Application of Particle Swarm Optimization and Genetic Algorithm for Estimation of Total Electricity Consumption in Iran Using Socio-Economic Indicators
محل انتشار: کنفرانس بین المللی فناوری و مدیریت انرژی
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 639
فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IEAC02_255
تاریخ نمایه سازی: 19 اردیبهشت 1395
چکیده مقاله:
Energy planning, formulating strategies and recommending energy policies are the most important reasons of electricity consumption estimating. The main objective of this research is to find the relationship between socio-economic indicators and electricity consumption in Iran using intelligent methods. This study develops Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) demand estimation models based on population, number of customers, gross domestic product (GDP), and price figures. Electricity consumption in Iran from 1979 to 2013 is considered as the case of this study. The available data is partly used for finding the optimal, or near optimal, values of the weighting parameters (1979-2007) and partly for testing the models (2008–2013). For the best results (PSO-exponential), relative error average was 4.99 %.
کلیدواژه ها:
نویسندگان
Arash Mobassery
Department of Management Firoozkooh Branch, Islamic Azad University Firoozkooh, Iran
A. Gholam Abri
Department of Mathematics Firoozkooh Branch, Islamic Azad University Firoozkooh, Iran
Ali Mehdizadeh Ashrafi
Department of Management Firoozkooh Branch, Islamic Azad University Firoozkooh, Iran
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 :