مدل‌سازی پیش‌بینی مصرف انرژی با استفاده از روش هوش مصنوعی (مطالعۀ موردی در استان همدان)

نوع مقاله : مطالعه موردی

نویسندگان

1 استاد، دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوری‏ های میان‏ رشته‏ ای، دانشگاه تهران، تهران، ایران

2 دانشجوی دکتری دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوری‏ های میان‏ رشته ای، دانشگاه تهران، تهران، ایران

3 دانشیار دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوری‏ های میان‏ رشته ‏ای، دانشگاه تهران، تهران، ایران

10.22059/ses.2024.383569.1104

چکیده

در این پژوهش از هوش مصنوعی برای پیش‏بینی مصرف انرژی در مناطق سردسیر (مطالعۀ موردی استان همدان) استفاده شده است. در این راستا از مدل‏های شبکه‏های عصبی مصنوعی و منطق فازی به ‏منظور پیش‏بینی روند جاری مصرف انرژی استفاده می‏شود. برای دستیابی به این هدف، از مدل پرسپترون چندلایه با آزمایش چندین معماری ممکن و همچنین، منطق فازی استفاده شده است تا بتوان بهترین قابلیت تعمیم را انتخاب کرد. داده‏های ورودی و خروجی ثبت‌شدۀ واقعی که بر مصرف طولانی‏مدت انرژی تأثیر می‏گذارند، در فرایند آموزش، اعتبارسنجی و تست استفاده شده‌اند. مدل توسعه‏یافتۀ شبکه‏های عصبی برای پیش‏بینی مصرف انرژی استان همدان طی سال‏های ۱۴۰۰ تا ۱۴۰۹ استفاده می‏شود. داده‏ها به ‏صورت سالانه از ترازنامۀ انرژی وزارت نیرو و از سال ۱۳۸۰ تا ۱۳۹۹ استخراج شده است. نتایج خروجی با روش منطق فازی نیز مقایسه می‏شود. همچنین، نتایج شبیه‏سازی به ما نشان می‏دهد تقاضای برق تا سال ۱۴۰۹ به حدود ۳۳18 گیگاوات ساعت خواهد رسید. رویکرد پیشنهادی می‏تواند در اجرای مؤثر سیاست‏های انرژی مفید باشد، زیرا پیش‏بینی دقیق مصرف انرژی بر سرمایه‏گذاری، تحلیل درآمد، و مدیریت تحقیقات بازار تأثیر می‏گذارد و در عین‏ حال امنیت عرضه را حفظ می‏کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Energy consumption Forecast modeling using artificial intelligence method (A case study in Hamadan province)

نویسندگان [English]

  • Younes Noorollahi 1
  • Amin Sharbati 2
  • Ahmad Hajinezhad 3
1 Professor, Department of Sustainable Energy Systems Engineering, Faculty of Energy Engineering and Sustainable Resources, University of Tehran, Tehran, Iran
2 Phd. Student, School of Energy Engineering and Sustainable Resources, College of Interdisciplinary Science and Technologies, University of Tehran, Tehran, Iran
3 Associate Professor, Department of Sustainable Energy Systems Engineering, University of Tehran, Tehran, Iran
چکیده [English]

In this research, artificial intelligence has been used to predict energy consumption in cold regions (case study of Hamadan province). In this regard, artificial neural network models and fuzzy logic are used to predict the current trend of energy consumption. To achieve this goal, the multilayer perceptron model has been used by testing several possible architectures as well as fuzzy logic in order to select the best generalization capability. Real recorded input and output data affecting long-term energy consumption have been used in the training, validation and testing process. In this article, the developed model of neural networks is used to predict the energy consumption of Hamedan province during the years 1400 to 1409. The data is extracted annually from the energy balance sheet of the Ministry of Energy from 1380 to 1399. The output results are also compared with the fuzzy logic method. Also, the simulation results show us that the electricity demand will reach about 3318 gigawatt hours by 1409. The proposed approach can be useful in the effective implementation of energy policies, as accurate energy consumption forecasting affects investment, revenue analysis, and market research management while maintaining security of supply.

کلیدواژه‌ها [English]

  • Forecasting of energy consumption pattern
  • Hamadan province
  • multilayer perceptron model
  • artificial neural networks
  • fuzzy logic

مراجع

[1] Simai, Mobina and Mirabadi. "Short-term forecast modeling of electricity consumption using artificial intelligence methods in Gilan province." Sustainable Energy Systems Quarterly.2023 1.3: 209-230.(persian)
[2] Nooralhi, Yousefi, Abbaspour and Siraj. "Modeling energy systems with the aim of increasing the share of renewals, a case study of Ahvaz city." Scientific-Promotional Journal of Iranian Energy.2019 23.4: 153-171.(persian)
[3] Ekonomou L. Greek long-term energy consumption prediction using artificial neural networks. Energy. 2010 Feb 1;35(2):512-7.
[4] Chapagain K, Kittipiyakul S, Kulthanavit P. Short-term electricity demand forecasting: Impact analysis of temperature for Thailand. Energies. 2020 May 15;13(10):2498.
[5] Rahman MM, Shakeri M, Tiong SK, Khatun F, Amin N, Pasupuleti J, Hasan MK. Prospective methodologies in hybrid renewable energy systems for energy prediction using artificial neural networks. Sustainability. 2021 Feb 23;13(4):2393.
[6] Suganthi L, Samuel AA. Energy models for demand forecasting—A review. Renewable and sustainable energy reviews. 2012 Feb 1;16(2):1223-40.
[7] Brito TC, Brito MA. Forecasting of Energy Consumption: Artificial Intelligence Methods. In2022 17th Iberian Conference on Information Systems and Technologies (CISTI) 2022 Jun 22 (pp. 1-4). IEEE.
[8] Wei N, Li C, Peng X, Zeng F, Lu X. Conventional models and artificial intelligence-based models for energy consumption forecasting: A review. Journal of Petroleum Science and Engineering. 2019 Oct 1;181:106187.
[9] Kalogirou SA. Applications of artificial neural-networks for energy systems. Applied energy. 2000 Sep 1;67(1-2):17-35.
[10] Đozić DJ, Urošević BD. Application of artificial neural networks for testing long-term energy policy targets. Energy. 2019 May 1;174:488-96.
[11] Chugh A, Chaudhary P, Rizwan M. Fuzzy logic approach for short term solar energy forecasting. In2015 Annual IEEE India Conference (INDICON) 2015 Dec 17 (pp. 1-6). IEEE.
[12] Maier HR, Galelli S, Razavi S, Castelletti A, Rizzoli A, Athanasiadis IN, Sànchez-Marrè M, Acutis M, Wu W, Humphrey GB. Exploding the myths: An introduction to artificial neural networks for prediction and forecasting. Environmental modelling & software. 2023 Jul 5:105776.
[13] Sepehr M, Eghtedaei R, Toolabimoghadam A, Noorollahi Y, Mohammadi M. Modeling the electrical energy consumption profile for residential buildings in Iran. Sustainable cities and society. 2018 Aug 1;41:481-9.
[14] Entezari A, Aslani A, Zahedi R, Noorollahi Y. Artificial intelligence and machine learning in energy systems: A bibliographic perspective. Energy Strategy Reviews. 2023 Jan 1;45:101017.
[15] Moosavian SF, Noorollahi Y, Shoaei M. Renewable energy resources utilization planning for sustainable energy system development on a stand-alone island. Journal of Cleaner Production. 2024 Jan 27:140892.
[16] Noorollahi Y, Sadeghi S, Yousefi H, Nohegar AJ. Landslide modelling and susceptibility mapping using AHP and fuzzy approaches. Int J Hydro. 2018;2(2):137-48.
[17] Noorollahi Y, Bigdelou P, Pourfayaz F, Yousefi H. Numerical modeling and economic analysis of a ground source heat pump for supplying energy for a greenhouse in Alborz province, Iran. Journal of Cleaner Production. 2016 Sep 10;131:145-54.
[18] Noorollahi Y, Itoi R, Yousefi H, Mohammadi M, Farhadi A. Modeling for diversifying electricity supply by maximizing renewable energy use in Ebino city southern Japan. Sustainable cities and society. 2017 Oct 1;34:371-84.
[19] Noorollahi Y, Jokar MA, Kalhor A. Using artificial neural networks for temporal and spatial wind speed forecasting in Iran. Energy Conversion and Management. 2016 May 1;115:17-25.
[20] Afzal S, Shokri A, Ziapour BM, Shakibi H, Sobhani B. Building energy consumption prediction and optimization using different neural network-assisted models; comparison of different networks and optimization algorithms. Engineering Applications of Artificial Intelligence. 2024 Jan 1;127:107356.
[21] Mateo-Barcos S, Ribó-Pérez D, Rodríguez-García J, Alcázar-Ortega M. Forecasting electricity demand of municipalities through artificial neural networks and metered supply point classification. Energy Reports. 2024 Jun 1;11:3533-49.
[22] Mfetoum IM, Ngoh SK, Molu RJ, Nde Kenfack BF, Onguene R, Naoussi SR, Tamba JG, Bajaj M, Berhanu M. A multilayer perceptron neural network approach for optimizing solar irradiance forecasting in Central Africa with meteorological insights. Scientific Reports. 2024 Feb 12;14(1):3572.
[23] Muñoz-Zavala AE, Macías-Díaz JE, Alba-Cuéllar D, Guerrero-Díaz-de-León JA. A Literature Review on Some Trends in Artificial Neural Networks for Modeling and Simulation with Time Series. Algorithms. 2024 Feb 7;17(2):76.
فصلنامه سیستم های انرژی پایدار
دوره 3، شماره 4
مهر 1403
صفحه 341-360

فایل ها

هم رسانی

ارجاع به این مقاله

آمار