Journal of Economic Modeling Research
تحقیقات مدلسازی اقتصادی
jemr
Literature & Humanities
http://jemr.khu.ac.ir
1
admin
2228-6454
2538-4163
10.52547/jemr
fa
jalali
1391
9
1
gregorian
2012
12
1
3
10
online
1
fulltext
fa
پیش بینی تقاضای بلندمدت انرژی الکتریکی با استفاده از الگوریتم ترکیبیِ عصبی- فازی و انبوه ذرات
Forecasting the Long Run Electricity Demand Using Hybrid PSO-ANFIS Algorithm
انرژی، منابع و محیط زیست
انرژی، منابع و محیط زیست
كاربردي
Applicable
<p> <a name="OLE_LINK82"></a><a name="OLE_LINK13"></a><a name="OLE_LINK12"> با توجه به عدم امکان ذخیره انرژیالکتریکی </a>، شناسایی عواملموثر بر تقاضای این حامل انرژی و پیشبینی دقیق روند آتی آن، <a name="OLE_LINK25"></a><a name="OLE_LINK24">ضرورت دارد </a>. تاکنون روشهای مختلفی در این زمینه مورد استفاده قرار گرفته است که در میان آنها روشهای هوشمند و بهویژه روشهای فازی، دارای قابلیتهای بیشتری هستند. در مطالعه حاضر از <a name="OLE_LINK3"></a><a name="OLE_LINK2"></a><a name="OLE_LINK1">سیستم </a><i> </i>استنتاج عصبی- فازی ترکیب شده با الگوریتم انبوهذرات ( <i>PSO </i><a name="_ftnref1"><sup><sup> </sup></sup></a><i>-ANFIS</i><a name="_ftnref2"><i><sup><strong><sup> </sup></strong></sup></i></a>) استفاده شده و پس ازشبیهسازی روند تقاضای بلندمدت انرژیالکتریکی طی دورۀ 1359 تا 1389 <a name="OLE_LINK4">و بررسی کارایی سیستم، </a>روند تقاضای بلندمدت انرژیالکتریکی کل کشور تا سال 1404 پیشبینی شده است. <a name="OLE_LINK81"></a><a name="OLE_LINK7">نتایج مطالعه، قدرت بالای </a>الگوریتم ترکیبی انبوه ذرات و سیستم استنتاج عصبی- فازی تطبیقی را در پیشبینی تقاضای بلندمدت انرژیالکتریکی تایید میکند. نتایج نشان می دهد <a name="OLE_LINK6"></a><a name="OLE_LINK5">که براساس محتملترین سناریو، تقاضای انرژیالکتریکی کشور در سال 1404 به 401 میلیارد کیلووات ساعت خواهد رسید </a>. <a name="OLE_LINK64"></a><a name="OLE_LINK63">همچنین </a>، <a name="OLE_LINK66"></a><a name="OLE_LINK65">براساس نتایج بدست آمده، کارایی روش پیشنهادی در پیشبینی متغیرهای مستقل در مقایسه با الگوی خطی </a><i>ARIMA </i><a name="_ftnref3"><i><strong> </strong></i></a>بیشتر است. </p><br clear="all" ><hr width="33%" size="1" ><p></p>
<p> Storing the electrical energy in large scale is impossible. So, it is necessary to identify the factors affecting the electricity demand. Researchers have used different methods to forecast the future demand of electricity, among them intelligent methods and fuzzy based methods are more popular.<a name="OLE_LINK20"></a><a name="OLE_LINK19"> Since ANFIS structure is based on researcher’s experience about phenomenon, the created structure may not have the best result. Therefore, we used PSO-ANFIS structure. </a></p><p> In this paper long term electricity demand is forecasted until the year 2025 by hybrid PSO-ANFIS algorithm. The results confirm the high power of the Adaptive Neural based Fuzzy Inference System in forecasting the electricity demand. Results also indicate that the forecasted electricity demand will be 401 billion KWh in 2025. <a name="OLE_LINK70"></a><a name="OLE_LINK69">The prediction performance of the </a><a name="OLE_LINK72"></a><a name="OLE_LINK71">proposed technique </a>is more accurate than the ARIMA model. </p>
پیش بینی، تقاضا، انرژی الکتریکی، الگوریتم انبوه ذرات، سیستم استنباط عصبی- فازی تطبیقی
Forecast, Demand, Electricity, Particle Swarm optimization, Adaptive Neural Based Fuzzy Inference System.
21
56
http://jemr.khu.ac.ir/browse.php?a_code=A-10-800-2&slc_lang=fa&sid=1
Hossein
sadeghi
حسین
صادقی
Sadeghih@modares.ac.ir
10031947532846003153
10031947532846003153
No
Tarbiat Modares University
دانشگاه تربیت مدرس
Ali Akbar
Afzalian
علی اکبر
افضلیان
Afzalian@pwut.ac.ir
10031947532846003154
10031947532846003154
No
Power and Water Institute of Technology
دانشگاه صنعت آب و برق شهید عباسپور
Mahmood
Haghani
محمود
حقانی
Haghani@pwut.ac.ir
10031947532846003155
10031947532846003155
No
Power and Water Institute of Technology
دانشگاه صنعت آب و برق شهید عباسپور
Hossein
sohrabi vafa
حسین
سهرابی وفا
SohrabiVafa@gmail.com
10031947532846003156
10031947532846003156
Yes
Power and Water Institute of Technology
دانشگاه صنعت آب و برق شهید عباسپور