اپلیکیشن اندرویدی فلش‌کارت آموزشی پیش‌بینی پیشرفته قیمت سیستم برق: از شناسایی محرک‌ها تا ترکیب بهینه مدل‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی پیشرفته قیمت سیستم برق: از شناسایی محرک‌ها تا ترکیب بهینه مدل‌ها

موضوع کلی: پیش‌بینی و تحلیل در بازارهای انرژی

موضوع میانی: مدل‌سازی و پیش‌بینی قیمت در بازارهای برق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بازارهای انرژی و برق
• 2. اهمیت پیش‌بینی قیمت برق برای فعالان بازار
• 3. ویژگی‌های منحصربه‌فرد قیمت برق: نوسانات شدید، میانگین بازگشتی و فصلی بودن
• 4. آشنایی با بازار برق نوردیک (Nord Pool) به عنوان مطالعه موردی
• 5. ساختار بازار روز-پیش رو (Day-Ahead) و درون-روزی (Intra-day)
• 6. مفهوم قیمت سیستمی (System Price) و قیمت‌های منطقه‌ای (Area Prices)
• 7. عوامل کلیدی موثر بر قیمت برق: عرضه، تقاضا و زیرساخت شبکه
• 8. معرفی چارچوب کلی دوره: از داده تا مدل نهایی
• 9. مروری بر مقاله الهام‌بخش و اهداف آن
• 10. ابزارها و نرم‌افزارهای مورد نیاز دوره (پایتون، کتابخانه‌های مرتبط)
• 11. شناسایی محرک‌های بنیادی (Fundamental Drivers) قیمت برق
• 12. محرک‌های سمت تقاضا: دما، روزهای هفته و تعطیلات
• 13. محرک‌های سمت عرضه: تولید برق‌آبی و سطح مخازن
• 14. محرک‌های سمت عرضه: تولید برق بادی و خورشیدی
• 15. محرک‌های سمت عرضه: تولید برق هسته‌ای و حرارتی
• 16. تاثیر قیمت سوخت (گاز، زغال‌سنگ) و قیمت کربن (CO2)
• 17. نقش تبادلات بین‌منطقه‌ای (Interconnections) در تعیین قیمت
• 18. منابع داده: Nord Pool, ENTSO-E و داده‌های هواشناسی
• 19. جمع‌آوری و تجمیع داده‌های سری زمانی از منابع مختلف
• 20. پاک‌سازی و پیش‌پردازش داده‌ها: مدیریت داده‌های پرت (Outliers)
• 21. مدیریت داده‌های گمشده (Missing Values) در سری‌های زمانی
• 22. مهندسی ویژگی (Feature Engineering): ایجاد متغیرهای تاخیری (Lagged Variables)
• 23. ایجاد متغیرهای تقویمی (روز هفته، ماه، فصل)
• 24. ایجاد ویژگی‌های مبتنی بر پنجره‌های متحرک (Rolling Window Features)
• 25. بصری‌سازی داده‌ها برای درک الگوهای فصلی و روندها
• 26. تحلیل همبستگی بین محرک‌ها و قیمت برق
• 27. مفهوم ایستایی (Stationarity) در سری‌های زمانی
• 28. آزمون‌های ایستایی: آزمون دیکی-فولر تعمیم‌یافته (ADF)
• 29. تبدیلات داده برای دستیابی به ایستایی: تفاضل‌گیری (Differencing)
• 30. مقدمه‌ای بر مدل‌سازی سری‌های زمانی
• 31. مدل‌های اتورگرسیو (AR) و میانگین متحرک (MA)
• 32. مدل ARIMA و SARIMA برای داده‌های فصلی
• 33. رگرسیون خطی چندگانه برای پیش‌بینی قیمت
• 34. چالش هم‌خطی چندگانه (Multicollinearity) در میان محرک‌ها
• 35. پیامدهای هم‌خطی چندگانه: واریانس بالا و ضرایب ناپایدار
• 36. پدیده نفرین ابعاد (Curse of Dimensionality) در مدل‌سازی با محرک‌های زیاد
• 37. محدودیت‌های مدل‌های کلاسیک در بازارهای برق مدرن
• 38. مقدمه‌ای بر تکنیک‌های انتخاب ویژگی (Feature Selection)
• 39. مقدمه‌ای بر تکنیک‌های استخراج ویژگی (Feature Extraction)
• 40. مفهوم کاهش ابعاد (Dimensionality Reduction) و اهمیت آن
• 41. تحلیل مؤلفه‌های اصلی (PCA): مبانی نظری
• 42. هدف PCA: یافتن جهت‌های با بیشترین واریانس
• 43. محاسبه مؤلفه‌های اصلی: گام به گام با ماتریس کوواریانس
• 44. تفسیر مؤلفه‌های اصلی و بارهای عاملی (Factor Loadings)
• 45. چگونگی انتخاب تعداد بهینه مؤلفه‌های اصلی
• 46. نمودار اسکری (Scree Plot) و معیار واریانس تجمعی
• 47. کاربرد PCA برای گروه‌بندی محرک‌های همبسته (مانند دما در مناطق مختلف)
• 48. استفاده از PCA برای استخراج سیگنال از نویز در داده‌های بازار
• 49. محدودیت‌های PCA و فرضیات آن
• 50. محدودیت‌های رگرسیون خطی استاندارد: بیش‌برازش (Overfitting)
• 51. مفهوم جریمه (Penalty) در مدل‌های رگرسیون
• 52. مفهوم بایاس-واریانس (Bias-Variance Tradeoff)
• 53. رگرسیون ستیغی (Ridge Regression): جریمه L2
• 54. تاثیر پارامتر لاندا (λ) در رگرسیون ستیغی
• 55. رگرسیون لاسو (LASSO): جریمه L1 و انتخاب ویژگی خودکار
• 56. مقایسه Ridge و LASSO: چه زمانی از کدام استفاده کنیم؟
• 57. شبکه کشسان (Elastic Net): ترکیبی بهینه از جریمه‌های L1 و L2
• 58. تنظیم فراپارامتر (Hyperparameter Tuning) برای مدل‌های انقباضی
• 59. اعتبارسنجی متقابل (Cross-Validation) برای یافتن لاندا بهینه
• 60. مدل‌های انقباضی به عنوان یک چارچوب انتخاب و کوچک‌سازی
• 61. معرفی چارچوب ترکیبی: PCA و مدل‌های انقباضی
• 62. منطق پشت ترکیب PCA با مدل‌های انقباضی: مدیریت گروه‌های متغیر همبسته
• 63. چارچوب PCA Augmented Selection Shrinkage: معماری و منطق
• 64. گام اول: شناسایی و گروه‌بندی محرک‌های مرتبط
• 65. گام دوم: اعمال PCA بر روی هر گروه از محرک‌ها
• 66. گام سوم: انتخاب مؤلفه‌های اصلی معنی‌دار از هر گروه
• 67. گام چهارم: ایجاد مجموعه داده جدید شامل محرک‌های اصلی و مؤلفه‌های PCA
• 68. گام پنجم: برازش مدل لاسو یا شبکه کشسان بر روی مجموعه داده ترکیبی
• 69. پیاده‌سازی عملی چارچوب پیشنهادی در پایتون
• 70. تفسیر نتایج مدل نهایی: کدام محرک‌ها و مؤلفه‌ها مهم‌ترند؟
• 71. معیارهای ارزیابی پیش‌بینی: خطای میانگین مطلق (MAE)
• 72. معیارهای ارزیابی پیش‌بینی: ریشه میانگین مربعات خطا (RMSE)
• 73. معیارهای ارزیابی پیش‌بینی: خطای درصد میانگین مطلق (MAPE)
• 74. استراتژی‌های پس‌آزمایی (Backtesting) برای مدل‌های سری زمانی
• 75. اعتبارسنجی متقابل پنجره غلتان (Rolling Window Cross-Validation)
• 76. ارزیابی مدل در شرایط مختلف بازار (نوسانات بالا و پایین)
• 77. نمودارهای باقیمانده (Residual Plots) برای تشخیص خطاهای مدل
• 78. آزمون دایبولد-ماریانو (Diebold-Mariano) برای مقایسه دقت پیش‌بینی مدل‌ها
• 79. مفهوم اهمیت آماری در مقایسه عملکرد مدل‌ها
• 80. تحلیل حساسیت مدل نسبت به انتخاب فراپارامترها
• 81. فراتر از مدل‌های خطی: کاربرد یادگیری ماشین (Random Forest, Gradient Boosting)
• 82. مدل‌سازی عدم قطعیت ناشی از انرژی‌های تجدیدپذیر
• 83. پیش‌بینی چگالی احتمال (Probabilistic Forecasting) به جای پیش‌بینی نقطه‌ای
• 84. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN) و LSTM برای پیش‌بینی قیمت
• 85. تاثیر تغییرات قوانین و ساختار بازار بر عملکرد مدل‌ها
• 86. مدل‌سازی رویدادهای حدی و جهش‌های قیمتی (Price Spikes)
• 87. عملیاتی کردن مدل: ملاحظات استقرار و به‌روزرسانی مدل
• 88. اخلاق در مدل‌سازی: شفافیت و تفسیرپذیری مدل‌ها
• 89. جمع‌بندی نهایی و راهنمای پروژه پایانی دوره
• 90. مسیرهای تحقیقاتی آینده در پیش‌بینی قیمت برق