چکیده:
فرآورده های سوختی نفتی در کنار سایر عوامل تولید ، یک عامل مؤثر در رشد و توسعۀ اقتصادی تلقی می شود و در عملکرد بخش های مختلف اقتصادی نقش مهمی را ایفا می کند. از این رو مسئولان باید تلاش کنند تا با پیش بینی دقیق تر فرآورده های نفتی و برنامه ریزی صحیح در هدایت مصرف ، پارامتر های عرضه و تقاضای انرژی را به نحو مطلوب کنترل کنند. در این پایان نامه مصرف چهار فرآوردۀ سوختی نفتی عمده در ایران مورد بررسی و پیش بینی قرارگرفته است.
در این مطالعه مصرف فرآورده های سوختی نفتی در ایران با بهره گرفتن از سه تکنیک قدرتمند الگوریتم توده ذرّات ، علف های هرز و شبکه های عصبی مصنوعی پیش بینی شده است. برای این بررسی ، از داده های سالانۀ مربوط به مصرف این چهار فرآورده در بازۀ زمانی (1391-1306) استفاده شده است. نتایج ارزیابی نشان داد که الگوریتم علف های هرز با توجه به معیار MAPE دارای دقت بیشتری است اما با توجه به معیار MSE با توجه به مصرف صعودی بنزین و نفت گاز روش شبکه های هوش مصنوعی دارای دقت بالاتری است و در فرآورده هایی همچون نفت سفید تکنیک توده ذرّات خطای کمتری دارد و در نهایت تکنیک علف های هرز در پیش بینی مصرف نفت کوره بر مبنای معیار MSE دارای دقت بیشتری است.
کلمات کلیدی: تقاضا – فرآورده های سوختی – الگوریتم علف های هرز – بهینه سازی توده ذرّات – شبکه های هوش مصنوعی
فهرست مطالب
عنوان
- فصل اول: کلیّات تحقیق 1
1.1. مقدمه 2
1.2. بیان مسأله 5
1.3. اهمیت پژوهش 6
1.4. اهداف تحقیق 6
1.5. سؤالات پژوهشی 6
1.6. روش تحقیق 7
1.7. قلمرو تحقیق 7
1.7.1. قلمرو موضوعی 7
1.7.2. قلمرو زمانی 7
1.7.1. قلمرو مکانی 7
1.8. شرح واژه و اصطلاحات به کار رفته در پژوهش (مفاهیم عملیاتی): 7
- فصل دوم: مبانینظری تحقیق 10
2.1. مقدمه 11
2.2. پیش بینی تقاضای فرآورده های سوختی نفتی 11
2.2.1. پیش بینی تقاضا 11
2.2.2. اهمیت پیش بینی تقاضا 12
2.2.3. سیستم پیش بینی تقاضا 12
2.2.3.1. خروجی های سیستم پیش بینی 13
2.2.3.2. ورودی های سیستم پیش بینی 14
2.2.3.3. محدودیت های سیستم پیش بینی 14
4.3.2.2. تصمیمات سیستم پیش بینی 15
2.2.3.5. معیار عملکرد سیستم پیش بینی 15
2.2.3.6. روش های پیش بینی تقاضا 16
2.2.4. اندازه گیری و کنترل خطای پیش بینی 19
2.3. فرآورده های سوختی نفتی 21
2.4. اهمیت تکنیک های مورد استفاده 22
2.5. سابقۀ تحقیق (مروری بر مطالعات پیشین) 22
2.5.1. مروری بر مطالعات انجام گرفتۀ داخلی 22
2.5.2. مروری بر مطالعات انجام گرفتۀ خارجی 28
2.6. جمع بندی مرور ادبیّات 32
- فصل سوم: روش تحقیق 33
3.1. مقدمه 34
3.2. روش تحقیق 34
3.3. تکنیک های مورد استفاده در تحقیق 34
3.3.1. الگوریتم بهینه سازی علف های هرز(IWO) 34
3.3.1.1. مقدمه 34
3.3.1.2. اکولوژی تولید مثل علف های هرز 35
3.3.1.3. شبیه سازی رفتار علف های هرز 35
3.3.1.4. جزئیات گام های الگوریتم بهینه سازی علف های هرز 36
3.3.1.5. بررسی مشکلات الگوریتم بهینه سازی علف های هرز IWO 39
3.3.1.6. نوآوری در الگوریتم بهینه سازی علف های هرز 39
3.3.1.7. اجزاء و پارامترهای الگوریتم بهینه سازی علف های هرز 39
3.3.1.8. نحوۀ محاسبه دانه های تولیدی و به روزرسانی انحراف معیار 41
3.3.2. الگوریتم بهینه سازی توده ذرّات (PSO) 42
3.3.2.1. مقدمه 42
3.3.2.2. تاریخچۀ بهینه سازی توده ذرّات 43
3.3.2.3. هوش ازدحامی 44
3.3.2.4. کاربردهای الگوریتم بهینه سازی توده ذرّات 45
3.3.2.5. مراحل اجرای الگوریتم بهینه سازی توده ذرّات 45
3.3.2.6. توپولوژی یا ساختار شبکۀ اجتماعی 46
3.3.2.7. بررسی مشکلات الگوریتم بهینه سازی توده ذرّات 47
3.3.2.8. معادلات توصیف کنندۀ رفتار ذرّات 48
3.3.2.9. پارامترهای الگوریتم بهینه سازی توده ذرّات 48
3.3.2.10. مراحل الگوریتم ازدحام ذرات 50
3.3.3. شبکه های هوش مصنوعی (ANN) 50
3.3.3.1. مقدمه 50
3.3.3.2. شبکه عصبی مصنوعی 51
3.3.3.3. شبکۀ MLP 52
3.3.3.4. مدل تک ورودی در شبکه های عصبی 52
3.3.3.5. مدل چند ورودی شبکه عصبی 53
3.3.4. کاربرد شبكه های عصبی مصنوعی 54
3.4. مدل اتورگرسیو مرتبۀ P یا AR(P) 55
3.5. روش گردآوری اطلاعات 55
3.6. تعریف بهینه سازی 55
3.6.1. انواع روش های بهینه سازی 56
3.6.1.1. کلاسیک ها 56
3.6.1.2. روش های ابتکاری 56
- فصل چهارم تجزیه و تحلیل دادهها 57
4.1. مقدمه 58
4.2. جمع آوری داده ها 58
4.3. خطاهای پیشبینی 61
4.4. پیشبینی با بهره گرفتن از الگوریتم فراابتکاری علفهای هرز 62
4.4.1. تنظیم پارامترها 62
4.4.2. برآورد وزنهای AR با بهره گرفتن از الگوریتم IWO 64
4.4.3. مقادیر پیشبینی با بهره گرفتن از الگوریتم IWO 66
4.5. پیش بینی با بهره گرفتن از الگوریتم فراابتکاری ازدحام ذرّات 69
4.5.1. مقادیر ویژۀ ضرایب الگوریتم PSO 69
4.5.2. تنظیم پارامتر ها 71
4.5.3. مقادیر پیش بینی با بهره گرفتن از الگوریتم PSO 72
4.6. پیش بینی با بهره گرفتن از شبکه های هوش مصنوعی 76
4.6.1. پیش بینی تقاضا برای بنزین موتور با بهره گرفتن از شبکه های هوش مصنوعی: 76
4.6.1.1. تعداد دوره های ورودی برای پیش بینی بنزین موتور: 76
4.6.1.2. ساختار شبکه های عصبی برای بنزین موتور: 77
4.6.2. پیش بینی تقاضا برای نفت کوره با بهره گرفتن از شبکه های هوش مصنوعی: 79
4.6.2.1. تعداد دوره های ورودی برای پیش بینی نفت کوره: 79
4.6.2.2. ساختار شبکه های عصبی برای نفت کوره: 79
4.6.3. پیش بینی تقاضا برای نفت سفید با بهره گرفتن از شبکه های هوش مصنوعی: 81
4.6.3.1. تعداد دوره های ورودی برای پیش بینی نفت سفید: 81
4.6.3.2. ساختار شبکه های عصبی برای نفت سفید: 82
4.6.4. پیش بینی تقاضا برای نفت گاز با بهره گرفتن از شبکه های هوش مصنوعی: 84
4.6.4.1. تعداد دوره های ورودی برای پیش بینی نفت گاز: 84
4.6.4.2. ساختار شبکه های عصبی برای نفت گاز: 85
- فصل پنجم بحث و نتیجه گیری 88
5.1. مقدمه 89
5.2. ارزیابی مدل ها پیش بینی 89
5.3. بررسی سوالات پژوهشی 91
5.4. بحث و نتیجه گیری 91
5.5. پیشنهادات کاربردی 92
5.6. پیشنهادات برای تحقیقات آتی 92
فهرست جدول ها
عنوان جدول
جدول 2‑1. خلاصه تصمیماتی که از پیش بینی در افق های مختلف برنامه ریزی تأثیر می پذیرد 13
جدول 2‑2. خلاصه مطالعات صورت گرفتۀ داخلی 27
جدول 2‑3. خلاصه مطالعات صورت گرفتۀ خارجی 30
جدول 2‑4. عوامل مؤثر بر پیش بینی تابع تقاضای فرآورده های سوختی 31
جدول 3‑1. معرفی پارامترها 41
جدول 3‑2. پارامتر های الگوریتم بهینه سازی توده ذرّات 49
جدول 4‑1. میزان مصرف بنزین موتور از سال 1306 تا 1391 58
جدول 4‑2. به میزان مصرف نفت سفید از سال 1306 تا 1391 59
جدول 4‑3. میزان مصرف نفت گاز از سال 1306 تا 1391 59
جدول 4‑4. میزان مصرف نفت کوره از سال 1306 تا 1391 60
جدول 4‑5. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 62
جدول 4‑6. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 62
جدول 4‑7. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 63
جدول 4‑8. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 63
جدول 4‑9. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 63
جدول 4‑10. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 63
جدول 4‑11. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 63
جدول 4‑12. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 63
جدول 4‑13. میزان پارامترهای الگوریتم IWO 64
جدول 4‑14. تنظیم پارامتر تعداد دوره های مورد استفاده برای پیشبینی و مقدار خطای آن 64
جدول 4‑15. نتایج حاصل از میزان مختلف بازهها 65
جدول 4‑16. مقادیر وزنهای به دست آمده برای مدل AR با بهره گرفتن از الگوریتم IWO 65
جدول 4‑17. مقادیر واقعی و پیش بینی شده مصرف بنزین موتور با بهره گرفتن از الگوریتم IWO 66
جدول 4‑18. مقادیر واقعی و پیش بینی شده مصرف نفت سفید با بهره گرفتن از الگوریتم IWO 66
جدول 4‑19. مقادیر واقعی و پیش بینی شده مصرف نفت گاز با بهره گرفتن از الگوریتم IWO 66
جدول 4‑20. مقادیر واقعی و پیش بینی شده مصرف نفت کوره با بهره گرفتن از الگوریتم IWO 67
جدول 4‑21. مقادیر خطا برای هر فرآورده بر مبنای الگوریتم IWO 67
جدول 4‑22. تنظیم پارامتر و مقدار خطای آن در الگوریتم PSO 71
جدول 4‑23. تنظیم پارامتر و مقدار خطای آن در الگوریتم PSO 71
جدول 4‑24. میزان بهینه پارامترهای الگوریتم PSO 71
جدول 4‑25. تنظیم پارامتر تعداد دوره های مورد استفاده برای پیشبینی و مقدار خطای آن در الگوریتم PSO 71
جدول 4‑26. نتایج حاصل از میزان مختلف بازه ها در الگوریتم PSO 72
جدول 4‑27. مقادیر وزن های بدست آمده برای مدل AR با بهره گرفتن از الگوریتم PSO 72
جدول 4‑29. مقادیر واقعی و پیش بینی شده مصرف بنزین موتور با بهره گرفتن از الگوریتم PSO 72
جدول 4‑30. مقادیر واقعی و پیش بینی شده مصرف نفت سفید با بهره گرفتن از الگوریتم PSO 73
جدول 4‑31. مقادیر واقعی و پیش بینی شده مصرف نفت گاز با بهره گرفتن از الگوریتم PSO 73
جدول 4‑32. مقادیر واقعی و پیشبینی شده مصرف نفت کوره با بهره گرفتن از الگوریتم PSO 73
جدول 4‑33. تنظیم پارامتر تعداد دوره ها و مقدار خطای آن برای پیش بینی مصرف بنزین موتور 76
جدول 4‑34. مقادیر وزن مربوط به نرون های لایۀ اول برای پیش بینی مصرف بنزین موتور 77
جدول 4-35. مقادیر وزن مربوط به نرون های لایۀ دوم برای پیش بینی مصرف بنزین موتور 77
جدول 4‑36. مقادیر وزن مربوط نرون های لایۀ خروجی برای پیش بینی مصرف بنزین موتور 78
جدول 4‑37. ضرایب بایاس برای پیش بینی مصرف بنزین موتور 78
جدول 4-38. مقدار واقعی و پیش بینی مصرف بنزین موتور با بهره گرفتن از ANN 78
جدول 4‑39. تنظیم پارامتر تعداد دوره ها و مقدار خطای آن برای پیش بینی مصرف نفت کوره 79
جدول 4‑40. مقادیر وزن مربوط به نرون های لایۀ اول برای پیش بینی مصرف نفت کوره 80
جدول 4‑41. مقادیر وزن مربوط به نرون های لایۀ دوم برای پیش بینی مصرف نفت کوره 80
جدول 4‑42. مقادیر وزن مربوط نرون های لایۀ خروجی برای پیش بینی مصرف نفت کوره 80
جدول 4‑43. ضرایب بایاس برای پیش بینی مصرف نفت کوره 80
جدول 4‑44. مقدار واقعی و پیش بینی شده مصرف نفت کوره با بهره گرفتن از ANN 81
جدول 4‑45. تنظیم پارامتر تعداد دوره ها و مقدار خطای آن برای پیش بینی مصرف نفت سفید 82
جدول 4‑46. مقادیر وزن مربوط به نرون های لایۀ اول برای پیش بینی مصرف نفت سفید 82
جدول 4‑47. مقادیر وزن مربوط به نرون های لایۀ دوم برای پیش بینی مصرف نفت سفید 83
جدول 4‑48. مقادیر وزن مربوط نرون های لایۀ خروجی برای پیش بینی مصرف نفت سفید 83
جدول 4‑49. ضرایب بایاس برای پیش بینی مصرف نفت سفید 83
جدول 4‑50. مقدار واقعی و پیش بینی مصرف نفت سفید با بهره گرفتن از ANN 83
جدول 4‑51. تنظیم پارامتر تعداد دوره ها و مقدار خطای آن برای پیش بینی مصرف نفت گاز 84
جدول 4‑52. مقادیر وزن مربوط به نرون های لایۀ اول برای پیش بینی مصرف نفت گاز 85
جدول 4‑53. مقادیر وزن مربوط به نرون های لایۀ دوم برای پیش بینی مصرف نفت گاز 85
جدول 4-54. مقادیر وزن مربوط نرون های لایۀ خروجی برای پیش بینی مصرف نفت گاز 86
جدول 4‑55. ضرایب بایاس برای پیش بینی مصرف نفت گاز 86
جدول 4‑56. مقدار واقعی و پیش بینی مصرف نفت گاز با بهره گرفتن از ANN 86
فهرست شکل ها
عنوان شکل
شکل 3‑1. شایستگی علف i ام 36
شکل 3‑2. 37
شکل 3‑3 38
شکل 3‑4. 38
شکل 3‑5. فلوچارت الگوریتم علف های هرز 42
شکل 3‑6. 45
شکل 3‑7. تعدادی از ساختار شبکۀ اجتماعی 46
شکل 3‑8. ساختار یک نرون تک ورودی 53
شکل 3‑9. نرونی با R ورودی 54
شکل 4‑1. نمودارپیش بینی مصرف سالیانه بنزین موتور با بهره گرفتن از الگوریتم علف های هرز 67
شکل 4‑2. نمودار پیش بینی مصرف سالیانه نفت سفید با بهره گرفتن از الگوریتم علف های هرز 68
شکل 4‑3. نمودارپیش بینی مصرف سالیانه نفت گاز با بهره گرفتن از الگوریتم علف های هرز 68
شکل 4‑4. نمودار پیش بینی مصرف سالیانه نفت کوره با بهره گرفتن از الگوریتم علف های هرز 69
شکل 4‑5. نمودار پیش بینی مصرف سالیانه بنزین موتور با بهره گرفتن از الگوریتم PSO 74
شکل 4‑6. نمودار پیش بینی مصرف سالیانه نفت سفید با بهره گرفتن از الگوریتم PSO 74
شکل 4‑7. نمودار پیش بینی مصرف سالیانه نفت گاز با بهره گرفتن از الگوریتم PSO 75
شکل 4‑8. نمودار پیش بینی مصرف سالیانه نفت گاز با بهره گرفتن از الگوریتم PSO 75
شکل 4‑9. ساختار شبکۀ عصبی طراحی شده برای پیش بینی مصرف بنزین موتور 77
شکل 4‑10. نمودار مصرف بنزین موتور و مقدار پیش بینی شده با بهره گرفتن از ANN 78
شکل 4‑11. ساختار شبکۀ عصبی طراحی شده برای پیش بینی مصرف نفت کوره 79
شکل 4‑12. نمودار مصرف نفت کوره و مقدار پیش بینی شده با بهره گرفتن از ANN 81
شکل 4‑13. ساختار شبکۀ عصبی طراحی شده برای پیش بینی مصرف نفت سفید 82
شکل 4‑14. نمودار مصرف نفت سفید و مقدار پیش بینی شده با بهره گرفتن از ANN 84
شکل 4‑15. ساختار شبکۀ عصبی طراحی شده برای پیش بینی مصرف نفت گاز 85
شکل 4‑16. نمودار مصرف نفت گاز و مقدار پیش بینی شده با بهره گرفتن از ANN 87
1. فصل اول: کلیّات تحقیق
1.1. مقدمه
طی دهه های اخیر از انرژی به عنوان یكی از عوامل مهم تولید یاد شده است، به طوری كه در كنار سایر عوامل تولید، نقش تعیین كننده ای در حیات اقتصادی كشورها داشته و با توسعه و پیشرفت اقتصادی، اهمیت آن به طور فزایندهای افزایش یافته است وابستگی روزافزون زندگی بشر به انرژی موجب شده است تا این بخش به طور بالقوه و بالفعل در كاركرد بخشهای مختلف اقتصادی كشورها نیز نقش چشم گیری ایفا كند. “بهبودی و همكاران، 1388”
رشد و توسعه اقتصادی، از اهداف اصلی سیاست گذاران اقتصادی محسوب می شود. پژوهشهای متعدد پژوهشگران در سطح جهان نشان داده است كه سرعت روند رشد و توسعه اقتصادی در كشورهای جهان تا حدود زیادی به سطح مصرف كارآی انرژی بستگی دارد. “مزرعتی، 1378”
بهبود سطح زندگی مردم و مكانیزه شدن تولید به منظور ارتقاء سطح بهره وری كار، افزایش سریع مصرف انرژی را موجب می شود، البته افزایش سریع مصرف انرژی در مراحل اولیۀ رشد اقتصادی اتفاق می افتد. در مراحل بعدی رشد، با پدیدار شدن اثرات سوء زیست محیطی و نیز ارتقای آگاهی ها و حساسیت های عمومی، مباحث رشد پایدار و مسایل زیست محیطی اهمیت بیشتری پیدا كرده و روند افزایش مصرف انرژی به دلیل استفاده بهینۀ آن كاهش می یابد. “بهبودی و همکاران ، 1388”
علی رغم روند رو به رشد و توسعۀ استفاده از انرژی های نو مانند انرژی هسته ای در سطح جهان، هنوز عمده ترین بخش ازتقاضای انرژی سوخت فسیلی تأمین می شود که از جمله مهم ترین آن نفت خام است. پیش بینی تقاضا انواع مختلف حامل های انرژی از مباحثی است که به ویژه بعد از جنگ جهانی دوم مورد توجه محافل علمی و اقتصادی جهان واقع گردیده است. از اوایل دهۀ 1970 وقتی انرژی توجه سیاستمدران را در نتیجه ی اولین بحران نفتی به خود جلب کرد، تحقیق وبررسی روی تقاضای آن به منظور غلبه بر فهم محدود از ماهیت تقاضای انرژی، به شدت گسترش یافت ” پیندینگ ، 1979″. امروزه نفت به عنوان یک كالای اقتصادی سیاسی نقش مهمی در تحولات جهان ایفا میكند و تا زمانی كه منبع انرژی دیگری یافت نشود، هم چنان اثرات دامنه داری بر اقتصاد جهان خواهد داشت و تقریباً تمام مصنوعات بشر در مراحلی از تولید تا توزیع ازمصارف انرژی گرفته تا حمل و نقل، به آن وابسته اند. به گفته دانیل یرگین ، “هنگامی كه به قرن بیست و یكم نگاه می كنیم، یک بشكه نفت، به اندازه پیشرفت در علوم كامپیوتری مایۀ تسلط و برتری است و نفت مانند گذشته هم چنان مولّد ثروت های عظیم برای افراد، شركت ها و تمامی یک كشور است”. از همین رو سیاستگذاری نفتی كشورهای نفت خیز به واقع بخش عمدهای از سیاست گذاری این كشورها را تشكیل می دهد و در این كشورها هرگونه برنامه ریزی مستقیم یا غیرمستقیم متأثر ازسیاست های نفتی است. “اسلامی نژاد،1386”
در دهه هاى اخیر، از انرژى به عنوان یكى از عوامل مهم تولید یاد شده است، به طورى كه دركنار سایر عوامل تولید، نقش تعیین كننده اى درحیات اقتصادى كشورها داشته و با توسعه و پیشرفت اقتصادى، اهمیت آن به طور فزاینده اى افزایش یافته است. وابستگى روزافزون زندگى بشر به انرژى موجب شده است تا این بخش به طور بالقوه و بالفعل، دركاركرد بخش هاى مختلف اقتصادى كشورها نیز نقش چشمگیرى ایفا كند ” بهبودى و همكاران، 1388 “.
تأمین امنیّت عرضۀ انرژی در دنیا ، ازمسائل راهبردى پیش روى همۀ دولت ها است. امروزه درایران ، تلاش ها در بخش مدیریت سمت عرضۀ انرژی متمركز است و كمتر به مدیریت سمت تقاضای انرژی توجه مى شود، درحالی كه مدیریت تقاضای انرژی و تلاش براى استفادۀ بهینه از انرژی در همۀ كشورهای پیشرفته دنیا، از مهم ترین عوامل پیشرفت صنعتی پایدار بوده است ” مبینى دهكردى وهمكاران، 1388″.
ایران از منابع غنی و گسترده انرژی، مخازن بزرگ نفتی و گازطبیعی، معادن عظیم زیرزمینی و پتانسیل بالقوه انرژی برخوردار است، پیش بینى مصرف انرژی مى تواند در تبیین سیاست هاى بخش انرژی، كمك مؤثرى كند. همچنین از آنجایى كه مدتی است موضوع محدود كردن مصرف انرژی به ویژه فرآورده هاى نفتی مانند بنزین، در رأس سیاست هاى اقتصادی دولت قرار گرفته است و مشكلات ناشی از افت فشار گازطبیعی، مانند قطع گاز در استان هاى مختلف یا كاهش تولید برق در كارخانجاتی كه سوخت اصلی آنها، گاز طبیعی است، گاهى در كشور ایجاد می شود و كمبود منابع انرژی دیگر نیز گاهى برای بخش هاى مختلف اقتصاد، مشكل ساز مى شود، پیش بینى و الگوسازى مصرف انرژی، میتواند رهنمود مناسبی برای سیاستگذاران بخش انرژی و اقتصاد كشور باشد ” آماده وهمكاران ، 1388 “
از طرفی تأثیر نفت و حامل های انرژی به ویژه بنزین ، گازوئیل و … در اقتصاد کشور برکسی پوشیده نیست، بنابراین تحقق توسعه پایدار ، در گرو آن است که تولید و بهره برداری از انرژی همراه با سایر نهادها نظیر تکنولوژی، منابع انسانی ، مواد اولیه ، منابع مالی و… بطور هماهنگ و هم ساز برنامه ریزی شود. مصرف فراورده هایی همچون نفت سفید[3] ، نفت کوره[4] ، بنزین موتور[5] و نفت گاز[6] با در نظر گرفتن اهمیّت آن در بخش های مختلف ، نقش اساسی در رشد و توسعۀ اقتصادی کشورها ایفا میکند . بررسی مصرف آتی تقاضای فرآورده های نفتی در جهت شناخت دقیق و صحیح از ساختار رفتاری مصرف ، به منظور برنامه ریزی دقیق در راستای تحقق اهداف مورد نظر، امری ضروری است. آگاهی از میزان تقاضای نفت سفید ، نفت کوره و بنزین موتور و نفت گاز به منظور اتخاذ تصمیمات صحیح برای برنامه ریزی و سیاست گذاری های مناسب از اهمیّت ویژه ای برخوردار است این مقوله در بخش های مختلف (حمل و نقل ، صادرات و….) سهم قابل توجه ای از مصرف این سه نوع محصول را دارد که از اهمیّت به سزایی برخوردار است . از طرفی در تجزیه و تحلیل تقاضای حاملهای انرژی مدل های مختلفی مورد استفاده قرار می گیرد ، که برخی فقط برای جهت مطالعه حامل های انرژی طراحی شده و برخی ارتباط آنها را با یکدیگر بررسی می کند.
روش هاى آمارى و اقتصاد سنجى، درمورد پیش بینى سرى هاى زمانى عملكرد خوبى داشته است، اما محدودیت هایى نیزدارد، ازجمله اینكه ممكن است در این گونه روش ها، فرم تبعى متغیّرهاى مستقل و وابسته در صورت عدم شناخت كافى به درستى تصریح نشود. علاوه براین، داده هاى پرت ممكن است به تخمین اُریب پارامترهاى الگو بیانجامد. درضمن، بیشتر الگوهاى سرى زمانى، خطّى است و بنابراین در تشریح رفتارهاى غیرخطّى ناتواناست ” ابریشمى و همكاران، 1389 “. درپژوهش هاى اخیر، از الگوهاى هوش مصنوعى به طور متداول به عنوان ابزار تقریبى غیرخطّى استفاده شده است، به طورى كه مى توان با بهره گرفتن از آن بر مشكلات فوق چیره شد.”جوادپور وكناپ، 2003 “.
هدف پژوهش حاضر، كاربرد الگوهاى هوش مصنوعى، یعنى الگوهاى شبكه هوش مصنوعی، الگوریتم توده ذرّات و الگوریتم علف های هرز، در پیش بینى مصرف انرژى بخش حمل ونقل كشور است تا در پایان بتوان میزان كارایى این روش ها را در پیش بینى مصرف انرژى مقایسه كرد.
1.2. بیان مسأله
شاید اغراق نباشد اگر گفته شود که در تمام دوره های زندگی بشر، نفت ماده شناخته شده ای بوده است. اما در طول چندین دهۀ گذشته ، حیاتی بودن آن برای تداوم زندگی اقتصادی تردید ناپذیر شده است. حدود 75 درصد از کل منابع نفت موجود جهان در خاورمیانه قرار دارد و ایران یکی از 5 کشور بزرگ مالک ذخایر نفتی در جهان است. نفت از مهم ترین منابع کشور محسوب می شود و مسأله پیش بینی فرآورده های سوختی نفتی در تعیین سیاست بهره برداری از منابع نفتی از اهمیّت ویژه ای برخوردار است. از طرف دیگر پیش بینی و الگو های آن یکی از مباحث مهم و حیاتی مدیریت درزمینه برنامه ریزی و تصمیم گیری است که امروزه علاقه فراوانی در استفاده از سیستم های هوشمند به منظور بهبود کیفیّت تصمیم های مدیریتی و کاهش خطاهای پیش بینی به دلیل قابلیت بالای این سیستم ها بوجود آورده است. ایران از جمله کشورهایی است که اساس اقتصاد آن بر درآمد صادرات فراورده های سوختی نفتی بنا شده است. ارتباط حجم و ارزش صادرات نفت و گاز و رشد اقتصادی به منزلۀ افزایش ظرفیّت های اقتصادی یکی از موضوعات مهم و قابل توجّه برای مراکز تحقیقاتی و برنامه ریزی است. همچنین در دنیای پیچیدۀ امروز پیش بینی و مدیریت تقاضا نقش مهمی در برنامه ریزی حوزۀ انرژی کشورهای نفت خیز دارد ، این بدان دلیل است که نفت یکی از پارامتر و عوامل بسیار مهم در امنیت اقتصادی این کشورها محسوب می شود. براین اساس تخمین تقاضای نفت و فرآورده های سوختی نفتی و تحلیل آن در طول زمان می تواند نقش قابل توجّهی در نیل به اهداف ایفا کند. از طرفی تخمین و پیش بینی میزان تقاضای فرآورده های سوختی نفتی از مدل و تکنیک های مختلفی می تواند صورت بگیرد. اما با توجه به تکنیک های زیادی که ارائه شده است آیا می توان تکنیکی را برتر ، در دقّت برآوردها شناسایی کرد؟
در سال های اخیر شاهد حضور موفق روش های فرا ابتکاری الگوریتم بهینه سازی ازدحام ذرّات[7] و شبکه های عصبی مصنوعی[8] بودهایم. در این تحقیق سعی شده است تا با بهره گرفتن از روش های جدید و نیرومند به پیش بینی فرآورده های نفتی بپردازیم وکیفیّت این روش ها را با یکدیگر مقایسه نمائیم. همچنین با پیشرفت و توسعۀ روش های غیر خطّی همچون شبکه های عصبی ، شبکه های عصبی فازی[9]، الگوریتم ژنتیک[10]، الگوریتم کولونی مورچگان[11]، الگوریتم بهینه سازی ازدحام ذرّات ، الگوریتم بهینه سازی علف های هرز[12] و … می توان از این روش ها برای پیش بینی تقاضا استفاده نمود.
[1]. Pinding