است)

 

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 شبکه 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