چکیده:
بخشهای خانگی و تجاری بیشترین سهم مصارف گاز طبیعی در کشور را به خود اختصاص دادهاست. بنابراین، پیشبینی میزان مصارف این دو بخش برای شرکت ملی گاز ایران بسیار حائز اهمیت است. در این مقاله، برای مصارف خانگی و تجاری گاز طبیعی شهر اصفهان ساختار مناسبی از مدل شبکه عصبی انتخاب و طراحی شده است. برای یافتن یک ساختار مناسب شبکه عصبی، سه ساختار متفاوت با نامهای دینامیک، هرس کامل و شبکه شعاع براساس تابع بررسی شده است. دادههای واقعی مصارف گاز 10 سال (1381 تا 1390) برای پیشبینی مصارف (1391 تا 1395) استفاده شده است. به منظور پیشبینی مصارف خانگی و تجاری گاز طبیعی، متغیرهای مستقل جمعیت، دما، تعداد مشترکین و قیمت گاز انتخاب شدهاند. ساختارهای شبکه عصبی با یکدیگر و با سایر روشهای سنتی پیشبینی از جمله رگرسیون و سریهای زمانی مقایسه گردید. نتایج حاکی از آن است که ساختار منتخب هرس کامل مدل شبکه عصبی برای این دادهها از سایر ساختارها و مدلهای پیشبینی سنتی کارآمدتر و دقیقتر است و این مدل تا سال 1395 برای بخش خانگی افزایش مصرف و برای بخش تجاری کاهش در مصرف گاز طبیعی شهر اصفهان را پیشبینی کرده است. براساس بررسیهای انجام شده، تاکنون پژوهشی برای پیشبینی مصارف گاز طبیعی خانگی و تجاری شهر اصفهان با مقایسه بین ساختارهای مختلف طراحی مدل شبکه عصبی و انتخاب بهترین ساختار، صورت نگرفته است.
خلاصه ماشینی:
"روند پژوهش بدین صورت است که مصارف سالیانه گاز شهر اصفهان در بخشهای خانگی و تجاری طی سالهای 1391 تا 1395 با استفاده از سه ساختار شبکه عصبی (دینامیک، هرس کامل و شعاع براساس تابع) و سایر روشهای آماری رگرسیون و سریهای زمانی پیشبینی خواهد شد و نتایج مدلهای ساخته شده با یکدیگر مقایسه شدهاند.
. شکل 2- نتایج پیشبینی با روشهای شبکههای عصبی، رگرسیون و ARIMA طی سالهای 1391 تا 1395 مصارف خانگی شهر اصفهان (واحد: میلیون مترمکعب) در جدول (9) نتایج پیشبینی مصارف گاز طبیعی بخش تجاری برای سالهای 91 تا 95 با استفاده از مدلهای شبکه عصبی مصنوعی، رگرسیون و سری زمانی ARIMA نشان داده شده است.
جدول 9- نتایج پیشبینی سالیانه بخش تجاری شهر اصفهان برای پنج سال 1391 تا 1395 واحد: میلیون مترمکعب سال روش دینامیک روش RBFN روش هرس کامل رگرسیون ARIMA 1391 66 66 68 72 72 1392 67 62 68 82 78 1393 68 83 68 71 73 1394 66 80 69 70 71 1395 68 82 68 68 69 در شکل (3) روند مقادیر پیشبینی شده با روشهای مذکور برای مصارف گاز طبیعی سالهای 91 تا 95 برای بخش تجاری نشان داده شده است و نتایج حاکی از آن است که مصارف پیشبینی با هر سه روش شبکههای عصبی وARIMA تا سال 95 در این بخش تجاری در حال کاهش هستند.
Combination of Artifical Neural Network Forecasters for Prediction of Natural Gas Consumption.
Combination of Neural Networks Forecasters for Monthly Natural Gas Consumption Prediction.
پی نوشت Artificial Neural Network Auto-Regressive Integrated Moving Average Khotanzad Sarak and Satman Gil and Deferrari Viet and Mandziuk Musilek Vondracek Aras Kizilaslan and Karlik Behrouznia Dombayci Erdogdu Forouzanfar Neuro-linguistic programming Azadeh Stochastic frontier analysis Taspinar Soldo Feed forward James Mcland Yaghini Dynamic Radial Basis Function Network Exhaustive Prune Mean Squared Error(MSE) Mean Absolute Error(MAE)"