21650

21650

مدلسازي مصرف انرژي الكتريكي در ايران با استفاده از شاخص هاي اقتصادي و با تكيه بر تركيب روش هاي هوش محاسباتي

كارشناسي ارشد

مديريت مهندسي

1396

1398/9/3

دكتر مرتضي باقرپور

صنايع

تخمين تقاضاي كل مصرف انرژي الكتريكي در كشور ايران بر پايه شاخص هاي اقتصادي- اجتماعي، با استفاده از روش هاي مبتني بر هوش مصنوعي (شبكه هاي عصبي مصنوعي) و الگوريتم هاي بهينه سازي هوشمند (الگوريتم ژنتيك و الگوريتم زنبورها) هدف پژوهش حاضر مي باشد. براي نيل بدين هدف دو استراتژي مختلف مورد بررسي قرار مي گيرد: استراتژي نخست: در اين استراتژي الگوريتم هاي بهينه سازي هوشمند شامل الگوريتم ژنتيك و الگوريتم زنبورها، بصورت مستقيم جهت تعيين ضرايب مجهول معادلات تخمين تقاضاي انرژي الكتريكي بر پايه ي شاخص هاي اقتصادي- اجتماعي بكار برده مي شوند. بدين منظور اطلاعات مربوط به شاخص هاي جمعيت، توليد ناخالص داخلي، قيمت برق و تعداد مشتركين مورد بررسي قرار مي گيرند. نهايتا مدل هاي تخمين تقاضا به دو صورت خطي و غير خطي بر پايه ي پارامترهاي "جمعيت"، "توليد ناخالص داخلي"، "قيمت برق" و "تعداد مشتركين" به عنوان متغييرهاي ورودي مدل، گسترش مي يابند. استراتژي دوم: در اين استراتژي شبكه هاي عصبي مصنوعي بهينه شده با الگوريتم هاي فوق الذكر (الگوريتم ژنتيك و الگوريتم زنبورها) به منظور تخمين تقاضاي انرژي الكتريكي بر پايه ي همان متغييرهاي ورودي تعيين شده در استراتژي اول، بكار برده مي شوند. نتايج بدست آمده نشان داد مدل نمايي گسترش يافته بر اساس الگوريتم زنبورها در استراتژي نخست با خطاي نسبي حدود 70/1 درصد، داراي بالاترين دقت در ميان كليه مدل هاي مورد بررسي در مطالعه حاضر مي‌باشد.

1398/10/30

Electrical Energy Consumption Modeling in Iran using Economic Indicators based on Integration of Computational Intelligent Techniques

11/23/2020 12:00:00 AM

The application of Artificial Intelligence and Intelligent Optimization techniques to forecast electrical energy demand in Iran based on socio-economic indicators, is the main objective of this research. For aiming this purpose two following strategies are considered: 1st strategy: in this strategy Intelligent Optimization Algorithms (i.e. Genetic Algorithm (GA) and Bees Algorithm (BA)) are directly applied to adjust the Weighting Parameters for both linear and non-linear prediction models. The socio- economic indicators used in this study are population, Gross Domestic Product (GDP), electricity price, and number of customers. 2nd strategy: in this strategy Artificial Neural Networks (ANNs) optimized by mentioned Intelligent Optimization Algorithms in the 1st strategy are used to predict electrical energy demand using the same indicators. Obtained results showed that non-linear model in the 1st strategy based on BA algorithm had the best accuracy among the all developed models in this study (i.e. it had an MAPE error of 1.07% over testing data set). Finally, electrical energy consumption is projected by 2025.

مدلسازي مصرف انرژي الكتريكي در ايران با استفاده از شاخص هاي اقتصادي و با تكيه بر تركيب روش هاي هوش محاسباتي

Electrical Energy Consumption Modelling in Iran using Economic Indicators based on Integration of Computational Intelligent Techniques