پيش بيني مصرف انرژي الكتريكي در شركت برق منطقه اي باختر

Forecasting of electrical energy consumption in Bakhtar electricity company

برنامه ريزي انرژي بدون داشتن دانش قابل قبولي از مصرف انرژي گذشته و حال و تقاضاي احتمالي آينده امكان پذير نيست. مدلسازي و پيش بيني مصرف انرژي نقش بسيار مهمي را در توسعه و پيشرفت كشورها براي سياستگذاران و سازمان هاي مرتبط بازي مي كند. بي توجهي به مصرف منجر به كاهش و قطع بالقوه انرژي مي شود كه نابودي زندگي و اقتصاد را در پي دارد. تخمين اضافي انرژي ممكن است منجر به ايجاد ظرفيت بيهوده و غير ضروري شود كه اين به معناي تلف شدن منابع مالي است. بنابراين، بهتر است به منظور اجتناب از اشتباهات هزينه بر، از مدل هايي استفاده شود كه مصرف انرژي را با دقت بالاتري تخمين بزند. همچنين بهتر است مدل هايي به كار گرفته شود كه بتواند از داده هاي مصرف انرژي كه ماهيت غير خطي دارند، در پيش بيني استفاده كرد. هدف از اين پژوهش، پيش بيني مصرف انرژي الكتريكي در شركت برق منطقه اي باختر مي باشد. در اين بررسي داده هاي مصرف برق باختر به عنوان متغير خروجي و داده هاي جمعيت، توليد ناخالص داخلي، واردات و صادرات شامل متغيرهاي ورودي مدل مي باشند. در مدل شبكه هاي عصبي و رگرسيون چندگانه، از شاخص هاي ارزيابي خطاي استاندارد نسبي (RSE)، ميانگين خطا (ME) و مجذور ميانگين مربعات خطا (RMSE) استفاده شد كه نتايج نشان داد الگوي شبكه هاي عصبي (ANN) نسبت به مدل ديگر داراي بالاترين دقت در پيش بيني مي باشد.

Modeling and forecasting of energy consumption plays a very important role in development of countries for policy makers and related organizations. Failure to consume leads to a potential energy cut that results in the destruction of life and economy. Excessive energy estimation may lead to unnecessary capacity building, which means the loss of financial resources. Therefore, it is better to use models that estimate the energy consumption more accurately in order to avoid the cost errors. It is also advisable to use the models that can predict the energy consumption data from a non-linear nature. The purpose of this study is to forecast the short-term energy consumption of electricity in the Bakhtar Electricity Company. The electricity consumption data is considered as output variables and population data, GDP, imports and exports include the input variables of the model. The results indicated that the neural network model has the highest accuracy in predicting compared to the other model, multiple regression.