fa پیش‌‌بینی کوتاه مدت قیمت تراکم گرهی در یک سیستم قدرت بزرگ تجدید ساختار یافته با استفاده از شبکه‌های عصبی مصنوعی با بهینه‌سازی آموزش ژنتیکی قدرت Power پژوهشي Research <p dir="RTL">در یک بازار برق روزانه، پیش‌بینی قیمت و بار مهمترین سیگنال برای شرکت کنندگان در بازار می‌باشد. در این مقاله از شبکه‌های عصبی پیشرو با بهینه‌سازی آموزش ژنتیکی برای پیش‌بینی قیمت کوتاه مدت تراکم گرهی برق در نواحی مختلف یک بازار برق در مقیاس وسیع استفاده شده است. اطلاعات لازم برای پایگاه داده شبکه عصبی از حل معادلات پخش بار بهینه سیستم قدرت با در نظر گرفتن کلیه عوامل موثر، برای تغییرات بار سیستم در هر ساعت از روز در مدت یک ماه حل شده است. ساختار شبکه عصبی دارای دو سیگنال ورودی توان اکتیو و راکتیو هر شین در هر ساعت از مدل برنامه‌ریزی می‌باشد. این دو سیگنال همواره در سیستم قدرت قابل دسترس می‌باشند. در این مطالعه از سیستم 118 باسه <span dir="LTR">IEEE</span> برای بررسی صحت روش پیشنهادی استفاده شده است. این شبکه به 3 ناحیه تقسیم شده و برای هر ناحیه از یک شبکه عصبی با آموزش بهینه ژنتیکی استفاده شده است. نتایج حاصله بیانگر توانایی این روش برای پیش‌بینی قیمت در یک بازار برق بزرگ با خطای نسبتاً کم و قابل قبول خصوصاً در نقاط جهش قیمت دارد.</p> <p dir="RTL"></p> <p>In a daily power market, price and load forecasting is the most important signal for the market participants. In this paper, an accurate feed-forward neural network model with a genetic optimization levenberg-marquardt back propagation (LMBP) training algorithm is employed for short-term nodal congestion price forecasting in different zones of a large-scale power market. The use of genetic algorithms for neural network training optimization has had a remarkable effect on the accuracy of price forecasting in a large-scale power market. The necessary data for neural network training are obtained by solving optimal power flow equations that take into account all effective constraints at any hour of the day in a single month. The structure of the neural network has two input signals of active and reactive powers for every load busbar in every hour of the programming model. These two signals are always available. In this study, an IEEE 118-bus power system is to test the proposed method authenticity. This system is divided into three zones, and a neural network with a genetic algorithm training optimization is employed for every zone. Simulation results show the ability of the proposed method in forecasting the nodal congestion price and its severity in a large-scale power market with a rather low and acceptable error, especially at points of price spikes. &nbsp;</p> <p></p> <p></p> پیش‌بینی قیمت- قیمت تراکم گرهی - شبکه‌های عصبی مصنوعی – الگوریتم ژنتیک. Price Forecasting, Nodal Congestion Price, Artificial Neural Network, Genetic Algorithm. 37 48 http://jiaeee.com/browse.php?a_code=A-10-1-101&slc_lang=fa&sid=1 R. Hooshmand رحمت‌الله هوشمند 1003194753284600386 1003194753284600386 Yes M. Moazzami مجید معظمی 1003194753284600387 1003194753284600387 No