پیش بینی قیمت تسویه در بازار برق ایران با استفاده از شبکه های عصبی بازگشتی: یک رویکرد مقایسه ای

پیش‌بینی دقیق قیمت برق نقشی اساسی در فرآیندهای قیمت‌گذاری و برنامه‌ریزی تولید و مصرف ایفا کرده و ضمن کاهش ریسک‌های موجود، زمینه افزایش سود بنگاه‌ها را فراهم می‌سازد. این امر همچنین می‌تواند از پیامدهایی نظیر تعطیلی صنایع، افت تولید و تبعات اجتماعی ناشی از ناپایداری سیستم قدرت و خاموشی‌های احتمالی پیشگیری کند. با این حال، پیش‌بینی قیمت برق به‌دلیل ویژگی‌های متمایز آن از سایر کالاها نظیر فرکانس و نوسانات بالا، الگوهای فصلی و وقوع اوج‌های ناگهانی، فرآیندی دشوار و چالش‌برانگیز است. در میان رویکردهای پیش‌بینی، شبکه‌های عصبی بازگشتی پیشرفته LSTM و GRU به‌دلیل توانایی در مدل‌سازی رفتارهای غیر خطی، پردازش کلان‌داده‌ها و رفع مشکل محوشدگی یا انفجار گرادیان‌ها، گزینه‌ای مناسب برای پیش‌بینی داده‌های ساعتی بازار برق‌ هستند. عملکرد این مدل‌ها به انتخاب زیرمجموعه بهینه ویژگی‌ها و تنظیم دقیق هایپرپارامترها وابسته است. بر این اساس، این مطالعه با هدف پیش‌بینی قیمت روز-بعد در بازار عمده‌فروشی برق ایران، از روش RFECV-XGBoost برای انتخاب ویژگی و روش بهینه‌سازی بیزی مبتنی بر تخمین‌گر پارزن برای تنظیم هایپرپارامترها بهره برده است. دقت پیش‌بینی دو مدل با استفاده از معیار MAPE سنجیده شده و تفاوت معناداری عملکرد آن‌ها از طریق آزمون آماری دیبولد–ماریانو مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهد مدل مبتنی بر GRU نسبت به LSTM از مقدار کمتری MAPE برخوردار است و بر اساس آزمون دیبولد–ماریانو، به‌طور معناداری عملکرد بهتری در کاهش زیان خطا دارد. این برتری می‌تواند تصمیم‌گیری‌های کاراتر و سودآوری بیشتر را در فرآیندهای قیمت‌گذاری و برنامه‌ریزی تولید و مصرف به همراه داشته باشد.

Abstract

Accurate electricity price forecasting plays a pivotal role in reducing market-related risks and, consequently, increasing the profitability of market participants. Moreover, reliable forecasting contributes to enhanced system stability, thereby mitigating the risk of blackouts. However, achieving high forecasting accuracy is challenging due to the unique characteristics of electricity prices, such as high volatility, sudden price surges , and seasonal patterns across different time horizons. To address these challenges, advanced recurrent neural networks (R ), including Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) architectures, are employed. These models are capable of capturing complex nonlinear patterns, efficiently handling big data, and mitigating issues such as exploding and vanishing gradients. However, obtaining the best performance from these models requires optimal feature selection and configuration of hyperparameters. Based on these considerations, this study aims to forecast market clearing price in the Iranian power market using LSTM and GRU models. Relevant input features are selected using Recursive Feature Elimination with Cross-Validation (RFECV) based on XGBoost, and hyperparameters are optimized using Tree-Structured Parzen Estimator (TPE) Bayesian Optimization. A performance comparison based on Mean Absolute Percentage Error (MAPE) indicates that the GRU-based model provides superior forecasting accuracy. Furthermore, the Diebold-Mariano test confirms that the GRU-based model significantly outperforms the LSTM model in terms of reducing forecast loss. This advantage can facilitate more efficient decision-making and improve profitability in pricing and production-consumption planning processes.