تركيب شبكه هاي عصبي و الگوريتم هاي تكاملي در پيش بيني تقاضاي انرژي

پيش بيني روند تقاضاي انرژي جهت اتخاذ سياست هاي مقتضي و مناسب اهميت فراواني دارد. به دليل روند پرنوسان و غير خطي تقاضاي انرژي و متغيرهاي موثر بر آن قابليت روش هاي هوشمند و غير خطي به خصوص شبكه هاي عصبي و الگوريتم هاي تكاملي به منظور پيش بيني تقاضاي انرژي در مطالعات مختلف به اثبات رسيده است. با وجود نقاط قوت فراوان، اين تكنيك ها با مسايل مهمي همچون تحميل فرم تبعي خاص- در الگوريتم هاي تكاملي- يا نياز به نمونه هاي آموزشي فراوان- در شبكه هاي عصبي- مواجه هستند. هدف اين مطالعه ارايه يك الگوريتم تركيبي جهت پيش بيني هرچه دقيق تر تقاضاي انرژي مي باشد تا ضمن رفع معايب تكنيك هاي فردي از مزاياي آنان به صورت همزمان استفاده شود. بدين منظور كارايي تكنيك هاي مختلف در پيش بيني تقاضاي انرژي طي دوره 1346 تا 1390 مورد بررسي قرار گرفته است. يافته هاي پژوهش نشان مي دهد استفاده از الگوريتم هاي تكاملي در آموزش شبكه هاي عصبي در شرايط محدوديت داده ها، نتايج مطلوبي داشته و در اين بين شبكه عصبي پيشنهادي مبتني بر تركيب الگوريتم ژنتيك و انبوه ذرات نتايج بسيار مناسبي ارايه مي كند. به گونه اي كه مقايسه نتايج با ساير مطالعات در اين حوزه علاوه بر تاييد قدرت توضيح دهندگي متغيرهاي بكار رفته، توانايي بالاتر الگوريتم پيشنهادي را نشان مي دهد. همچنين نتايج پيش بيني روند آتي تقاضاي انرژي نشان مي دهد كه ميزان مصرف انرژي در سال 1404 بر اساس سه سناريو مختلف معادل 1817، 1643 و 1457 ميليون بشكه نفت خام خواهد بود.

Energy demand prediction is very important to adopt appropriate policies. The reliability of intelligence and non-linear methods, particularly neural networks and evolutionary algorithms on energy demand prediction, hasbeenproved in numerous studies.This is due to volatility and non-linearity of energy demand and the affecting variables. Despite their lot of strengths, these techniques are faced with important issues such as imposing specific forms in evolutionary algorithmor necessity of large samples in neural networks. The purpose of this study is to exhibit a combined algorithm for more accurate energy demand prediction to overcome the disadvantages of individual techniques and to use their benefits simultaneously. To this purpose,the performance of various techniques in energy demand prediction has been investigated during 1967-2011. The results indicate that the neural networks learned by evolutionary algorithms in terms data limitations have desired outcomes, and the neural network base on the combination of genetic and particle swarm algorithms combination provides very good results. Comparisonof the results of this study with those of other studies in this field indicates the higher ability ofthe proposed algorithm and further confirms the high explanatory power of the used variables.Moreover, future energy demand projection indicates that the energy demand is going to be 1817, 1643 and 1457 million barrelsof oil equivalent (BOE) in 2025 under three different scenarios.