نوع مقاله : مقاله علمی پژوهشی

نویسندگان

• اسداله خورانی ¹
• علی زارعی ²

¹ عضو هیئت علمی دانشگاه هرمزگان

² گروه علوم جغرافیایی دانشگاه هرمزگان

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 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.

کلیدواژه‌ها

• شاخص UTCI
• مصرف انرژی الکتریکی
• همبستگی
• مدل سازی

موضوعات

• آب و هواشناسی

عنوان مقاله [English]

Modeling Electrical Energy Consumption in the Residential Sector Based on the Universal Thermal Climate Index (UTCI) in IranAli

نویسندگان [English]

• Asadollah Khoorani ¹
• Ali Zarei ²

¹ Geographical sciences department, Faculty of humanities, University of Hormozgan

² Geographical Sciences Department , University of Hormozgan

چکیده [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]

• UTCI index
• electric energy consumption
• correlation
• modeling