پيش‌بيني مصرف انرژي ايران با استفاده از مدل تركيبي الگوريتم ژنتيك- شبكه عصبي مصنوعي و مقايسه آن با الگوهاي سنتي

Predicting Energy Consumption of Iran via aHybrid Model of Artificial Neural Networks andGenetic Algorithms and Comparing It withTraditional Model

در دهه‌هاي اخير، انرژي در كنار ساير عوامل توليد نقش تعيين‌كننده‌اي در رشد اقتصادي كشورها داشته و اهميت آن همچنان رو به افزايش است. وابستگي روزافزون به انرژي موجب تعامل اين بخش با ساير بخش‌هاي اقتصادي شده و سرعت در روند رشد و توسعه‌ي اقتصادي را وابسته به سطح مصرف انرژي كرده است، به طوري كه در دهه‌هاي اخير، رشد اقتصادي جهان و روند صنعتي شدن موجب افزايش تقاضا و مصرف انرژي شده است. در اين صورت به منظور كنترل پارامترهاي عرضه و تقاضاي انرژي و برنامه‌ريزي صحيح در هدايت مصرف آن بايد مصرف انرژي را به صورت دقيق پيش‌بيني نمود. هدف از اين مقاله كاربست مدل تركيبي شبكه‌هاي عصبي مصنوعي و الگوريتم ژنتيك در پيش‌بيني مصرف انرژي ايران مي‌باشد. بنابراين در اين بررسي از داده‌هاي ساليانه مصرف انرژي كشور به عنوان متغير خروجي مدل پيش‌بيني و از داده‌هاي ساليانه جمعيت كل كشور، توليد ناخالص داخلي، واردات و صادرات به عنوان متغيرهاي ورودي مدل هاي پيش‌بيني استفاده شده است. در پايان به منظور مقايسه نتايج پيش‌بيني مدل تركيبي مذكور با مدل‌هاي شبكه عصبي و رگرسيون چند متغيره، از شاخص‌هاي ارزيابي خطاي استاندارد نسبي (RSE)، ميانگين خطا (ME) و مجذور ميانگين مربعات خطا (RMSE) استفاده شد. نتايج ارزيابي نشان داد كه الگوي تركيبي شبكه‌هاي عصبي و الگوريتم ژنتيك (ANN-GA)، نسبت به ساير مدل‌ها داراي بالاترين دقت در پيش‌بيني مصرف انرژي كشور مي‌باشد.

In recent decades, besides other important factors in production, energy has proven to have an increasingly important role in the development of countries. The dependence on energy has created a great deal of interaction between the economical and energy sectors binding the rate of economical development to the level of energy consumption. So that, in the recent decades, the world’s economical development and industrialization has lead in a spurt of energy demand and consumption. Therefore, in order to control the demand and supply of energy and planning its efficient consumption, energy consumption must be wisely predicted. The present study we aims at applying a hybrid model of artificial neural networks (ANN) and genetic algorithms (GA) in order to predict the energy consumption of Iran. The data of the annual amount of Iran’s energy consumption has been used as the output variable of the predicting model and the data from the annual total population, GDP, and imports and exports has been used as the input variable. The end results were assessed with different models in clouding (RSE), (ME) and (RMSE). Evaluation results showed that the hybrid model of neural networks and genetic algorithm (ANN-GA), compared to other models, enjoys the highest accuracy in predicting the consumption energy of Iran. Finally, Relative Standard Error (RSE), Mean Error (ME), and Root Mean Square Error (RMSE) have been used to evaluate the results of this hybrid model against the multivariable neural network and regression models. It is concluded that, compared with other models, the hybrid model of (ANN-GA) has the highest accuracy in predicting energy consumption