25895

مقايسه قدرت مدل هاي مختلف در پيش بيني تقاضاي گاز طبيعي در بخش مسكوني

كارشناسي ارشد

علوم اقتصادي- برنامه‌ريزي سيستم‌هاي اقتصادي

1397

1400/9/17

سعيد شوال پور

مهندسي پيشرفت

امروزه نه تنها توسعه، بلكه ادامه زندگي هم نيازمند انرژي است. يكي از مهم ترين انرژي هايي كه زندگي ما به ان وابسته است، گاز طبيعي مي باشد. در سال هاي اخير، گاز طبيعي به يكي از مهم ترين منابع عرضه انرژي در سطح جهان تبديل شده و از سوختي بومي كه در بازارهاي محدود منطقه اي مصرف مي شد، به سوختي با تجارت بين المللي مبدل شده است كه براي مصرف در بخش هاي مختلف اقتصادي به مقاصد دور حمل مي شود. گاز طبيعي داراي ويژگي هاي منحصر به فردي است كه آن را از ساير كالاها جدا مي سازد. پيش بيني ها نشان از روند سريع افزايش تقاضاي گاز طبيعي در كشور دارد. بررسي تقاضاي گاز طبيعي در بخش خانگي كشور از چند جهت داراي اهميت است؛ گاز خانگي در كنار بخش عمومي و تجاري، يكي از بخش هاي عمده ي مصرف كننده ي نهايي انرژي در كشور است و سهم بزرگي از انرژي مصرفي آن را گاز طبيعي تشكيل مي دهد. اهميت ديگر بررسي بخش خانگي، آن است كه تقاضاي گاز طبيعي به دليل تغييرات فصلي دما، داراي نوسانات زيادي مي باشد. شناسايي ميزان مناسب ذخيره سازي گاز طبيعي از يك سو و در سوي ديگر افزايش ريسك و مخاطرات ذخيره سازي با افزايش حجم ذخيره سازي نيز دليلي ديگر بر بررسي تقاضاي گاز طبيعي بخش خانگي است. در اين پژوهش، به منظور بررسي قدرت مدل هاي مختلف در پيش بيني تقاضاي ماهيانه گاز طبيعي بخش مسكوني استان تهران با توجه به ارزيابي هاي انجام شده بر روي مطالعات پيشينه تحقيق و همچنين مباحث اقتصاد خرد، 5 متغير قيمت گاز طبيعي، تعداد مشتركين، دماي هوا، ميزان رطوبت هوا و ميزان سرعت باد انتخاب شده و داده هاي مربوط به متغيرهاي پژوهش به صورت ماهيانه از فروردين 1382 تا اسفند 1399 از منابع شركت ملي گاز و وب سايت tutiempo جمع اوري شده است و با استفاده از دو مدل شبكه عصبي MLP و SVM و همچنين دو مدل اقتصاد سنجي VAR و MGARCH، ميزان مصرف ماهيانه گاز طبيعي بخش مسكوني استان تهران طي 24 ماه از فروردين 1398 تا اسفند 1399 پيش بيني گرديده است. همچنين جهت مقايسه نتايج مدل ها از معيار خطاي RMSE استفاده شده است. نتايج پژوهش در پيش بيني نشان مي دهد كه در بين مدل هاي شبكه عصبي منتخب، مدل MLP عملكرد بسيار بهتري نسبت به مدل SVM داشته است و همچنين در ميان دو مدل اقتصاد سنجي مذكور، مدل MGARCH نسبت به مدل VAR دقت بيشتري داشته است. براي يافتن بهترين مدل پژوهش، با مقايسه نتايج مدل هاي MLP و MGARCH، مشخص گرديد كه شبكه عصبي MLP قدرت و دقت بيشتري دارد.

1400/10/28

A comparison of models for forecasting the residential natural gas demand

12/8/2022 12:00:00 AM

Nowadays, not only development but entire human’s life needs energy. One of the most important energies which is necessary in our lives is natural gas. During recent years, natural gas has become one of the most important energy resources in the world and from a local fuel which was used in limited markets has turned to an international commercial fuel that is transported to far distances for consumption in diverse economic sectors. Natural gas has specific features which distinguish it from other resources. Predictions show that there is a substantial increase in the natural gas demand in the country. Examining natural gas demand in residential sector seems significant in many aspects. Residential and commercial natural gas are major sectors of energy consumption in the country. Another primary advantage of residential sector is that natural gas demand experiences many fluctuations owing to seasonal changes of temperature. On the one hand, recognizing sufficient amount of storing and on the other hand, higher risks as a result of increasing the amount of storing, are more reasons for examining natural gas demand in residential sector. In this research, 5 variables have been chosen in order to determine the power of diverse models in forcasting monthly natural gas demand in residential sector of Tehran province. The variables are natural gas price, number of consumers, temperature, humidity and amount of wind speed. The data for presented variables was collected monthly from Farvardin 1382 to Esfand 1399. Two neural network models which are MLP and SVM and also two econometric models which are MGARCH and VAR were used to forecast the amount of monthly consumption of natural gas in residential sector in Tehran province for 24 months from Farvardin 1398 to Esfand 1399. Besides, RMSE was used to compare results. Research findings confirm that between two presented neural network models, MLP was more accurate compared to SVM and also between two presented econometric models, MGARCH was more accurate compared to VAR. In order to find the most accurate model in this research, the results of MLP and MGARCH were compared and MLP was more powerful and more accurate.