد که از خروجی های نرم افزار نوشته شده در این پایان نامه استفاده کرده است. اینکه پله قیمتی اول حاوی چند مگاوات از ظرفیت این واحد می باشد در این شکل مشخص نیست و این موضوع نیز جزو استراتژی های قیمت دهی برای فروشنده قلمداد می گردد. پاسخ این سوال در شکل ۴-۱۵ داده شده است و ظرفیت هر پله مشخص گردیده است. تمام فرم های نشان داده شده در این بخش فرم های واقعی بازار برق ایران می باشند.
شکل ۴- ۱۵: مقدار ظرفیت مگاواتی پیشنهادی در هر پله فروش برق در روز ۲۷/۰۱/۱۳۹۲
تفسیر و تبیین شکل ۴-۱۶ مهمترین دستاورد این پایان نامه را به روشنی بیان می دارد. این شکل ۱۲ ساعت ابتدایی از آرایش تولید نیروگاه تست شده در روز ۲۷/۰۱/۱۳۹۲ را نشان می دهد.
اگر به خوبی دقت شود، مشاهده می گردد که در ساعات ۵ و ۶ صبح روز تست شده مقادیر برنده شده نیروگاه اعداد ۶.۸ و ۱۳.۶ می باشد در حالی که در شکل ۴-۱۵ نشان داده شده است که نیروگاه مورد نظر بسته های پیشنهادی خود را در مقادیر ۵۵ در پله اول، ۵۷ در پله دوم(بدین معنی که پله دوم، بسته ای ۲ مگاواتی است)، ۶۰ در پله سوم(بدین معنی که پله سوم، بسته ای ۳ مگاواتی است) و الی آخر اعلام کرده است. این موضوع به وضوح نشان می دهد که شما نزدیکترین فروشنده به نقطه تسویه بازار بوده اید و بازار جهت تامین نیاز مصرف اعلام شده خود تنها به ۶.۸ مگاوات در ساعت ۵ بامداد احتیاج داشته است و نوبت نفر بعدی فروشنده به شما رسیده است در غیر اینصورت بازار حق ندارد بسته های پیشنهادی فروشنده را خرد و به میزان دلخواه خود خریداری کند.
نیازی نیست که این اتفاق در ساعات متوالی زیادی رخ دهد و یا حتماً در هر روز، صرف اتفاق افتادن این موضوع در هر بازه مثلاً یک هفته الی ۱۰ روزه نشان خواهد داد که فروشنده در نزدیکی نقطه تسویه بازار اقدام به فروش برق خود کرده است و این یعنی سود حداکثری نیروگاه های تولید کننده و فروشنده برق!
شکل ۴- ۱۶: آرایش تولید نیروگاه تست شده در روز ۲۷/۰۱/۱۳۹۲
همچنین تعدادی از روزهای دیگر نیز که مشابه همین اتفاق برای نیروگاه تست شده مورد نظر، رخ داده است در شکل های ۴-۱۷ و ۴-۱۸ نیز به عنوان سند اعتبار نرم افزار نوشته شده آورده شده است.
در روز ۲۸/۰۱/۱۳۹۲ ، نتایج خروجی از نرم افزار در ساعات ۳، ۴، ۵ و ۶ آخرین قیمت تمام کننده بازار و تعیین کننده نقطه تسویه بازار بوده است. همچنین در شکل ۴-۱۸ که برای روز ۲۹/۰۱/۱۳۹۲ می باشد این موضوع در ساعت ۵ بامداد رخ داده است.
شکل ۴- ۱۷: آرایش تولید نیروگاه تست شده در روز ۲۸/۰۱/۱۳۹۲
شکل ۴- ۱۸: آرایش تولید نیروگاه تست شده در روز ۲۹/۰۱/۱۳۹۲
فصل پنجم
نتایج کلی و ارائه پیشنهادات

نتیجه گیری
در سال های اخیر با توجه به گرایش شدید نسبت به خصوصی سازی در صنعت برق و رویکردهای مثبت همراه با اعمال مصوبات منظم در این خصوص، میل به مشارکت در بازار هایی با سود بیشتر در تولیدکنندگان برق کشور مضاعف گردیده است. با عنایت به ساختار و ساز و کار این بازار ها باید به دنبال شناخت و ارائه طرح های نو به منظور ارضای بخش خصوصی جهت سرمایه گذاری این بخش ها بود لذا پژوهش و ارائه راهکارهای جدید توجیه می شود.
در موضوع خاص بازار برق ایران با توجه به پیچیدگی های ذاتی این بازار و همچنین تلاطم و تغییر و تحول دائمی شبکه برق سراسری، انجام چنین پروژه هایی می تواند بسیار حائز اهمیت باشد.
در این پژوهش سعی بر آن شد تا پس از شناخت زوایای مختلف بازار برق ایران، روح قوانین مبتنی بر علوم مهندسی و منطق این بازار، نرم افزاری نوشته شود تا قیمت بهینه فروش برق را محاسبه کند تا علاوه بر هدف تامین سود حداکثری از شکست و جریمه های احتمالی جلوگیری به عمل بیاورد.
بدین منظور با بهره گیری از ۸۷۶۰ داده مناسب، شبکه عصبی مصنوعی طرح آموزش داده شد. در طرح جدیدی که در این پایان نامه ارائه گردید از چهار جعبه تصمیم گیری و مدل سازی جداگانه که به ترتیب داده های مربوط به یک سال گذشته سیستم، یک ماه گذشته سیستم، یک هفته گذشته سیستم و همچنین داده های مربوط به نزدیکترین بار مصرفی مشابه داده مورد نظر، استفاده شد. همچنین از الگوریتم ژنتیک در دو قسمت مختلف از این مدل سازی و بهینه سازی بهره برده شد. یکی زمان ایجاد معماری شبکه عصبی(با متغیر فرض کردن یک سری از پارامترهای موثر در ساختار از جمله تعداد لایه ها در کل شبکه و تعداد نرون ها در هر لایه و …) و دیگری پس از گرفتن خروجی از چهار جعبه حاوی شبکه عصبی(به طوری که با دادن یک ضریب به نام λ وزن خروجی هر جعبه را مشخص می کند و مجدداً در یک روند بهینه سازی این ضرایب را معین می سازد). علت انجام چندین بار بهینه سازی(حتی طی روند مدل سازی) میزان تاثیر بسیار زیاد خطاهای به ظاهر اندک در خروجی مالی نرم افزار است و این موضوع به مرور زمان(با توجه به ظرفیت تولید و فروش) و مثلاً طی مدت یک هفته یا یک ماه خود را نشان می دهد.
درنهایت نیز خروجی های نرم افزار نوشته شده در بازار واقعی برق ایران و توسط یک نیروگاه سیکل ترکیبی آزمایش گردید که نتایجی فراتر از انتظار پژوهش انجام شده در پی داشت.

پیشنهادات
با عنایت به نتایج بدست آمده پیشنهاد می گردد بازیگران بازار برق در سمت فروشنده از مدل سازی به وسیله شبکه عصبی و از الگوریتم ژنتیک به منظور بهینه سازی مدل های خود استفاده کنند
همچنین پیشنهاد می گردد بازیگران از داده های واقعی آزمایش شده در بازار به منظور آموزش شبکه عصبی خود استفاده نمایند.
نتایج خروجی از این نوع نرم افزار ها و یا نرم افزار های مشابه با هر منطق و الگوریتم دیگر باید خروجی های خود را در بازار واقعی تست کنند و از شرایط واقعی اعمال شده از سوی مدیریت بازار غافل نگردند.
مراجع
[۱] S. C. Anderson, “Analyzing Strategic Interaction in Multi Settlement Electricity Markets: A Closed-Loop Supply Function Equilibrium Model”, PHD Thesis, May 2004.
[۲] B. Williams, ”Electricity Networks and Generation Market Power”, PHD Thesis, January 2004.
[۳] Jodi Cabero, Alvaro Baillo, Santiago Cerisola, “A Medium Term Integrated Risk Management Model for A Hydrothermal Generation Company”. IEEE 2005
[۴] Karl Fraundorfer, Jens Gussow, Georg Ostermaier, “Stochastic Optimization In Dispatching of Complex Power Systems”, Ifu-sg, University Of St.Gallen, Switzerland.