ترکیب شبکه های عصبی و الگوریتم های تکاملی در پیش بینی تقاضای انرژی
محل انتشار: مجله سیاست گذاری اقتصادی، دوره: 6، شماره: 11
سال انتشار: 1393
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 37
فایل این مقاله در 35 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_EPYA-6-11_003
تاریخ نمایه سازی: 20 اسفند 1402
چکیده مقاله:
پیشبینی روند تقاضای انرژی جهت اتخاذ سیاستهای مقتضی و مناسب اهمیت فراوانی دارد. به دلیل روند پرنوسان و غیر خطی تقاضای انرژی و متغیرهای موثر بر آن قابلیت روشهای هوشمند و غیر خطی به خصوص شبکههای عصبی و الگوریتمهای تکاملی به منظور پیشبینی تقاضای انرژی در مطالعات مختلف به اثبات رسیده است. با وجود نقاط قوت فراوان، این تکنیکها با مسائل مهمی همچون تحمیل فرم تبعی خاص- در الگوریتمهای تکاملی- یا نیاز به نمونههای آموزشی فراوان- در شبکههای عصبی- مواجه هستند. هدف این مطالعه ارائه یک الگوریتم ترکیبی جهت پیشبینی هرچه دقیقتر تقاضای انرژی میباشد تا ضمن رفع معایب تکنیکهای فردی از مزایای آنان بهصورت همزمان استفاده شود. بدین منظور کارایی تکنیکهای مختلف در پیشبینی تقاضای انرژی طی دوره ۱۳۴۶ تا ۱۳۹۰ مورد بررسی قرار گرفته است. یافتههای پژوهش نشان میدهد استفاده از الگوریتمهای تکاملی در آموزش شبکههای عصبی در شرایط محدودیت دادهها، نتایج مطلوبی داشته و در این بین شبکه عصبی پیشنهادی مبتنی بر ترکیب الگوریتم ژنتیک و انبوه ذرات نتایج بسیار مناسبی ارائه میکند. بهگونهای که مقایسه نتایج با سایر مطالعات در این حوزه علاوه بر تایید قدرت توضیح دهندگی متغیرهای بکار رفته، توانایی بالاتر الگوریتم پیشنهادی را نشان میدهد. همچنین نتایج پیشبینی روند آتی تقاضای انرژی نشان میدهد که میزان مصرف انرژی در سال ۱۴۰۴ بر اساس سه سناریو مختلف معادل ۱۸۱۷، ۱۶۴۳ و ۱۴۵۷ میلیون بشکه نفت خام خواهد بود.
کلیدواژه ها:
نویسندگان
حسین صادقی
عضو هیات علمی دانشکده مدیریت و اقتصاد دانشگاه تربیت مدرس
حسین سهرابی وفا
کارشناس ارشد اقتصاد انرژی پردیس فنی مهندسی شهیدعباسپور
فاطمه نوری
کارشناس ارشد اقتصاد نظری دانشگاه مفید
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :