پیشبینی تقاضای انرژی با استفاده از شبکه عصبی مبتنی بر الگوریتم انبوه ذرات
Authors
Abstract:
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، نیاز به داده‌های آموزشی فراوان و ضعف در یافتن نقطه بهینه سراسری نیز می-باشند، در این مطالعه با ادغام آنان به صورت یک الگوریتم ترکیبی این نقایص مرتفع شده است. پس از بکارگیری و مقایسه این تکنیک ترکیبی با سایر روش‌ها در پیشبینی تقاضای انرژی طی سال‌های 1346 تا 1390 ، نتایج مطالعه قدرت پیشبینی بالاتر تکنیک ترکیبی در کنار قدرت توضیح‌دهندگی متغیرهای توضیحی بکار رفته را تائید می‌کند.
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 textپیش بینی تقاضای بلندمدت انرژی الکتریکی با استفاده از الگوریتم ترکیبیِ عصبی- فازی و انبوه ذرات
Storing the electrical energy in large scale is impossible. So, it is necessary to identify the factors affecting the electricity demand. Researchers have used different methods to forecast the future demand of electricity, among them intelligent methods and fuzzy based methods are more popular. Since ANFIS structure is based on researcher’s experience about phenomenon, the created structure ...
full textپیش بینی تقاضای بلندمدت انرژی الکتریکی با استفاده از الگوریتم ترکیبیِ عصبی- فازی و انبوه ذرات
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 ازشب...
full textپیش بینی تقاضای بلندمدت انرژی الکتریکی با استفاده از الگوریتم ترکیبیِ عصبی- فازی و انبوه ذرات
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 ازشبیه...
full textانتخاب 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 textکاربرد الگوریتم انبوه ذرات و الگوریتم ژنتیک در شبیه‌سازی و پیشبینی تقاضای انرژی
مدیریت تقاضای انرژی از اهمیت فراوانی در برنامه‌ریزی و تامین امنیت اقتصادی کشورها برخوردار است. شناسایی عوامل موثر بر روند تقاضای انرژی کشور و پیش بینی مصرف آتی آن می‌تواند به سیاست‌گذاران و فعالان در بازار انرژی در جهت تصمیم‌گیری‌های اقتصادی و بهبود عملکرد بازار و تامین امنیت سوخت کشور کمک کند. امروزه روشهای نوینی برای مدل‌سازی و پیش بینی پدیده‌های مختلف ابداع گشته است که در میان این روش‌ها ال...
full textMy Resources
Journal title
volume 16 issue 3
pages 0- 0
publication date 2013-10
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023