استفاده از رهيافت‌هاي شبكه‌هاي عصبي مصنوعي و سري زماني در پيش‌بيني ميزان مصرف انرژي الكتريكي در بخش كشاورزي

Comparison of Artificial Neural Network and Time Series Approach for Forecasting Electricity Consumption in Agricultural Sector

هدف اصلي اين مطالعه پيش بيني ميزان مصرف انرژي الكتريكي در بخش‌كشاورزي است. براي اين منظور از روش‌هاي سري زماني خود توضيح جمعي ميانگين متحرك(ARIMA) و شبكه ي عصبي مصنوعي استفاده شد. به منظور انجام بررسي، از داده‌هاي سالانه ي دوره ي 1346 تا 1383 براي برآورد و آموزش مدل‌ها و از داده‌هاي دوره ي 1384 تا 1387 به منظور بررسي قدرت پيش‌بيني مدل‌هاي مختلف استفاده شد. در اين مطالعه معيارهاي ارزيابي مختلفي شامل ميانگين قدرمطلق خطا(MAE)، ميانگين مجذور خطا(MSE) و درصد ميانگين مطلق خطا(MAPE) مورد استفاده قرار گرفتند. نتايج مطالعه نشان داد كه شبكه ي عصبي پرسپترون سه لايه با روش آموزش الگوريتم پس انتشار داراي MAPE معادل 02/1 درصد مي‌باشد كه كمتر از مقدار اين آماره براي مدل سري زماني است(13/1 درصد). ساير معيارهاي خطا نيز نتايج يكساني دارند و بر اين اساس شبكه ي عصبي قادر است ميزان مصرف برق در بخش كشاورزي را بهتر از مدل ARIMA پيش بيني نمايد. لذا پيشنهاد مي‌شود وزرات نيرو جهت پيش‌بيني‌هاي آتي خود از اين روش استفاده نمايد.

The objective of this study was to forecast amount of electricity consumption in agricultural sector of Iran. To achieve this objective, time series method of Auto-Regressive Moving Average (ARMA) and artificial neural networks (ANN) were used. Annual data for period of 1967 to 2008 was used. The Mean Absolute Percent Error (MAPE), Root of Mean of Squared Error (RMSE) and Mean Absolute Error (MAE) criteria were used for comparing the ability of different forecasting methods. Results showed that Feed Forward Artificial Neural Network with back proportion algorithm could predict electricity consumption with MAPE equal to 1.02% while the corresponding value for time series model was 1.13 percent. Other criteria also revealed the same result, so, ANN is expected to predict electricity consumption more precisely compare to ARMA model.