دوره تشخیص تبانی و پنهان‌سازی ظرفیت در بازارهای برق عمده‌فروشی با استفاده از یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص تبانی و پنهان‌سازی ظرفیت در بازارهای برق عمده‌فروشی با استفاده از یادگیری ماشین

موضوع کلی: بازار برق و مقررات‌گذاری

موضوع میانی: تشخیص تقلب و دستکاری در بازارهای برق

📋 سرفصل‌های دوره

• 1. در ادامه 100 سرفصل برای دوره آموزشی مورد نظر ارائه شده است:
• 2. مقدمه‌ای بر بازارهای برق عمده‌فروشی
• 3. ساختار و بازیگران اصلی بازار برق مدرن
• 4. تاریخچه و دلایل مقررات‌زدایی در صنعت برق
• 5. انواع بازار برق: روز-قبل، حین-عمل، آنی و کمکی
• 6. مکانیسم‌های مزایده و قیمت‌گذاری در بازار برق
• 7. مفاهیم عرضه و تقاضا در سیستم‌های قدرت
• 8. نقش اپراتور سیستم مستقل (ISO/RTO)
• 9. محدودیت‌های شبکه و مدیریت تراکم
• 10. خدمات جانبی و اهمیت آنها در پایداری شبکه
• 11. مفهوم قیمت‌گذاری حاشیه‌ای منطقه‌ای (LMP)
• 12. قدرت بازار و شاخص‌های آن در بازار برق
• 13. کارایی و بهره‌وری اقتصادی در بازارهای برق
• 14. مقدمه‌ای بر دستکاری بازار و اهمیت تشخیص آن
• 15. پیامدهای دستکاری بازار بر قیمت و رفاه اجتماعی
• 16. چارچوب‌های قانونی و مقرراتی حاکم بر بازارهای برق
• 17. تعریف تبانی در بازارهای رقابتی
• 18. تمایز تبانی صریح و ضمنی
• 19. استراتژی‌های رایج تبانی در بازار برق
• 20. نشانه‌های اقتصادی و رفتاری تبانی
• 21. تعریف پنهان‌سازی ظرفیت (Capacity Withholding)
• 22. پنهان‌سازی ظرفیت فیزیکی و مکانیسم‌های آن
• 23. پنهان‌سازی ظرفیت اقتصادی و روش‌های آن (افزایش ساختگی هزینه)
• 24. رابطه بین پنهان‌سازی ظرفیت و قدرت بازار
• 25. تأثیر پنهان‌سازی ظرفیت بر قیمت‌ها و حاشیه سود
• 26. تأثیر تبانی و پنهان‌سازی ظرفیت بر اطمینان سیستم
• 27. بررسی موردی حوادث دستکاری بازار در جهان
• 28. رویکردهای تحلیلی برای درک رفتار تبانی (نظریه بازی‌ها)
• 29. چالش‌های اثبات تبانی و پنهان‌سازی ظرفیت
• 30. ابزارهای نظارتی و مقرراتی برای جلوگیری از دستکاری
• 31. تحلیل آسیب‌پذیری بازارهای برق در برابر دستکاری
• 32. اهمیت داده‌ها در تشخیص دستکاری بازار
• 33. انواع داده‌های موجود در بازارهای برق عمده‌فروشی
• 34. داده‌های پیشنهادات عرضه و تقاضا (Bid Data)
• 35. داده‌های تولید واقعی و مصرف (Load Data)
• 36. داده‌های قیمت‌های بازار (روز-قبل، آنی، خدمات جانبی)
• 37. داده‌های مربوط به وضعیت و محدودیت‌های شبکه
• 38. داده‌های مربوط به شرایط آب و هوایی و پیش‌بینی‌ها
• 39. داده‌های اطلاعاتی شرکت‌کنندگان (هزینه‌ها، ظرفیت‌ها)
• 40. چالش‌های جمع‌آوری، ذخیره‌سازی و یکپارچه‌سازی داده‌ها
• 41. پیش‌پردازش داده‌ها: پاک‌سازی و رفع خطاهای رایج
• 42. مدیریت داده‌های پرت (Outliers) و از دست رفته (Missing Values)
• 43. نرمال‌سازی و استانداردسازی داده‌ها
• 44. مهندسی ویژگی (Feature Engineering) چیست و چرا مهم است؟
• 45. ویژگی‌های مبتنی بر الگوهای تاریخی قیمت و حجم
• 46. ویژگی‌های مبتنی بر انحراف از میانگین یا روند
• 47. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
• 48. تفاوت بین یادگیری نظارت‌شده، بدون نظارت و نیمه‌نظارت‌شده
• 49. وظایف رده‌بندی (Classification) و رگرسیون (Regression)
• 50. مفهوم تشخیص ناهنجاری (Anomaly Detection)
• 51. مراحل اصلی یک پروژه یادگیری ماشین
• 52. تقسیم داده به مجموعه‌های آموزش، اعتبارسنجی و آزمون
• 53. مفهوم اعتبارسنجی متقابل (Cross-Validation)
• 54. معیارهای ارزیابی مدل‌های رده‌بندی: دقت، فراخوانی، F1-Score
• 55. منحنی ROC و مساحت زیر منحنی (AUC)
• 56. معیارهای ارزیابی مدل‌های رگرسیون: MSE, RMSE, MAE
• 57. معرفی رگرسیون لجستیک و کاربرد آن در رده‌بندی
• 58. معرفی ماشین‌های بردار پشتیبان (SVM)
• 59. معرفی درختان تصمیم (Decision Trees)
• 60. معرفی جنگل‌های تصادفی (Random Forests) و مدل‌های مبتنی بر درخت
• 61. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق
• 62. مهندسی ویژگی تخصصی برای تشخیص تبانی
• 63. مهندسی ویژگی تخصصی برای تشخیص پنهان‌سازی ظرفیت
• 64. ویژگی‌های مربوط به رفتار بیدینگ غیرمعمول
• 65. ویژگی‌های مربوط به ظرفیت‌های اعلامی و تولید واقعی
• 66. ویژگی‌های مربوط به قدرت بازار محلی و تأثیر آن
• 67. ویژگی‌های مبتنی بر هزینه تولید و سودآوری
• 68. ویژگی‌های مربوط به همبستگی رفتار بین شرکت‌کنندگان
• 69. تحلیل سری‌های زمانی برای شناسایی الگوهای مشکوک
• 70. تشخیص تبانی با استفاده از مدل‌های رده‌بندی
• 71. تشخیص پنهان‌سازی ظرفیت با استفاده از مدل‌های رده‌بندی
• 72. کاربرد الگوریتم‌های تشخیص ناهنجاری (One-Class SVM, Isolation Forest)
• 73. استفاده از مدل‌های خوشه‌بندی (K-Means, DBSCAN) برای کشف گروه‌های تبانی
• 74. بکارگیری شبکه‌های عصبی بازگشتی (RNN) برای تحلیل سری‌های زمانی
• 75. بکارگیری شبکه‌های عصبی پیچشی (CNN) برای الگوهای فضایی-زمانی
• 76. مدل‌های ترکیبی (Ensemble Models) برای بهبود عملکرد تشخیص
• 77. چالش عدم توازن کلاس‌ها (Class Imbalance) در داده‌های دستکاری
• 78. تکنیک‌های مقابله با عدم توازن کلاس‌ها (SMOTE, Undersampling)
• 79. انتخاب مدل بهینه و تنظیم ابرپارامترها (Hyperparameter Tuning)
• 80. اعتباردهی و تفسیر نتایج مدل‌های یادگیری ماشین
• 81. ارزیابی عملیاتی و پایداری مدل در طول زمان
• 82. قابلیت تفسیرپذیری مدل‌های یادگیری ماشین (Explainable AI - XAI)
• 83. استفاده از SHAP و LIME برای درک تصمیمات مدل
• 84. شناسایی بازیگران کلیدی در دستکاری با XAI
• 85. پیاده‌سازی سیستم‌های هشدار اولیه مبتنی بر ML
• 86. کاربرد یادگیری نیمه‌نظارت شده در شناسایی دستکاری‌های جدید
• 87. مطالعه موردی: تشخیص پنهان‌سازی ظرفیت در بازارهای برق کالیفرنیا
• 88. مطالعه موردی: تحلیل الگوهای تبانی در بازار ERCOT
• 89. شبیه‌سازی بازار برق برای تولید داده‌های دستکاری
• 90. اعتبارسنجی مدل‌ها در محیط‌های شبیه‌سازی‌شده
• 91. چالش‌های پیاده‌سازی عملی سیستم‌های ML در اتاق‌های کنترل
• 92. ملاحظات اخلاقی در استفاده از هوش مصنوعی برای مقررات‌گذاری
• 93. جنبه‌های امنیتی و حریم خصوصی داده‌ها در سیستم‌های ML
• 94. همکاری بین مهندسان برق، دانشمندان داده و رگولاتورها
• 95. نقش مقررات‌گذاری تطبیقی (Adaptive Regulation)
• 96. استفاده از یادگیری تقویتی در بهینه‌سازی سیاست‌های مقررات‌گذاری
• 97. مروری بر تحقیقات و مقالات اخیر در این حوزه
• 98. فرصت‌ها و چالش‌های آینده در تشخیص دستکاری بازار
• 99. پتانسیل بلاکچین برای افزایش شفافیت و اعتماد در بازار برق
• 100. نقش هوش مصنوعی در آینده بازارهای برق هوشمند