ترکیب شبکه های عصبی و الگوریتم های تکاملی در پیش بینی تقاضای انرژی

پیش بینی روند تقاضای انرژی جهت اتخاذ سیاست های مقتضی و مناسب اهمیت فراوانی دارد. به دلیل روند پرنوسان و غیر خطی تقاضای انرژی و متغیرهای موثر بر آن قابلیت روش های هوشمند و غیر خطی به خصوص شبکه های عصبی و الگوریتم های تکاملی به منظور پیش بینی تقاضای انرژی در مطالعات مختلف به اثبات رسیده است. با وجود نقاط قوت فراوان، این تکنیک ها با مسائل مهمی همچون تحمیل فرم تبعی خاص- در الگوریتم های تکاملی- یا نیاز به نمونه های آموزشی فراوان- در شبکه های عصبی- مواجه هستند. هدف این مطالعه ارائه یک الگوریتم ترکیبی جهت پیش بینی هرچه دقیق تر تقاضای انرژی می باشد تا ضمن رفع معایب تکنیک های فردی از مزایای آنان به صورت همزمان استفاده شود. بدین منظور کارایی تکنیک های مختلف در پیش بینی تقاضای انرژی طی دوره 1346 تا 1390 مورد بررسی قرار گرفته است. یافته های پژوهش نشان می دهد استفاده از الگوریتم های تکاملی در آموزش شبکه های عصبی در شرایط محدودیت داده ها، نتایج مطلوبی داشته و در این بین شبکه عصبی پیشنهادی مبتنی بر ترکیب الگوریتم ژنتیک و انبوه ذرات نتایج بسیار مناسبی ارائه می کند. به گونه ای که مقایسه نتایج با سایر مطالعات در این حوزه علاوه بر تایید قدرت توضیح دهندگی متغیرهای بکار رفته، توانایی بالاتر الگوریتم پیشنهادی را نشان می دهد. همچنین نتایج پیش بینی روند آتی تقاضای انرژی نشان می دهد که میزان مصرف انرژی در سال 1404 بر اساس سه سناریو مختلف معادل 1817، 1643 و 1457 میلیون بشکه نفت خام خواهد بود.