پیش بینی تقاضای بلندمدت انرژی الکتریکی با استفاده از الگوریتم ترکیبیِ عصبی- فازی و انبوه ذرات

Authors

حسین صادقی

hossein sadeghi department of management and economics, tarbiat modares university, tehran, po box 14115-139, iranدانشگاه تربیت مدرس، دانشگاه تربیت مدرس، دانشکده مدیریت و اقتصاد علی اکبر افضلیان

ali akbar afzalian department of electrical and computer engineering, power and water university of technology (pwut), tehran, po box 16765-1719, iranدانشگاه صنعت آب و برق، دانشکده مهندسی الکترونیک و کامپیوتر محمود حقانی

mahmood haghani department of management and economics, power and water university of technology (pwut), tehran, po box 16765-1719, iranدانشگاه صنعت آب و برق، دانشکده مدریت و اقتصاد حسین سهرابی وفا

hossein sohrabi vafa department of management and economics, power and water university of technology (pwut), tehran, po box 16765-1719, iranدانشگاه صنعت آب و برق، دانشکده مدریت و اقتصاد

abstract

با توجه به عدم امکان ذخیره انرژی­الکتریکی ، شناسایی عوامل­موثر بر تقاضای این حامل انرژی و پیش­بینی دقیق روند آتی آن، ضرورت دارد . تاکنون روش­های مختلفی در این زمینه مورد استفاده قرار گرفته است که در میان آن­ها روش­های هوشمند و به­ویژه روش­های فازی، دارای قابلیت­های بیشتری هستند. در مطالعه حاضر از سیستم ­ استنتاج عصبی- فازی ترکیب شده با الگوریتم انبوه­ذرات ( pso  -anfis ) استفاده شده و پس ازشبیه­سازی روند تقاضای بلند­مدت انرژی­الکتریکی طی دورۀ 1359 تا 1389 و بررسی کارایی سیستم، روند تقاضای بلندمدت انرژی­الکتریکی کل کشور تا سال 1404 پیش­بینی شده است. نتایج مطالعه، قدرت بالای الگوریتم ترکیبی انبوه ذرات و سیستم استنتاج عصبی- فازی تطبیقی را در پیش­بینی تقاضای بلندمدت انرژی­الکتریکی تایید می­کند. نتایج نشان می ­ دهد که براساس محتمل­ترین سناریو، تقاضای انرژی­الکتریکی کشور در سال 1404 به 401 میلیارد کیلووات ساعت خواهد رسید . همچنین ، براساس نتایج بدست آمده، کارایی روش پیشنهادی در پیش­بینی متغیرهای مستقل در مقایسه با الگوی خطی arima  بیشتر است.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش بینی تقاضای انرژی با استفاده از شبکه عصبی مبتنی بر الگوریتم انبوه ذرات

انرژی نقش اساسی در فرایند تولید و رفاه اجتماعی داشته و پیش بینی تقاضای آن به منظور تنظیم بازار و عرضه مطمئن آن امری ضروری می باشد. با توجه به روند پرنوسان و غیرخطی تقاضای انرژی و متغیرهای موثر بر آن، مدل های غیرخطی بخصوص شبکه-های عصبی و الگوریتم انبوه ذرات در این امر توفیق بیشتری داشته اند. با توجه به اینکه در کنار نقاط قوت فراوان، این تکنیک ها دارای نقاط ضعفی مانند نیاز به تعیین فرم تبعی خاص، ...

full text

پیش‌بینی تقاضای انرژی با استفاده از شبکه عصبی مبتنی بر الگوریتم انبوه ذرات

انرژی نقش اساسی در فرایند تولید و رفاه اجتماعی داشته و پیش‌بینی تقاضای آن به منظور تنظیم بازار و عرضه مطمئن آن امری ضروری می‌باشد. با توجه به روند پرنوسان و غیرخطی تقاضای انرژی و متغیرهای موثر بر آن، مدل‌های غیرخطی بخصوص شبکه-های عصبی و الگوریتم انبوه ذرات در این امر توفیق بیشتری داشته‌اند. با توجه به اینکه در کنار نقاط قوت فراوان، این تکنیک‌ها دارای نقاط ضعفی مانند نیاز به تعیین فرم تبعی خاص، ...

full text

انتخاب سناریوی مناسب برای پیش بینی تقاضای انرژی بخش خانگی-تجاری با استفاده از الگوریتم بهینه‌سازی انبوه ذرات

در دهه‌های اخیر، انرژی در کنار سایر عوامل تولید نقش تعیین‌کننده‌ای در رشد اقتصادی کشور‌ها داشته و اهمیت آن همچنان رو به افزایش است. رشد اقتصاد جهان و روند صنعتی شدن موجب افزایش تقاضا و مصرف انرژی شده است. از سوی دیگر از میان بخش‌های مصرف‌کننده‌ی انرژی، بخش خانگی– تجاری یکی از پرمصرف‌کننده‌ترین بخش‌های تقاضای انرژی است. بطوری‌که بیش از 34% از میزان مصرف انرژی را نسبت به سایر بخش‌‌ها به خود اختصا...

full text

کاربرد شبکه عصبی مبتنی بر الگوریتم ژنتیک در پیش بینی تقاضای بلندمدت انرژی

پیش­بینی تقاضای انرژی جهت عرضه به موقع، تنظیم بازار، هدفگذاری میزان صادرات و ایجاد امنیت انرژی اهمیت ویژه­ای دارد. روش­های مختلفی برای پیش­بینی تقاضای انرژی معرفی شده است که در این بین با توجه به روند غیرخطی و پرنوسان تقاضای انرژی، تکنیک­های غیرخطی نتایج مطلوب­تری داشته است. شبکه­های عصبی و الگوریتم ژنتیک از مهمترین و پرکاربردترین تکنیک­های غیرخطی در این زمینه می­باشند که هر یک نقاط ضعف و قوت خ...

full text

My Resources

Save resource for easier access later


Journal title:
تحقیقات مدلسازی اقتصادی

جلد ۳، شماره ۱۰، صفحات ۲۱-۵۶

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023