چکیده:
باتوجه به افزایش روزافزون مصرف گاز طبیعی، برنامه ریزی در بخش گاز طبیعی و بررسی و پیشبینی تقاضای گاز طبیعی جهت دستیابی به امنیت عرضه انرژی گاز طبیعی و به دنبال آن توسعه پایداراهمیت فراوانی دارد. از این رو در این تحقیق تقاضای گاز طبیعی در بخشهای خانگی-تجاری، صنعت و نیروگاه که جزء مصرف کنندگان عمده گاز طبیعی هستند مورد بررسی قرار گرفته و از دو روش ARIMA (Autoregressive Integrated Moving Average) و شبکه عصبی GMDH (Group Method of Data Handling) برای پیشبینی تقاضای گاز طبیعی و از معیارهای MSE (Mean Squared Error)، RMSE (Root Mean Squared Error)، درصد خطای پیشبینی و دقت پیش بینی جهت مقایسه دو روش استفاده شدهاست. با توجه به نتایج، دقت پیشبینی به ترتیب در سه بخش خانگی-تجاری، صنعتی و نیروگاه در روش ARIMA 8/93، 3/98 و 87 درصد و در روش شبکه عصبی GMDH 4/96، 99 و 2/98 درصد بدست آمده است و معیارهای RMSE و MSE در هر سه بخش برای روش شبکه عصبی GMDH کوچکتر از روش ARIMA بوده است. از این رو میتوان نتیجه گرفت که با توجه به مدلسازی صورت گرفته، روش شبکه عصبی GMDH عملکرد و دقت بالاتری نسبت به روش ARIMA در پیشبینی تقاضای گاز طبیعی دارد.
Natural gas because of its advantages plays a key role in economy of Iran. Given the continuously rising natural gas consumption, planning in the gas sector by taking into account predicted demand is critical for ensuring sustainable development. In this study we develop models for predicting natural gas demand in residential-commercial, industrial and power plant sectors in Iran using ARIMA (Autoregressive Integrated Moving Average) and Neural Network GMDH(Group Method of Data Handling) approaches. The time series data of natural gas demand, natural gas price and air temperature are used as the model variables. the RMSE, MSE and Prediction Error Percentage indexes are used for comparing this models. The prediction accuracy percentage index for residential-commercial, industrial and power plant sectors in ARIMA method are 93.8, 98.3 and 87 percent and those in Network GMDH method are 96.4, 99 and 98.2 percent respectively. The results indicate better performance and accuracy for the GMDH approach compared to the ARIMA model in predicting natural gas demand.
خلاصه ماشینی:
از این رو هدف از این تحقیق مقایسه عملکرد دو روش ARIMA و شبکه عصبی GMDH و به دست آوردن مدل مطلوب برای پیش بینی تقاضای گاز طبیعی در بخش های خانگی-تجاری، صنعت و نیروگاه (که جزء مصرف کنندگان عمده گاز طبیعی در کشور قرار دارند) است .
پس از مقدمه در بخش دوم ، مبانی نظری مدلسازی در دو روش شبکه عصبی GMDH و باکس -جنکینز و استفاده از این دو روش در پیش بینی سریهای زمانی ارائه شده است .
در بخش سوم ، مطالعات صورت گرفته در زمینه تقاضای گازطبیعی بررسی شده و به مطالعاتی که درآن از روش های ARIMA و شبکه عصبی GMDH برای پیش بینی استفاده شده پرداخته شده است .
در این مطالعه با استفاده از روش شبکه عصبی و داده های سال های١٩٦٧ تا ٢٠٠٧ ابتدا تک تک متغیرها و سپس تقاضای گاز بخش خانگی-تجاری را برای سال های ٢٠٠٨ تا ٢٠٢٠ پیش بینی شده اند.
در این مطالعه از دو روش ARIMA فصلی و الگوریتم GMDH جهت پیش بینی تقاضای گاز طبیعی بخش های خانگی-تجاری، صنعت و نیروگاه استتفاده شده است .
نتایج حاصل از پیش بینی تقاضای گاز در بخش خانگی-تجاری با استفاده از بهترین مدل های هردو روش در جدول ١١ ارائه شده است .
در جدول ١٣ نتایج حاصل از پیش بینی تقاضای گاز طبیعی در بخش نیروگاه با استفاده از دوروش شبکه عصبی GMDH و تحلیل سری زمانی ARIMA ارائه شده است .