چکیده:
یکی از مشکلات کشور مصرف بالای گاز طبیعی در داخل و تغییر بسیار زیاد میزان مصرف در فصول سرد و گرم سال است. فصلی بودن مصرف گاز مشکلات گوناگون را برای انجام تعهدات صادرات گاز کشور، تزریق به میادین نفتی و مصرف کنندگان داخلی به وجود آورده است. این امر لزوم ذخیره سازی گاز طبیعی در فصول گرم و استفاده از آن برای فصول سرد را در داخل دیکته می کند. ولی تحقق این مساله بدون اطلاع از میزان تقاضای فصلی در آینده ممکن نیست.
این مقاله با هدف پی بردن به میزان تقاضای آینده گاز در کشور و ظرفیت لازم برای ذخیره سازی آن تدوین شده است. بدین منظور میزان مصرف ماهانه گاز تا پایان برنامه پنجم توسعه با استفاده از دو روش باکس جنکینز (ARIMA) و شبکه های عصبی پیش بینی شده و با محاسبه اختلاف مصرف داخلی در فصول سرد و گرم سال، ظرفیت های لازم برای ذخیره سازی گاز طبیعی به دست آمده است. نتایج نشان می دهد که مدل شبکه عصبی نسبت به روش ARIMA توان بیشتری در پیش بینی تقاضای گاز طبیعی دارد و ویژگی فصلی بودن مصرف داخلی گاز همچنان طی سال های آینده ادامه خواهد داشت. بر اساس محاسبات مقاله پیشنهاد می شود که علاوه بر 4 میلیارد ظرفیت برنامه ریزی شده برای ذخیره گاز، سالانه 10 میلیارد مترمکعب ظرفیت ذخیره سازی جدید جهت پاسخ به تقاضای فصلی گاز برای مدیریت عرضه و تقاضای گاز انجام شود.
High domestic natural gas consumption and major differences between demand in cold and warm seasons pose major challenges in Iran. The seasonal nature of demand for natural gas seasonality has created many problems for honoring export commitments، injection of gas into oil fields and meeting peak demand of domestic users. To respond to high demand for natural gas in the cold season the country has to store excess natural gas during the warm season for use in winter. Optimal storage capacity، in turn is dependent on a solid projection of future peak seasonal demand. This paper is prepared with the objective of projecting future peak demand and associated need for storage facilities. In this paper we use Neural Network and Seasonal ARIMA methods to forecast seasonal natural gas consumption over Iran’s 5th development plan period and calculate the requited storage capacity. The results show that neural network methodology has superior predictive power compared to the ARIMA method. The seasonal nature of demand for natural gas is expected to continue. The model results indicated that in addition to the already planned 4BCM/Y of storage capacity، the country needs to build an additional 10BCM/Y of gas storage facilities in order to effectively respond to peak demand for domestic consumption and to ensure optimal management of gas supply and demand.
خلاصه ماشینی:
"بدین منظور میزان مصرف ماهانهی گاز تا پایان برنامهی پنجم توسعه با استفاده از دو روش باکس جنکینز )AMIRA( و شبکههای عصبی پیشبینی شده و با محاسبهی اختلاف مصرف داخلی در فصول سرد و گرم سال،ظرفیتهای لازم برای ذخیرهسازی گاز طبیعی بهدست آمده است.
(به تصویر صفحه مراجعه شود) نمودار 1-روند مصرف گاز طبیعی در کشور طی سالهای 1389-1379 به منظور مدلسازی و پیشبینی مصرف گاز،از مدل باکس جنکینز و همچنین تکنیک شبکههای عصبی به عنوان روش رقیب استفاده میشود.
جدول 2-مدل برآورد شده به روش باکس جنکینز (به تصویر صفحه مراجعه شود) بعد از تخمین مدل،شبیهسازی داخل نمونه به منظور ارزیابی مدل در پیشبینی آینده انجام شده که نتایج بهدست آمده،همراه با سری واقعی مصرف گاز در نمودار 2 ترسیم شده است.
معیار درصد میانگین قدر مطلق خطا از جمله معیارهای خطای درصدی است که بدون واحد بوده و کاربرد فراوانی دارد و از رابطهی زیر بهدست میآید: (به تصویر صفحه مراجعه شود) جدول 4،نتایج هر چهار روش اندازهگیری خطای پیشبینی در داخل نمونه را برای هردو روش شبکهی عصبی و باکس جنکیز نشان میدهد.
(به تصویر صفحه مراجعه شود) نمودار 4-پیشبینی انجام شده توسط الگوهای شبکهی عصبی و باکس جنکینز 7-پیشبینی میزان ذخیرهسازی مورد نیاز روند فصلی مصرف گاز طی سالهای گذشته و نتایج پیشبینی مصرف در آینده که حکایت از ادامهی روند گذشته و فصلی بودن مصرف دارد،لزوم ذخیرهسازی گاز در فصول گرم برای استفاده در فصول سرد سال به منظور استفادهی بهینه از ظرفیت ایجاد شدهی تولید گاز و پاسخگویی مصرف در تمام فصول سال را ایجاب میکند."