---

انرژی نقش اساسی در فرایند تولید و رفاه اجتماعی داشته و پیش‌بینی تقاضای آن به منظور تنظیم بازار و عرضه مطمئن آن امری ضروری می‌باشد. با توجه به روند پرنوسان و غیرخطی تقاضای انرژی و متغیرهای موثر بر آن، مدل‌های غیرخطی بخصوص شبکه-های عصبی و الگوریتم انبوه ذرات در این امر توفیق بیشتری داشته‌اند. با توجه به اینکه در کنار نقاط قوت فراوان، این تکنیک‌ها دارای نقاط ضعفی مانند نیاز به تعیین فرم تبعی خاص، نیاز به داده‌های آموزشی فراوان و ضعف در یافتن نقطه بهینه سراسری نیز می-باشند، در این مطالعه با ادغام آنان به صورت یک الگوریتم ترکیبی این نقایص مرتفع شده است. پس از بکارگیری و مقایسه این تکنیک ترکیبی با سایر روش‌ها در پیش‌بینی تقاضای انرژی طی سال‌های ۱۳۴۶ تا ۱۳۹۰ ، نتایج مطالعه قدرت پیش‌بینی بالاتر تکنیک ترکیبی در کنار قدرت توضیح‌دهندگی متغیرهای توضیحی بکار رفته را تائید می‌کند.

---

تابش کل خورشیدی رسیده به سطح زمین یکی از کاربردی‌ترین پارامترهایی است که در پروژه ها و مدل‌سازی‌های برآورد انرژی خورشیدی، هیدرولوژی، کشاورزی، هواشناسی و اقلیمی از اهمیت بالایی برخوردار است. با توجه به اینکه تهیه و ایجاد وسایل اندازه‌گیری این پارامتر هزینه زیادی در بر دارد، معادلات بسیاری جهت برآورد آن توسط محققان در سراسر جهان پیشنهاد شده است. در این تحقیق با استفاده از شبکه عصبی، مدلی جهت پیش بینی لحظه ای تابش در شهر رفسنجان طراحی گردیده است. از مقایسه مقادیر بدست آمده از مدل طراحی شده با مقادیر اندازه گیری شده توسط پیرانومتر برای یک سال، مشخص شد که شاخص‌های آماری RMSE,MBE و t برای شبکه عصبی بترتیب ۰۰۳۷/۰، ۵۳۶۶/۳۶ و ۰۲۳۲/۰ می باشند که نمایانگر عملکرد خوب مدل طراحی شده در شبکه عصبی است.

---

چکیده: مصرف گاز به عنوان منبع انرژی پاک، برای مصارف صنعتی و گرمایشی و حمل‏و‏نقل، به‏طور گسترده‏ای پذیرفته شده‏ است و از میان سوخت‏های فسیلی، مصرف گاز برای داشتن محیط‏ زیستی پاک‏تر مورد توجه بسیار قرار گرفته است. بدلیل اهمیت تأثیر مشخصه‌های هواشناسی در مصرف گاز شهرها و نیز امکان کاهش ناگهانی دما و در نتیجه افزایش میزان مصرف گاز شهرها، ضرورت اطلاع و پیش‌بینی مصرف گاز امری اجتناب‏ناپذیر است که دراین تحقیق به آن پرداخته شده است. در ابتدا برخی از متغیرهای تاثیرگذار بر مصرف گاز با استفاده از روش‏شناسی سطح‏ پاسخ شناسایی گردیده است. در ادامه شبکه‏عصبی نوع GMDH برای مدل‏سازی و پیش‏بینی میزان گاز طبیعی مصرفی در بخش خانگی، با استفاده از مجموعه داده‏های ورودی-خروجی مورد مطالعه قرار گرفته است. برای ارزیابی مدل پیشنهادی، ۸۴ داده مربوط به ۷ سال متوالی از شرکت گاز شهر رشت به صورت موردی بدست آمده است. به منظور مدل‏سازی، داده‏ها به دو دسته (۷۰% برای آموزش و ۳۰% برای آزمایش) تقسیم شده‏اند. نتایج حاصل از مدل‏سازی با داده‏های تجربی مقایسه گردید که ضریب تعیین ۰,۸۹۴۳ بوده و تطابق بسیار خوبی با نتایج تجربی نشان داده است.

---

در تحقیق حاضر، عملکرد یک سامانه گرمایشی خورشیدی گلخانه، مجهز به متمرکزکننده سهموی خطی و جمع­کننده تخت خورشیدی دومنظوره، با استفاده از شبکه عصبی مصنوعی پیش­بینی شده است. در گلخانه مورد آزمایش، گرمای مورد نیاز در شب، به وسیله حرارت ذخیره شده به­وسیله سامانه خورشیدی در طول روز و یک گرم­کن کمکی تأمین می­گردید. حرکت سیال درون مجموعه متمرکزکننده به­وسیله پمپ و در جمع­کننده تخت، به­صورت ترموسیفون بود. از شبکه عصبی پرسپترون چند لایه با روش یادگیری پس‌انتشار خطا به منظور پیش‌بینی مصرف انرژی ذخیره شده در روز به وسیله سامانه گرمایش خورشیدی، مصرف انرژی گرم­کن کمکی و دمای مخزن ذخیره حرارت استفاده شد. ورودی‌های شبکه شامل شدت تابش خورشید، دمای محیط، سرعت باد، دمای سطح، دمای گلخانه، دبی سیال حامل و زمان بودند. حدود ۸۰ درصد از مجموع داده­ها به منظور آموزش، ۱۰ درصد آزمایش و ۱۰ درصد اعتبارسنجی مورد استفاده قرار گرفتند. برای ارزیابی عملکرد شبکه از پارامترهای ضریب تبیین (R²) و میانگین مربعات خطا (MSE) استفاده شد. ساختار شبکه ۱-۱۵-۷ با R² و MSE به ترتیب برابر با ۹۸/۰ و ۰۰۰۱۷/۰ بهترین نتیجه را برای پیش‌بینی مصرف انرژی از حرارت ذخیره شده توسط سامانه خورشیدی نشان داد. ساختار ۱-۱۰-۱۰-۷ با R² و MSE به ترتیب برابر با ۹۹/۰ و ۰۰۰۱۴/۰ و ساختار ۱-۱۵-۵-۷ با R² و MSE به ترتیب برابر با ۹۸/۰ و ۰۰۰۱۱/۰ بهترین نتیجه را به ترتیب برای پیش‌بینی مصرف انرژی گرم­کن کمکی و دمای مخزن ذخیره حرارت ارائه کردند.

---

تجزیه و تحلیل توان تولیدی یک سیستم فتوولتائیک به عواملی نظیر میزان حرارت و تابش مستقیم خورشید بستگی دارد. منبع بی پایان و رایگان انرژی خورشیدی دریافت شده در سطح زمین، دستخوش تغییراتی چون مکان جغرافیایی، ساعات مختلف شبانه روز و فصول مختلف سال می باشد، از این رو ارزیابی صحیح آن یک عامل استراتژیک برای ارزیابی امکان­سنجی یک سیستم فتوولتائیک می باشد. در این مقاله با استفاده از داده های میزان تابش و دمای بدست آمده از مانیتورینگ پنل­های خورشیدی منوکریستال و پلی­کریستال نصب شده در سایت خورشیدی دانشگاه ولی عصر(عج) رفسنجان، یک روش جدید مدل سازی توان تولیدی سیستم های فتوولتائیک ارائه گردیده است. مدل به دست آمده با استفاده از داده های در بازه زمانی یک ساله سایت خورشیدی ذکر شده توسط شبکه عصبی چند لایه پروسپترون آموزش و تست شده اند، حاصل گردیده است. ورودی های این مدل شامل دمای پنل و تابش مستقیم نور خورشید و خروجی آن میزان توان تولید شده توسط پنل های منو کریستال و پلی کریستال این سایت خورشیدی می باشد. باتوجه به نتایج حاصل شده، بهترین پاسخ برای مدل با تابع تحریک در لایه های مخفی logsig,tansig, tansig  و تعداد نرون ]۱۰ ۱۰ ۱۰[ دارای تکرار ۳۲ با میانگین مربعات خطا ۵۱/۲۰۷۸۰ و نیز ضریب همبستگی با داده های تست مقدار ۰/۹۱۴۲، اعتبارسنجی مقدار ۰/۹۱۵۱ و آموزش مقدار ۰/۹۱۶۴۴ انتخاب گردید.

---

امروزه انرژی و میزان مصرف آن، محور استراتژیک برنامه‌ریزی‌های سازمانی است. گسترش سیستم حمل‌ونقل درون‌شهری بدون در نظر گرفتن شرایط گوناگون اقتصادی، علمی، صنعتی، آب و هوایی و رشد روزافزون شهرنشینی امکان­ناپذیر است. تحلیل روندهای پیشین اطلاعات مصرف انرژی جهت پیش­بینی روندهای آینده با درنظرگرفتن نرخ توسعه خطوط مترو، راه­حلی کلیدی در راستای برنامه‌ریزی‌ها و سیاست­گذاری­های کلان آینده محور خواهد بود. در این پژوهش برای پیش­بینی مصرف انرژی خط یک متروی تهران از مدل شبکه عصبی GMDH استفاده‌شده است که از قابلیت شناسایی و غربال کردن متغیرهای ورودی کم اثر در دورۀ آموزش شبکه و حذف آن­ها در دورۀ آزمون، برخوردار می­باشد و همچنین برای درک میزان دقت پیش­بینی با مدل ARIMA مورد مقایسه قرارگرفته است. در این پژوهش، دوازده متغیر اثرگذار بر میزان مصرف انرژی متروی تهران شناسایی‌شده و به‌عنوان متغیرهای ورودی مدل در نظر گرفته‌شده است. نتایج حاکی از آن است که مدل شبکه عصبی GMDH، به‌مراتب خطای کمتری را نسبت به مدل ARIMA دارد و از دقت پیش­بینی بالاتری برخوردار است.
 

---

---

پیش‌بینی اوج مصرف روزانه برق و شناسایی عوامل تعیین‌کننده آن در توازن بین عرضه و تقاضای برق کمک‌کننده است. در این پژوهش اوج مصرف روزانه برق ایران را با رویکردهای مختلف در دوره ۳۰/۱۲/۱۳۹۵- ۱۶/۰۳/۱۴۰۱مدلسازی و پیش‌بینی‌ می‌شود. ۹۰ درصد مشاهدات برای ساخت مدل و مابقی برای ارزیابی مدل پیش‌بینی استفاده می‌شود. نورن های بهینه لایه های پنهان مدل شبکه عصبی(NN) بر اساس معیار حداقل خطای پیش‌بینی در لایه اول ۱۱ و در لایه دوم ۸ برآورد شد. نتایج نشان می‌دهد که فراوانی اوج اول مصرف در ساعت ۱۱ و فراوانی اوج دوم مصرف در ساعت ۲۱ بیشتر از بقیه ساعات است. متغیرهای تعطیلات رسمی، ساعت مصرف انرژی، تعداد مبتلایان جدید به کرونا، دما و رطوبت نسبی هوا و جمعیت در مدل رگرسیون اثر معنی‌دار بر اوج مصرف برق‌ دارند. همچنین اثر متغیر تعطیلات رسمی و دمای هوا بیشتر از سایر متغیرها است. مقایسه نتایج پیش‌بینی اوج مصرف برق نشان می‌دهد که دقت پیش‌بینی مدل‌ها و رویکردهای مختلف یکسان نیست. متوسط درصد خطای پیش‌بینی مدل‌های GLM،NN  و  ARIMA طی ۱۸۷روز(۱۱/۰۹/۱۴۰۰-۱۶/۰۳/۱۴۰۱) به ترتیب ۰/۰۷۹۹، ۰/۰۷۵۴ و ۰/۰۷۱۴ است. پس مدل ARIMA با داشتن حداقل متوسط خطای پیش‌بینی، مدل مناسب پیش‌بینی اوج مصرف است.