دسترسی منصفانه به شبکه
یکی از ویژگی های هر بازار رقابت کامل امکان ورود و خروج فعالان به این بازار است.در صنعت برق این موضوع باید با تهیه دستورالعمل معینی برای دسترسی بیطرفانه علاقمندان به شبکه دنبال شود. زیرا عدم تهیه یک دستورالعمل منسجم می تواند به ایجاد تبعیض میان فعالان صنعت منتهی گردد.

تعرفه های استفاده از خدمات انتقال و توزیع
تدوین تعرفه های استفاده از خدمات انتقال و توزیع می تواند باعث شفاف شدن مبادلات شده و تولیدکنندگان و عرضه کنندگان می دانند در صورت استفاده از بخشهای انتقال و توزیع برای جابجایی انرژی و قدرت مورد نیاز چه مبلغی باید به شبکه بپردازند.این موضوع در تصمیم گیری خریداران برای انتخاب فروشنده برق بسیار حائز اهمیت است.

بازبینی مستمر بر عملکرد بازار
طبیعی است در صورتی که مکانیزم بازار به طور مستقیم و دقیق دنبال نشود تشخیص یک مشکل تنها می تواند پس از فروپاشی بازار صورت گیرد.
البته نکات دیگری را نیز می توان ذکر کرد که مواد فوق از اهم آنها انتخاب شده اند.
فصل دوم
مدل سازی با بهره گرفتن از شبکه عصبی

معرفی شبکه عصبی مصنوعی^[۴]
قدرت و سرعت کامپیوترهای امروزی به راستی شگفت­انگیز است؛ زیرا کامپیوترهای قدرتمند می‌توانند میلیون‌ها عملیات را در کمتر از یک ثانیه انجام دهند. شاید آرزوی بسیاری از ما انسان‌ها این باشد که ای کاش می‌شد ما نیز مانند این دستگاه‌ها کارهای خود را با آن سرعت انجام می‌دادیم، ولی این نکته را نباید نادیده بگیریم که کارهایی هستند که ما می‌توانیم آن‌ها را به آسانی و در کمترین زمان ممکن انجام دهیم، ولی قوی‌ترین کامپیوترهای امروزی نیز نمی‌توانند آن‌ها را انجام دهند و آن قدرت تفکری است که مغز ما انسان‌ها دارد. حال تصور کنید که دستگاهی وجود داشته باشد که علا‌وه بر قدرت محاسبه و انجام کارهای فراوان در مدت زمان کوتاه، قدرت تفکر نیز داشته باشد یا به قول معروف هوشمند باشد­! این تصور در حقیقت هدف فناوری هوش مصنوعی^[۵] یا به اختصار AI است[۱۴].
یکی از راه‌ حل ‌های تحقق این هدف، شبکه‌های عصبی است. شبکه‌های عصبی در واقع از شبکه‌های عصبی و سیستم عصبی انسان الگوبرداری می‌کنند. برخی از محققان براین باورند که هوش مصنوعی و شبکه‌های عصبی دو راه‌حل متفاوت و در دو جهت مختلف هستند، ولی این باور را نمی‌توان کاملاً صحیح دانست؛ چرا که در حقیقت علم شبکه‌های عصبی و هوش‌مصنوعی وابسته به هم هستند. بدین‌معنا که قبل از این‌که Symbolها بتوانند توسط هوش مصنوعی شناسایی شوند، باید مراحلی طی شود. مثلاً تصور کنید که ­Symbol هایی مانند خانه، انسان یا میز وجود دارند. قبل از این که AI بتواند هر کدام از این Symbol ها را شناسایی کند، باید از توانایی‌ها و صفات هر کدام از این‌ها اطلاع کامل حاصل کند. مثلاً تصور کنید که یک روبات که هوش مصنوعی دارد، یک انسان را می‌بیند، ولی از کجا می‌فهمد که این جسم یک انسان است؟ مثلاً بر اساس مشخصاتی مثل داشتن دو پا، دست، صورت، دهان و قدرت تکلم. اما شما وقتی یک انسان دیگر را می‌بینید، نیازی ندارید که اول تعداد پاهای او را بشمارید و بعد بگویید که این جسم، انسان است. مغز انسان‌ها می‌تواند با دیدن یک جسم فقط برای یک بار یاد بگیرد و اگر مجدداً آن جسم را مشاهده کرد، می‌تواند سریع تشخیص دهد و قسمت‌های مختلف مغز می‌توانند به صورت همزمان فعالیت کنند و از اطلاعات درون مغز استفاده نمایند. شبکه‌های عصبی در بسیاری از پروژه‌های هوش مصنوعی به کار گرفته می‌شود. مثلاً برای برنامه‌های تشخیص و الگوبرداری، شناسایی تصویر و کاراکتر، روبات‌ها و برنامه‌های فیلترینگ اطلاعات. این شبکه‌ها امروزه حتی در اتومبیل‌های بی‌سرنشین نیز کاربرد دارد. به طوری‌که با دیدن و بررسی رانندگی انسان‌ها، می‌توانند رانندگی کنند.
شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند. کامپیوتر های معمولی یک مسیر الگوریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستور العمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد شناخته شده باشند، کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را به مسائلی محدود می کند که ما قادر به درک آنها هستیم و می دانیم چگونه حل می شوند. اما اگر کامپیوتر ها می توانستند کار هایی را انجام دهند که ما دقیقا نمی دانیم چگونه انجام دهیم، خیلی پر فایده تر بودند.
شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند. آنها از تعداد زیادی از عناصر پردازشی(سلول عصبی) که فوق العاده بهم پیوسته اند تشکیل شده است که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند. شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد. مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این، شبکه ممکن است نادرست کار کند. امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند، عملکرد آن غیر قابل پیش گویی است.
از طرف دیگر کامپیوتر های معمولی از یک مسیر مشخص برای حل یک مسئله استفاده می کنند. راه حلی که مسئله از آن طریق حل می شود باید از قبل شناخته شود و به صورت دستورات کوتاه و غیر مبهمی شرح داده شود. این دستورات سپس به زبان های برنامه نویسی سطح بالا برگردانده می شود و بعد از آن به کدهایی که کامپیوتر قادر به درک آنها است تبدیل می شود. به طور کلی این ماشین ها قابل پیش گویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد.
شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت نیستند بلکه کامل کننده یکدیگرند. وظایفی وجود دارد که بیشتر مناسب روش های الگوریتمی هستند نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند. حتی فراتر از این، مسائلی وجود دارد که نیازمند به سیستمی است که از ترکیب هر دو روش بدست می آید(به طور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می شوند) به این قصد که بیشترین کارایی بدست آید.
شبکه های عصبی معجزه نمی کنند اما اگر خردمندانه به کار گرفته شوند نتایج شگفت آوری را خلق می کنند.

سابقه تاریخی
به نظر می ­آید شبیه­سازی­های شبکه عصبی یکی از پیشرفت­های اخیر باشد­. اگرچه این موضوع پیش از ظهور کامپیوتر­ها بنیان­گذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است.
خیلی از پیشرفت­های مهم با تقلید­ها و شبیه­سازی­های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه­، یک دوره­ بی­میلی و بدنامی را هم پشت سر­گذاشته است­. در طول این دوره سرمایه گذاری و پشتیبانی حرفه­ای از این موضوع در پایین­ترین حد خود بود­، پیشرفت­های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد­کننده ­ای بپردازند که خیلی برجسته­تر از محدودیت­هایی بود که توسط Minsky و Papert شناسانده شد. Minsky وPapert کتابی را در سال ۱۹۶۹ منتشر کردند که در آن عقیده عمومی راجع ­به میزان محرومیت شبکه ­های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزبه و تحلیل­های بیشتر پذیرفته شد. هم­اکنون­، زمینه تحقیق شبکه ­های عصبی از تجدید حیات علایق و متناظر با آن افزایش سرمایه ­گذاری لذت می­برد.
اولین سلول عصبی مصنوعی در سال ۱۹۴۳ به­وسیله یک neurophysiologist به نامWarren McCulloch و یک منطق دان به نام Walter Pits ساخته شد­ اما محدودیت­های تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد.

ساختار شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی جز آن دسته از سیستمهای دینامیکی قرار دارند که با پردازش روی داده ­های تجربی، دانش یا قانون نهفته در ورای داده ­ها را به ساختار شبکه منتقل می­ کنند. به همین خاطر به این سیستمها هوشمند می­گویند، چرا که بر اساس محاسبات روی داده ­های عددی یا مثالها، قوانین کلی را یاد می گیرند. برای نخستین بار شخصی به نام سگال­ اعلام کرد که مغز از عناصر اصلی ساختاری به نام نرون­­­ تشکیل شده است و هر نرون بیولوژیکی به عنوان اجتماعی از مواد آلی، اگر چه دارای پیچیدگی یک میکروپروسسور است، ولی دارای سرعت محاسباتی برابر با یک میکروپروسسو­ر نیست­. دانشمندان علم بیولوژی دریافته­اند که­ عملکرد نرون­های بیولوژیکی از قبیل ذخیره­سازی و حفظ اطلاعات، در خود نرون­ها و ارتباطات بین نرون­ها نهفته است. گرچه همه نرون­ها کارکرد یکسانی دارند، ولی اندازه و شکل آن­ها بستگی به محل استقرارشان در سیستم عصبی دارد.
با وجود این همه تنوع، بیشتر نرون­ها از سه قسمت اساسی تشکیل شده ­اند:
بدنه سلول (که شامل هسته و قسمت های حفاظتی دیگر است)
دندریت
اکسون
دو قسمت آخر، عناصر ارتباطی نرون را تشکیل می دهند. شکل ۲-۱ ساختمان سلول عصبی را نشان می­ دهند.
شکل ۲- ۱: ساختمان سلول عصبی
نرون ها بر اساس ساختارهایی که بین آن­ها پیام­ها هدایت می­شوند به سه دسته تقسیم می­گردند:
نرون­های حسی که اطلاعات را از ارگان­های حسی به مغز و نخاع می فرستند.
نرون­های محرک که سیگنال­های فرمان را از مغز و نخاع به ماهیچه­ها و غدد هدایت می­ کنند.
نرون­های ارتباطی که نرون­ها را به هم متصل می­ کنند.
روابط بین نرون­های ارتباطی موجبات انجام کارهای پیچیده را از قبیل تفکر، احساسات، ادراک و محفوظات فراهم می ­آورد. با توجه به مقدمات فوق، می­توان گفت که با تمام اغراق­ها در مورد شبکه ­های عصبی مصنوعی، این شبکه­ ها اصلا سعی در حفظ پیچیدگی مغز ندارند. از جمله شباهت این دو سیستم می­توان به موارد زیر اشاره نمود:
بلوک­های ساختاری در هر دو شبکه مصنوعی و بیولوژیکی، دستگاه­های محاسباتی خیلی ساده هستند و علاوه بر این، نرون­های مصنوعی از سادگی بیشتری برخوردار هستند.
ارتباط­های بین نرون­ها، عملکرد شبکه را تعیین می­ کند اگر چه نرون­های بیولوژیکی از نرون­های مصنوعی که توسط مدارهای الکتریکی ساخته می­شوند، بسیار کندتر هستند(یک میلیون بار)، اما عملکرد مغز، خیلی سریعتر از عملکرد یک کامپیوتر معمولی است­. علت این پدیده بیشتر به خاطر ساختار کاملا موازی نرون­ها است و این یعنی همه نرون­ها معمولا به طور همزمان کار می­ کنند و پاسخ می­ دهند.
شبکه ­های عصبی مصنوعی هم دارای ساختار کاملا موازی هستند­. اگر­چه بیشتر شبکه ­های عصبی مصنوعی هم اکنون توسط کامپیوتر­های سریع پیاده­سازی می­شوند، اما ساختار موازی شبکه ­های عصبی، این امکان را فراهم می ­آورد که به طور سخت­افزاری، توسط پردازشگرهای موازی، سیستم­های نوری و تکنولوژی پیاده سازی شوند.
شبکه ­های عصبی مصنوعی با وجود این که با سیستم عصبی طبیعی قابل مقایسه نیستند ویژگی­هایی دارند که آن­ها را در بعضی از کاربردها مانند تفکیک الگو، رباتیک، کنترل و به طور کلی در هرجا که نیاز به یادگیری یک نگاشت خطی و یا غیرخطی باشد، ممتاز می­نماید. این ویژگی ها به شرح زیر هستند:
قابلیت یادگیری: استخراج نتایج تحلیلی از یک نگاشت غیر­خطی که با چند مثال مشخص شده، کار ساده­ای نیست­. زیرا نرون یک دستگاه غیر­خطی است و در نتیجه یک شبکه عصبی که از اجتماع این نرون­ها تشکیل می­ شود نیز یک سیستم کاملا پیچیده و غیر­خطی خواهد بود. به­علاوه، خاصیت غیر­خطی عناصر پردازش، در کل شبکه توزیع می­گردد­. پیاده­سازی این نتایج با یک الگوریتم معمو­لی و بدون قابلیت یادگیری، نیاز به دقت و مراقبت زیادی دارد­. در چنین حالتی سیستمی که بتواند خود این رابطه را استخراج کند، بسیار سودمند به­نظر می­رسد­. خصوصا افزودن مثال­های احتمالی در آینده به یک سیستم با قابلیت یادگیری، به مراتب آسان­تر از انجام آن در یک سیستم بدون چنین قابلیتی است، چرا­که در سیستم اخیر، افزودن یک مثال جدید به منزله تعویض کلیه کارهای انجام شده قبلی است. قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه(وزن­های سیناپتیکی) در مسیر زمان که محیط شبکه تغییر می­ کند و شبکه شرایط جدید را تجربه می­ کند، با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی آن(وضعیت خاص) رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کارآمد باشد.
پراکندگی پردازش اطلاعات به­ صورت متن: آنچه شبکه فرا می­گیرد(اطلاعات یا دانش­) ­در وزن­های سیناپسی مستتر می­باشد­. رابطه یک­به­یک بین ورودی­ ها و وزن­های سیناپتیکی وجود ندارد­. می­توان گفت که هر وزن سیناپسی مربوط ­به همه ورودی­ ها است ولی به هیچ­یک از آن­ها به طور منفرد و مجزا مربوط نیست­. به­عبارت دیگر هر نرون در شبکه، از کل فعالیت سایر نرون­ها متاثر است­. در نتیجه، اطلاعات به­ صورت متن توسط شبکه ­های عصبی پردازش می­شوند­. بر این اساس چنانچه بخشی از سلول­های شبکه حذف شوند و یا عملکرد غلط داشته باشند باز هم احتمال رسیدن به پاسخ صحیح وجود دارد­. اگر چه این احتمال برای تمام ورودی­ ها کاهش یافته ولی برای هیچ یک از بین نرفته است.