نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشکده حقوق ، مدیریت و اقتصاد ، دانشگاه یوهانس گوتنبرگ ماینتس (JGU) ، ماینتس ، آلمان
2 دانشکده اقتصاد، دانشگاه خوارزمی، تهران، ایران
چکیده
پس از تجدید ساختار بازار برق ایران در سال 2005 ، قیمت برق توسط نیروهای حاکم بر بازار تعیین می‌شود. هدف اصلی این مقاله، ارایه روشی برای مدلسازی و پیش بینی قیمت برق براساس ویژگی‌های پیچیده آن همانند نامانایی، غیرخطی و نوسانات زیاد در ایران طی دوره زمانی بهار 2013 تا زمستان 2018 است. برای دست‌یابی به این هدف، با بهره‌گیری از ابزار تبدیل موجک داده‌های سری زمانی قیمت متوسط موزون روزانه بازار در ابعاد فرکانس – زمان به یک سری تقریبی (فرکانس پایین) و چهار سری جزییات (فرکانس بالا) تجزیه شده است. سری های تجزیه شده توسط مدلهای ARMA و GARCH برآورد و پیش بینی می شود و سپس قیمت برق با بازسازی و ترکیب مقادیر پیش بینی شده حاصل از فرکانس های مختلف به عنوان روش پیشنهادی (Wavelet-ARMA-GARCH) پیش بینی می شود. نتایج حاصل از مدل نشان می‌دهد مدل ارایه شده از قدرت پیش‌بینی بالاتری برخوردار است و قادر است رفتار نوسانی قیمت برق را با لحاظ ابعاد مختلف فرکانس-زمان با دقت بیشتری پیش‌بینی نماید؛ ولی عدم بهره‌گیری از تبدیل موجک منجر به افزایش خطای پیش‌بینی قیمت برق می‌شود.مقادیر میانگین درصد خطای مطلق برای روش پیشنهادی در طی بهار 2017 تا زمستان 2018 به طور قابل توجهی کمتر از روش جایگزین است و روش پیشنهادی می تواند ویژگی های پیچیده قیمت برق را بهتر و با دقت بیشتری تبیین نماید.
کلیدواژه‌ها
موضوعات
Finance and Economics, 6(6), 213-222.
Bento, P., Pombo, J., Calado, M., & Mariano, S. J. A. E. (2018). A bat optimized
neural network and wavelet transform approach for short-term price
forecasting. Applied Energy, 210, 88-97.
Bollerslev, T. J. J. o. e. (1986). Generalized autoregressive conditional
heteroskedasticity. Journal of Econometrics, 31(3), 307-327.
Bourbonnais, R., & Meritet, S. (2007). Electricity spot price modelling:
Univariate time series approach. In The Econometrics of Energy Systems, 51-
74. Springer.
Bowden, N., & Payne, J. E. J. E. E. (2008). Short term forecasting of electricity
prices for MISO hubs: Evidence from ARIMA-EGARCH models. Energy
Economics, 30(6), 3186-3197.
Catalão, J. P. d. S., Mariano, S. J. P. S., Mendes, V., & Ferreira, L. J. E. P. S. R.
(2007). Short-term electricity prices forecasting in a competitive market: A
neural network approach. Electric Power Systems Research, 77(10), 1297-
1304.
Chang, Z., Zhang, Y., & Chen, W. (2019). Electricity price prediction based on
hybrid model of adam optimized LSTM neural network and wavelet
transform. Energy, 187, 115804.
Chen, H., Wan, Q., & Wang, Y. (2014). Refined Diebold-Mariano test methods
for the evaluation of wind power forecasting models. Energies, 7(7), 4185-
4198.
Conejo, A. J., Plazas, M. A., Espinola, R., & Molina, A. B. J. I. t. o. p. s. (2005).
Day-ahead electricity price forecasting using the wavelet transform and
ARIMA models. IEEE Transactions on Power Systems, 20(2), 1035-1042.
Contreras, J., Espinola, R., Nogales, F. J., & Conejo, A. J. J. I. t. o. p. s. (2003).
ARIMA models to predict next-day electricity prices. IEEE Transactions on
Power Systems, 18(3), 1014-1020.
Crowley, P. M. J. J. o. E. S. (2007). A guide to wavelets for economists. Journal
of Economic Surveys, 21(2), 207-267.
De Myttenaere, A., Golden, B., Le Grand, B., & Rossi, F. J. N. (2016). Mean
absolute percentage error for regression models. Neurocomputing, 192, 38-
48.
Dickey, D. A., & Fuller, W. A. J. J. o. t. A. s. a. (1979). Distribution of the
estimators for autoregressive time series with a unit root. Journal of the
American Statistical Association, 74(366a), 427-431.
Engle, R. F. J. E. J. o. t. E. S. (1982). Autoregressive conditional
heteroscedasticity with estimates of the variance of United Kingdom
inflation. Econometrica: Journal of the Econometric Society, 987-1007.
)