پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,196 |
| تعداد مقالات | 77,227 |
| تعداد مشاهده مقاله | 157,218,088 |
| تعداد دریافت فایل اصل مقاله | 118,403,696 |
مدلسازی و پیشبینی مصرف انرژی الکتریکی با استفاده از مدل یادگیری ماشین تجمیعی استکینگ بهینهشده مبتنی بر الگوریتم بهینهسازی ازدحام ذرات | ||
| فصلنامه سیستم های انرژی پایدار | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 05 خرداد 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ses.2026.412276.1222 | ||
| نویسندگان | ||
| امیر بهرامی یاجلو* 1؛ امیر محمد حدادی2؛ عرفان عباسیان همدانی1؛ محمدحسین نوذری3؛ محمد هادی اسلامیان4؛ کیانوش چوبینه5 | ||
| 1گروه مهندسی سیستمهای انرژی، دانشکده مهندسی انرژی و فیزیک، دانشگاه صنعتی امیرکبیر (پلیتکنیک تهران)، تهران، ایران | ||
| 2گروه مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران | ||
| 3دانشکده مهندسی مکانیک، دانشگاه شیراز، شیراز، ایران | ||
| 4دانشکده مهندسی انرژی و فیزیک، دانشگاه صنعتی امیرکبیر، تهران، ایران | ||
| 5گروه انرژی های تجدیدپذیر، دانشکده مهندسی انرژی، دانشگاه شهید بهشتی، تهران، ایران | ||
| چکیده | ||
| پیشبینی دقیق مصرف انرژی الکتریکی یکی از الزامات اصلی برنامهریزی بلندمدت انرژی و توسعه زیرساختهای برق است. با توجه به اثر همزمان عوامل اقتصادی، جمعیتی، تجاری و اقلیمی بر تقاضای برق، در این پژوهش یک چارچوب دادهمحور مبتنی بر مدل یادگیری ماشین تجمیعی استکینگ بهینهشده با الگوریتم بهینهسازی ازدحام ذرات ارائه شده است. برای این منظور، دادههای سالانه ۱۹۹۱ تا ۲۰۲۰ برای شش کشور ایران، ایالات متحده، چین، آلمان، استرالیا و ترکیه استفاده شد و پنج متغیر جمعیت، تولید ناخالص داخلی، واردات انرژی، صادرات انرژی و میانگین سالانه دمای هوا بهعنوان ورودی مدل در نظر گرفته شدند. عملکرد مدلهای ANN، Ridge، Stack و Stack-PSO با شاخصهای MSE، MAE، R² و MAPE ارزیابی شد. نتایج نشان داد که مدل Stack-PSO در مجموع و در بیشتر موارد عملکرد برتری نسبت به سایر مدلها داشته است. مقدار R² این مدل در کشورهای مورد بررسی در بازه 0/974 تا 0/997 قرار گرفت. کمترین مقدار MSE مربوط به چین و برابر با 0/00015 بود و در ایران نیز MSE مدل Stack-PSO به 0/00042 و R² به 0/996 رسید. همچنین کمترین MAPE در ایالات متحده برابر با 2/5 درصد به دست آمد که نشاندهنده دقت بالای مدل پیشنهادی در کاهش خطای پیشبینی است. سپس با استفاده از مدل برتر، مصرف انرژی الکتریکی تا افق ۲۰۳۵ پیشبینی شد و نتایج نشان داد که روند کلی مصرف در اغلب کشورها افزایشی است، هرچند شدت رشد بین کشورها متفاوت بوده و در برخی موارد الگوی رشد ملایمی مشاهده شد. | ||
| کلیدواژهها | ||
| مصرف انرژی الکتریکی؛ پیشبینی؛ یادگیری ماشین؛ مدل تجمیعی؛ بهینهسازی ازدحام ذرات | ||
|
آمار تعداد مشاهده مقاله: 612 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب