این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
انرژی ایران، جلد ۲۲، شماره ۴، صفحات ۲۷-۴۴
عنوان فارسی پیش‌بینی تقاضای برق ایران با استفاده از الگوریتم‌های فراابتکاری
چکیده فارسی مقاله هدف از پژوهش حاضر، پیش­بینی تقاضای کل مصرف برق کشور ایران بر پایه شاخص‌های اقتصادی- اجتماعی و با استفاده از روش‌های فرا ابتکاری است. برای رسیدن به این هدف دو استراتژی مختلف مورد بررسی قرار گرفته است. در استراتژی اول از الگوریتم ژنتیک، الگوریتم بهینه‌سازی انبوه ذرات و الگوریتم رقابت استعماری برای تعیین معادلات پیش­بینی تقاضای انرژی الکتریکی استفاده شده است. بدین منظور اطلاعات مربوط به شاخص­های جمعیت، تولید ناخالص داخلی، قیمت برق و مصرف برق طی سال‌های 1347 تا 1394 مورد استفاده قرارگرفته و مدل‌های پیش­بینی تقاضا به دو صورت خطی و غیرخطی ارائه شده است. در استراتژی دوم از شبکه‌های عصبی مصنوعی آموزش داده شده با الگوریتم‌های فراابتکاری فوق­الذکر برای پیش­بینی تقاضای برق بر پایه همان متغیرهای ورودی تعیین شده در استراتژی اول استفاده شده است. نتایح نشان داد مدل نمایی توسعه یافته با الگوریتم بهینه‌سازی انبوه ذرات، با درصد قدرمطلق میانگین خطای 85/2%، بهترین دقت را در پیش­بینی تقاضای انرژی الکتریکی ایران دارد. تقاضای برق ایران تا سال 1404 پیش­بینی شد و انتظار می‌رود به مقدار 324 تراوات­ساعت برسد.
کلیدواژه‌های فارسی مقاله پیش‌بینی تقاضای برق، شبکه‌ عصبی مصنوعی، الگوریتم ژنتیک، الگوریتم بهینه‌سازی انبوه ذرات، الگوریتم رقابت استعماری
عنوان انگلیسی Iran's Electrical Energy Demand Forecasting Using Meta-Heuristic Algorithms
چکیده انگلیسی مقاله This study aims to forecast Iran's electricity demand by using meta-heuristic algorithms, and based on economic and social indexes. To approach the goal, two strategies are considered. In the first strategy, genetic algorithm (GA), particle swarm optimization (PSO), and imperialist competitive algorithm (ICA) are used to determine equations of electricity demand based on economic and social indexes consisted of population, gross domestic product (GDP), electricity price, and electricity consumption during the years 1968 to 2015. In this regard, linear and nonlinear models are developed. In the second strategy, artificial neural networks (ANNs) trained by meta-heuristic algorithms (GA, PSO, and ICA) are used to forecast electricity demand. The results show that nonlinear PSO with %2.85 mean absolute percentage error (MAPE) is a suitable model to forecast Iran's electrical energy demand. Iran's electricity demand would reach 324 terawatt-hours (TWh) up to the year 2025.
کلیدواژه‌های انگلیسی مقاله Electricity demand forecasting, Artificial neural networks, Genetic algorithm, Particle swarm optimization, Imperialist competitive algorithm
نویسندگان مقاله عالیه کاظمی | Aliyeh Kazemi
Tehran University
دانشگاه تهران

رجاء بشیرزاده | Raja Bashirzadeh
Tehran University
دانشگاه تهران

سارا آریایی | Sara Aryaee
Tehran University
دانشگاه تهران

نشانی اینترنتی http://necjournals.ir/browse.php?a_code=A-10-368-4&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده سایر موضوعات مرتبط با انرژی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات