چکیده:
مصرف گاز طبیعی به عنوان یکی از مهم ترین حامـل هـای انـرژی، طـی سـالیان اخیـر روند صعودی را داشته و مدیریت مصرف و برنامه ریزی جهت تامین نیازهای آن، نیازمند شناخت وضعیت مصرف کنونی و پیش بینی روند آتی آن مـیباشـد. بـا معرفـی و کـاربرد گسترده مدلهای مختلف همچون شبکه های عصبی مصنوعی جهـت بـرآورد رونـد آتـی مصرف و از طرفی تصادفی بودن آنها، آگاهی از دقت این مدلها جهـت نیـل بـه هـدف پیش بینی دقیق تر، اهمیت بیشتری یافته است . پـژوهش حاضـر سـعی دارد بـا بـه کـارگیری شبکه های عصبی مصنوعی به عنوان مدلی غیرخطی و مدل خطی ARIMA در پیش بینـی مصــرف ماهانــه گــاز طبیعــی در بخــش خــانگی ایــران بــه عنــوان عمــدهتــرین بخــش مصرفکننده، به مقایسه دقیق تر این پیش بینیها با استفاده از باز نمونـه گیـری از نمونـه هـا بپردازد. بدین منظور ابتدا آموزش شـبکه بـا اسـتفاده از الگـوریتم هـای ژنتیـک و ازدحـام ذرات صورت گرفته و مقایسه آنهـا بـا اسـتفاده از روش «fold-١٠» حـاکی از عملکـرد بهتر الگوریتم ازدحام ذرات جهت آموزش شبکه بود. در ادامه شبکه عصبی با استفاده از باز نمونه گیری با جایگذاری از دادههای اردیبهشت ماه ١٣٨١ تا اسفندماه ١٣٨٨ بـه تعـداد ٢٠٠٠ بار توسط الگوریتم ازدحام ذرات آموزش داده شد و مصرف ماهانه گاز طبیعی در بخش خانگی طی سالهای ١٣٨٩ و ١٣٩٠ توسـط آنهـا پـیش بینـی و فاصـله اطمینـان ٩٥ درصدی برای پیش بینیها محاسبه شد. نتایج بررسی معنیداری اخـتلاف پـیش بینـی مـدل ترکیبی شبکه عصبی با مدل ARIMA و همچنین مقادیر واقعی، بر اساس فاصله اطمینان به دست آمده حاکی از عملکرد بهتر شبکه عصبی ترکیبی نسبت بـه مـدل ARIMA در اغلب ماهها بود.
خلاصه ماشینی:
در ادامه شبکه عصبی با استفاده از باز نمونه گیری با جایگذاری از دادههای اردیبهشت ماه ١٣٨١ تا اسفندماه ١٣٨٨ بـه تعـداد ٢٠٠٠ بار توسط الگوریتم ازدحام ذرات آموزش داده شد و مصرف ماهانه گاز طبیعی در بخش خانگی طی سالهای ١٣٨٩ و ١٣٩٠ توسـط آنهـا پـیش بینـی و فاصـله اطمینـان ٩٥ درصدی برای پیش بینیها محاسبه شد.
Structure Time Series Model در جمع بندی مطالعات صورت گرفته پیرامون مصرف گاز طبیعی و موضوعات مـرتبط بـا انـرژی مـیتـوان گفـت ؛ مطالعـاتی کـه بـه پـیش بینـی مصـرف ایـن منـابع بـا اسـتفاده از تکنیک های نوین همچون الگوریتم ازدحام ذرات پرداخته اند، کمتـر بـه خاصـیت تصـادفی بودن این الگوریتم ها توجه کردهاند.
ابتدا با توجه مباحث مطرح شده در بخـش مبـانی نظری و داده های در دسترس ، الگوی (٤) جهت پیش بینی شبکه عصبی استفاده شـده اسـت ، سپس شبکه ای مشابه با مدل ARIMA تنها با در نظر گـرفتن وقفـه هـای مصـرف بـه عنـوان 1 متغیرهای ورودی ، آموزش داده شده است : NGCtF(T,N,NGCti,P) (4) در رابطه (٤)، NGCt مصرف ماهیانه گاز طبیعی در بخش خـانگی بـر حسـب میلیـون مترمکعب در زمـان t،N تعـداد مشـترکین گـاز طبیعـی در بخـش خـانگی ، T متوسـط دمـا، NGCt-i میزان مصرف ماهیانه گاز طبیعـی در زمـان t-i و P قیمـت حقیقـی گـاز طبیعـی در بخش خانگی می باشد که به منظور محاسبه آن ، قیمت اسمی گاز طبیعی بـر اسـاس شـاخص قیمت مصرف کننده (CPI٢) به قیمت ثابت سـال ١٣٨٣ تعـدیل شـده اسـت .