پایان نامه پیش بینی تقاضا برای فرآورده های سوختی نفتی بر مبنای روش های فرا ابتکاری علف های هرز، توده ‌ذرّات ‌و شبکه‌های عصبی مصنوعی

دانلود پایان نامه

پایان نامه کارشناسی ارشد دانشکده علوم انسانی

گروه مدیریت صنعتی گرایش تولید و عملیات

عنوان:

پیش بینی تقاضا برای فرآورده های سوختی نفتی بر مبنای روش های فرا ابتکاری علف های هرز، توده ‌ذرّات ‌و شبکه‌های عصبی مصنوعی

استاد راهنما:

دکتر حبیب زارع

آبان 1393

پایان نامه

(مقطع کارشناسی ارشد)

بخش هایی از متن پایان نامه :

(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)

چکیده:

فرآورده های سوختی نفتی در کنار سایر عوامل تولید ، یک عامل مؤثر در رشد و توسعۀ اقتصادی تلقی می گردد و در عملکرد بخش های مختلف اقتصادی تأثیر مهمی را اعمال می کند. از این رو مسئولان بایستی کوشش 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 مطالعه و پیش بینی قرارگرفته می باشد.

در این مطالعه مصرف فرآورده های سوختی نفتی در ایران با بهره گیری از سه تکنیک قدرتمند الگوریتم توده ذرّات ، علف های هرز و شبکه های عصبی مصنوعی پیش بینی شده می باشد. برای این مطالعه ، از داده های سالانۀ مربوط به مصرف این چهار فرآورده در بازۀ زمانی (1391-1306) بهره گیری شده می باشد. نتایج ارزیابی نشان داد که الگوریتم علف های هرز با در نظر داشتن معیار MAPE دارای دقت بیشتری می باشد اما با در نظر داشتن معیار MSE با در نظر داشتن مصرف صعودی بنزین و نفت گاز روش شبکه های هوش مصنوعی دارای دقت بالاتری می باشد 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 می باشد.

 

کلمات کلیدی: تقاضا – فرآورده های سوختی – الگوریتم علف های هرز – بهینه سازی توده ذرّات – شبکه های هوش مصنوع

فهرست مطالب

  1. فصل اول: کلیّات پژوهش 1

1.1. مقدمه 2

1.2. اظهار مسأله 5

1.3. اهمیت پژوهش 6

1.4. اهداف پژوهش 6

1.5. سؤالات پژوهشی 6

1.6. روش پژوهش 7

1.7. قلمرو پژوهش 7

1.7.1. قلمرو موضوعی 7

1.7.2. قلمرو زمانی 7

1.7.1. قلمرو مکانی 7

1.8. توضیح واژه و اصطلاحات به کار رفته در پژوهش (مفاهیم عملیاتی): 7

  1. فصل دوم: مبانی‌نظری پژوهش 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. روشهای 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 بهره گیری 22

2.5. سابقۀ پژوهش (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

  1. فصل سوم: روش پژوهش 33

3.1. مقدمه 34

3.2. روش پژوهش 34

3.3. تکنیک های مورد بهره گیری در پژوهش 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. مطالعه معضلات 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. مطالعه معضلات 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

  1. 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 گیری از الگوریتم فراابتکاری علفهای هرز 62

4.4.1. تنظیم پارامترها 62

4.4.2. برآورد وزنهای AR با بهره گیری از الگوریتم IWO 64

4.4.3. مقادیر پیشبینی با بهره گیری از الگوریتم IWO 66

4.5. پیش بینی با بهره گیری 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 گیری از الگوریتم PSO 72

4.6. پیش بینی با بهره گیری از شبکه های هوش مصنوعی 76

4.6.1. پیش بینی تقاضا برای بنزین موتور با بهره گیری 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 گیری 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 گیری 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 گیری 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

  1. فصل پنجم بحث و نتیجه گیری 88

5.1. مقدمه 89

5.2. ارزیابی مدل ها پیش بینی 89

5.3. مطالعه سوالات پژوهشی 91

5.4. بحث و نتیجه گیری 91

5.5. پیشنهادات کاربردی 92

5.6. پیشنهادات برای تحقیقات آتی 9

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

فهرست جدول ها

جدول ‎2‑1. اختصار تصمیماتی که از پیش بینی در افق های مختلف برنامه ریزی تأثیر می پذیرد 13

جدول 2‑2. اختصار مطالعات صورت گرفتۀ داخلی 27

جدول ‎2‑3. اختصار 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 دورههای مورد بهره گیری 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 گیری از الگوریتم IWO 65

جدول ‏4‑17. مقادیر واقعی و پیش بینی شده مصرف بنزین موتور با بهره گیری از الگوریتم IWO 66

جدول ‏4‑18. مقادیر واقعی و پیش بینی شده مصرف نفت سفید با بهره گیری از الگوریتم IWO 66

جدول ‏4‑19. مقادیر واقعی و پیش بینی شده مصرف نفت گاز با بهره گیری از الگوریتم IWO 66

جدول ‏4‑20. مقادیر واقعی و پیش بینی شده مصرف نفت کوره با بهره گیری 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 بهره گیری 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 گیری از الگوریتم PSO 72

جدول ‏4‑28. مقادیر خطا برای هر فرآورده بر مبنای الگوریتم PSO Error! Bookmark not defined.

جدول ‏4‑29. مقادیر واقعی و پیش بینی شده مصرف بنزین موتور با بهره گیری از الگوریتم PSO 72

جدول ‏4‑30. مقادیر واقعی و پیش بینی شده مصرف نفت سفید با بهره گیری از الگوریتم PSO 73

جدول ‏4‑31. مقادیر واقعی و پیش بینی شده مصرف نفت گاز با بهره گیری از الگوریتم PSO 73

شما می توانید تکه های دیگری از این مطلب را در شماره بندی انتهای صفحه بخوانید              

جدول ‏4‑32. مقادیر واقعی و پیشبینی شده مصرف نفت کوره با بهره گیری 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 گیری 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 گیری 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 گیری 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 گیری از ANN 86

فهرست شکل ها

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 گیری از الگوریتم علف های هرز 67

شکل ‏4‑2. نمودار پیش بینی مصرف سالیانه نفت سفید با بهره گیری از الگوریتم علف های هرز 68

شکل ‏4‑3. نمودارپیش بینی مصرف سالیانه نفت گاز با بهره گیری از الگوریتم علف های هرز 68

شکل ‏4‑4. نمودار پیش بینی مصرف سالیانه نفت کوره با بهره گیری از الگوریتم علف های هرز 69

شکل ‏4‑5. نمودار پیش بینی مصرف سالیانه بنزین موتور با بهره گیری از الگوریتم PSO 74

شکل ‏4‑6. نمودار پیش بینی مصرف سالیانه نفت سفید  با بهره گیری از الگوریتم PSO 74

شکل ‏4‑7. نمودار پیش بینی مصرف سالیانه نفت گاز  با بهره گیری از الگوریتم PSO 75

شکل ‏4‑8. نمودار پیش بینی مصرف سالیانه نفت گاز  با بهره گیری 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 گیری 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 گیری 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 گیری از ANN 84

این نوشته در پایان نامه های ارشد ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.

دیدگاهتان را بنویسید