عملكرد دو روش ARIMA و شبكه عصبي GMDH در پيش‌بيني تقاضاي گاز طبيعي در بخش‌هاي مختلف (ايران:1380-1389)

Performance of ARIMA and Neural Network GMDH approaches in prediction of natural gas demand in various sectors (Iran-1380-1389)

باتوجه به افزايش روزافزون مصرف گاز طبيعي، برنامه‌ريزي در بخش گاز طبيعي و بررسي و پيش‌بيني تقاضاي گاز طبيعي جهت دستيابي به امنيت عرضه انرژي گاز طبيعي و به‌دنبال آن توسعه پايداراهميت فراواني دارد. از اين‌رو در اين تحقيق تقاضاي گاز طبيعي در بخش‌هاي خانگي-تجاري، صنعت و نيروگاه كه جز مصرف‌كنندگان عمده گاز طبيعي هستند مورد بررسي قرار‌گرفته و از دو روش ARIMA (Autoregressive Integrated Moving Average) و شبكه عصبي GMDH (Group Method of Data Handling) براي پيش‌بيني تقاضاي گاز طبيعي و از معيارهاي MSE (Mean Squared Error)، RMSE (Root Mean Squared Error)، درصد خطاي پيش‌بيني و دقت پيش‌بيني براي مقايسه دو روش استفاده شده‌است. با توجه به نتايج، دقت پيش‌بيني به‌ترتيب در سه بخش خانگي‌-‌تجاري‌، صنعتي و نيروگاه در روش ARIMA، 8/93، 3/98 و 87 درصد و در روش شبكه عصبي GMDH، 4/96، 99 و 2/98 درصد به‌دست آمده است و معيارهاي RMSE و MSE در هر سه بخش براي روش شبكه عصبي GMDH كوچك‌تر از روش ARIMA بوده است. از اين‌رو مي‌توان نتيجه گرفت كه با توجه به مدلسازي صورت گرفته، روش شبكه عصبي GMDH عملكرد و دقت بالاتري نسبت به روش ARIMA در پيش‌بيني تقاضاي گاز طبيعي دارد.

Given the continuously rising natural gas consumption, planning in the gas sector by taking into account predicted demand is critical for ensuring sustainable development. In this study we develop models for predicting natural gas demand in residential-commercial, industrial and power plant sectors using ARIMA (Autoregressive Integrated Moving Average( and Neural Network GMDH )Group Method of Data Handling( approaches. And the RMSE, MSE and Prediction Error Percentage indexes are used for comparing. The prediction accuracy percentage index for residential-commercial, industrial and power plant sectors in ARIMA method are 93.8, 98.3 and 87 percent and those in Network GMDH method are 96.4, 99 and 98.2 percent respectively. The results indicate better performance and accuracy for the GMDH approach in predicting natural gas demand.