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

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.

شبکه های عصبی, الگوریتم ژنتیک, الگوریتم انبوه ذرات, پیش بینی, تقاضای انرژی