پیشبینی تولید و مصرف سالیانه برق با استفاده از سری زمانیو شبکه عصبی در شبکه سراسری برق ایران ARIMA

سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,318

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

EECO02_069

تاریخ نمایه سازی: 20 مرداد 1391

چکیده مقاله:

انرژی به طور عام و انرژی الکتریکی به صورت خاص، از ارکان مهم رشد و توسعه اقتصادی جوامع میباشد. پیش بینی تولید ومصرف احتمالی تولید کننگان و مصرف کنندگان از اهمیت بالایی در بهره برداری و برنامه ریزی توسعه سیستم های قدرت برخوردارو شبکه های عصبی جهت پیش بینی تولید و مصرف برق در سیستم ARIMA است. این مقاله به بررسی و مقایسه رفتار سری زمانی 1قدرت ایران میپردازد. بدین منظور اطلاعات میزان تولید و مصرف انرژی به صورت سری زمانی سالانه از سال 1342 تا 1387 به عنوانپایگاه داده استفاده شده و میزان تولید و مصرف برق برای یک دوره 5 ساله یعنی از سال 1388 تا سال 1392 پیش بینی شده است.در مقایسه با شبکه عصبی در پیش بینی میزان تولید و مصرف برق در ARIMA نتایج بدست آمده بیانگر دقت بیشتر سری زمانیسالهای آینده در شبکه سراسری برق ایران میباشد. همچنین این نتایج نشان میدهد که در دوره 5 ساله آینده تولید برق رشدبیشتری نسبت به مصرف خواهد داشت.

کلیدواژه ها:

شبکه عصبی -ARIMA پیشبینی تولید و مصرف انرژی- سری زمانی

نویسندگان

مرتضی یزدانی

دانشگاه اصفهان – دانشکده اقتصاد و علوم اداری – گروه اقتصاد-

مجید معظمی

دانشگاه اصفهان – دانشکده فنی و مهندسی- گروه مهندسی بر - ق

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 :
  • مشاهده می‌شود در مواردی که تعداد داده‌ها کم است و ...
  • صف آرا، ناهید، "خلاصه گزارش بانک جهانی در خصوص بخش ...
  • عسکری، منصور، " پیش‌بینی تقاضای انرژی با روش خودرگرسیون برداری ...
  • گجراتی، دامودار، " مبانی اقتصادسنجی"، ابریشمی، حمید، تهران، دانشگاه تهران، ...
  • Feinberg, E. and D. Genethliou, Chapter 12 Load forecasting. Applied ...
  • Garcia, R., et al., A GARCCH forecasting model to prices. ...
  • Swider, D. and C. Weber, Extended ARMA modes for estimating ...
  • Li, C. and M. Zhang. Application of GARCH Model in ...
  • Haida, T. and S. Muto, Regression based peak load forecasting ...
  • Zheng, T., A. Girgis, and E. Makram, A hybrid wavelet-Kal ...
  • Box, G. and G. Jenkins, Time series analysis: forecasting and ...
  • Kaiser, R., A. Maravall, and B. de Espaia, Notes on ...
  • Catalao, J., et al. An artificial neural network approach for ...
  • Serju, P., Monetary Conditions & Core Inflatio. An Application of ...
  • _ _ _ -ext.worldbank. _ _ ...
  • Fernandez, Viviaa. Forecasting Crude Oil and Natural Gas Spot Prices ...
  • Duzgun, recep. A Comparison Of Artificial Neural Ari ma-Models- Success. ...
  • نمایش کامل مراجع