<?xml version="1.0" encoding="utf-8"?>
<journal>
<title>Iranian Journal of Energy</title>
<title_fa>نشریه انرژی ایران</title_fa>
<short_title>IJE</short_title>
<subject>Engineering &amp; Technology</subject>
<web_url>http://necjournals.ir</web_url>
<journal_hbi_system_id>1</journal_hbi_system_id>
<journal_hbi_system_user>admin</journal_hbi_system_user>
<journal_id_issn>1028-3706</journal_id_issn>
<journal_id_issn_online>2322-1240</journal_id_issn_online>
<journal_id_pii></journal_id_pii>
<journal_id_doi></journal_id_doi>
<journal_id_iranmedex></journal_id_iranmedex>
<journal_id_magiran></journal_id_magiran>
<journal_id_sid></journal_id_sid>
<journal_id_nlai></journal_id_nlai>
<journal_id_science></journal_id_science>
<language>fa</language>
<pubdate>
	<type>jalali</type>
	<year>1392</year>
	<month>7</month>
	<day>1</day>
</pubdate>
<pubdate>
	<type>gregorian</type>
	<year>2013</year>
	<month>10</month>
	<day>1</day>
</pubdate>
<volume>16</volume>
<number>3</number>
<publish_type>online</publish_type>
<publish_edition>1</publish_edition>
<article_type>fulltext</article_type>
<articleset>
	<article>


	<language>fa</language>
	<article_id_doi></article_id_doi>
	<title_fa>پیش‌بینی تقاضای انرژی با استفاده از شبکه عصبی مبتنی بر الگوریتم انبوه ذرات</title_fa>
	<title>Energy Demand Prediction by Using Neural Network based on Patricle Swarm Optimization</title>
	<subject_fa>مدل هاي برنامه ريزي انرژی</subject_fa>
	<subject>Energy Planning Models</subject>
	<content_type_fa>پژوهشي</content_type_fa>
	<content_type>Research</content_type>
	<abstract_fa>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 1346 تا 1390 ، نتایج مطالعه قدرت پیش‌بینی بالاتر تکنیک ترکیبی در کنار قدرت توضیح‌دهندگی متغیرهای توضیحی بکار رفته را تائید می‌کند.</abstract_fa>
	<abstract>Energy has essential role in the production process and social welfare and its demand prediction is esential for regulate the market and the supply. Due to volatilitys and non-linearity of energy demand and its variables, the non-linear models espicialy neural networks(NN) and paricle swarm optimization(PSO) have been more sucsees in this regard. As respects to their weaknesses such as imposing the specific form, necessity to the larg samples and failur to finding global optimum, in this study these shortcomings fixed by combining  thes methods as hybrid algorithm. After applying and comparing this technique with common techniques on energy demand prediction between 1967 -2011, the results confirm higher predictive performance of hybrid technique and the explanatory power of the used variables.</abstract>
	<keyword_fa>الگوریتم انبوه‌ذرات، پیش‌بینی، تقاضای انرژی، شبکه عصبی</keyword_fa>
	<keyword>Particle Swarm Optimization(PSO), Prediction, Energy Demand, Neural Network(NN)</keyword>
	<start_page>0</start_page>
	<end_page>0</end_page>
	<web_url>http://necjournals.ir/browse.php?a_code=A-10-1-61&amp;slc_lang=fa&amp;sid=1</web_url>


<author_list>
	<author>
	<first_name>Hossein</first_name>
	<middle_name></middle_name>
	<last_name>Sohrabi Vafa</last_name>
	<suffix></suffix>
	<first_name_fa>حسین </first_name_fa>
	<middle_name_fa></middle_name_fa>
	<last_name_fa>سهرابی وفا</last_name_fa>
	<suffix_fa></suffix_fa>
	<email>SohrabiVafa@gmail.com</email>
	<code>10031947532846001541</code>
	<orcid>10031947532846001541</orcid>
	<coreauthor>Yes
</coreauthor>
	<affiliation></affiliation>
	<affiliation_fa></affiliation_fa>
	 </author>


	<author>
	<first_name>Fatemeh</first_name>
	<middle_name></middle_name>
	<last_name>Noori</last_name>
	<suffix></suffix>
	<first_name_fa>فاطمه </first_name_fa>
	<middle_name_fa></middle_name_fa>
	<last_name_fa>نوری</last_name_fa>
	<suffix_fa></suffix_fa>
	<email>       Nfatemeh67@yahoo.com</email>
	<code>10031947532846001542</code>
	<orcid>10031947532846001542</orcid>
	<coreauthor>No</coreauthor>
	<affiliation></affiliation>
	<affiliation_fa></affiliation_fa>
	 </author>


	<author>
	<first_name>Morteza</first_name>
	<middle_name></middle_name>
	<last_name>Ebadi</last_name>
	<suffix></suffix>
	<first_name_fa>مرتضی </first_name_fa>
	<middle_name_fa></middle_name_fa>
	<last_name_fa>عبادی</last_name_fa>
	<suffix_fa></suffix_fa>
	<email>	   Morteza.Ebadi@ut.ac.ir</email>
	<code>10031947532846001543</code>
	<orcid>10031947532846001543</orcid>
	<coreauthor>No</coreauthor>
	<affiliation></affiliation>
	<affiliation_fa></affiliation_fa>
	 </author>


</author_list>


	</article>
</articleset>
</journal>
