ارائه مدل پیش بینی مصرف سالیانه برق در ایران با استفاده از شبکه عصبی نارکس و بررسی تاثیر هدفمندسازی یارانه ها بر آن

Publish Year: 1392
نوع سند: مقاله ژورنالی
زبان: Persian
View: 256

This Paper With 25 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_ECOJ-4-16_004

تاریخ نمایه سازی: 11 آبان 1400

Abstract:

در این پژوهش، مدلی برای پیش­بینی مصرف برق سالیانه ایران بر اساس معیارهای اقتصادی و با استفاده از شبکه های عصبی مصنوعی ارائه و همچنین تاثیر اجرای طرح هدفمندسازی یارانه ها در اولین سال اجرای این طرح بر مصرف برق سالیانه ایران بررسی شده است. بدین صورت که شبکه عصبی نارکس متغیرهای جمعیت و تولید ناخالص داخلی را به عنوان ورودی دریافت کرده و خروجی آن مصرف برق سالیانه در ایران است. برای آزمودن و آموزش شبکه طراحی شده، داده های سال های ۱۳۶۲ تا ۱۳۸۹ جمع آوری شده است که داده های چهار سال آخر برای آزمودن عملکرد شبکه مورد استفاده قرار گرفته است. برای بررسی میزان دقت پیش بینی شبکه طراحی شده، دو مدل شبکه عصبی پرسپترون و مدل سری زمانی آریما نیز طراحی گردیده است که مقایسه نتایج نشان می دهد که شبکه عصبی نارکس توانایی بالاتری در پیش بینی مصرف برق ایران دارد. در این مدل با لحاظ شدن عوامل کلیدی تاثیر گذار بر مصرف برق، مصرف برق سالیانه ایران در سال های قبل از اجرای هدفمندی یارانه ها با دقت بالایی پیش­بینی می شود و بر این اساس میزان مصرف برق ایران در سال ۱۳۹۰ و بررسی این روند در سال های ۱۳۹۱ و ۱۳۹۲ بیانگر تاثیر اجرای طرح هدفمندی یارانه ها در اولین سال پس از اجرای آن بر مصرف برق سالیانه کشور است. کاهش نسبتا محسوس مصرف برق در این سال نسبت به پیش­بینی مدل ارائه شده موید این تاثیر است. نتایج پژوهش حاکی از آن است که با توجه به ساختار شبکه عصبی نارکس و تاثیر تدریجی عامل زمان بر آن از این مدل می توان برای پیش­بینی مصرف برق سالیانه کشور استفاده نمود.

Authors

محمدرضا حمیدی زاده

دانشکده مدیریت و حسابداری دانشگاه شهید بهشتی

محمدجواد کارگر

کارشناسی ارشد مهندسی فناوری اطلاعات دانشگاه تربیت مدرس

محمد حمیدیان

دانشجوی دکتری مدیریت دانشگاه شهید بهشتی

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Amjadi, M.H., H. Nezamabadi-pour, and M.M. Farsangi, Estimation of electricity ...
  • Kavaklioglu, K., et al., Modeling and prediction of Turkey's electricity ...
  • Azadeh, A., S.F. Ghaderi, and S. Sohrabkhani, Forecasting electrical consumption ...
  • Azadeh, A., S.F. Ghaderi, and S. Sohrabkhani, Annual electricity consumption ...
  • Padmakumari, K., K.P. Mohandas, and S. Thiruvengadam, Long term distribution ...
  • Azadeh, A., et al., A hybrid simulation-adaptive network based fuzzy ...
  • Azadeh, A., et al., Integration of artificial neural networks and ...
  • Azadeh, A., M. Saberi, and O. Seraj, An integrated fuzzy ...
  • Yalcinoz, T. and U. Eminoglu, Short term and medium term ...
  • Hsu, C.C.H. and Y.C.H. Chen, Regional load forecasting in Taiwan ...
  • Beccali, M., et al., Forecasting daily urban electric load profiles ...
  • Azadeh, A., S.F. Ghaderi, and S. Sohrabkhani, A simulated-based neural ...
  • Ekonomou, L., Greek long-term energy consumption prediction using artificial neural ...
  • Meng, M. and D. Niu, Annual electricity consumption analysis and ...
  • Kheirkhah, A., et al., Improved estimation of electricity demand function ...
  • Kolen, J.F. and S.C. Kremer, A field guide to dynamical ...
  • Bengio, Y., P. Simard, and P. Frasconi, Learning long-term dependencies ...
  • Lin, T., B.G. Horne, and C.L. Giles, How embedded memory ...
  • Leontaritis, I.J. and S.A. Billings, Input-output parametric models for nonlinear ...
  • Hornik, K., Some new results on neural network approximation. Neural ...
  • Box, G.E. and G.M. Jenkins, Time series analysis: Forcasting and ...
  • نمایش کامل مراجع