چکیده:
آگاهی از میزان تقاضای انرژی برق در هر دوره، به منظور برنامه ریزی دقیق، برای اعمال سیاست گذاری های لازم، امری ضروری است. از این رو پیش بینی تقاضای آن برای بخش های مختلف اقتصادی حائز اهمیت است. امروزه از بین روش های پیش بینی، شبکه های عصبی مصنوعی، در زمینه تجزیه و تحلیل و مدل سازی روابط غیرخطی یکی از ابزار قدرتمند به حساب می آید که استفاده از آن در سال های اخیر در اقتصاد کلان گسترش یافته است. از این رو در این پژوهش کارایی مدل غیرخطی شبکه عصبی با مدل خطی فرایند ARIMA برای پیش بینی متوسط ماهانه نیاز داخلی برق کشور، برای یک دوره 3 ساله با استفاده از معیارهای MSE، RMSE، NMSE، MAE،MAPE و R2 مقایسه شده است. یافته ها نشان می دهد که شبکه عصبی مصنوعی دارای ضریب خطای کمتر و قدرت توضیح دهندگی بالایی نسبت به مدل AROMA، است.
Electricity demand is growing very fast in Iran and it is important to forecast its future demand and its monthly variation accurately.
Artificial Neural Network (ANN) is a powerful tool for nonlinear models for forecasting and it was used to estimate monthly electricity demand in this study. In this paper، we compared the Non-linear ANN model with ARIMA linear model to estimate monthly electricity demand for a priod of 3 years. Using MSE، RMSE، NMSE، MHE، MAPE and R2 indicatorss، our results show that ANN forecasting model is superior to ARIMA in terms of less error coefficient and high explanatory ability.
خلاصه ماشینی:
"فصلنامه پژوهشهای اقتصادی ایران/سال سیزدهم/شماره /14پائیز /8831صفحات 701-121 مطالعه تطبیقی روشهای ARIMA و شبکه عصبی مصنوعی در پیشبینی نیاز داخلی برق کشور دکتر علی محمد احمدی* مهدی ذوالفقاری** آیدین غفار نژاد مهربانی*** تاریخ ارسال:7831/11/8 تاریخ پذیرش:8831/9/52 چکیده آگاهی از میزان تقاضای انرژی برق در هر دوره،به منظور برنامهریزی دقیق،برای اعمال سیاستگذاریهای لازم، امری ضروری است.
از اینرو در این پژوهش کارایی مدل غیر خطی شبکه عصبی با مدل خطی فرآیند ARIMA برای پیشبینی متوسط ماهانه نیاز داخلی برق کشور،برای یک دوره 3 ساله با استفاده از معیارهای MSE ، RMSE ، NMSE ، MAE ، MAPE و R 2 مقایسه شده است.
در این پژوهش،ابتدا با معرفی مدل غیر خطی شبکه عصبی،همینطور فرآیند خطی ARIMA ،کارایی این مدلها را برای پیشبینی متوسط ماهانه نیاز داخلی برق کشور4مورد بررسی قرار خواهد داد.
در حوزه پیشبینی تقاضای برق با استفاده از این مدلها،در مطالعهای جرج داربلای،مارک سلاما (0002)2در مطالعهای به پیشبینی تقاضای برق کوتاهمدت جمهوری چک پرداخته و با مقایسه مدل شبکه عصبی مصنوعی و مدل ARIMA نشان دادند که شبکههای عصبی به لحاظ غیر خطی بودن روند تقاضای برق،پیشبینی بهتری نسبت به مدل ARIMA ارائه میکند.
N. Singh,2008 از مطالعات داخلی صورت گرفته در این زمینه میتوان به مطالعات آزاده،قادری و سهرابخانی (7002)1اشاره نمود که با استفاده از شبکه عصبی پیشخور مصرف ماهانه برق صنعتی در ایران را در دوره 02 ساله 9791-3002 مورد بررسی قرار داده و برتری مدل شبکه عصبی پیشخور در مقایسه با مدل رگرسیون را نشان دادند.
در این پژوهش به مطالعه تطبیقی روشهای خطی ARIMA و غیر خطی شبکه عصبی مصنوعی برای پیشبینی متوسط ماهانه نیاز برق داخلی کشور پرداختیم."