عملکرد دو روش ARIMA و شبکه عصبی GMDH در پیش بینی تقاضای گاز طبیعی در بخش‌های مختلف (ایران-1380-1389)

نوع مقاله: علمی - پژوهشی

نویسندگان

1 استاد دانشکده اقتصاد دانشگاه تهران

2 استادیار دانشکده اقتصاد دانشگاه تهران

3 کارشناس ارشد اقتصاد انرژی دانشگاه تهران

4 عضو هیئت علمی- موسسه مطالعات بین المللی انرژی

چکیده

باتوجه به افزایش روزافزون مصرف گاز طبیعی، برنامه ریزی در بخش گاز طبیعی و بررسی و پیش‌بینی تقاضای گاز طبیعی جهت دستیابی به امنیت عرضه انرژی گاز طبیعی و به دنبال آن توسعه پایداراهمیت فراوانی دارد. از این رو در این تحقیق تقاضای گاز طبیعی در بخش‌های خانگی-تجاری، صنعت و نیروگاه که جزء مصرف کنندگان عمده گاز طبیعی هستند مورد بررسی قرار گرفته و از دو روش ARIMA (Autoregressive Integrated Moving Average) و شبکه عصبی GMDH (Group Method of Data Handling) برای پیش‌بینی تقاضای گاز طبیعی و از معیارهای MSE (Mean Squared Error)، RMSE (Root Mean Squared Error)، درصد خطای پیش‌بینی و دقت پیش بینی جهت مقایسه دو روش استفاده شده‌است. با توجه به نتایج، دقت پیش‌بینی به ترتیب در سه بخش خانگی‌-‌تجاری‌، صنعتی و نیروگاه در روش ARIMA 8/93، 3/98 و 87 درصد و در روش شبکه عصبی GMDH 4/96، 99 و 2/98 درصد بدست آمده است و معیارهای RMSE و MSE در هر سه بخش برای روش شبکه عصبی GMDH کوچکتر از روش ARIMA بوده است. از این رو می‌توان نتیجه گرفت که با توجه به مدلسازی صورت گرفته، روش شبکه عصبی GMDH عملکرد و دقت بالاتری نسبت به روش ARIMA در پیش‌بینی تقاضای گاز طبیعی دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Performance of ARIMA and Neural Network GMDH approaches in prediction of natural gas demand in various sectors (Iran-1380-1389)

نویسندگان [English]

  • HAMID ABRISHAMI 1
  • Farkhonde Jabajameli 2
  • Masoume Abolhasani 3
  • Afshin Javan 4
چکیده [English]

Natural gas because of its advantages plays a key role in economy of Iran. Given the continuously rising natural gas consumption, planning in the gas sector by taking into account predicted demand is critical for ensuring sustainable development. In this study we develop models for predicting natural gas demand in residential-commercial, industrial and power plant sectors in Iran using ARIMA (Autoregressive Integrated Moving Average) and Neural Network GMDH(Group Method of Data Handling) approaches. The time series data of natural gas demand, natural gas price and air temperature are used as the model variables. the RMSE, MSE and Prediction Error Percentage indexes are used for comparing this models. The prediction accuracy percentage index for residential-commercial, industrial and power plant sectors in ARIMA method are 93.8, 98.3 and 87 percent and those in Network GMDH method are 96.4, 99 and 98.2 percent respectively. The results indicate better performance and accuracy for the GMDH approach compared to the ARIMA model in predicting natural gas demand.

کلیدواژه‌ها [English]

  • Natural gas demand prediction
  • ARIMA
  • Neural Network GMDH