fa پیش بینی تقاضای بلندمدت انرژی الکتریکی با استفاده از الگوریتم ترکیبیِ عصبی- فازی و انبوه ذرات انرژی، منابع و محیط زیست انرژی، منابع و محیط زیست كاربردي Applicable <p> <a name="OLE_LINK82"></a><a name="OLE_LINK13"></a><a name="OLE_LINK12"> با توجه به عدم امکان ذخیره انرژی­الکتریکی </a>، شناسایی عوامل­موثر بر تقاضای این حامل انرژی و پیش­بینی دقیق روند آتی آن، <a name="OLE_LINK25"></a><a name="OLE_LINK24">ضرورت دارد </a>. تاکنون روش­های مختلفی در این زمینه مورد استفاده قرار گرفته است که در میان آن­ها روش­های هوشمند و به­ویژه روش­های فازی، دارای قابلیت­های بیشتری هستند. در مطالعه حاضر از <a name="OLE_LINK3"></a><a name="OLE_LINK2"></a><a name="OLE_LINK1">سیستم </a><i>­ </i>استنتاج عصبی- فازی ترکیب شده با الگوریتم انبوه­ذرات ( <i>PSO </i><a name="_ftnref1"></a><i>-ANFIS</i><a name="_ftnref2"><i>^{<strong></strong>}</i></a>) استفاده شده و پس ازشبیه­سازی روند تقاضای بلند­مدت انرژی­الکتریکی طی دورۀ 1359 تا 1389 <a name="OLE_LINK4">و بررسی کارایی سیستم، </a>روند تقاضای بلندمدت انرژی­الکتریکی کل کشور تا سال 1404 پیش­بینی شده است. <a name="OLE_LINK81"></a><a name="OLE_LINK7">نتایج مطالعه، قدرت بالای </a>الگوریتم ترکیبی انبوه ذرات و سیستم استنتاج عصبی- فازی تطبیقی را در پیش­بینی تقاضای بلندمدت انرژی­الکتریکی تایید می­کند. نتایج نشان می ­ دهد <a name="OLE_LINK6"></a><a name="OLE_LINK5">که براساس محتمل­ترین سناریو، تقاضای انرژی­الکتریکی کشور در سال 1404 به 401 میلیارد کیلووات ساعت خواهد رسید </a>. <a name="OLE_LINK64"></a><a name="OLE_LINK63">همچنین </a>، <a name="OLE_LINK66"></a><a name="OLE_LINK65">براساس نتایج بدست آمده، کارایی روش پیشنهادی در پیش­بینی متغیرهای مستقل در مقایسه با الگوی خطی </a><i>ARIMA </i><a name="_ftnref3"><i><strong> </strong></i></a>بیشتر است. </p><br clear="all" ><hr width="33%" size="1" ><p></p> <p>  Storing the electrical energy in large scale is impossible. So, it is necessary to identify the factors affecting the electricity demand. Researchers have used different methods to forecast the future demand of electricity, among them intelligent methods and fuzzy based methods are more popular.<a name="OLE_LINK20"></a><a name="OLE_LINK19"> Since ANFIS structure is based on researcher’s experience about phenomenon, the created structure may not have the best result. Therefore, we used PSO-ANFIS structure. </a></p><p>  In this paper long term electricity demand is forecasted until the year 2025 by hybrid PSO-ANFIS algorithm. The results confirm the high power of the Adaptive Neural based Fuzzy Inference System in forecasting the electricity demand. Results also indicate that the forecasted electricity demand will be 401 billion KWh in 2025. <a name="OLE_LINK70"></a><a name="OLE_LINK69">The prediction performance of the </a><a name="OLE_LINK72"></a><a name="OLE_LINK71">proposed technique </a>is more accurate than the ARIMA model. </p> پیش بینی، تقاضا، انرژی الکتریکی، الگوریتم انبوه ذرات، سیستم استنباط عصبی- فازی تطبیقی Forecast, Demand, Electricity, Particle Swarm optimization, Adaptive Neural Based Fuzzy Inference System. 21 56 http://jfm.khu.ac.ir/browse.php?a_code=A-10-800-2&slc_lang=fa&sid=1 Hossein sadeghi حسین صادقی Sadeghih@modares.ac.ir 10031947532846003153 10031947532846003153 No Tarbiat Modares University دانشگاه تربیت مدرس Ali Akbar Afzalian علی اکبر افضلیان Afzalian@pwut.ac.ir 10031947532846003154 10031947532846003154 No Power and Water Institute of Technology دانشگاه صنعت آب و برق شهید عباسپور Mahmood Haghani محمود حقانی Haghani@pwut.ac.ir 10031947532846003155 10031947532846003155 No Power and Water Institute of Technology دانشگاه صنعت آب و برق شهید عباسپور Hossein sohrabi vafa حسین سهرابی وفا SohrabiVafa@gmail.com 10031947532846003156 10031947532846003156 Yes Power and Water Institute of Technology دانشگاه صنعت آب و برق شهید عباسپور