استفاده از رهیافتهای شبکههای عصبی مصنوعی و سری زمانی در پیشبینی میزان مصرف انرژی الکتریکی در بخش کشاورزی
محورهای موضوعی : فصلنامه علمی -پژوهشی تحقیقات اقتصاد کشاورزی
مهرزاد ابراهیمی
1
(عضو هئیت علمی دانشکده اقتصاد و مدیریت دانشگاه آزاد اسلامی واحد شیراز)
کلید واژه: شبکه عصبی مصنوعی, مصرف انرژی, پیشبینی, بخش کشاورزی,
چکیده مقاله :
هدف اصلی این مطالعه پیش بینی میزان مصرف انرژی الکتریکی در بخشکشاورزی است. برای این منظور از روشهای سری زمانی خود توضیح جمعی میانگین متحرک(ARIMA) و شبکه ی عصبی مصنوعی استفاده شد. به منظور انجام بررسی، از دادههای سالانه ی دوره ی 1346 تا 1383 برای برآورد و آموزش مدلها و از دادههای دوره ی 1384 تا 1387 به منظور بررسی قدرت پیشبینی مدلهای مختلف استفاده شد. در این مطالعه معیارهای ارزیابی مختلفی شامل میانگین قدرمطلق خطا(MAE)، میانگین مجذور خطا(MSE) و درصد میانگین مطلق خطا(MAPE) مورد استفاده قرار گرفتند. نتایج مطالعه نشان داد که شبکه ی عصبی پرسپترون سه لایه با روش آموزش الگوریتم پس انتشار دارای MAPE معادل 02/1 درصد میباشد که کمتر از مقدار این آماره برای مدل سری زمانی است(13/1 درصد). سایر معیارهای خطا نیز نتایج یکسانی دارند و بر این اساس شبکه ی عصبی قادر است میزان مصرف برق در بخش کشاورزی را بهتر از مدل ARIMA پیش بینی نماید. لذا پیشنهاد میشود وزرات نیرو جهت پیشبینیهای آتی خود از این روش استفاده نماید.
The main object of this study is to predict electricity consumption of agricultural sector in Iran. To get the objective, time series method of Auto-Regressive Moving Average (ARMA) and artificial neural networks (ANN) were used. Annual data for period of 1967 to 2008 was used. The Mean Absolute Percent Error (MAPE), Root of Mean of Squared Error (RMSE) and Mean Absolute Error (MAE) criteria were used for comparing the ability of different forecasting methods. As the result showed Feed Forward artificial neural network with back proportion algorithm can predict electricity consumption with MAPE equal to 1.02%, while the corresponding value for time series model obtained 1.13 percent. Other criteria also revealed the same result, so, ANN is expected to predict electricity consumption more precise than ARMA model. Therefore, energy ministry may use ANN in future predictions.