کسب درآمد از فارکس

تجارت الگوریتمی

بلومبرگ: رنسانس اخیر بیت کوین را می‌توان به تجارت الگوریتمی مربوط دانست

پس از جهش چشمگیر اخیر بازار رمز ارزها در روزهای اخیر، بلومبرگ با انتشار تعدادی مقاله و پخش برنامه‌های تلویزیونی، دلایل احتمالی این پدیده را بررسی کرد. این نشریه جهش اخیر بازار کریپتو را به تجارت الگوریتمی مربوط دانست. پدیده‎ای که از نظر برخی کارشناسان مثبت ارزیابی شده و برخی دیگر آن را مخرب و باعث دستکاری بازار می‌دانند.

بلومبرگ در روز چهارشنبه ۳ آوریل نوشت جهش اخیر بازار کریپتو را می‌توان به تجارت الگوریتمی مربوط دانست.

طبق گزارش بلومبرگ، استفاده از تجارت الگوریتمی (روشی که در آن از یک نرم افزار خودکار برای تشخیص روندها و تعیین زمان انجام معاملات استفاده می‌گردد) در چند ماه اخیر رو به افزایش بوده است.از ماه سپتامبر تاکنون ۱۷ الگوریتم جدید یا سرمایه گذاری‌های کمّی در صنعت کریپتو رصد شده است که گمان می‌رود تقریباً ۴۰ درصد از صندوق‌های پوششی کریپتو در این دوره کار خود را آغاز کرده‌اند.

در حالی که در شرایط بازار خرسی ۲۰۱۸، حدود ۷۲ درصد از سرمایه گذاری‌های کریپتو از دست رفته است، این سرمایه گذاری‎های الگوریتمی، در طول دوره زمستان کریپتو، ماهیانه ۳ درصد تا ۱۰ درصد سودآوری داشته‌اند.

بلومبرگ درباره جهش قیمت اخیر رمز ارزها اظهار داشت، جهش غیرمنتظره ۲۰ درصدی قیمت بیت کوین در روز سه شنبه، ۲ آوریل، که اندکی پس از افتتاح بازارهای آسیایی رخ داد، ممکن است تحت تأثیر معامله ۱۰۰ میلیون دلاری انجام شده در ۳ صرافی رمز ارز بزرگ اتفاق افتاده باشد.

رویتر به نقل از کارشناسان گفت، اخیرا اوردر ۲۰۰۰۰ بیت کوین (در حدود ۱۰۰ میلیون دلار) در صرافی‌های رمز ارز امریکایی کوین بیس(Coinbase)و کراکن (Bitstamp)، و همچنین صرافی بیت استمپ (Bitstamp) در لوکزامبورگ انجام شد. تحت تأثیر این اوردرهای نجومی، بات‎ها شروع به معامله کرده اند و این موضوع باعث افزایش قیمت و حجم معاملات شده است.

برخی از کارآفرینان در مصاحبه با بلومبرگ اظهار داشتند که به عقیده آن‎ها، معاملات الگوریتمی، تأثیر مثبتی بر روی صنعت کریپتو دارد. وی ژو (Wei Zhou)، مدیر ارشد مالی صرافی رمز ارز مالتایی بایننس (Binance)، گفت، این الگوریتم‌ها، همانند ستاره‌های جدید راک در دنیای کریپتو هستند.

در عین حال، برخی ازین موضوع می‌هراسند که معاملات الگوریتمی، می‌تواند باعث دستکاری بازار شود. تراویس کلینگ (Travis Kling)، بنیان‎گذار صندوق پوششی Ikigai در لس آنجلس، در مصاحبه با بلومبرگ گفت، بعضی از این معاملات الگوریتمی، می‎توانند از اوردرهای جعلی برای فریب معامله‎گران استفاده کنند.

بلومبرگ با انتشار تعدادی مقاله و پخش برنامه‌های تلویزیونی، دلایل احتمالی جهش چشمگیر بازار را بررسی کرد. به عنوان مثال، تاریک لام (Eric Lam) با یادآوری دروغ احمقانه ماه آوریل، مبنی بر اینکه کمیسیون صرافی‌ها و اوراق بهادار ایالات متحده (SEC) نهایتاً ETF بیت کوین را تأیید کرده است، آن را یک عامل تأثیرگذار احتمالی بر بازار کریپتو دانست.

یکی از دلایل دیگری که بلومبرگ به آن اشاره کرد، مسئله قریب‎الوقوع Brexit بود؛ چرا که برخی معتقدند که سرمایه گذاران به دنبال جدایی بریتانیا از اتحادیه اروپا، شروع به تبدیل پوندهای خود به بیت کوین نموده‌اند.

دوره آموزش numpy ، pandas ، matplotlib ، quantopian ، امور مالی برای معامله های الگوریتمی با پایتون

پیش نیازهای دوره آموزش numpy ، pandas ، matplotlib ، quantopian ، امور مالی برای معامله های الگوریتمی با پایتون

  • اطلاعاتی پایه ایی از دانش برنامه نویسی (ترجیحاً پایتون)
  • نصب نرم افزار Anaconda (Python)
  • آمار اساسی و جبر خطی مفید خواهد بود

معرفی و توضیحات دوره

به دوره آموزش numpy ، pandas ، matplotlib ، quantopian ، امور مالی برای معامله های الگوریتمی با پایتون خوش آمدید! آیا شما به استفاده از پایتون برای انجام تجزیه و تحلیل دقیق مالی و پیگیری تجارت الگوریتمی علاقه دارید ، پس این دوره مناسب شماست!

این دوره تمامی مبحثی را که باید در مورد امور مالی و تجارت الگوریتمی بدانید پوشش خواهد داد! ابتدا با یادگیری اصول پایتون شروع خواهیم کرد و سپس در مورد کتابخانه های اصلی مورد استفاده از جمله jupyter ، numpy ، pandas ، matplotlib ، statsmodels ، zipline ، Quantopian و موارد دیگر بیشتر خواهیم آموخت!

موضوعات زیر را که توسط متخصصان مالی مورد استفاده قرار می گیرد پوشش خواهیم داد:

  • مبانی پایتون
  • NumPy برای پردازش عددی با سرعت بالا
  • pandas برای تجزیه و تحلیل کارآمد داده ها
  • Matplotlib برای تجسم داده ها
  • استفاده از pandas-datareader و Quandl برای بررسی مصرف داده
  • تکنیک های تجزیه و تحلیل سری زمانی Pandas
  • تحلیل بازده سهام
  • بازده تجمعی روزانه
  • نوسانات و ریسک اوراق بهادار
  • EWMA (میانگین متحرک وزنی)
  • مدل های استات
  • ETS (خطا-روند-فصلی)
  • ARIMA (میانگین متحرک رگرسیون)
  • نمودارهای همبستگی خودکار و نمودارهای همبستگی خودکار جزئی
  • نسبت Sharpe
  • بهینه سازی ها
  • کارآمد مرز و بهینه سازی Markowitz
  • انواع وجوه
  • مدل قیمت گذاری دارایی سرمایه
  • تقسیم سهام و سود سهام
  • فرضیه بازار کارآمد
  • معاملات الگوریتمی با Quantopian
  • معاملات آتی

مخاطب هدف دوره آموزش numpy ، pandas تجارت الگوریتمی ، matplotlib ، quantopian ، امور مالی برای معامله های الگوریتمی چه کسانی هستند ؟

افرادی که به دنبال تحلیل های مالی با استفاده از زبان برنامه نویسی پایتون هستند .

نقد و بررسی‌ها

هیچ دیدگاهی برای این محصول نوشته تجارت الگوریتمی نشده است.

اولین کسی باشید که دیدگاهی می نویسد “دوره آموزشی پایتون برای تجزیه و تحلیل مالی و تجارت الگوریتمی” لغو پاسخ

ارزیابی عملکرد بانک های تجاری ایران روش: الگوریتم بوت استرپ

ارزیابی اقتصاد کشورهای مختلف جهان نشان می­دهد که بانک­ها نقش شریان اقتصادی کشورها را دارند و اقتصاد ایران نیز از این قاعده نه تنها مستثنی نیست بلکه اقتصاد ایران، اقتصاد بانک محور است؛ لذا بررسی عملکرد بانک­های ایران نقش بسیار مهمی در سیاستگذاری­های آتی دارد. این مطالعه با هدف بررسی عملکرد مجموعه بانک­های تجاری ایران در بازه زمانی 1394-1380 انجام شده است. یافته­های تحقیق نشان می­دهد که نوع بازدهی به مقیاس بانک­های تجاری ایران در بازه زمانی مذکور ثابت بوده است و تجارت الگوریتمی الگوریتم بوت استرپ باعث کاهش متوسط کارایی در بازه زمانی مذکور شده است به طوریکه در این بازه با اعمال الگوریتم بوت استرپ، مجموعه بانک­های تجاری ایران در تمامی سال­ها ناکارا بوده است. بوت استرپ باعث کاهش 4 درصدی متوسط کارایی شده است، همچنین باعث کاهش تورش و واقعی­تر شدن نمرات کارایی شده است. بهترین عملکرد بانک­های تجاری مربوط به سال 1387 و بدترین عملکرد مربوط به سال 1380 بوده است. بوت استرپ باعث می­شود تا نمرات کارایی را رتبه بندی نمود. این امکان در حالت عدم استفاده از الگوریتم وجود نداشت. ارزیابی دقیق عملکرد بانکی می­تواند باعث اصلاح بانکی شود.

کلیدواژه‌ها

عنوان مقاله [English]

Evaluation of Performance of Iranian Commercial Banks Method: Bootstrap Algorithm

نویسندگان [English]

  • Seyedmohammadreza Seyednourani 1
  • Morteza Ebadi 2

1 Professor, Department of Economics, Faculty of Economics, Allameh Tabataba'i University, Tehran, Iran

The assessment of the economies of different countries of the world indicates that banks play the role of economic arteries of countries and Iran's economy is not only an exception to this rule, but Iran's economy is a bank-oriented economy; therefore, the study of the performance of Iranian banks plays a very important role in future policies. This research was done by aim investigating the performance of a set of commercial banks in Iran during the period of 1394-1380. The findings of the research indicate that the type of return to scale of the commercial banks of Iran during the mentioned period is constant and the Bootstrap algorithm has caused a decrease in the average efficiency over the mentioned time period so that by applying the Bootstrap algorithm, set of Iranian commercial banks has been inefficient for all years. The Bootstrap has reduced the average performance by 4%, and has also reduced bias and has caused more realistic performance scores. The best performance of commercial banks was in 1387 and the worst performance was in the year 1380. The Bootstrap algorithm makes it possible to rank the performance scores, which was not possible in the absence of the algorithm. A exact assessment of banking performance can lead to bank reform.

کلیدواژه‌ها [English]

  • Bank
  • Data Envelopment Analysis
  • Efficiency
  • Bootstrap
  • Kolmogorov-Smirnov Test

مراجع

Ahn, Daniel P. & Rodney D. Ludema (2017). The Sword and the Shield: The Economics of Targeted Sanctions, mimeo,https://papers.ssrn.com/sol/papers.cfm

Alimohammadlou, M. & Mohammadi, S. (2016). Evaluating the productivity using Malmquist index based on double frontiers data Procedia. Social and Behavioral Sciences 230, 58 – 66 (In Persian).

Arab Mazar, A. & Keighbadi, S. (2006). The status of loan debt in the Iranian banking system. Journal of Islamic Economics, Sixth Year, Summer

Bahari, A. & Hosseini Nahad, Gh. (2011). Application of Bootstrap Process in Data Envelopment Analysis Models. Third National Conference on Data Envelopment Analysis, July.

Chaabouni, S. (2017). China's regional tourism efficiency: A two-stage double bootstrap data envelopment analysis. Journal of Destination Marketing & Management

Dreger, Christian, Jarko Fidrmuc, Konstantin Kholodilin & Dirk Ulbricht (2016). “Between the hammer and the anvil: The impact of economic sanctions and oil prices on Russia’s ruble,” Journal of Comparative Economics, 44(2), 295–308.

Ebadi, S. (2011). The method for ranking performance scores using Bootstrap. Journal of Applied Mathematics, Lahijan Branch, 8 (2), Summer, 29-44 (In Persian).

Elisa Périco, E., Brandão Santana, N., Aparecida do Nascimento Rebelatto, D. (2015). Estimating the efficiency from Brazilian banks: a bootstrapped Data Envelopment Analysis (DEA). http://dx.doi.org/10.1590/0103-6513.185714

Emami Meibodi, A. (2005) Principles of Measuring Efficiency and Productivity. Institute for Business Studies and Research, Second Edition.

Fallah, M. (2007). Evaluation of Performance of Insurance Branches Using Data Envelopment Analysis. News in the World of Insurance, Nos. 115 and 116, p. 24-18

Fukuyama, H., & Weber, WL. (2015). Measuring bank performance with a dynamic network Luenberger indicator. Annals of Operational Research, on line 18 June, forthcoming, DOI 10.1007/s10479-015-1922-5.

Fare, R., Grosskopf, S., & Hernandez-Sancho, F., (2004). Environmental performance: an index number approach. Journal of Resource and Energy Economics 26, 343–352

Ghaderi, E.(2015). The impact of the United States sanctions on Iran’s trade flows– A gravity model approach. Södertörns University, Department of Economics. Masters Thesis 30 hp

Gitto,S.,Mancuso, P. (2011). Bootstrapping the Malmquist indexes for Italian airports. Int. J. Production Economics 135, 403–411

Heibati, F., Seyed Nourani, S M R, & Dadkhah, S. (2009). Evaluation Performance of Private Banks of Iran Compared to Arab Banks of Persian Gulf. Special Letter of Bank, No.6.

Kalate Rahmani, R., Anwar Rostami, A. A., Aghaei M A. & Azar, A. (2015). Analytical Procedures in Auditing: An Application of the Bootstrap Data Envelopment Analysis Approach. Journal of Financial Accounting Research, 7(25), 49-70

Khaki, Gh. (2009). Introduction to Productivity Management (Analysis in Organization). sayenama Institute, Fifth Edition.

Kordbache, H. (2010). Quasi-parametric robust estimation in determining inefficiencies in Iranian banking system: Bootstrap method. Journal of Economic Research, 46 (2), 159-192

Lee, Y. Tenerelli, T. Joo, S. (2017). An Analysis of Korean Bank Performance Using a Double Bootstrapped DEA Analysis, International Journal on Governmental Financial Management XVII (2)

Mardani, A. Streimikiene, D. Balezentis, T. Zameri Mat Saman, M. Md Nor, K. Khoshnava, M. (2018). Data Envelopment Analysis in Energy and Environmental Economics: An Overview of the State-of-the-Art and Recent Development Trends. Energies

Nazari, A., Tarkhani, A. & Niloufar, P. (2018). Investigating the Factors Affecting the Performance of Private and Public Banks in Iran (Simar and Wilson Two-Step Method). Conference on National Production and Sustainable Employment, Challenges and Solutions.

Neuenkirch, M., Neumeier, F. (2016). The impact of US sanctions on poverty. Journal of Development Economics 121,110–119

Neuenkirch, N. Neumeier, F.(2015). The Impact of UN and US Economic Sanctions on GDP Growth. European Journal of Political Economy

Nguyen, T., Ttip,D., & Ngo, T. (2018). Operational Efficiency of Bank Loans and Deposits: A Case Study of Vietnamese Banking System. International Journal of Financial Studies

Parichatnon, S. Maichum, K. & Peng, K. (2018). Measuring technical efficiency of Thai rubber production using the three-stage data envelopment analysis. Agric. Econ. – Czech, 64, 227–240

Radojicic, M. Radovanovic, S. Jeremic,V. (2018). Measuring The Efficiency Of Banks: The Bootstrapped I-Distance Gar Dea Approach. Technological and Economic Development of Economy, 24 (4): 1581–1605.

Radojicic, M. Savic, G. Radovanovic, S. Jeremic,V.(2015). A Novel Bootstrap Dba-Dea Approach In Evaluating Efficiency Of Banks. “Mircea cel Batran” Naval Academy Scientific Bulletin, XVIII (2).

Sahin, G, Gokdemir, L, Ozturk, D,.(2015). Global Crisis and Its Effect on Turkish Banking Sector: A Study with Data Envelopment Analysis. Istanbul Conference of Economics and Finance, ICEF, 22-23, Istanbul,Turkey

Saraiya, D.(2005). The Impact of Environmental Variables in Efficiency Analysis: A fuzzy clustering-DEA Approach. Master of Science InIndustrial and Systems Engineering (Operations Research)

Soheili, K,. Fattahi, S,. Sarkhondi, M. (2013). Assessing the Bank of Iran's Monetary Strategies for the Production Gap and Inflation Deviation: A Bootstrap Approach. Journal of Economic Modeling Research, No. 21 Autumn 94.

Simar, L.,Wilson, P.,(2007). Estimation and inference in two-stage,semi-parametric models of production processes. Journal of Econometrics 136, 31–64.

Simar, L., Wilson, P.W., (2008).Statistical inference in nonparametric frontier models: recent developments and perspectives. In: Fried, H.O., Lovell, C.A.K., Schmidt, S.S. (Eds.), The Measurement of Productive Efficiency and Productivity GrowthOxford University press.

Sokhanvar. M., Sadeghi. H., Assari. A., Yavari. K. & Mehregan. N. (2012). Determining the Performance of Iranian Electricity Distribution Companies and their Factors Using Data Envelopment Analysis and Two-Stage Approach. Journal of Economic Research, 447 (2).

Sufian, F., Kamarudin, F. & Nassir, A.,(2016). Determinants of efficiency in the malaysian banking sector: Does bank origins matter? Intellectual Economics 10, 38-54

Whang, T. (2011), Playing to the home crowd? Symbolic use of economic sanctions in the United States, International Studies Quarterly 55(3), 787–801.

انتخاب سناریوی مناسب برای پیش بینی تقاضای انرژی بخش خانگی-تجاری با استفاده از الگوریتم بهینه‌سازی انبوه ذرات

در دهه‌های اخیر، انرژی در کنار سایر عوامل تولید نقش تعیین‌کننده‌ای در رشد اقتصادی کشور‌ها داشته و اهمیت آن همچنان رو به افزایش است. رشد اقتصاد جهان و روند صنعتی شدن موجب افزایش تقاضا و مصرف انرژی شده است. از سوی دیگر از میان بخش‌های مصرف‌کننده‌ی انرژی، بخش خانگی– تجاری یکی از پرمصرف‌کننده‌ترین بخش‌های تقاضای انرژی است. بطوری‌که بیش از 34% از میزان مصرف انرژی را نسبت به سایر بخش‌‌ها به خود اختصاص داده است، بنابراین به منظور کنترل عرضه و تقاضای انرژی و برنامه‌ریزی صحیح مصرف انرژی این بخش باید به صورت دقیق پیش‌بینی شود. در این مقاله با استفاده از روند متغیر‌های تاثیرگذار بر تقاضای انرژی بخش خانگی – تجاری ایران، وضعیت آتی تقاضای انرژی این بخش در ایران پیش‌بینی شده است. با استفاده از الگوریتم بهینه‌سازی انبوه ذرات، دو فرم خطی و نمایی از معادلات تقاضای انرژی تحت 54 سناریوی مختلف با ورودی‌های متفاوت مورد بررسی قرار گرفته و از داده‌های مربوط به سال‌های 1346 تا 1389 برای توسعه الگو‌ها و انتخاب سناریوی مناسب استفاده شده است. نتایج نشان داد الگوی نمایی با ورودی‌های ارزش‌ افزوده کل منهای ارزش افزوده بخش نفت، ارزش ساختمان‌های ساخته شده، تعداد کل خانوار و شاخص قیمت مصرف انرژی مناسب‌ترین الگو است. در نهایت با استفاده از الگوی انتخابی، تقاضای انرژی این بخش تا سال 1410 پیش‌بینی شده است.

کلیدواژه‌ها

عنوان مقاله [English]

Selecting the appropriate scenario to predict the energy demand of residential and commercial sectors using Particle swarm optimization

چکیده [English]

Besides other production factors, energy has had a determinative role in economic growth of the countries and its importance increases in recent decades. The global economic growth and the industrialization process lead to an increase in energy demand and consumption. On the other hand, the residential and commercial sectors are the biggest energy consumption sectors, as it has allocated more than 34% of energy consumption amount to itself compared to other sectors. Therefore, for controlling the energy supply and demand and for correct planning, the energy consumption of these sectors must be predicted exactly. In this article, the future status of energy demand of residential and commercial sectors in Iran is predicted using variables affecting energy demand of these sectors. By using the PSO algorithm, both linear and exponential forms of energy demand equations were studied under 54 different scenarios with various variables. The data from 1968 to 2011 were applied for model development and the appropriate scenario choice. Results show that an exponential model with inputs including total value added minus that of the oil sector, value of made buildings, total number of households and consumer energy price index is the most suitable model. Finally, energy demand of residential and commercial sectors is estimated up to the year 2032.

کلیدواژه‌ها [English]

  • energy demand
  • residential and commercial sectors
  • Particle Swarm Optimization
  • Forecasting
مراجع

ابریشمی، حمید، حجت اله غنیمی فرد، مهدی احراری و منیره رضایی. (1389). پیش‌بینی قیمت گازوئیل خلیج فارس مبتنی بر تحلیل تکنیکی و شبکه‌های عصبی. فصلنامه مطالعات اقتصاد انرژی، 7(24):192-171.

ذوالفقاری، مهدی، حسین صادقی، محمود حقانی و حسین فلاحی. (1388). تخمین تابع تقاضای برق در بخش خانگی با استفاده از جستجوی هارمونی.کنفرانس ملی مهندسی و مدیریت زیر ساخت‌ها، پردیس دانشکده‌های فنی دانشگاه تهران، 5-7 آبان ماه.

شیری، هیوا و مهدی پیلتن. (1389). برآورد تقاضای انرژی در بخش صنعت فلز ایران با استفاده از الگوریتم گروه ذرات. هفتمین کنفرانس بین‌المللی مهندسی صنایع، دانشگاه صنعتی اصفهان.

صادقی، حسین، مهدی ذوالفقاری. (1388). تخمین تابع تقاضای بنزین در بخش حمل و نقل با استفاده از الگوریتم ژنتیک. فصلنامه مطالعات انرژی، 6(21):‌1– 27.

عشقی، کورش و مهدی کریمی. (1391). بهینه‌سازی ترکیبی و الگوریتم های فرا‌ابتکاری، تهران‌: انتشارات آذرین مهر.

میر‌فخرالدینی، سیدحیدر، حمید بابایی میبدی، علی مروتی شریف آبادی. (1391). پیش بینی مصرف انرژی ایران با استفاده از الگو ترکیبی الگوریتم ژنتیک و شبکه عصبی مصنوعی و مقایسه آن با الگوهای سنتی. پژوهش‌های مدیریت در ایران، 17(2):196-222.

Ardakani, F. & Ardehali, M. (2014). Long-term Electrical Energy Consumption Forecasting for Developing and Developed Economies Based on different Optimized Models and Historical Data Types. Energy,65:452-461.

Bahrami, S., Hooshmand. R. A. & Parastegari. M. (2014). Short Term Electric Load Forecasting by Wavelet Transform and Grey Model Improved by PSO (Particle Swarm Optimization) Algorithm. Energy.72:434-442.

Behrang, M., Assareh. E. , Assari. M. & Ghanbarzadeh. (2011). A. Total Energy Demand Estimation in Iran using Bees Algorithm. Energy Sources, Part B: Economics, Planning, and Policy, 6(3): 294-303.

Behrang, M., Assareh. E., Ghalambaz. M., Assari, M. & Noghrehabadi. (2011). A. Forecasting Future Oil Demand in Iran Using GSA (Gravitational Search Algorithm). Energy, 36(9): 5649-5654.

Ersel Canyurt, O., Ceylan. H, Kemal Ozturk. H. & Hepbasli. (2004). A. Energy Demand Estimation Based on Two-Different Genetic Algorithm Approaches.Energy Sources, 26(14): 1313-1320.

Kaveh, A., Shamsapour. N., Sheikholeslami. R. & Mashhadian. (2012). M. Forecasting Transport Energy Demand in Iran Using Meta-Heuristic Algorithms.Int J Optim Civil Eng, 2(4): 533-544.

Kıran, MS., Ozceylan. E., Gunduz. M. & Paksoy. ( 2012). T. A Novel Hybrid Approach bBased on Particle Swarm Optimization and Ant colony Algorithm to Forecast Energy Demand of Turkey.Energy Conversion and Management, 53(1):75-83.

Lee, Y-S. & Tong. L-I. ( 2011). Forecasting Energy Consumption Using a Grey Model Improved by Incorporating Genetic Programming. Energy Conversion and Management, 52(1): 147-152.

Mikki, S.M. & A.A. Kishk. (2008). Particle Swarm Optimization: a Physics-Based Approach. Synthesis Lectures on Computational Electromagnetics, 3(1): p. 1-103.

Shakouri, GH. & Kazemi. (2011). A. Energy Demand Forecast of Residential تجارت الگوریتمی and Commercial Sectors: Iran Case Study, Proceedings of the 41st International Conference on Computers & Industrial Engineering 23-25 October, Los Angeles, California, USA..

Suganthi, L. & Samuel. A.A. (2012). Energy Models for Demand Forecasting-A Review. Renewable and Sustainable Energy Reviews, 16(2): p. 1223-1240.

Suo, R. & Wang, F. (2010). The Application of Combination Forecasting Model in Chinese Energy Consumption.Mathematics in Practice and Theory,. 40(18): 80-85.

Yu, S., Zhu. K. & Zhang. X. ( 2012). Demand Projection of China Using a Path-Coefficient Analysis and PSO–GA Approach. Energy Conversion and Management, 53(1): 142-153.

تجارت الگوریتمی

پایان نامه > کتابخانه مرکزی دانشگاه صنعتی شاهرود > مهندسی مکانیک و مکاترونیک > مقطع کارشناسی ارشد > سال 1396

چکیده: آمارها حاکی از آن است که ساختمان‌های مسکونی و تجاری بیشترین سهم مصرف انرژی را به خود اختصاص می دهند، به‌طوری‌که در کشورهای توسعه ‌یافته تقریباً 50 درصد از کل انرژی تولیدی، در ساختمان‌ها مصرف می‌شود. در این میان، سیستم های تهویه مطبوع مهم‌ترین مصرف‌کننده انرژی در ساختمان ها هستند. با توجه به مصرف بالای انرژی در ساختمان ها، نیاز به تحلیل عملکرد ساختمان و طراحی و پیاده سازی الگوریتم های کنترلی حاکم بر سیستم های تهویه مطبوع به‌منظور کاهش مصرف انرژی احساس می شود. اصلاح و بهبود این سیستم ها به‌غیر از کاهش مصرف انرژی، باعث افزایش بهره وری اقتصادی و تأمین آسایش افراد داخل ساختمان می شود. در این پایان نامه به بررسی الگوریتم کنترلی یک پمپ حرارتی گازسوز جهت رسیدن به سطح آسایش و کاهش هزینه-های سوخت پرداخته شد. برای این کار یک ساختمان با زیربنای 64 مترمربع در شهر تهران، با روش موازنه حرارتی و حل فضای حالت سیستم با استفاده از زبان برنامه نویسی متلب، مدل سازی شد. دو الگوریتم کنترلی خاموش-روشن و تناسبی بر روی مدل پیاده سازی گردید. الگوریتم کنترلی خاموش-روشن که در واقع الگوریتم کنترلی ترموستاتی است به محض فراهم کردن شرایط تنظیمی کاربر، سیستم تهویه مطبوع را خاموش کرده و با انحراف از حالت تنظیمی کاربر سیستم تهویه مطبوع با حداکثر توان کار می کند. نتایج نشان می دهد که هزینه های جاری استفاده از الگوریتم کنترلی خاموش-روشن به ازای کارکرد 24 ساعت (16 ساعت روشن و 8 ساعت خاموش) معادل 16494 ریال است. الگوریتم کنترلی تناسبی با توجه به اختلاف دمای تنظیمی کاربر و دمای اندازه گیری شده، فرمان تغییر دور موتور و دور فن را صادر می کند و با تنظیم این دو پارامتر تلاش می کند تا دمای ساختمان را به دمای تنظیمی کاربر نزدیک کند. نتایج نشان می دهد که هزینه های جاری استفاده از الگوریتم کنترلی تناسبی به ازای کارکرد 24 ساعت معادل 12374 ریال است. درنهایت استفاده از الگوریتم کنترلی تناسبی 44.43 % صرفه جویی در مصرف گاز و 25 % صرفه-جویی در هزینه های جاری فراهم می کند.

#پمپ حرارتی با موتور گازسوز #کنترل فیدبک حالت #الگوریتم کنترلی #بهینه سازی اقتصادی محل نگهداری: کتابخانه مرکزی دانشگاه صنعتی شاهرود
یادداشت: حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.
تعداد بازدید کننده:

[کلیدواژه تجارت الگوریتمی ها: ضربه قوچ، روش خطوط مشخصه (MOC)، روش نیوتن رافسون، خاموشی پمپ، منحنی مشخصه پمپ ، پمپ سری، پمپ موازی]

[کلیدواژه ها: محرک اولیه هیبریدی، موتور گازسوز، توربین گاز، آنالیز اگزرژی، آنالیز زیست‏محیطی، آنالیز اقتصادی]

[کلیدواژه ها: سیستم تولید همزمان برق و حرارت و برودت، کلکتور صفحه تخت، موتور گازسوز، آنالیز انرژی، آنالیز اقتصادی]

[کلیدواژه ها: سردخانه، سیستم تبرید جذبی، سیستم تولید همزمان، موتور احتراق داخلی گازسوز، تحلیل اقتصادی، تحلیل فنی]

[کلیدواژه ها: بازسازی عیب، تخصیص ساختار ویژه، عیب حسگر، هواپیمای بدون سرنشین، رؤیتگر حالت، فیدبک حالت]

[کلیدواژه ها: یکسو‌کننده سه‌فاز شش‌سوئیچه کاهنده، تصحیح‌کننده ضریب توان، یکسو‌کننده منبع جریانی، کنترل فیدبک حالت، میرایی فعال، طراحی فیلتر، بهینه سازی هوشمند چندهدفه]

[کلیدواژه ها: موتور القایی شار محوری، استاتور بدون هسته، مدلسازی موتور شار محوری، روتور قفس سنجابی دو وجهی، مدار معادل موتور القایی شارمحوری، موتور بدون هسته، روتور دیسکی، استاتور شار محوری]

[کلیدواژه ها: آب‏شیرین‏کن رطوبت‏زنی - رطوبت‏زدایی، سیستم HD فشار متغیر، موتور گازسوز، فشار برگشتی، خواص آب شور]

مقالات مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

برو به دکمه بالا