ارائه مدل پیش‌بینی مصرف سالیانه برق در ایران با استفاده از شبکه‌عصبی نارکس و بررسی تاثیر هدفمندسازی یارانه‌ها بر آن

محمدرضا حمیدی‌زاده, محمدجواد کارگر, محمد حمیدیان

چکیده


چکیده

در این پژوهش، مدلی برای پیش­بینی مصرف برق سالیانۀ ایران بر اساس معیارهای اقتصادی و با استفاده از شبکه‌های عصبی مصنوعی ارائه و همچنین تاثیر اجرای طرح هدفمندسازی یارانه‌ها در اولین سال اجرای این طرح بر مصرف برق سالیانه ایران بررسی شده است. بدین صورت که شبکۀ عصبی نارکس متغیرهای جمعیت و تولید ناخالص داخلی را به عنوان ورودی دریافت کرده و خروجی آن مصرف برق سالیانه در ایران است. برای آزمودن و آموزش شبکۀ طراحی شده، داده‌های سال‌های 1362 تا 1389 جمع آوری شده است که داده‌های چهار سال آخر برای آزمودن عملکرد شبکه مورد استفاده قرار گرفته است. برای بررسی میزان دقت پیش بینی شبکۀ طراحی شده، دو مدل شبکۀ عصبی پرسپترون و مدل سری زمانی آریما نیز طراحی گردیده است که مقایسۀ نتایج نشان می‌دهد که شبکۀ عصبی نارکس توانایی بالاتری در پیش بینی مصرف برق ایران دارد. در این مدل با لحاظ شدن عوامل کلیدی تاثیر گذار بر مصرف برق، مصرف برق سالیانه ایران در سال‌های قبل از اجرای هدفمندی یارانه‌ها با دقت بالایی پیش­بینی می‌شود و بر این اساس میزان مصرف برق ایران در سال 1390 و بررسی این روند در سال‌های 1391 و 1392 بیانگر تاثیر اجرای طرح هدفمندی یارانه‌ها در اولین سال پس از اجرای آن بر مصرف برق سالیانه کشور است. کاهش نسبتا محسوس مصرف برق در این سال نسبت به پیش­بینی مدل ارائه شده موید این تاثیر است. نتایج پژوهش حاکی از آن است که با توجه به ساختار شبکه عصبی نارکس و تاثیر تدریجی عامل زمان بر آن از این مدل می‌توان برای پیش­بینی مصرف برق سالیانه کشور استفاده نمود.

واژگان کلیدی


پیش‌بینی مصرف برق، شبکه عصبی نارکس، شبکه عصبی پرسپترون، مدل آریما، هدفمندسازی یارانه‌ها

تمام متن:

PDF

منابع و مآخذ مقاله


Amjadi, M.H., H. Nezamabadi-pour, and M.M. Farsangi, Estimation of electricity demand of Iran using two heuristic algorithms. Energ Conv Manage, 2010. 51: p. 493-497.

Kavaklioglu, K., et al., Modeling and prediction of Turkey's electricity consumption using Artificial Neural Networks. Energy Conversion and Management, 2009. 50(11): p. 2719-2727.

Azadeh, A., S.F. Ghaderi, and S. Sohrabkhani, Forecasting electrical consumption by integration of Neural Network, time series and ANOVA. Applied Mathematics and Computation, 2007. 186(2): p. 1753-1761.

Azadeh, A., S.F. Ghaderi, and S. Sohrabkhani, Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors. Energy Conversion and Management, 2008. 49(8): p.2272-2278.

Padmakumari, K., K.P. Mohandas, and S. Thiruvengadam, Long term distribution demand forecasting using neuro fuzzy computations. International Journal of Electrical Power & Energy Systems, 1999. 21(5): p. 315-322.

Azadeh, A., et al., A hybrid simulation-adaptive network based fuzzy inference system for improvement of electricity consumption estimation. Expert Systems with Applications, 2009. 36: p. 11108-11117.

Azadeh, A., et al., Integration of artificial neural networks and genetic algorithm to predict electrical energy consumption. Applied Mathematics and Computation, 2007. 186(2): p. 1731-1741.

Azadeh, A., M. Saberi, and O. Seraj, An integrated fuzzy regression algorithm for energy consumption estimation with non-stationary data: A case study of Iran. Energy, 2010. 35(6): p. 2351-2366.

Yalcinoz, T. and U. Eminoglu, Short term and medium term power distribution load forecasting by neural networks. Energ Conv Manage, 2005. 46: p. 1393-1405.

Hsu, C.C.H. and Y.C.H. Chen, Regional load forecasting in Taiwan – applications of artificial neural networks. Energ Conv Manage, 2003. 44: p. 1941-1949.

Beccali, M., et al., Forecasting daily urban electric load profiles using artificial neural networks. Energ Conv Manage, 2004. 45: p. 2879-2900.

Azadeh, A., S.F. Ghaderi, and S. Sohrabkhani, A simulated-based neural network algorithm for forecasting electrical energy consumption in Iran. Energy Policy, 2008. 36(7): p. 2637-2644.

Ekonomou, L., Greek long-term energy consumption prediction using artificial neural networks. Energy, 2010. 35: p. 512-517.

Meng, M. and D. Niu, Annual electricity consumption analysis and forecasting of China based on few observations methods. Energ Conv Manage, 2011. 52: p. 953-957.

Kheirkhah, A., et al., Improved estimation of electricity demand function by using of artificial neural network, principal component analysis and data envelopment analysis. Computers & Industrial Engineering, 2013. 64: p. 425-441.

Kolen, J.F. and S.C. Kremer, A field guide to dynamical recurrent networks. 2001: Wiley-IEEE Press.

Bengio, Y., P. Simard, and P. Frasconi, Learning long-term dependencies with gradient descent is difficult. IEEE Transaction on neural network, 1994. 5: p. 157-166.

Lin, T., B.G. Horne, and C.L. Giles, How embedded memory in recurrent neural network architectures helps learning long-term temporal dependencies. Neural networks, 1998. 11: p. 861-868.

Leontaritis, I.J. and S.A. Billings, Input-output parametric models for nonlinear systems - Part I: determinestic nonlinear systems. International Journal of Control, 1985. 41: p. 303-328.

Hornik, K., Some new results on neural network approximation. Neural networks, 1993. 6: p. 1069-72.

Box, G.E. and G.M. Jenkins, Time series analysis: Forcasting and control. 1970, San Francisco: 7 Holiday Day.


ارجاعات

  • در حال حاضر ارجاعی نیست.