چکیده:
پيشبيني روند تقاضاي انرژي جهت اتخاذ سياستهاي مقتضي و مناسب اهميت فراواني دارد. به دليل روند پرنوسان و غير خطي تقاضاي انرژي و متغيرهاي موثر بر آن قابليت روشهاي هوشمند و غير خطي به خصوص شبكههاي عصبي و الگوريتمهاي تكاملي به منظور پيشبيني تقاضاي انرژي در مطالعات مختلف به اثبات رسيده است. با وجود نقاط قوت فراوان، اين تكنيكها با مسائل مهمي همچون تحميل فرم تبعي خاص- در الگوريتمهاي تكاملي- يا نياز به نمونههاي آموزشي فراوان- در شبكههاي عصبي- مواجه هستند. هدف اين مطالعه ارائه يك الگوريتم تركيبي جهت پيشبيني هرچه دقيقتر تقاضاي انرژي ميباشد تا ضمن رفع معايب تكنيكهاي فردي از مزاياي آنان بهصورت همزمان استفاده شود. بدين منظور كارايي تكنيكهاي مختلف در پيشبيني تقاضاي انرژي طي دوره 1346 تا 1390 مورد بررسي قرار گرفته است. يافتههاي پژوهش نشان ميدهد استفاده از الگوريتمهاي تكاملي در آموزش شبكههاي عصبي در شرايط محدوديت دادهها، نتايج مطلوبي داشته و در اين بين شبكه عصبي پيشنهادي مبتني بر تركيب الگوريتم ژنتيك و انبوه ذرات نتايج بسيار مناسبي ارائه ميكند. بهگونهاي كه مقايسه نتايج با ساير مطالعات در اين حوزه علاوه بر تاييد قدرت توضيح دهندگي متغيرهاي بكار رفته، توانايي بالاتر الگوريتم پيشنهادي را نشان ميدهد. همچنين نتايج پيشبيني روند آتي تقاضاي انرژي نشان ميدهد كه ميزان مصرف انرژي در سال 1404 بر اساس سه سناريو مختلف معادل 1817، 1643 و 1457 ميليون بشكه نفت خام خواهد بود.
خلاصه ماشینی:
شبکه های عصبی، الگوریتم ژنتیک ، الگوریتم انبوه ذرات ، پیش بینی، تقاضای انرژی Keywords: Neural Networks, Genetic Algorithm, Particle Swarm Algorithm, prediction, Energy Demand.
Kialashaki and Reisel (2013) جدول ٢: مطالعات داخلی انجام شده در زمینه پیش بینی تقاضای انرژی نویسنده (سال ) تکنیک متغیر هدف (کشور) متغیر توضیحی تولید ناخالص داخلی، قیمت ، جمعیت ، خانکشیزاده (١٣٨٣) شبکه های عصبی انرژی الکتریکی (ایران ) تعداد مشترکین انرژی بخش های صنعت ، نرخ رشد، سهم تولید از تولید ناخالص حیدری (١٣٨٤) تجزیه کشاورزی، خدمات ، حمل و داخلی و شدت مصرف انرژی هر بخش نقل (ایران ) قنبری، خضری و اعظمی الگوریتم ژنتیک انرژی بخش حمل و نقل تولید ناخالص داخلی، جمعیت ، تعداد (1387) زمینی (ایران ) خودروها، مسافت طی شده تولید ناخالص داخلی، قیمت بنزین ، صادقی، ذولفقاری و الگوریتم ژنتیک جمعیت ، تعداد خودروهای بنزین سوز، بنزین بخش حمل و نقل حیدرزاده (١٣٨٨) (ایران ) عمر متوسط خودرو، راندمان مصرف حامل های انرژی بخش موسوی و همکاران (١٣٨٩) ARCH١ وARIMA٢ سری زمانی کشاورزی (ایران ) انرژی بخش های صنعت ، ابراهیمی و آل مراد جبدرقی ARIMA خانگی،کشاورزی، خدمات ، سری زمانی (1390) حمل و نقل (ایران ) 3 سهرابیوفا و همکاران شبکه عصبی GMDH انرژی الکتریکی (ایران ) سری زمانی (1391) و ARIMA الگوریتم ترکیبی عصبی صادقی و همکاران (١٣٩١) انرژی الکتریکی (ایران ) تولید ناخالص داخلی، جمعیت فازی و انبوه ذرات منبع : سهرابیوفا (١٣٩١) با توجه به مطالب فوق از نظر مدلسازی تمایز و نوآوری مطالعه حاضر بـا مطالعـات صـورت گرفتـه در زمینه تقاضای انرژی، استفاده از تکنیک ترکیبی هوشمند شبکه عصبی و الگوریتم های تکـاملی در پیش بینی تقاضای انرژی میباشد.