عنوان مقاله :
پيش بيني تقاضاي برق ايران با استفاده از الگوريتمهاي فرا ابتكاري
عنوان به زبان ديگر :
Iran's Electrical Energy Demand Forecasting Using Meta-Heuristic Algorithms
پديد آورندگان :
كاظمي، عاليه دانشگاه تهران - دانشكده مديريت - گروه مديريت صنعتي , بشيرزاده، رجاء دانشگاه تهران - دانشكده مديريت , آريايي، سارا دانشگاه تهران - دانشكده مديريت
كليدواژه :
پيشبيني تقاضاي برق , شبكه عصبي مصنوعي , الگوريتم ژنتيك , الگوريتم بهينهسازي انبوه ذرات , الگوريتم رقابت استعماري
چكيده فارسي :
هدف از پژوهش حاضر، پيش بيني تقاضاي كل مصرف برق كشور ايران بر پايه شاخصهاي اقتصادي- اجتماعي و با استفاده از روشهاي فرا ابتكاري است. براي رسيدن به اين هدف دو استراتژي مختلف مورد بررسي قرار گرفته است. در استراتژي اول از الگوريتم ژنتيك، الگوريتم بهينهسازي انبوه ذرات و الگوريتم رقابت استعماري براي تعيين معادلات پيشبيني تقاضاي انرژي الكتريكي استفاده شده است. بدين منظور اطلاعات مربوط به شاخص هاي جمعيت، توليد ناخالص داخلي، قيمت برق و مصرف برق طي سالهاي 1347 تا 1394 مورد استفاده قرار گرفته و مدلهاي پيش بيني تقاضا به دو صورت خطي و غيرخطي ارائه شده است. در استراتژي دوم از شبكههاي عصبي مصنوعي آموزش داده شده با الگوريتمهاي فراابتكاري فوق الذكر براي پيشبيني تقاضاي برق بر پايه همان متغيرهاي ورودي تعيين شده در استراتژي اول استفاده شده است. نتايح نشان داد مدل نمايي توسعه يافته با الگوريتم بهينهسازي انبوه ذرات، با درصد قدرمطلق ميانگين خطاي 2/85%، بهترين دقت را در پيش بيني تقاضاي انرژي الكتريكي ايران دارد. تقاضاي برق ايران تا سال 1404 پيشبيني شد و انتظار ميرود به مقدار 324 تراوات ساعت برسد.
چكيده لاتين :
This study aims to forecast Iran's electricity demand by using meta-heuristic algorithms, and based on economic and social indexes. To approach the goal, two strategies are considered. In the first strategy, genetic algorithm (GA), particle swarm optimization (PSO), and imperialist competitive algorithm (ICA) are used to determine equations of electricity demand based on economic and social indexes consisted of population, gross domestic product (GDP), electricity price, and electricity consumption during the years 1968 to 2015. In this regard, linear and nonlinear models are developed. In the second strategy, artificial neural networks (ANNs) trained by meta-heuristic algorithms (GA, PSO, and ICA) are used to forecast electricity demand. The results show that nonlinear PSO with %2.85 mean absolute percentage error (MAPE) is a suitable model to forecast Iran's electrical energy demand. Iran's electricity demand would reach 324 terawatt-hours (TWh) up to the year 2025.
عنوان نشريه :
انرژي ايران