پيش بيني تقاضاي انرژي با استفاده از شبكه عصبي مبتني بر الگوريتم انبوه ذرات

Energy Demand Prediction by Using Neural Network based on Patricle Swarm Optimization

انرژي نقش اساسي در فرايند توليد و رفاه اجتماعي داشته و پيش بيني تقاضاي آن به منظور تنظيم بازار و عرضه مطمين آن امري ضروري مي باشد. با توجه به روند پرنوسان و غيرخطي تقاضاي انرژي و متغيرهاي موثر بر آن، مدل هاي غيرخطي بخصوص شبكه-هاي عصبي و الگوريتم انبوه ذرات در اين امر توفيق بيشتري داشته اند. با توجه به اينكه در كنار نقاط قوت فراوان، اين تكنيك ها داراي نقاط ضعفي مانند نياز به تعيين فرم تبعي خاص، نياز به داده هاي آموزشي فراوان و ضعف در يافتن نقطه بهينه سراسري نيز مي-باشند، در اين مطالعه با ادغام آنان به صورت يك الگوريتم تركيبي اين نقايص مرتفع شده است. پس از بكارگيري و مقايسه اين تكنيك تركيبي با ساير روش ها در پيش بيني تقاضاي انرژي طي سال هاي 1346 تا 1390 ، نتايج مطالعه قدرت پيش بيني بالاتر تكنيك تركيبي در كنار قدرت توضيح دهندگي متغيرهاي توضيحي بكار رفته را تاييد مي كند.

Energy has essential role in the production process and social welfare and its demand prediction is esential for regulate the market and the supply. Due to volatilitys and non-linearity of energy demand and its variables, the non-linear models espicialy neural networks(NN) and paricle swarm optimization(PSO) have been more sucsees in this regard. As respects to their weaknesses such as imposing the specific form, necessity to the larg samples and failur to finding global optimum, in this study these shortcomings fixed by combining thes methods as hybrid algorithm. After applying and comparing this technique with common techniques on energy demand prediction between 1967 -2011, the results confirm higher predictive performance of hybrid technique and the explanatory power of the used variables.