چکیده:
هدف اصلی این مطالعه پیش بینی میزان مصرف انرژی الکتریکی در بخش کشاورزی است . برای ایـن منظور از روش های سری زمـانی خـود توضـیح جمعـی میـانگین متحـرک(ARIMA) و شـبکه ی عصبی مصنوعی استفاده شد. به منظور انجام بررسی، از داده هـای سـالانه ی دوره ی ١٣٤٦ تـا ١٣٨٣ برای برآورد و آمـوزش مـدل هـا و از داده هـای دوره ی ١٣٨٤ تـا ١٣٨٧ بـه منظـور بررسـی قـدرت پیش بینی مدل های مختلف استفاده شد. در این مطالعه معیارهای ارزیابی مختلفی شـامل میـانگین قدرمطلق خطا(MAE)، میانگین مجذور خطا(MSE) و درصـد میـانگین مطلـق خطـا(MAPE) مورد استفاده قرار گرفتند. نتایج مطالعه نشان داد که شبکه ی عصبی پرسپترون سه لایـه بـا روش آموزش الگوریتم پس انتشار دارای MAPE معادل ١/٠٢ درصد میباشد کـه کمتـر از مقـدار ایـن آماره برای مدل سری زمانی است (١/١٣ درصد). سایر معیارهای خطا نیز نتایج یکسانی دارنـد و بـر این اساس شبکه ی عصبی قـادر اسـت میـزان مصـرف بـرق در بخـش کشـاورزی را بهتـر از مـدل ARIMA پیش بینی نماید. لذا پیشنهاد میشود وزرات نیرو جهت پیش بینیهای آتی خود از ایـن 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.
خلاصه ماشینی:
"امین ناصری و کوچک زاده (١٣٨٥)، مصرف ماهانه ی بنزین کشور را بـا اسـتفاده از روش هـای سـری زمانی و شبکه های عصبی مصنوعی پیش بینی نمودند و در نهایت نتایج به دست آمده را با استفاده از معیار MSE مقایسه نمودند.
نتایج نشان داد کـه شـبکه هـای عصـبی مصنوعی توانایی بالایی در پیش بینی میزان مصرف بنزین در کشور داشته و خطای این روش کمتـر از مدل های سری زمانی است .
با توجه به اهمیت انرژی الکتریکی در بخش کشاورزی و همچنین افزایش روزافزون میـزان مصـرف برق در کشور، در این مطالعه میزان مصرف برق در بخش کشاورزی بـا اسـتفاده از روش هـای سـری زمانی و شبکه های عصبی مصنوعی پیش بینی شد.
براساس نتایج جدول (٣)، بیشترین مقدار آماره شوارتز- بیزین برابر با ٢٨/٠٨ میباشد که مربوط بـه فرآیندی با تعداد جملات خودرگرسیو برابر با یـک و میـانگین متحـرک برابـر بـا صـفر مـیباشـد و تاییدکننده ی نتایج آماره آکائیک است ، پس بر اساس نتایج معیار شوارتز- بیزین و آکائیـک فرآینـد (١)AR به عنوان بهترین حالت برای پیش بینی مصرف برق در بخش کشاورزی انتخاب گردید.
نتیجه گیری و پیشنهادها در این مطالعه میزان مصرف انرژی الکتریکی در بخش کشاورزی با استفاده از روش های سری زمانی در قالب مدل ARIMA و شبکه ی عصبی مصنوعی پـیش بینـی شـد.
نتایج مطالعه نشـان داد کـه برای پیش بینی میزان مصرف برق در بخش کشاورزی شبکه ی عصبی با ١ نرون در لایه ورودی و ٥ نرون در لایه مخفی به همراه تابع تانژانت زیگموئیدی بهترین عملکـرد را دارد."