كاربرد الگوريتم انبوه ذرات و الگوريتم ژنتيك در شبيه سازي و پيش بيني تقاضاي انرژي

Application of Genetic Algorithm and Particle Swarm Optimization on Estimating The energy demand

مديريت تقاضاي انرژي از اهميت فراواني در برنامه ريزي و تامين امنيت اقتصادي كشورها برخوردار است. شناسايي عوامل موثر بر روند تقاضاي انرژي كشور و پيش بيني مصرف آتي آن مي تواند به سياست گذاران و فعالان در بازار انرژي در جهت تصميم گيري هاي اقتصادي و بهبود عملكرد بازار و تامين امنيت سوخت كشور كمك كند. امروزه روش هاي نويني براي مدل سازي و پيش بيني پديده هاي مختلف ابداع گشته است كه در ميان اين روش ها الگوريتم هاي تكاملي جايگاه ويژه اي دارند. در ميان الگوريتم هاي تكاملي، الگوريتم ژنتيك و الگوريتم بهينه يابي انبوه ذرات از جمله شناخته شده ترين و پركاربردترين روش ها در علوم مختلف مي باشند. از اين رو، در اين مطالعه براي تخمين و پيش بيني روند تقاضاي انرژي كشور از الگوريتم هاي ژنتيك و انبوه ذرات در قالب دو الگوي خطي و نمايي استفاده شده و كارايي آنها مورد ارزيابي قرار گرفته است و با استفاده از كاراترين الگو و روش و بر اساس سناريوهاي مختلف، روند آتي تقاضاي انرژي كشور تا سال 1404 پيش بيني شده است . نتايج مطالعه نشان دهنده دقت وكارايي بالاي الگوي نمايي برآورد شده با استفاده از الگوريتم انبوه ذرات در مقايسه با الگوريتم ژنتيك بوده است. همچنين نتايج مطالعه نشان مي دهد كه كارايي الگوهاي خطي برآورد شده با استفاده از هر دو الگوريتم تفاوت محسوسي ندارند. با اين حال، بررسي نتايج الگوها و روش هاي مختلف برآورد شده كارايي و دقت بالاي الگوي نمايي برآورد شده با استفاده از الگوريتم انبوه ذرات را تاييد مي كند.

Energy demand management has very importance in economic security and planning. To identify the energy demand affecting factors and energy demand prediction can help Policy makers and activists in the energy market to improve market performance and better economic decisions and high fuel security. Recently, new techniques have been developed to economic variables prediction and modeling. Among these techniques Genetic algorithm and Particle Swarm Optimization are the best known and most widely used in literature including economy. Therefore, in this study the genetic algorithm and particle Swarm Optimization is used for energy demand estimation and prediction in the form of linear and exponential and then their performance in each of the models evaluated. The results indicate that accuracy and efficiency of the particle swarm optimization in both of exponential and linear forms is better than genetic algorithm. In addition, among the different forms the exponential form estimated with the particle swarm optimization is the best way to predict the future energy demand.