دوره ۲۵، شماره ۷۸ - ( ۷-۱۴۰۴ )
جلد ۲۵ شماره ۷۸ صفحات ۰دوره۰فصل__Se |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mohammadi M. (2025). Modeling demand for natural gas consumption based on climate in Zanjan city. jgs. 25(78), doi:10.61186/jgs.25.78.9
URL: http://jgs.khu.ac.ir/article-1-4245-fa.html
URL: http://jgs.khu.ac.ir/article-1-4245-fa.html
محمدی محمد، عساکره حسین، فرجی عبدالله. الگوسازی تقاضای مصرف گاز طبیعی براساس شرایط آب و هوایی در شهر زنجان تحقیقات کاربردی علوم جغرافیایی ۱۴۰۴; ۲۵ (۷۸) ۱۰,۶۱۱۸۶/jgs.۲۵.۷۸.۹
۱- دانشگاه فرماندهی و ستاد ارتش، m۱۲mohammadim۱۲@yahoo.com ، m12mohammadim12@yahoo.com
چکیده: (۲۶۵۳ مشاهده)
امروزه مصرف انرژی نقش تعیین کننده ای در توسعه کمّی و کیفی زندگی بشر دارد. یکی از منابع تامین انرژی، در راستای توسعه و رفاه اقتصادی و نیز کسب آسایش آب و هوایی گاز طبیعی است. این منبع تامین انرژی، بویژه در نواحی سرد کشور و نیز به منظور تامین آسایش دمایی، نیازمند مدیریت صحیح است. مدیریت صحیح این منبع انرژی فسیلی از طریق آگاهی و پیش بینی از میزان تقاضای آن میسر است. بدین منظور تقاضای مصرف گاز طبیعی در شهر زنجان به عنوان یکی از شهرهای سرد ایران زمین مورد بررسی و الگوسازی قرار گرفت. برای انجام پژوهش حاضر از دو گروه داده (عناصر آب و هوایی و میزان مصرف گاز طبیعی) برای یک دوره آماری 9 ساله (1400-1392) در مقیاس روزانه استفاده شده است. به منظور الگوسازی تقاضای مصرف گاز طبیعی در شهر زنجان از نرم افزار CurveExpert و نیز روش وایازی (رگرسیون) استفاده شد. بر اساس برازنده ترین الگو، عنصر دما به عنوان تنها متغیر مستقل در الگوی انتخابی جای گرفت. الگوی نهایی، وایازی چندجمله ای با ضریب همبستگی 94/0 ( ضریب تبیین 03/89 درصد) اختیار شد. درصد افزایش مصرف گاز طبیعی به ازای یک درجه کاهش دما، از دمای 22 تا دمای 16 درجه بیشترین درصد افزایش و از دمای صفر تا 5- درجه کمترین درصد افزایش به ازای یک درجه کاهش دما رخ داده است. نقطه عطف و شروع مشکلات مربوط کمبود گاز طبیعی در شهرستان زنجان دمای کمتر از منفی 7 درجه تشخیص داده شد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
اب و هواشناسی
فهرست منابع
۱. امامی میبدی علی؛ محمدی تیمور؛ سلطان العلمایی سید محمد هادی. (۱۳۸۹). تخمین تابع تقاضای داخلی گاز طبیعی به روش فیلتر کالمن(مطالعه موردی تقاضای بخش خانگی شهر تهران)، فصلنامه اقتصاد مقداری، ۷(۳): ۴۱-۲۳. doi: ۱۰,۲۲۰۵۵/jqe.۲۰۱۰.۱۰۶۴۳
۲. بابایی میبدی، حمید؛ طحاری مهرجردی، محمد حسین؛ تقی زاده مهرجردی، روح الله. (۱۳۹۱)، بررسی کارایی مدل های نروفازی، شبکه عصبی و رگرسیون چند متغیره در پیش بینی مصرف انرژی کشور، فصلنامه پژوهش نامه اقتصادی(رویکرد اسلامی ایرانی)، ۱۲(۴۶): ۶۴-۴۳. https://joer.atu.ac.ir/article_۹۴۰.html
۳. حاجی حسینی بغدادآبادی، طاهره؛ قاسمی، عبدالرسول؛ محمدی، تیموری. (۱۳۹۹). اثر تغییرات آب و هوایی بر مصرف گاز طبیعی ایران، کاربرد الگوی رگرسیونی سانسورشده (توبیت). پژوهشنامه اقتصاد انرژی ایران، ۹(۳۴): ۱۱۱-۸۷. doi: ۱۰,۲۲۰۵۴/jiee.۲۰۲۱.۵۰۶۸۱.۱۷۳۴
۴. دشتبان فاروجی، سحر؛ درگاهی، حسن. (۱۴۰۱). امکان‌سنجی صادرات گاز طبیعی ایران (۱۴۱۰-۱۴۰۱) بر پایه شبیه‌سازی الگوی اقتصادسنجی کلان - انرژی. پژوهشنامه اقتصاد انرژی ایران، ۱۱(۴۲): ۴۵-۱۱.doi: ۱۰,۲۲۰۵۴/jiee.۲۰۲۲.۶۹۴۳۰.۱۹۴۷
۵. ذولفقاری، حسین. (۱۳۹۲). آب و هواشناسی توریسم. تهران: انتشارات سمت.
۶. راعی، حسن؛ نظری، جواد؛ سرزهی، مرتضی؛ ملکی، عباس. (۱۴۰۱). نعمت یا نقمت گاز طبیعی در ایران: بررسی آینده‌پژوهانه صادرات گاز طبیعی تا ۲۰۵۰، سیاستگذاری عمومی، ۸(۱): ۱۶۷-۱۵۱.doi: ۱۰,۲۲۰۵۹/jppolicy.۲۰۲۲.۸۵۹۱۷
۷. شکیبایی، علیرضا؛ نظام آبادی پور، حسین؛ حسینی، سید جعفر. (۱۳۸۸). پیش بینی عرضه نفت خام در یازده کشور تولید کننده با استفاده از شبکه های عصبی و رگرسیون خطی، مجله دانش توسعه، ۱۶(۲۷): ۵۶-۴۲. ensani.ir/fa/article/۱۵۲۷۳۱/۲۰۰۶-۱۹۸۰
۸. شیعه بیگی، اندیشه؛ عباسپور، مجید؛ سلطانیه، محمد؛ حسین زاده لطفی، فرهاد؛ عابدی، زهرا. (۱۳۹۳). ارزیابی تغییرات اقلیم و پیش بینی اثر آن بر عملکرد و مصرف سوخت نیروگاه های حرارتی ایران در دهه آینده، علوم و تکنولوژی محیط زیست، ، ۱۶(۲): ۱۲-۱. https://jest.srbiau.ac.ir/article_۳۰۸۷.html
۹. صادقی، سید کمال؛ موسویان، سید مهدی. (۱۳۹۴). تحلیل آماری و برآورد فاصله اطمینان پیش بینی شبکه عصبی ترکیبی به منظور مقایسه با مدل خطی ARIMA (مطالعه موردی مصرف ماهانه گاز طبیعی در بخش خانگی ایران)، فصلنامه تحقیقات مدلسازی اقتصادی، ۲۰(۲): ۱۰۶-۷۳. nsani.ir/fa/article/۳۴۳۶۷۴
۱۰. عساکره، حسین. (۱۳۹۰). مبانی اقلیم شناسی آماری، انتشارات دانشگاه زنجان.
۱۱. عساکره، حسین؛ سیفی پور، زهره. (۱۳۹۱). مدلسازی مکانی بارش سالانه ایران، جغرافیا و توسعه، ۱۰(۲۹): ۱۵-۳۰. doi: ۱۰,۲۲۱۱۱/gdij.۲۰۱۳.۱۱۷
۱۲. کاظمی، عالیه؛ حسین زاده، مهناز. (۱۳۹۱). پیش بینی تقاضای حامل های انرژی در بخش های مختلف مصرف ایران با استفاده از رگرسیون خطی فازی، چشم اندازه مدیریت صنعتی، ۲(۴): ۱۶۵-۱۴۳. https://jimp.sbu.ac.ir/article_۸۷۳۳۲.html
۱۳. کریمی، تورج؛ صادقی مقدم، محمدرضا؛ رهنما، روح الله. (۱۳۸۹). برسی اثر تغییرات دما بر مصرف گاز طبیعی در ایران، فصلنامه مطالعات اقتصاد انرژی، ۶(۲۴): ۲۱۸-۱۹۳. https://ensani.ir/fa/article/۷۰۵۰۹
۱۴. کشاورز حداد، غلامرضا؛ میرباقری جم، محمد. (۱۳۸۶). بررسی تابع تقاضای گاز طبیعی (تجاری و خانگی) در ایران، فصلنامه پژوهش های اقتصادی ایران، ۹(۳۲): ۱۶۰-۱۳۷. https://ijer.atu.ac.ir/article_۳۶۲۸.html
۱۵. لطفعلی، محمدرضاپور؛ احمد، باقری. (۱۳۸۲). تخمین تابع تقاضای گاز طبیعی مصارف خانگی شهر تهران، فصلنلمه پژوهشش های اقتصادی ایران، ۱۶(۲): ۱۰۶-۷۳. https://ensani.ir/fa/article/۳۸۷۷۹
۱۶. هنری، الهام؛ یقینی، مسعود؛ ندیمی، محمد حسین. (۱۳۹۶). پیش بینی مصارف گاز خانگی و تجاری برای یک دوره پنج ساله شهر اصفهان با استفاده از شبکه های عصبی، مدیریت تولید و عملیات، ۱(۱۲): ۲۶۲-۲۴۷. https:// ensani.ir/fa/article/۳۵۸۴۸۱
17. Azadeh, A. Asadzadeh, SM. Saberi, M. Khoshmagham, S. (2012). An integrated genetic algorithm-principal component analysis for improvement and estimation of gas consumption in Finland, Hungary, Ireland, Japan and Malaysia. [DOI:10.1504/IJOR.2012.045184]
18. International Journal of OperationalResearch, 13(2),147-73. https://ideas.repec.org/a/ids/ijores/v13y2012i2p147-173.html.
19. BP Statistical Review of World Energy, (2020).
20. Ceylan, H. Ozturk, H. K. (2004). Estimating energy demand of Turkey based on economic indicators using genetic algorithm approach. Energy Conversion and Management, 45(15), 2525-2537. DOI:10.1016/j.enconman.2003.11.010. [DOI:10.1016/j.enconman.2003.11.010]
21. Dombaycı, ÖA. (2010). The prediction of heating energy consumption in a model house by using artificial neural networks in Denizli-Turkey. Advances in Engineering Software, 2, 41(2), 141-147. DOI:10.1016/j.advengsoft.2009.09.012. [DOI:10.1016/j.advengsoft.2009.09.012]
22. Gautam, T. k. and Paudel, K. (2019). The Demand for Natural Gas in the Northeastern United States, Energy, 158, pp. 890-898. DOI: 10.1016/j.energy.2018.06.092. [DOI:10.1016/j.energy.2018.06.092]
23. Gil, S. & Deferrari, J. (2004). Generalized Model of Prediction of Natural Gas Consumption. Energy Resources Technology ,.126, 90-98. doi.org/10.1115/1.1739239. [DOI:10.1115/1.1739239]
24. Khotanzad, A., Elragal, H. , Lu, T. (2000). Combination of Artifical Neural Network Forecasters for Prediction of Natural Gas Consumption. IEEE Transaction of Neural Networks, 11, 464-473. 11(2). DOI: 10.1109/72.839015. [DOI:10.1109/72.839015] [PMID]
25. Papageorgiou K, I. Papageorgiou E, Poczeta K, Bochtis D, Stamoulis G. (2020). Forecasting of Day-Ahead Natural Gas Consumption Demand in Greece Using Adaptive Neuro-Fuzzy Inference System. Energies, 13(9):2317. doi.org/10.3390/en13092317. [DOI:10.3390/en13092317]
26. Sailor, D. J. Munoz, J. R. (1997). Sensitivity of electricity and natural gas consumption to climate in the USA-methodology and results for eight states. Energy, 22(10), 987-998. doi.org/10.1016/S0360-5442(97)00034-0. [DOI:10.1016/S0360-5442(97)00034-0]
27. Sarak, H. Satman, A. (2003). The degree-day method to estimate the residential heating natural gas consumption in Turkey: a case study. Energy, 28(9), 929-39. doi.org/10.1016/S0360-5442(03)00035-5. [DOI:10.1016/S0360-5442(03)00035-5]
28. Shakouri G, H. & Nadimi, R. (2009). A novel fuzzy linear regression model based on a non-equality possibility index and optimum uncertainty, Applied soft computing, 9(2), 590-598. doi.org/10.1016/j.asoc.2008.08.005. [DOI:10.1016/j.asoc.2008.08.005]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
This work is licensed under a Creative Commons — Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)