مدلسازی و پیشبینی تقاضای برق با استفاده از روشهای ARIMA و GMDH-NN
- سال انتشار: 1393
- محل انتشار: بیست و نهمین کنفرانس بین المللی برق
- کد COI اختصاصی: PSC29_321
- زبان مقاله: فارسی
- تعداد مشاهده: 902
نویسندگان
دانشکده اقتصاد دانشگاه صنعت آب و برق شهید عباسپور تهران، ایران
دانشکده اقتصاد دانشگاه تربیت مدرس تهران، ایران
دانشکده اقتصاد دانشگاه بوعلی سینا همدان، ایران
دانشکده اقتصاد دانشگاه صنعت آب و برق شهید عباسپور تهران، ایران
چکیده
امروزه توجه سیاستمداران و اقتصاددانان به نقش تولیدات بخش کشاورزی در حرکت کشورهای به سوی رشد و توسعه اقتصادی افزایش یافته است. ایران به عنوان کشوری که دارای مزیتهای نسبی فراوانی در بخش کشاورزی است میتواند از این مهم برای رسیدن به اهداف اقتصادی خود بهره گیرد. برق یکی از انواع حاملهای انرژی است که به عنوان نهاده تولیدی در بخش کشاورزی مورد استفاده قرار میگیرد. بنابراین مدلسازی و پیشبینی مصرف برق در بخش کشاورزی اهمیت فراوانی دارد. در این مطالعه تقاضای برق در بخش کشاورزی ایران با استفاده از فرآیند خود رگرسیون میانگین متحرک انباشته (ARIMA) و شبکه عصبی GMDH مدلسازی شده و همچنین کارایی آنها مورد ارزیابی قرار گرفته است. بدین منظور از داده های مصرف برق در بخش کشاورزی در سالهای 1387-1350 برای یادگیری شبکه عصبی و از داده های سالهای 1391-1388 به منظور آزمون مدل استفاده شده است. نتایج مطالعه نشان میدهد شبکه عصبی GMDH با در نظر گرفتن روند غیرخطی سری زمانی مصرف سالانه برق در بخش کشاورزی کارایی به مراتب بالاتری در مقایسه با ARIMA دارد. بنابراین میتوان از این روش به منظور پیشبینی مصرف آتی برق در بخش کشاورزی با اطمینان بیشتری بهره برد.کلیدواژه ها
پیشبینی ، تقاضای برق ، بخش کشاورزی ، GMDH-NN ، ARIMAمقالات مرتبط جدید
- سیستم تشخیص نفوذ در محیط رایانش ابری با استفاده از یادگیری ویژ گی
- کاهش هزینه تعمیراتی ماشین های سنگین از طریق بهبود الگوریتم درخت تصمیم با الگوریتم های انتخاب ویژگی Information Gain ،Correlation و SVM
- پردازش کوانتومی تصاویر پزشکی و تشخیص لبه آن با استفاده از الگوریتم QHED
- بررسی و مقایسه روشهای تشخیص اکانت های جعلی در شبکه های اجتماعی
- مکان یابی و مقدار بهینه منابع تولید پراکنده به منظورکاهش تلفات و بهبود انحراف ولتاژ شبکه نامتعادل توزیع
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.