عنوان پایان‌نامه
برنامه ریزی عرضه وتقاضای انرزیدر بخش صنعت با استفاده از سیستمهای خبره
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1904;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 47910
- تاریخ دفاع
- ۳۰ بهمن ۱۳۸۹
- دانشجو
- مهدی شهریاری
- استاد راهنما
- سیدفرید قادری
- چکیده
- برنامه ریزی برای عرضه و تقاضای انرژی یکی از مهمترین نیازهای جوامع امروز برای رسیدن به توسعه اقتصادی و رفاه اجتماعی است. روشهای متنوعی برای این برنامه ریزی وجود دارد. ما در این پایان نامه با رویکرد پیش بینی تقاضای انرژی سعی در انجام یک برنامه ریزی مناسب برای عرضه و تقاضای انرژی در بخش صنعت داریم. هدف اصلی از این پایان نامه شناسایی عوامل موثر بر مصرف انرژی و پیش بینی تقاضای انرژی در بخش صنعت است. در فصل اول مقدمه ای از اهمیت انرژی، ضرورت توجه به آن و اهمیت برنامه ریزی انرژی ذکر شده است. در این فصل سوالات و اهمیت تحقیق بیان شده است و در ادامه روند مصرف انرژی در ایران مورد بررسی قرار گرفته است. در این بررسی مشخص شد که کارایی انرژی در ایران از سایر کشورها پائین تر است. این موضوع اهمیت برنامه ریزی انرژی را به خوبی نشان می دهد. در فصل دوم مروری بر مطالعات انجام شده در بخش انرژی انجام داده ایم. این مطالعات به دو بخش تقسیم شده اند، مطالعات انجام گرفته در زمینه مدلهای عرضه و تقاضای انرژی و مطالعات صورت گرفته در زمینه پیش بینی تقاضای انرژی. از این مطالعات در روند انجام این تحقیق بخصوص در بحث تعیین متغیرهای تاثیرگذار بر مصرف انرژی در بخش صنعت استفاده شده است. در فصل سوم مروری بر مدلهای عرضه و تقاضای انرژی صورت گرفته است. در این فصل انواع مختلف این مدلها و ساختارهای آنها بطور مختصر مورد بررسی قرار گرفته اند. در انتهای این فصل دلیل انتخاب رویکرد پیش بینی تقاضا برای برنامه ریزی در زمینه عرضه و تقاضای انرژی توضیح داده شده است. در فصل چهارم مدلهای پیشنهادی برای پیش بینی تقاضای انرژی معرفی شده اند. در ابتدا متغیرهای تاثیرگذار بر مصرف انرژی تعیین شده اند، این متغیرها عبارتند از: ارزش افزوده تولیدی، ارزش سرمایه گذاری، قیمت انرژی، تعداد شاغلین و تعداد کارگاه ها. سپس مصرف انرژی بصورت تابعی از این متغیرها تعریف شده است و از مدلهای مختلف برای برآورد آن استفاده شده است. برای پیش بینی مدلهای متنوع و زیادی وجود دارند. در این مطالعه ما از روشهای رگرسیون خطی، رگرسیون فازی، شبکه عصبی و سیستم نروفازی استفاده کرده و نتایج حاصل از آنها را با هم مقایسه کرده ایم. نتایج حاصل نشان می دهد که مدلهای شبکه عصبی، پیش بینی را با خطای کمتری نسبت به سایر روشها انجام می دهد. مدلهای نروفازی که با استفاده از ANFIS می دهد. مدلهای نروفازی که با استفاده از روشهای رگرسیونی (خطی و فازی) دارای خطای بیشتری نسبت به دو مدل ذکر شده هستند ولی برای انجام کارهایی که در آنها به مقدار بسیار دقیق پیش بینی احتیاج نداریم می توان از آنها استفاده کرد. در آخرین بخش از فصل چهارم مدلهای معرفی شده در قالب یک سیستم خبره بکار گرفته شده اند. به همین منظور یک نرم افزار کمکی گرافیکی طراحی شده است که در آن تمام مدلهای ذکر شده در یک فضا بصورت یکپارچه قرار گرفته اند و به کاربر این امکان را می دهد تا مدل مورد نظر خود را انتخاب کرده و نتایج حاصل از آن را مشاهده کند. این نرم افزار ساختاری هوشمند داشته و می توان از آن برای سایر مطالعات نیز استفاده کرد. در فصل آخر نیز نتایج حاصل از این مطالعه بیان شده و پیشنهاداتی برای مطالعات آینده ارائه شده اند.
- Abstract
- Planning for energy supply and demand is one of the most important requirements for today’s societies. There are a variety of methods for this planning. In this thesis we have performed this task by predicting energy demand in Iran’s industrial sector. The main goal of this thesis is to identify the effective factors on energy consumption and energy demand forecasting. In the first part an introduction is given about energy’s importance. The importance of the research is mentioned in this part. The second part is consisted of a review on related literatures. In the third part, energy demand and energy supply models have been reviewed. Moreover the reason for selecting energy prediction method is explained. The main section of this thesis is the fourth part. In this part, different methods of energy demand forecasting have been introduced. First, five effective factors on energy consumption are introduced. The factors are: Manufacturing value added, Investment, Energy price, Number of workers, Number of workshops. Then energy consumption is modeled as a function of these factors. There are different methods available for energy forecasting. We selected four different methods; Linear regression, Fuzzy regression, Artificial neural networks and ANFIS. The results showed that ANN has the least amount of error for energy forecasting. In the last section of this part, an Expert System is designed for energy demand forecasting. This system combines all the mentioned models in a package. This system provides a very friendly user interface. Users can select their preferred model and compare its results with other models. The designed system is expandable for other works. In the last part the results are discussed and some proposals are offered for future studies.
