نوع مقاله : مقاله علمی پژوهشی
نویسندگان
1 دانشجوی کارشناسی ارشدگروه علوم جغرافیایی دانشگاه هرمزگان،هرمزگان،ایران
2 دانشیارگروه علوم جغرافیایی دانشگاه هرمزگان،هرمزگان،ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
The study aimed to introduce the most effective model for estimating energy consumption through the modeling of residential electrical energy consumption. .Reanalysis climate data from ECMWF spanning the years 2003 to 2022 were acquired, along with the annual electrical energy consumption data of the residential sector across Iranian provinces. Pearson correlation coefficient was employed to analyze the relationships between variables, and the Mann-Kendall non-parametric test was utilized to scrutinize trends in these variables. Four regression and Artificial Intelligence (AI)-based models, namely Multiple Linear Regression (MLR), Artificial Neural Networks (ANN), Support Vector Machine (SVM), and Random Forest (RF), were employed to model electric energy consumption. The performance of these models was assessed using metrics such as Root Mean Squared Error (RMSE), Coefficient of Determination (R2), and Standard Deviation (SD), evaluated through a Taylor diagram. Provinces. In 22 provinces, a positive correlation was observed, whereas in 9 provinces, a negative correlation was identified. Analysis of the temporal changes indicates a consistent increase in minimum and maximum temperatures as well as electrical energy consumption across all provinces. However, it is noteworthy that the UTCI displayed a negative trend in several provinces. The stepwise regression model revealed that in 23 provinces, the sole influential variable is the minimum temperature. Notably, in the provinces of Isfahan, South Khorasan, and Kerman, both minimum temperature and the UTCI were identified as influential variables. Conversely, in Ardabil, Gilan, and Golestan provinces, only the maximum temperature featured in the regression equation. Modeling outcomes underscored the superior performance of the ANN model in comparison to the other three models. The ANN model exhibited the highest correlation coefficient at 0.79, coupled with the RMSE of 360. Following in ranking, the MLR, SVM, and RF models demonstrated progressively lower levels of performance
کلیدواژهها [English]
هدف : یکی از پیامدهای گرمایش جهانی، افزایش تنشهای حرارتی و به تبع آن، افزایش مصرف انرژی الکتریکی در بخش مسکونی میباشد. 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.
روش : دادههای اقلیمی برای سالهای 2003 تا 2022 از مرکز پیشبینی میان مدت وضع هوا ([1]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[2]) ، شبکههای عصبی مصنوعی (ANN[3])، ماشین بردار پشتیبانی (SVM[4]) و جنگل تصادفی (RF[5]) استفاده شد.
نتایج : همبستگی میان مصرف انرژی الکتریکی بخش مسکونی و دمایکمینه و بیشینه، در تمام استانهای کشور مثبت 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، به طوری که در 9 استان روند منفی و در 22 استان روند آن مثبت بوده 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.
نتیجه گیری : با توجه به نتایج مطالعات متعدد که نشان دهنده روند افزایشی دما به ویژه دمایکمینه تا انتهای قرن بیست و یکم میباشد و همچنین نتایج تحقیق حاضر که نشان داد، میان پارامترهای دمایی به ویژه دمایکمینه و مصرف انرژی الکتریکی همبستگی قوی وجود دارد، باید برنامهریزی صحیح و دقیقی به منظور تامین انرژی الکتریکی مورد نیاز ساکنان در آینده صورت گیرد.
[1] European Centre for Medium-Range Weather Forecasts
[2] Multiple linear regression
[3] Artificial Neural Networks
[4] Support vector machines
[5] Random Forest
)