مدل‌سازي و پيش‌بيني ميزان انرژي مصرفي در صنايع غذايي و فراوري كشور به روش شبكههاي عصبي مصنوعي

Modeling and forecasting of energy consumption in food and processing industry using artificial neural networks

در تمامي جوامع و كشورها به منظور برنامه‌ريزي براي تامين انرژي بخش‌هاي مختلف، نياز به پيش‌‌بيني صحيح براي تعيين ميزان تقاضا، نوع حامل‌هاي انرژي و چگونگي تامين آن وجود دارد. با توجه به اهميت صنايع غذايي در هر كشور، در اين پژوهش مدل‌سازي ميزان انرژي مصرفي اين بخش از صنعت مورد مطالعه قرار گرفت. در اين مقاله مدل‌سازي انرژي با روش شبكه‌‌هاي عصبي مصنوعي انجام پذيرفت. در اولين گام با توجه به آمارنامه‌‌ها، ترازنامه‌‌ها و روش پيشنهادي در اين مقاله داده‌‌هاي ورودي مدل محاسبه شد. دو روش شبكه عصبي چندگانه و شبكه عصبي تكي مورد بررسي قرار گرفت و نتايج نشان داد شبكه عصبي چندگانه دقت بالاتري دارد. براي هركدام از حامل-هاي انرژي (گازوييل، نفت سفيد، نفت كوره، گاز طبيعي، برق، بنزين و گاز مايع) با ميانگين‌‌گيري از 20 بار اجراي برنامه براي هر مشخصه شبكه، بهترين شبكه عصبي انتخاب شد. در انتها با محيط سيمولينك مت‌لب هفت شبكه اجرا شده در قالب مدل نهايي تهيه شد. تحليل داده‌‌ها نشان مي‌‌دهد روز به روز در اين صنعت مصرف گاز طبيعي روبه افزايش است ولي ميزان مصرف نفت كوره و گاز مايع رو به كاهش است.

In all societies and countries, in order to plan to provide the required energy for various sectors, it is necessary to accurately predict the demand, type of energy carriers and energy supply method. Considering the importance of food industries in each country, in this study, modeling of required energy for food industries sector was investigated. Modeling of energy consumption was performed using artificial neural networks. In the first step, the input data to the model was calculated according to statistics, balance sheets and input method proposed in this paper. Two methods, namely multiple neural network and single neural network were tested and the results showed that multiple neural network has a higher accuracy. For each of the energy carriers (gasoline, kerosene, fuel oil, natural gas, electricity, gasoline and LPG) the best neural network was selected by taking the average of 20 times per program for each network characteristic. Finally, the network was implemented in the form of final model using Simulink environment of MATLAB 7.0 software. Data analysis showed that daily consumption of natural gas in the industry is increasing, while the consumption of fuel oil and LPG is going to be decreased.