پیش‌بینی بلندمدت مصرف برق با استفاده از شبکه عصبی با پس‌انتشار خطا و الگوریتم‌های بهینه‌سازی PSO و SFL

بررسی اجمالی پروژه

با توجه به نقش كليدي انرژي الكتريكي در اقتصاد ملي و تأثير آن به‌عنوان زيرساختی اساسي در توسعة ساير بخش‌ها، شناخت فرايند مصرف انرژي الكتريكي در افق بلندمدت اهميت ويژه‌اي دارد. علاوه‌براين، به‌دليل هزينه‌هاي بسيار زياد توليد انرژي الكتريكي و لزوم برنامه‌ريزي به منظور تأمين بودجۀ موردنياز پيش‌بينيِ تقاضاي بلندمدت مصرف برق اجتناب‌ناپذير است .اين بحث در كشورهاي درحال‌توسعه به‌دليل رشد سريع مصرف انرژي الكتريكي از اهميتي دوچندان برخوردار است. علاوه‌ بر تخمين بودجۀ لازم، برنامه‌ريزي برای توسعة نيروگاه‌ها، محاسبۀ ظرفيت‌هاي موردنياز، و برنامه‌ريزي انرژي در بخش‌هاي مختلفْ نيازمند شناخت مدل مصرف و عوامل تأثيرگذار بر آن است .

در این پروژه شبیه سازی قصد داریم به پیش‌بینی بلند‌مدت مصرف برق ایران در سال‌های 1398ـ1413 بپردازیم. ازآنجاکه رابطۀ بین متغیرهای مستقل و وابسته گاهی نامشخص و غیرخطی است، تعریف رابطه یا ساختار ریاضی بین این متغیرها کار آسانی نیست. بنابراین، از شبکۀ عصبی مصنوعی (ANN) برای حل این مسئله استفاده می‌کنیم که هم در حل مسئلۀ روابط خطی و هم روابط غیرخطی کارآمد است. مهم‌ترین مرحله در پیش‌بینی به‌وسیلۀ ANN انتخاب متغیرهای مستقلی است که دقیق‌ترین تخمین را از متغیر وابسته به دست می‌دهند. این در حالی است که دخیل‌کردنِ متغیرهای بیش‌ازحد مدل را پیچیده کرده و زمان محاسبه را به‌طور چشمگیری افزایش می‌دهد و کنارگذاشتنِ متغیرهای مستقل مهم درستی مدل را زیر سؤال برده و از قابلیت پیش‌بینی آن می‌کاهد. در این پروژه شبیه سازی عوامل جمعیت، تولید ناخالص ملی، و واردات و صادرات به‌عنوان متغیرهای مستقل و مؤثر بر مصرف برق انتخاب شده‌اند.

 در این پروژه برای حل مسئلۀ پیش‌بینی مصرف برق توسط شبکۀ عصبی از سه روش استفاده می شود و به این ترتیب به سه طریق وزن‌های شبکۀ عصبی تنظیم شده است :

1. یک شبکۀ پرسپترون چندلایۀ پیش‌خور با پس‌انتشار خطا که وزن‌های آن به روش گرادیان کاهشی (GD) بهینه شده است؛ 2.  پرسپترون چندلایۀ پیش‌خوری که وزن‌های آن توسط الگوریتم ازدحام ذرات (PSO) بهینه شده است؛ 3. یک پرسپترون چند‌لایۀ پیش‌خور که از الگوریتم بهینه‌سازی SFL برای بهینه‌سازی وزن‌های آن استفاده شده است. نتایج برآمده از تحقیق نشان می‌دهد که الگوریتم PSO در بهینه‌کردنِ وزن‌های شبکۀ عصبی و به‌دست‌دادنِ پیش‌بینی دقیق‌‌تر بهتر عمل می کند. تمامی مراحل این شبیه سازی در محیط نرم افزار متلب انجام شده است.