مدل‌سازي و پيش‌بيني ميزان مصرف گاز طبيعي به كمك شبكه‌ هاي عصبي نوع GMDH چند‌هدفي. مطالعه موردي: شركت گاز شهر رشت

Modeling and prediction of natural gas consumption with help of multi objective GMDH-Type Neural Network. Case study: regional gas distribution company of Rasht city

مصرف گاز به عنوان منبع انرژي پاك، براي مصارف صنعتي و گرمايشي و حمل و نقل، به طور گسترده اي پذيرفته شده است و از ميان سوخت هاي فسيلي، مصرف گاز براي داشتن محيط زيستي پاكتر مورد توجه بسيار قرار گرفته است. بدليل اهميت تأثير مشخصه‌هاي هواشناسي در مصرف گاز شهرها و نيز امكان كاهش ناگهاني دما و در نتيجه افزايش ميزان مصرف گاز شهرها، ضرورت اطلاع و پيش‌بيني مصرف گاز امري اجتناب ناپذير است كه دراين تحقيق به آن پرداخته شده است. در ابتدا برخي از متغيرهاي تاثيرگذار بر مصرف گاز با استفاده از روش شناسي سطح پاسخ شناسايي گرديده است. در ادامه شبكه عصبي نوع GMDH براي مدلسازي و پيش بيني ميزان گاز طبيعي مصرفي در بخش خانگي، با استفاده از مجموعه داده هاي ورودي - خروجي مورد مطالعه قرار گرفته است. براي ارزيابي مدل پيشنهادي، 84 داده مربوط به 7 سال متوالي از شركت گاز شهر رشت به صورت موردي بدست آمده است. به منظور مدل سازي، داده ها به دو دسته (70% براي آموزش و 30% براي آزمايش) تقسيم شده اند. نتايج حاصل از مدلسازي با داده هاي تجربي مقايسه گرديد كه ضريب تعيين 0.8943 بوده و تطابق بسيار خوبي با نتايج تجربي نشان داده است.

It is widely accepted that natural gas is a clean energy source that can be used to meet energy demand for heating and industrial purposes among the fossil fuels and its usage remarkably increases in order to maintain a clean environment in many countries in the world. In this paper, factors affecting gas consumption were firstly identified and then GMDH-Type Neural Networks has been used for modeling and prediction of gas consumption using input-output data set. To validate the proposed model, a case study was carried out based on the data consisted of 84 sets for 7 years obtained from regional gas distribution company of Rasht city. For modeling, the experimental data were divided into train and test sections (70% for training and 30% for testing). The predicted values were compared with those of experimental values . The GMDH-Type Neural Network model values showed a very good regression with the experimental results and the Coefficient of determination was obtained 0.8943.