دانلود پایان نامه : پیش بینی تقاضا برای فرآورده های سوختی نفتی بر مبنای روش های فرا ابتکاری علف های هرز، توده ‌ذرّات ‌و شبکه‌های عصبی مصنوعی

دسته بندی: رشته مدیریت
بازدید

متن کامل پایان نامه مقطع کارشناسی ارشد رشته :مدیریت صنعتی

گرایش :تولید و عملیات

عنوان : پیش بینی تقاضا برای فرآورده های سوختی نفتی بر مبنای روش های فرا ابتکاری علف های هرز، توده ‌ذرّات ‌و شبکه‌های عصبی مصنوعی

دانشگاه علم وهنر

وابسته به جهاد دانشگاهی

پایان نامه مقطع ارشد دانشکده علوم انسانی

گروه مدیریت صنعتی گرایش تولید و عملیات

عنوان:

پیش بینی تقاضا برای فرآورده های سوختی نفتی بر مبنای روش های فرا ابتکاری علف های هرز، توده ‌ذرّات ‌و شبکه‌های عصبی مصنوعی

استاد راهنما:

دکتر حبیب زارع

استاد مشاور:

دکتر علیرضا ناصرصدرآبادی

آبان 1393

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی شود

(در فایل دانلودی نام نویسنده موجود است)

تکه هایی از متن پایان نامه به عنوان نمونه :

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)

چکیده:

فرآورده های سوختی نفتی در کنار سایر عوامل تولید ، یک عامل مؤثر در رشد و توسعۀ اقتصادی تلقی می شود و در عملکرد بخش های مختلف اقتصادی نقش مهمی را ایفا می کند. از این رو مسئولان باید تلاش کنند تا با پیش بینی دقیق تر فرآورده های نفتی و برنامه ریزی صحیح در هدایت مصرف ، پارامتر های عرضه و تقاضای انرژی را به نحو مطلوب کنترل کنند. در این پایان نامه مصرف چهار فرآوردۀ سوختی نفتی عمده در ایران مورد بررسی و پیش بینی قرارگرفته است.

در این مطالعه مصرف فرآورده های سوختی نفتی در ایران با بهره گرفتن از سه تکنیک قدرتمند الگوریتم توده ذرّات ، علف های هرز و شبکه های عصبی مصنوعی پیش بینی شده است. برای این بررسی ، از داده های سالانۀ مربوط به مصرف این چهار فرآورده در بازۀ زمانی (1391-1306) استفاده شده است. نتایج ارزیابی نشان داد که الگوریتم علف های هرز با توجه به معیار MAPE دارای دقت بیشتری است اما با توجه به معیار MSE با توجه به مصرف صعودی بنزین و نفت گاز روش شبکه های هوش مصنوعی دارای دقت بالاتری است و در فرآورده هایی همچون نفت سفید تکنیک توده ذرّات خطای کمتری دارد و در نهایت تکنیک علف های هرز در پیش بینی مصرف نفت کوره بر مبنای معیار MSE دارای دقت بیشتری است.

 

کلمات کلیدی: تقاضا – فرآورده های سوختی – الگوریتم علف های هرز – بهینه سازی توده ذرّات – شبکه های هوش مصنوعی

 

 

 

 

فهرست مطالب

عنوان

  1. فصل اول: کلیّات تحقیق 1

1.1. مقدمه 2

1.2. بیان مسأله 5

1.3. اهمیت پژوهش 6

1.4. اهداف تحقیق 6

1.5. سؤالات پژوهشی 6

1.6. روش تحقیق 7

1.7. قلمرو تحقیق 7

1.7.1. قلمرو موضوعی 7

1.7.2. قلمرو زمانی 7

1.7.1. قلمرو مکانی 7

1.8. شرح واژه و اصطلاحات به کار رفته در پژوهش (مفاهیم عملیاتی): 7

  1. فصل دوم: مبانی‌نظری تحقیق 10

2.1. مقدمه 11

2.2. پیش بینی تقاضای فرآورده های سوختی نفتی 11

2.2.1. پیش بینی تقاضا 11

2.2.2. اهمیت پیش بینی تقاضا 12

2.2.3. سیستم پیش بینی تقاضا 12

2.2.3.1. خروجی های سیستم پیش بینی 13

2.2.3.2. ورودی های سیستم پیش بینی 14

2.2.3.3. محدودیت های سیستم پیش بینی 14

4.3.2.2. تصمیمات سیستم پیش بینی 15

2.2.3.5. معیار عملکرد سیستم پیش بینی 15

2.2.3.6. روشهای پیش بینی تقاضا 16

2.2.4. اندازه گیری و کنترل خطای پیش بینی 19

2.3. فرآورده های سوختی نفتی 21

2.4. اهمیت تکنیک های مورد استفاده 22

2.5. سابقۀ تحقیق (مروری بر مطالعات پیشین) 22

2.5.1. مروری بر مطالعات انجام گرفتۀ داخلی 22

2.5.2. مروری بر مطالعات انجام گرفتۀ خارجی 28

2.6. جمع بندی مرور ادبیّات 32

  1. فصل سوم: روش تحقیق 33

3.1. مقدمه 34

3.2. روش تحقیق 34

3.3. تکنیک های مورد استفاده در تحقیق 34

3.3.1. الگوریتم بهینه سازی علف های هرز(IWO) 34

3.3.1.1. مقدمه 34

3.3.1.2. اکولوژی تولید مثل علف های هرز 35

3.3.1.3. شبیه سازی رفتار علف های هرز 35

3.3.1.4. جزئیات گام های الگوریتم بهینه سازی علف های هرز 36

3.3.1.5. بررسی مشکلات الگوریتم بهینه سازی علف های هرز IWO 39

3.3.1.6. نوآوری در الگوریتم بهینه سازی علف های هرز 39

3.3.1.7. اجزاء و پارامترهای الگوریتم بهینه سازی علف های هرز 39

3.3.1.8. نحوۀ محاسبه دانه های تولیدی و به روزرسانی انحراف معیار 41

3.3.2. الگوریتم بهینه سازی توده ذرّات (PSO) 42

3.3.2.1. مقدمه 42

3.3.2.2. تاریخچۀ بهینه سازی توده ذرّات 43

3.3.2.3. هوش ازدحامی 44

3.3.2.4. کاربردهای الگوریتم بهینه سازی توده ذرّات 45

3.3.2.5. مراحل اجرای الگوریتم بهینه سازی توده ذرّات 45

3.3.2.6. توپولوژی یا ساختار شبکۀ اجتماعی 46

3.3.2.7. بررسی مشکلات الگوریتم بهینه سازی توده ذرّات 47

3.3.2.8. معادلات توصیف کنندۀ رفتار ذرّات 48

3.3.2.9. پارامترهای الگوریتم بهینه سازی توده ذرّات 48

3.3.2.10. مراحل الگوریتم ازدحام ذرات 50

3.3.3. شبکه های هوش مصنوعی (ANN) 50

3.3.3.1. مقدمه 50

3.3.3.2. شبکه عصبی مصنوعی 51

3.3.3.3. شبکۀ MLP 52

3.3.3.4. مدل تک ورودی در شبکه های عصبی 52

3.3.3.5. مدل چند ورودی شبکه عصبی 53

3.3.4. کاربرد شبكه هاي عصبی مصنوعی 54

3.4. مدل اتورگرسیو مرتبۀ P یا AR(P) 55

3.5. روش گردآوری اطلاعات 55

3.6. تعریف بهینه سازی 55

3.6.1. انواع روش های بهینه سازی 56

3.6.1.1. کلاسیک ها 56

3.6.1.2. روش های ابتکاری 56

  1. فصل چهارم تجزیه و تحلیل داده‌ها 57

4.1. مقدمه 58

4.2. جمع آوری داده ها 58

4.3. خطاهای پیش‌بینی 61

4.4. پیشبینی با بهره گرفتن از الگوریتم فراابتکاری علفهای هرز 62

4.4.1. تنظیم پارامترها 62

4.4.2. برآورد وزنهای AR با بهره گرفتن از الگوریتم IWO 64

4.4.3. مقادیر پیشبینی با بهره گرفتن از الگوریتم IWO 66

4.5. پیش بینی با بهره گرفتن از الگوریتم فراابتکاری ازدحام ذرّات 69

4.5.1. مقادیر ویژۀ ضرایب الگوریتم PSO 69

4.5.2. تنظیم پارامتر ها 71

4.5.3. مقادیر پیش بینی با بهره گرفتن از الگوریتم PSO 72

4.6. پیش بینی با بهره گرفتن از شبکه های هوش مصنوعی 76

4.6.1. پیش بینی تقاضا برای بنزین موتور با بهره گرفتن از شبکه های هوش مصنوعی: 76

4.6.1.1. تعداد دوره های ورودی برای پیش بینی بنزین موتور: 76

4.6.1.2. ساختار شبکه های عصبی برای بنزین موتور: 77

4.6.2. پیش بینی تقاضا برای نفت کوره با بهره گرفتن از شبکه های هوش مصنوعی: 79

4.6.2.1. تعداد دوره های ورودی برای پیش بینی نفت کوره: 79

4.6.2.2. ساختار شبکه های عصبی برای نفت کوره: 79

4.6.3. پیش بینی تقاضا برای نفت سفید با بهره گرفتن از شبکه های هوش مصنوعی: 81

4.6.3.1. تعداد دوره های ورودی برای پیش بینی نفت سفید: 81

4.6.3.2. ساختار شبکه های عصبی برای نفت سفید: 82

4.6.4. پیش بینی تقاضا برای نفت گاز با بهره گرفتن از شبکه های هوش مصنوعی: 84

4.6.4.1. تعداد دوره های ورودی برای پیش بینی نفت گاز: 84

4.6.4.2. ساختار شبکه های عصبی برای نفت گاز: 85

  1. فصل پنجم بحث و نتیجه گیری 88

5.1. مقدمه 89

5.2. ارزیابی مدل ها پیش بینی 89

5.3. بررسی سوالات پژوهشی 91

5.4. بحث و نتیجه گیری 91

5.5. پیشنهادات کاربردی 92

5.6. پیشنهادات برای تحقیقات آتی 92

 

 

 

 

 

 

 

فهرست جدول ها

عنوان جدول

جدول ‎2‑1. خلاصه تصمیماتی که از پیش بینی در افق های مختلف برنامه ریزی تأثیر می پذیرد 13

جدول 2‑2. خلاصه مطالعات صورت گرفتۀ داخلی 27

جدول ‎2‑3. خلاصه مطالعات صورت گرفتۀ خارجی 30

جدول 2‑4. عوامل مؤثر بر پیش بینی تابع تقاضای فرآورده های سوختی 31

جدول ‏3‑1. معرفی پارامترها 41

جدول ‏3‑2. پارامتر های الگوریتم بهینه سازی توده ذرّات 49

جدول ‏4‑1. میزان مصرف بنزین موتور از سال 1306 تا 1391 58

جدول ‏4‑2. به میزان مصرف نفت سفید از سال 1306 تا 1391 59

جدول ‏4‑3. میزان مصرف نفت گاز از سال 1306 تا 1391 59

جدول ‏4‑4. میزان مصرف نفت کوره از سال 1306 تا 1391 60

جدول ‏4‑5. تنظیم پارامتر  و مقدار خطای آن در الگوریتم IWO 62

جدول ‏4‑6. تنظیم پارامتر  و مقدار خطای آن در الگوریتم IWO 62

جدول ‏4‑7. تنظیم پارامتر  و مقدار خطای آن در الگوریتم IWO 63

جدول ‏4‑8. تنظیم پارامتر  و مقدار خطای آن در الگوریتم IWO 63

جدول ‏4‑9. تنظیم پارامتر  و مقدار خطای آن در الگوریتم IWO 63

جدول ‏4‑10. تنظیم پارامتر  و مقدار خطای آن در الگوریتم IWO 63

جدول ‏4‑11. تنظیم پارامتر  و مقدار خطای آن در الگوریتم IWO 63

جدول ‏4‑12. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 63

جدول ‏4‑13. میزان پارامترهای الگوریتم IWO 64

جدول ‏4‑14. تنظیم پارامتر تعداد دورههای مورد استفاده برای پیشبینی و مقدار خطای آن 64

جدول ‏4‑15. نتایج حاصل از میزان مختلف بازهها 65

جدول ‏4‑16. مقادیر وزنهای به دست آمده برای مدل AR با بهره گرفتن از الگوریتم IWO 65

جدول ‏4‑17. مقادیر واقعی و پیش بینی شده مصرف بنزین موتور با بهره گرفتن از الگوریتم IWO 66

جدول ‏4‑18. مقادیر واقعی و پیش بینی شده مصرف نفت سفید با بهره گرفتن از الگوریتم IWO 66

جدول ‏4‑19. مقادیر واقعی و پیش بینی شده مصرف نفت گاز با بهره گرفتن از الگوریتم IWO 66

جدول ‏4‑20. مقادیر واقعی و پیش بینی شده مصرف نفت کوره با بهره گرفتن از الگوریتم IWO 67

جدول ‏4‑21. مقادیر خطا برای هر فرآورده بر مبنای الگوریتم IWO 67

جدول ‏4‑22. تنظیم پارامتر  و مقدار خطای آن در الگوریتم PSO 71

جدول ‏4‑23. تنظیم پارامتر  و مقدار خطای آن در الگوریتم PSO 71

جدول ‏4‑24. میزان بهینه پارامترهای الگوریتم PSO 71

جدول ‏4‑25. تنظیم پارامتر تعداد دوره های مورد استفاده برای پیشبینی و مقدار خطای آن در الگوریتم PSO 71

جدول ‏4‑26. نتایج حاصل از میزان مختلف بازه ها در الگوریتم PSO 72

جدول ‏4‑27. مقادیر وزن های بدست آمده برای مدل AR با بهره گرفتن از الگوریتم PSO 72

جدول ‏4‑28. مقادیر خطا برای هر فرآورده بر مبنای الگوریتم PSO Error! Bookmark not defined.

جدول ‏4‑29. مقادیر واقعی و پیش بینی شده مصرف بنزین موتور با بهره گرفتن از الگوریتم PSO 72

جدول ‏4‑30. مقادیر واقعی و پیش بینی شده مصرف نفت سفید با بهره گرفتن از الگوریتم PSO 73

جدول ‏4‑31. مقادیر واقعی و پیش بینی شده مصرف نفت گاز با بهره گرفتن از الگوریتم PSO 73

جدول ‏4‑32. مقادیر واقعی و پیشبینی شده مصرف نفت کوره با بهره گرفتن از الگوریتم PSO 73

جدول ‏4‑33. تنظیم پارامتر تعداد دوره ها و مقدار خطای آن برای پیش بینی مصرف بنزین موتور 76

جدول ‏4‑34. مقادیر وزن مربوط به نرون های لایۀ اول برای پیش بینی مصرف بنزین موتور 77

جدول ‏4-35. مقادیر وزن مربوط به نرون های لایۀ دوم برای پیش بینی مصرف بنزین موتور 77

جدول ‏4‑36. مقادیر وزن مربوط نرون های لایۀ خروجی برای پیش بینی مصرف بنزین موتور 78

جدول ‏4‑37. ضرایب بایاس برای پیش بینی مصرف بنزین موتور 78

جدول ‏4-38. مقدار واقعی و پیش بینی مصرف بنزین موتور با بهره گرفتن از ANN 78

جدول ‏4‑39. تنظیم پارامتر تعداد دوره ها و مقدار خطای آن برای پیش بینی مصرف نفت کوره 79

جدول ‏4‑40. مقادیر وزن مربوط به نرون های لایۀ اول برای پیش بینی مصرف نفت کوره 80

جدول ‏4‑41. مقادیر وزن مربوط به نرون های لایۀ دوم برای پیش بینی مصرف نفت کوره 80

جدول ‏4‑42. مقادیر وزن مربوط نرون های لایۀ خروجی برای پیش بینی مصرف نفت کوره 80

جدول ‏4‑43. ضرایب بایاس برای پیش بینی مصرف نفت کوره 80

جدول ‏4‑44. مقدار واقعی و پیش بینی شده مصرف نفت کوره با بهره گرفتن از ANN 81

جدول ‏4‑45. تنظیم پارامتر تعداد دوره ها و مقدار خطای آن برای پیش بینی مصرف نفت سفید 82

جدول ‏4‑46. مقادیر وزن مربوط به نرون های لایۀ اول برای پیش بینی مصرف نفت سفید 82

جدول ‏4‑47. مقادیر وزن مربوط به نرون های لایۀ دوم برای پیش بینی مصرف نفت سفید 83

جدول ‏4‑48. مقادیر وزن مربوط نرون های لایۀ خروجی برای پیش بینی مصرف نفت سفید 83

جدول ‏4‑49.  ضرایب بایاس برای پیش بینی مصرف نفت سفید 83

جدول ‏4‑50. مقدار واقعی و پیش بینی مصرف نفت سفید با بهره گرفتن از ANN 83

جدول ‏4‑51. تنظیم پارامتر تعداد دوره ها و مقدار خطای آن برای پیش بینی مصرف نفت گاز 84

جدول ‏4‑52. مقادیر وزن مربوط به نرون های لایۀ اول برای پیش بینی مصرف نفت گاز 85

جدول ‏4‑53. مقادیر وزن مربوط به نرون های لایۀ دوم برای پیش بینی مصرف نفت گاز 85

جدول ‏4-54. مقادیر وزن مربوط نرون های لایۀ خروجی برای پیش بینی مصرف نفت گاز 86

جدول ‏4‑55. ضرایب بایاس برای پیش بینی مصرف نفت گاز 86

جدول ‏4‑56. مقدار واقعی و پیش بینی مصرف نفت گاز با بهره گرفتن از ANN 86

 

 

فهرست شکل ها

عنوان شکل

شکل ‏3‑1. شایستگی علف i ام 36

شکل ‏3‑2. 37

شکل ‏3‑3 38

شکل ‏3‑4. 38

شکل ‏3‑5. فلوچارت الگوریتم علف های هرز 42

شکل ‏3‑6. 45

شکل ‏3‑7. تعدادی از ساختار شبکۀ اجتماعی 46

شکل ‏3‑8. ساختار یک نرون تک ورودی 53

شکل ‏3‑9. نرونی با R ورودی 54

شکل ‏4‑1. نمودارپیش بینی مصرف سالیانه بنزین موتور با بهره گرفتن از الگوریتم علف های هرز 67

شکل ‏4‑2. نمودار پیش بینی مصرف سالیانه نفت سفید با بهره گرفتن از الگوریتم علف های هرز 68

شکل ‏4‑3. نمودارپیش بینی مصرف سالیانه نفت گاز با بهره گرفتن از الگوریتم علف های هرز 68

شکل ‏4‑4. نمودار پیش بینی مصرف سالیانه نفت کوره با بهره گرفتن از الگوریتم علف های هرز 69

شکل ‏4‑5. نمودار پیش بینی مصرف سالیانه بنزین موتور با بهره گرفتن از الگوریتم PSO 74

شکل ‏4‑6. نمودار پیش بینی مصرف سالیانه نفت سفید  با بهره گرفتن از الگوریتم PSO 74

شکل ‏4‑7. نمودار پیش بینی مصرف سالیانه نفت گاز  با بهره گرفتن از الگوریتم PSO 75

شکل ‏4‑8. نمودار پیش بینی مصرف سالیانه نفت گاز  با بهره گرفتن از الگوریتم PSO 75

شکل ‏4‑9. ساختار شبکۀ عصبی طراحی شده برای پیش بینی مصرف بنزین موتور 77

شکل ‏4‑10. نمودار مصرف بنزین موتور و مقدار پیش بینی شده با بهره گرفتن از ANN 78

شکل ‏4‑11. ساختار شبکۀ عصبی طراحی شده برای پیش بینی مصرف نفت کوره 79

شکل ‏4‑12. نمودار مصرف نفت کوره و مقدار پیش بینی شده با بهره گرفتن از ANN 81

شکل ‏4‑13. ساختار شبکۀ عصبی طراحی شده برای پیش بینی مصرف نفت سفید 82

شکل ‏4‑14. نمودار مصرف نفت سفید و مقدار پیش بینی شده با بهره گرفتن از ANN 84

شکل ‏4‑15. ساختار شبکۀ عصبی طراحی شده برای پیش بینی مصرف نفت گاز 85

شکل ‏4‑16. نمودار مصرف نفت گاز و مقدار پیش بینی شده با بهره گرفتن از ANN 87

 

1. فصل اول: کلیّات تحقیق

 

 

 

1.1. مقدمه

طي دهه هاي اخير از انرژي به عنوان يكي از عوامل مهم توليد ياد شده است، به طوري كه در كنار ساير عوامل توليد، نقش تعيين كننده اي در حيات اقتصادي كشورها داشته و با توسعه و پيشرفت اقتصادي، اهميت آن به طور فزاينده‌اي افزايش يافته است  وابستگي روزافزون زندگي بشر به انرژي موجب شده است تا اين بخش به طور بالقوه و بالفعل در كاركرد بخشهاي مختلف  اقتصادي كشورها نيز نقش چشم گيري ايفا كند. “بهبودي و همكاران، 1388”

رشد و توسعه اقتصادي، از اهداف اصلي سياست گذاران اقتصادي محسوب مي شود. پژوهشهاي متعدد پژوهشگران در سطح جهان نشان داده است كه سرعت روند رشد و توسعه اقتصادي در كشورهاي جهان تا حدود زيادي به سطح مصرف كارآي انرژي بستگي دارد. “مزرعتي، 1378”

بهبود سطح زندگي مردم و مكانيزه شدن توليد به منظور ارتقاء سطح بهره وري كار، افزايش سريع مصرف انرژي را موجب مي شود، البته افزايش سريع مصرف انرژي در مراحل اوليۀ رشد اقتصادي اتفاق مي افتد. در مراحل بعدي رشد، با پديدار شدن اثرات سوء زيست محيطي و نيز ارتقاي آگاهي ها و حساسيت هاي عمومي، مباحث رشد پايدار و مسايل زيست محيطي اهميت بيشتري پيدا كرده و روند افزايش مصرف انرژي به دليل استفاده بهينۀ آن كاهش مي يابد. “بهبودی و همکاران ، 1388″

علی رغم روند رو به رشد و توسعۀ استفاده از انرژی های نو مانند انرژی هسته ای در سطح جهان، هنوز عمده ترین بخش ازتقاضای انرژی سوخت فسیلی تأمین می شود که از جمله مهم ترین آن نفت خام است. پیش بینی تقاضا انواع مختلف حامل های انرژی از مباحثی است که به ویژه بعد از جنگ جهانی دوم مورد توجه محافل علمی و اقتصادی جهان واقع گردیده است. از اوایل دهۀ 1970 وقتی انرژی توجه سیاستمدران را در نتیجه ی اولین بحران نفتی به خود جلب کرد، تحقیق وبررسی روی تقاضای آن به منظور غلبه بر فهم محدود از ماهیت تقاضای انرژی، به شدت گسترش یافت ” پیندینگ[1] ، 1979″. امروزه نفت به عنوان يك كالاي اقتصادي سياسي نقش مهمي در تحولات جهان ايفا مي‌كند و تا زماني كه منبع انرژي ديگري يافت نشود، هم چنان اثرات دامنه داري بر اقتصاد جهان خواهد داشت و تقريباً تمام مصنوعات بشر در مراحلي از توليد تا توزيع ازمصارف انرژي گرفته تا حمل و نقل، به آن وابسته اند. به گفته دانيل يرگين[2] ، “هنگامي كه به قرن بيست و يكم نگاه مي كنيم، يك بشكه نفت، به اندازه پيشرفت در علوم كامپيوتري مايۀ تسلط و برتري است و نفت مانند گذشته هم چنان مولّد ثروت هاي عظيم براي افراد، شركت ها و تمامي يك كشور است”. از همين رو سياستگذاري نفتي كشورهاي نفت خيز به واقع بخش عمدهاي از سياست گذاري اين كشورها را تشكيل مي دهد و در اين كشورها هرگونه برنامه ريزي مستقيم يا غیرمستقيم متأثر ازسياست هاي نفتي است. “اسلامي نژاد،1386″

در دهه هاى اخير، از انرژى به عنوان يكى از عوامل مهم توليد ياد شده است، به طورى كه دركنار ساير عوامل توليد، نقش تعيين كننده اى درحيات اقتصادى كشورها داشته و با توسعه و پيشرفت اقتصادى، اهميت آن به طور فزاينده اى افزايش يافته است. وابستگى روزافزون زندگى بشر به انرژى موجب شده است تا اين بخش به طور بالقوه و بالفعل، دركاركرد بخش هاى مختلف اقتصادى كشورها نيز نقش چشمگيرى ايفا كند ” بهبودى و همكاران، 1388 “.

تأمين امنيّت عرضۀ انرژي در دنيا ، ازمسائل راهبردى پيش روى همۀ دولت ها است. امروزه درايران ، تلاش ها در بخش مديريت سمت عرضۀ انرژي متمركز است و كمتر به مديريت سمت تقاضاي انرژي توجه مى شود، درحالي كه مديريت تقاضاي انرژي و تلاش براى استفادۀ بهينه از انرژي در همۀ كشورهاي پيشرفته دنيا، از مهم ترين عوامل پيشرفت صنعتي پايدار بوده است ” مبينى دهكردى وهمكاران، 1388″.

ايران از منابع غني و گسترده انرژي، مخازن بزرگ نفتي و گازطبيعي، معادن عظيم زيرزميني و پتانسيل بالقوه انرژي برخوردار است، پيش بينى مصرف انرژي مى تواند در تبيين سياست هاى بخش انرژي، كمك مؤثرى كند. همچنين از آنجايى كه مدتي است موضوع محدود كردن مصرف انرژي به ويژه فرآورده هاى نفتي مانند بنزين، در رأس سياست هاى اقتصادي دولت قرار گرفته است و مشكلات ناشي از افت فشار گازطبيعي، مانند قطع گاز در استان هاى مختلف يا كاهش توليد برق در كارخانجاتي كه سوخت اصلي آنها، گاز طبيعي است، گاهى در كشور ايجاد مي شود و كمبود منابع انرژي ديگر نيز گاهى براي بخش هاى مختلف اقتصاد، مشكل ساز مى شود، پيش بينى و الگوسازى مصرف انرژي، مي‌تواند رهنمود مناسبي براي سياستگذاران بخش انرژي و اقتصاد كشور باشد ” آماده وهمكاران ، 1388 ”

از طرفی تأثیر نفت و حامل های انرژی به ویژه بنزین ، گازوئیل و … در اقتصاد کشور برکسی پوشیده نیست، بنابراین تحقق توسعه پایدار ، در گرو آن است که تولید و بهره برداری از انرژی همراه با سایر نهادها نظیر تکنولوژی، منابع انسانی ، مواد اولیه ، منابع مالی و… بطور هماهنگ و هم ساز برنامه ریزی شود. مصرف فراورده هایی همچون نفت سفید[3]  ، نفت کوره[4] ، بنزین موتور[5] و نفت گاز[6] با در نظر گرفتن اهمیّت آن در بخش های مختلف ، نقش اساسی در رشد و توسعۀ اقتصادی کشورها ایفا می‌کند . بررسی مصرف آتی تقاضای فرآورده های نفتی در جهت شناخت دقیق و صحیح از ساختار رفتاری مصرف ، به منظور برنامه ریزی دقیق در راستای تحقق اهداف مورد نظر، امری ضروری است. آگاهی از میزان تقاضای نفت سفید ، نفت کوره و  بنزین موتور و نفت گاز به منظور اتخاذ تصمیمات صحیح برای برنامه ریزی و سیاست گذاری های مناسب از اهمیّت ویژه ای برخوردار است این مقوله در بخش های مختلف (حمل و نقل ، صادرات و….) سهم قابل توجه ای از مصرف این سه نوع محصول را دارد که از اهمیّت به سزایی برخوردار است . از طرفی در تجزیه و تحلیل تقاضای حامل‌های انرژی مدل های مختلفی مورد استفاده قرار می گیرد ، که برخی فقط برای جهت مطالعه حامل های انرژی طراحی شده و برخی ارتباط آنها را با یکدیگر بررسی می کند.

روش هاى آمارى و اقتصاد سنجى، درمورد پيش بينى سرى هاى زمانى عملكرد خوبى داشته است، اما محدوديت هايى نيزدارد، ازجمله اينكه ممكن است در اين گونه روش ها، فرم تبعى متغيّرهاى مستقل و وابسته در صورت عدم شناخت كافى به درستى تصريح نشود. علاوه براين، داده هاى پرت ممكن است به تخمين اُريب پارامترهاى الگو بيانجامد. درضمن، بيشتر الگوهاى سرى زمانى، خطّى است و بنابراين در تشريح رفتارهاى غيرخطّى ناتواناست ” ابريشمى و همكاران، 1389 “. درپژوهش هاى اخير، از الگوهاى هوش مصنوعى به طور متداول به عنوان ابزار تقريبى غيرخطّى استفاده شده است، به طورى كه مى توان با بهره گرفتن از آن بر مشكلات فوق چیره شد.”جوادپور وكناپ، 2003 “.

هدف پژوهش حاضر، كاربرد الگوهاى هوش مصنوعى، يعنى الگوهاى شبكه هوش مصنوعی، الگوريتم توده ذرّات و الگوریتم علف های هرز، در پيش بينى مصرف انرژى بخش حمل ونقل كشور است تا در پايان بتوان ميزان كارايى اين روش ها را در پيش بينى مصرف انرژى مقايسه كرد.

1.2. بیان مسأله

شاید اغراق نباشد اگر گفته شود که در تمام  دوره های زندگی بشر، نفت ماده شناخته شده ای بوده است. اما در طول چندین دهۀ گذشته ، حیاتی بودن آن برای تداوم زندگی اقتصادی تردید ناپذیر شده است. حدود 75 درصد از کل منابع نفت موجود جهان در خاورمیانه قرار دارد و  ایران یکی از 5 کشور بزرگ مالک ذخایر نفتی در جهان است. نفت از مهم ترین منابع کشور محسوب می شود و مسأله پیش بینی فرآورده های سوختی نفتی در تعیین سیاست بهره برداری از منابع نفتی از اهمیّت ویژه ای برخوردار است. از طرف دیگر  پیش بینی و الگو های آن  یکی از مباحث مهم و حیاتی مدیریت درزمینه برنامه ریزی و تصمیم گیری است که امروزه علاقه فراوانی در استفاده از سیستم های هوشمند به منظور بهبود کیفیّت تصمیم های مدیریتی و کاهش خطاهای پیش بینی به دلیل قابلیت بالای این سیستم ها بوجود آورده است. ایران از جمله کشورهایی است که اساس اقتصاد آن بر درآمد صادرات فراورده های سوختی نفتی بنا شده است. ارتباط حجم و ارزش صادرات نفت و گاز و رشد اقتصادی به منزلۀ افزایش ظرفیّت های اقتصادی یکی از  موضوعات مهم و قابل توجّه برای مراکز تحقیقاتی و برنامه ریزی است. همچنین در دنیای پیچیدۀ امروز پیش بینی و مدیریت تقاضا نقش مهمی در برنامه ریزی حوزۀ انرژی کشورهای نفت خیز دارد ، این بدان دلیل است که نفت یکی از پارامتر و عوامل بسیار مهم در امنیت اقتصادی این کشورها محسوب می شود. براین اساس تخمین تقاضای نفت و فرآورده های سوختی نفتی و تحلیل آن در طول زمان می تواند نقش قابل توجّهی در نیل به اهداف ایفا کند. از طرفی تخمین و پیش بینی میزان تقاضای فرآورده های سوختی نفتی از مدل و تکنیک های مختلفی می تواند صورت بگیرد. اما با توجه به تکنیک های زیادی که ارائه شده است آیا می توان تکنیکی را برتر ، در دقّت برآوردها شناسایی کرد؟

در سال های اخیر شاهد حضور موفق روش های فرا ابتکاری الگوریتم بهینه سازی ازدحام ذرّات[7] و شبکه های عصبی مصنوعی[8] بوده‌ایم. در این تحقیق سعی شده است تا با بهره گرفتن از روش های جدید و نیرومند به پیش بینی فرآورده های نفتی بپردازیم وکیفیّت این روش ها را با یکدیگر مقایسه نمائیم. همچنین با پیشرفت و توسعۀ روش های غیر خطّی همچون شبکه های عصبی ، شبکه های عصبی فازی[9]، الگوریتم ژنتیک[10]، الگوریتم کولونی مورچگان[11]، الگوریتم بهینه سازی ازدحام ذرّات ، الگوریتم بهینه سازی علف های هرز[12] و … می توان از این روش ها برای پیش بینی تقاضا استفاده نمود.

[1]. Pinding

[2]. Daniel Yergin

[3]Kerosene

[4]Mazut

[5]Gasoline

[6]Diesel fuel

[7]Particle Swarm Optimization

[8]Artificial Neural Networks

[9]Fuzzy Neural Network

[10]Genetic Algorithm

[11]Ant Colony Algorithm

[12]Invasive Weed Optimization

تعداد صفحه : 156

قیمت :14700 تومان

بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.

:        ****       serderehi@gmail.com

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

***  *** ***

جستجو در سایت : کلمه کلیدی خود را وارد نمایید :
 

 

0 نظر
user6

نظر خود را در مورد این پست ارسال فرمایید.

نظرات بسته شده است.