پيش‌بيني تقاضا و ذخيره‌سازي فصلي گاز طبيعي در طول برنامه‌ي پنجم توسعه با استفاده از روش‌هاي شبكه‌ي عصبي و ARIMA

Forecasting Seasonal Gas Demand and Storage Needs over Iran’s 5th Development Plan Period Using Neural Network and ARIMA Approaches

يكي از مشكلات كشور مصرف بالاي گاز طبيعي در داخل و تغيير بسيار زياد ميزان مصرف در فصول سرد و گرم سال است. فصلي بودن مصرف گاز مشكلات گوناگون را براي انجام تعهدات صادرات گاز كشور، تزريق به ميادين نفتي و مصرف‌كنندگان داخلي به‌وجود آورده است. اين امر لزوم ذخيره‌سازي گاز طبيعي در فصول گرم و استفاده از آن براي فصول سرد را در داخل ديكته مي كند. ولي تحقق اين مساله بدون اطلاع از ميزان تقاضاي فصلي در آينده ممكن نيست. اين مقاله با هدف پي بردن به ميزان تقاضاي آينده‌ي گاز در كشور و ظرفيت لازم براي ذخيره‌سازي آن تدوين شده است. بدين منظور ميزان مصرف ماهانه‌ي گاز تا پايان برنامه‌ي پنجم توسعه با استفاده از دو روش باكس جنكينز (ARIMA) و شبكه هاي عصبي پيش بيني شده و با محاسبه‌ي اختلاف مصرف داخلي در فصول سرد و گرم سال، ظرفيت هاي لازم براي ذخيره سازي گاز طبيعي به‌دست آمده است. نتايج نشان مي دهد كه مدل شبكه‌ي عصبي نسبت به روش ARIMA توان بيش‎تري در پيش بيني تقاضاي گاز طبيعي دارد و ويژگي فصلي بودن مصرف داخلي گاز هم‌چنان طي سال‌هاي آينده ادامه خواهد داشت. بر اساس محاسبات مقاله پيشنهاد مي شود كه علاوه بر 4 ميليارد ظرفيت برنامه ريزي شده براي ذخيره‌ي گاز، سالانه 10 ميليارد متر مكعب ظرفيت ذخيره سازي جديد جهت پاسخ به تقاضاي فصلي گاز براي مديريت عرضه و تقاضاي گاز انجام شود.

High domestic natural gas consumption and major differences between demand in cold and warm seasons pose major challenges in Iran. The seasonal nature of demand for natural gas seasonality has created many problems for honoring export commitments, injection of gas into oil fields and meeting peak demand of domestic users. To respond to high demand for natural gas in the cold season the country has to store excess natural gas during the warm season for use in winter. Optimal storage capacity, in turn is dependent on a solid projection of future peak seasonal demand. This paper is prepared with the objective of projecting future peak demand and associated need for storage facilities. In this paper we use Neural Network and Seasonal ARIMA methods to forecast seasonal natural gas consumption over Iran’s 5th development plan period and calculate the requited storage capacity. The results show that neural network methodology has superior predictive power compared to the ARIMA method. The seasonal nature of demand for natural gas is expected to continue. The model results indicated that in addition to the already planned 4BCM/Y of storage capacity, the country needs to build an additional 10BCM/Y of gas storage facilities in order to effectively respond to peak demand for domestic consumption and to ensure optimal management of gas supply and demand.