پیش بینی تقاضای گاز طبیعی بر مبنای مدلسازی با استفاده از روش شبکه های عصبی در منطقه گرم و خشک بر مبنای داده های هواشناسی

نیاز به پیش بینی و الگویابی مصرف گاز بخصوص در فصول سرد سال جهت مدیریت مصرف و سیاست گذاری و برنامه ریزی امری ضروری می باشد. در بخش مصارف مسکونی و تجاری که بخش عمده ای از مصرف گاز در کشور را به خود اختصاص می دهد، تاثیرات متغیر های هواشناسی بیشترین اثر را بر مصرف دارند. در این تحقیق چهار متغیر متوسط دمای روزانه، متوسط رطوبت نسبی روزانه ، ساعات آفتابی در روز و متوسط سرعت باد برای پیش بینی مصرف در بازه زمانی کوتاه مدت استفاده شده است. نتایج برای سه شهر ایلام، ایوان و مهران به شکل معادلات چند جمله ای درجه دوم و بر حسب متغیر های فوق بدست آمده است. نتایج نشان مید هد که سه مدل بدست آمده بر مبنای میانگین ریشه مربعات خطای نرمال شده به ترتیب دارای مقدار 0.21، 0.112 و 0.123 و همچنین ضریب تعیین به ترتیب 0.8356، 0.8706 و می باشند که مقدار مطلوبی می باشد.

Forecasting Natural Gas Demand Using Meteorological Data: Neural Network Method

The need for prediction and patterns of gas consumption especially in the cold seasons is essential for consumption management and policy planning decision making. In residential and commercial uses which account for the bulk of gas consumption in the country the effects of meteorological variables have the highest impact on consumption. In the present research four variables include daily average temperature , average daily relative humidity , sunny hours per day , and average wind speed were used to predict consumption in the short term. The results for the three cities include Ilam, Ivan and mehran have been obtained in the form of quadratic polynomial equations and according to the above variables. The results for three models based on the normalized root mean square error have are 0.21, 0.112 and 0.123. Also the rerult of coefficent of determination for three cities are 0.8356, 0.87060.7936, respectively with are favorable.