آب و هواشناسی
علی زارعی؛ اسداله خورانی
چکیده
مطالعه حاضر با هدف شناسایی تاثیرگذارترین متغیر اقلیمی بر مصرف انرژی الکتریکی بخش مسکونی و همچنین معرفی بهترین مدل در برآورد مصرف، با استفاده از مدل‌سازی مصرف انرژی الکتریکی انجام شده است. داده‌های اقلیمی برای سال‌های 2003 تا 2022 از مرکز پیش‌بینی میان مدت وضع هوا (ECMWF) و همچنین دادهای مصرف سالیانه انرژی الکتریکی بخش مسکونی به تفکیک ...
بیشتر
مطالعه حاضر با هدف شناسایی تاثیرگذارترین متغیر اقلیمی بر مصرف انرژی الکتریکی بخش مسکونی و همچنین معرفی بهترین مدل در برآورد مصرف، با استفاده از مدل‌سازی مصرف انرژی الکتریکی انجام شده است. داده‌های اقلیمی برای سال‌های 2003 تا 2022 از مرکز پیش‌بینی میان مدت وضع هوا (ECMWF) و همچنین دادهای مصرف سالیانه انرژی الکتریکی بخش مسکونی به تفکیک استان‌های ایران، از توانیر دریافت شد. به منظور بررسی روند، از آزمون ناپارامتریک من-کندال استفاده گردید و برای مدل‌سازی مصرف انرژی الکتریکی، از مدل‌های، رگرسیون خطی چندگانه(MLR) ، شبکه‌های عصبی مصنوعی (ANN)، ماشین بردار پشتیبانی (SVM) و جنگل تصادفی (RF) استفاده شد. نتایج نشان داد که همبستگی میان مصرف انرژی الکتریکی بخش مسکونی و دمای‌کمینه و بیشینه، در تمام استان‌های کشور مثبت و رابطه مصرف انرژی الکتریکی با شاخص UTCI در استان‌های مختلف، مقادیر مثبت و منفی را به خود اختصاص داده است. به طوری که در 22 استان همبستگی مثبت و در 9 استان همبستگی منفی می‌باشد. نتایج حاصل از برسی روند تغییرات نشان داد که دمای‌کمینه، دمای بیشینه و انرژی الکتریکی، در همه استان‌ها روند افزایشی داشته است اما شاخص UTCI، روند منفی را هم در تعدادی از استان‌ها ثبت کرده است. همچنین رابطه‌ای که از مدل رگرسیونی گام به گام حاصل شد، نشان داد که در 23 استان، تنها متغیر تاثیرگذار، دمای کمینه می‌باشد. در استان‌های اصفهان، خراسان جنوبی و کرمان، متغیر‌های دمای‌کمینه و شاخص UTCI به عنوان متغیر تاثیرگذار شناخته شد. در استان‌های اردبیل، گیلان و گلستان، تنها دمای بیشینه وارد معادله گردید. نتایج حاصل از مدل‌سازی نشان داد، مدل ANN عملکرد بهتری را نسبت به سه مدل دیگر داشته است. به طوری که بیشترین ضریب همبستگی با 79/0 و حداقل خطا با 360 را ثبت کرده است. مدل‌های MLR، SVM و RF به ترتیب عملکرد بهینه، در رتبه‌های بعدی قرار دارند.
