fa یک روش ترکیبی برای پیش ‌بینی احتمالاتی میان-مدت قیمت برق با استفاده از یادگیری عمیق قدرت Power پژوهشي Research <div style="text-align: justify;"><span dir="RTL">با تجدید &rlm;ساختار در سیستم&rlm;های قدرت، پیش&rlm;بینی قیمت برق برای مدیریت بازار برق بسیار مهم شده است و نقش کلیدی در عملیات در بازار برق و شبکه&rlm;های هوشمند ایفا می&rlm;کند. در این مقاله یک روش ترکیبی برای پیش&rlm;بینی احتمالاتی قیمت برق پیشنهاد می&rlm;شود. در این روش ماتریس ویژگی&rlm;ها با استفاده از روش تحلیل اجزای همسایگی استخراج می&rlm;شود و از مجموعه&rlm;های هدف که شامل مقادیر مشاهده شده قیمت برق است، بخش ثابت یا به عبارتی بخش فصلی آن جدا می&rlm;شود. پس از آماده شدن داده&rlm;های آموزش، این مجموعه به دو زیرمجموعه&rlm; آموزش و اعتبارسنجی تقسیم می&rlm;شود. پس از آن با استفاده از شبکه حافظه کوتاه-مدت بلند با سه لایه مخفی و با استفاده از روش آموزش ترتیبی مدل پیش&rlm;بینی آموزش داده می&rlm;شود و در دو مرحله آموزش و اعتبارسنجی مورد آزمایش قرار می&rlm;گیرد. نتایج به دست آمده نشان می&rlm;دهد روش ترکیبی پیشنهادی در این مقاله موجب کاهش خطای پیش&rlm;بینی&rlm;های نقطه&rlm;ای می&rlm;شود. بهترین نتیجه به دست آمده مربوط به مدل </span><strong>Winsorized</strong><span dir="RTL">&nbsp; با میانگین مطلق درصد خطا برابر با 2009/9 است که کاهش خطا به میزان 633/9 درصد نسبت به روش ارائه شده جهت مقایسه را نشان می&rlm;دهد. نتایج به دست آمده نشان می&rlm;دهد روش پیشنهادی برای پیش&rlm;بینی قیمت برق روش کارامدی است و می&rlm;توان از آن برای پیش&rlm;بینی میان-مدت قیمت برق بهره گرفت.</span></div> <div style="text-align: justify;">With deregulation of modern power systems, electricity market price forecasting become more and more important in managing electricity market which plays a key role in practical operation of electricity market and smart grids. In this paper, a hybrid approach is proposed for probabilistic mid-term electricity price forecasting. In proposed method, feature matrix is extracted using neighborhood component analysis while the seasonality of observed electricity prices is decomposed. After preparation of training dataset, each subset divided to training and validation subsets. Afterwards, using each training data subset and by utilizing a long short-term memory network configuration with three hidden layers, a prediction model will be trained and will be tested with training and validation data sets. The simulation results show that proposed hybrid method caused a decrease in the point forecasting error. Error reduction results to a decrease in final error of combined model and the best MAPE is related to Winsorized model with value of 9.2009 which shows a reduction in MAPE equal to 9.633 percent compared with the method presented for comparison. The results show that the proposed method for electricity price forecasting is an efficient method and can be used for mid-term probabilistic electricity price forecasting.</div> تحلیل اجزای همسایگی, جداسازی فصلی, پیش‌بینی احتمالاتی, شبکه حافظه کوتاه- مدت بلند, آموزش ترتیبی, ترکیب پیش‌بینی, تابع چگالی پیش‌‌بینی. Neighborhood component analysis, Seasonal decomposition, Probabilistic forecasting, Long short-term memory network, Sequence training, Prediction combination, Probability density function. 123 132 http://jiaeee.com/browse.php?a_code=A-10-412-3&slc_lang=fa&sid=1 Mohammad Sadegh Sohrabi محمدصادق سهرابی msadeghsohrabi63@gmail.com 100319475328460011455 100319475328460011455 No Department of Electrical Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran دانشکده مهندسی برق، واحد نجف‌آباد، دانشگاه آزاد اسلامی Majid Moazzami مجید معظمی m_moazzami@pel.iaun.ac.ir 100319475328460011456 100319475328460011456 Yes Department of Electrical Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran مرکز تحقیقات ریزشبکه‌های هوشمند- واحد نجف‌آباد- دانشگاه آزاد اسلامی