کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8961671 1646504 2018 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Automatic generation of models for energy demand estimation using Grammatical Evolution
ترجمه فارسی عنوان
مدل سازی خودکار مدل های تخمین تقاضای انرژی با استفاده از تکامل گرامری
کلمات کلیدی
برآورد تقاضای انرژی، متغیرهای اقتصاد کلان، تکامل گرامری، متا اورویری،
ترجمه چکیده
برآورد تقاضای کل انرژی در کشور از متغیرهای کلان اقتصادی یک مشکل مهم برای ارزیابی استحکام اقتصاد کشور است. از سال های اول این قرن، روش های فراشناختی به طور موفقیت آمیزی برای این مشکل، برای کشورهای مختلف و پارامترهای مسئله مورد استفاده قرار گرفته است. بسیاری از این کارها مدل های پیش بینی را که براساس چندجمله ی کلاسیک یا ساده ی نمایشی است، بهینه سازی می کنند، که ممکن است بهترین گزینه برای پیش بینی تخمین تقاضای انرژی دقیق نباشد. در این مقاله استفاده از تکامل گرامری برای تولید مدل های جدید برای تخمین تقاضای کل انرژی در سطح کشور پیشنهاد شده است. تکامل گرامری یک کلاس از الگوریتم برنامه ریزی ژنتیکی است که قادر است به طور خودکار مدل های جدید را از متغیرهای ورودی تولید کند. در این مورد، تکامل گرامری متغیرهای کلان اقتصادی را که از آن می توان مدل های جدیدی را برای برآورد تقاضای کل انرژی یک کشور با یک افق پیش بینی زمانی یک سال تولید کرد، در نظر می گیرد. مدل هایی که توسط تکامل گرامری ساخته شده اند، به منظور تنظیم پارامترهای آنها به برآورد تقاضای انرژی بیشتر بهینه می شوند. این فرایند با استفاده از یک روش تکامل دیفرانسیل انجام می شود که برای هر مدل تولید شده توسط تکامل گرامری اجرا می شود. بنابراین، پیشنهاد الگوریتمی شامل یک روش ترکیبی است که شامل تکامل گرامری برای تولید مدل و تکامل فرکانس تکاملی برای تنظیم پارامترهای مدل است. عملکرد رویکرد پیشنهادی در دو مسئله مختلف برآورد کل تقاضای انرژی در اسپانیا و فرانسه مورد بررسی قرار گرفته و نتایج بسیار خوبی از لحاظ دقت پیش بینی شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
چکیده انگلیسی
The estimation of total energy demand in a country from macro-economic variables is an important problem useful to evaluate the robustness of the country's economy. Since the first years of this century, meta-heuristics approaches have been successfully applied to this problem, for different countries and problem's parameterizations. Many of these works optimize prediction models which are based on classical polynomial or simple exponential relationships, which may not be the best option for an accurate energy demand estimation prediction. In this paper the use of Grammatical Evolution is proposed to generate new models for total energy demand estimation at country level. Grammatical Evolution is a class of Genetic Programming algorithm, which is able to automatically generate new models from input variables. In this case, Grammatical Evolution considers macro-economic variables from which it is able to generate new models for total energy demand estimation of a country, with a temporal prediction horizon of one year. The models generated by the Grammatical Evolution are further optimized in order to adjust their parameters to the energy demand estimation. This process is carried out by means of a Differential Evolution approach, which is run for every model generated by the Grammatical Evolution. Thus, the algorithmic proposal consists of a hybrid method, involving Grammatical Evolution for model generation and a Differential Evolution meta-heuristic for the models' parameter tuning. The performance of the proposed approach has been evaluated in two different problems of total energy demand estimation in Spain and France, with excellent results in terms of prediction accuracy.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 164, 1 December 2018, Pages 183-193
نویسندگان
, , ,