Volume 25, Issue 78 (9-2025)
jgs 2025, 25(78): 0-0 |
Back to browse issues page
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mohammadi M. (2025). Modeling demand for natural gas consumption based on climate in Zanjan city. jgs. 25(78), doi:10.61186/jgs.25.78.9
URL: http://jgs.khu.ac.ir/article-1-4245-en.html
URL: http://jgs.khu.ac.ir/article-1-4245-en.html
1- Army command and Staff University, m12mohammadim12@yahoo.com , m12mohammadim12@yahoo.com
Abstract: (2165 Views)
Today, energy consumption plays a decisive role in the qualitative and quantitative development of human life. One of the energy sources is in line with the development and economic prosperity as well as acquisition of climate comfort in natural gas. This source of energy supply, especially in cold areas of the country as well as to provide thermal comfort is required to proper management. Good management of this fossil energy sources is through awareness and forecasts of demand rate of that path. For this reason, demand for natural gas in Zanjan city was studied and modeled as one of the cold cities in Iran. Two groups of data (weather elements and natural gas consumption) for a period of 9 years (2013-2021) on a daily scale have been used for performing this study. CurveExpert software and regression method (regression) were used in order to modeling the demand for natural gas in the city. Based on the most graceful pattern, temperature element was selected as the only independent variable in selective pattern. Polynomial regression with a correlation coefficient of 0.94 (coefficient of determination 89.03 percent) was selected to the final model. The percentage increase in natural gas consumption per one degree decrease in temperature, from 22 to 16 degrees, the highest percentage increase and from zero to -5 degrees, the lowest percentage increase per one degree decrease in temperature. The turning point and the beginning of problems related to the lack of natural gas in Zanjan city was determined to be below minus 7 degrees.
Type of Study: Research |
Subject:
climatology
References
1. امامی میبدی علی؛ محمدی تیمور؛ سلطان العلمایی سید محمد هادی. (1389). تخمین تابع تقاضای داخلی گاز طبیعی به روش فیلتر کالمن(مطالعه موردی تقاضای بخش خانگی شهر تهران)، فصلنامه اقتصاد مقداری، 7(3): 41-23. doi: 10.22055/jqe.2010.10643
2. بابایی میبدی، حمید؛ طحاری مهرجردی، محمد حسین؛ تقی زاده مهرجردی، روح الله. (1391)، بررسی کارایی مدل های نروفازی، شبکه عصبی و رگرسیون چند متغیره در پیش بینی مصرف انرژی کشور، فصلنامه پژوهش نامه اقتصادی(رویکرد اسلامی ایرانی)، 12(46): 64-43. https://joer.atu.ac.ir/article_940.html
3. حاجی حسینی بغدادآبادی، طاهره؛ قاسمی، عبدالرسول؛ محمدی، تیموری. (1399). اثر تغییرات آب و هوایی بر مصرف گاز طبیعی ایران، کاربرد الگوی رگرسیونی سانسورشده (توبیت). پژوهشنامه اقتصاد انرژی ایران، 9(34): 111-87. doi: 10.22054/jiee.2021.50681.1734
4. دشتبان فاروجی، سحر؛ درگاهی، حسن. (1401). امکان‌سنجی صادرات گاز طبیعی ایران (1410-1401) بر پایه شبیه‌سازی الگوی اقتصادسنجی کلان - انرژی. پژوهشنامه اقتصاد انرژی ایران، 11(42): 45-11.doi: 10.22054/jiee.2022.69430.1947
5. ذولفقاری، حسین. (1392). آب و هواشناسی توریسم. تهران: انتشارات سمت.
6. راعی، حسن؛ نظری، جواد؛ سرزهی، مرتضی؛ ملکی، عباس. (1401). نعمت یا نقمت گاز طبیعی در ایران: بررسی آینده‌پژوهانه صادرات گاز طبیعی تا 2050، سیاستگذاری عمومی، 8(1): 167-151.doi: 10.22059/jppolicy.2022.85917
7. شکیبایی، علیرضا؛ نظام آبادی پور، حسین؛ حسینی، سید جعفر. (1388). پیش بینی عرضه نفت خام در یازده کشور تولید کننده با استفاده از شبکه های عصبی و رگرسیون خطی، مجله دانش توسعه، 16(27): 56-42. ensani.ir/fa/article/152731/2006-1980
8. شیعه بیگی، اندیشه؛ عباسپور، مجید؛ سلطانیه، محمد؛ حسین زاده لطفی، فرهاد؛ عابدی، زهرا. (1393). ارزیابی تغییرات اقلیم و پیش بینی اثر آن بر عملکرد و مصرف سوخت نیروگاه های حرارتی ایران در دهه آینده، علوم و تکنولوژی محیط زیست، ، 16(2): 12-1. https://jest.srbiau.ac.ir/article_3087.html
9. صادقی، سید کمال؛ موسویان، سید مهدی. (1394). تحلیل آماری و برآورد فاصله اطمینان پیش بینی شبکه عصبی ترکیبی به منظور مقایسه با مدل خطی ARIMA (مطالعه موردی مصرف ماهانه گاز طبیعی در بخش خانگی ایران)، فصلنامه تحقیقات مدلسازی اقتصادی، 20(2): 106-73. nsani.ir/fa/article/343674
10. عساکره، حسین. (1390). مبانی اقلیم شناسی آماری، انتشارات دانشگاه زنجان.
11. عساکره، حسین؛ سیفی پور، زهره. (1391). مدلسازی مکانی بارش سالانه ایران، جغرافیا و توسعه، 10(29): 15-30. doi: 10.22111/gdij.2013.117
12. کاظمی، عالیه؛ حسین زاده، مهناز. (1391). پیش بینی تقاضای حامل های انرژی در بخش های مختلف مصرف ایران با استفاده از رگرسیون خطی فازی، چشم اندازه مدیریت صنعتی، 2(4): 165-143. https://jimp.sbu.ac.ir/article_87332.html
13. کریمی، تورج؛ صادقی مقدم، محمدرضا؛ رهنما، روح الله. (1389). برسی اثر تغییرات دما بر مصرف گاز طبیعی در ایران، فصلنامه مطالعات اقتصاد انرژی، 6(24): 218-193. https://ensani.ir/fa/article/70509
14. کشاورز حداد، غلامرضا؛ میرباقری جم، محمد. (1386). بررسی تابع تقاضای گاز طبیعی (تجاری و خانگی) در ایران، فصلنامه پژوهش های اقتصادی ایران، 9(32): 160-137. https://ijer.atu.ac.ir/article_3628.html
15. لطفعلی، محمدرضاپور؛ احمد، باقری. (1382). تخمین تابع تقاضای گاز طبیعی مصارف خانگی شهر تهران، فصلنلمه پژوهشش های اقتصادی ایران، 16(2): 106-73. https://ensani.ir/fa/article/38779
16. هنری، الهام؛ یقینی، مسعود؛ ندیمی، محمد حسین. (1396). پیش بینی مصارف گاز خانگی و تجاری برای یک دوره پنج ساله شهر اصفهان با استفاده از شبکه های عصبی، مدیریت تولید و عملیات، 1(12): 262-247. https:// ensani.ir/fa/article/358481
17. Azadeh, A. Asadzadeh, SM. Saberi, M. Khoshmagham, S. (2012). An integrated genetic algorithm-principal component analysis for improvement and estimation of gas consumption in Finland, Hungary, Ireland, Japan and Malaysia. [DOI:10.1504/IJOR.2012.045184]
18. International Journal of OperationalResearch, 13(2),147-73. https://ideas.repec.org/a/ids/ijores/v13y2012i2p147-173.html.
19. BP Statistical Review of World Energy, (2020).
20. Ceylan, H. Ozturk, H. K. (2004). Estimating energy demand of Turkey based on economic indicators using genetic algorithm approach. Energy Conversion and Management, 45(15), 2525-2537. DOI:10.1016/j.enconman.2003.11.010. [DOI:10.1016/j.enconman.2003.11.010]
21. Dombaycı, ÖA. (2010). The prediction of heating energy consumption in a model house by using artificial neural networks in Denizli-Turkey. Advances in Engineering Software, 2, 41(2), 141-147. DOI:10.1016/j.advengsoft.2009.09.012. [DOI:10.1016/j.advengsoft.2009.09.012]
22. Gautam, T. k. and Paudel, K. (2019). The Demand for Natural Gas in the Northeastern United States, Energy, 158, pp. 890-898. DOI: 10.1016/j.energy.2018.06.092. [DOI:10.1016/j.energy.2018.06.092]
23. Gil, S. & Deferrari, J. (2004). Generalized Model of Prediction of Natural Gas Consumption. Energy Resources Technology ,.126, 90-98. doi.org/10.1115/1.1739239. [DOI:10.1115/1.1739239]
24. Khotanzad, A., Elragal, H. , Lu, T. (2000). Combination of Artifical Neural Network Forecasters for Prediction of Natural Gas Consumption. IEEE Transaction of Neural Networks, 11, 464-473. 11(2). DOI: 10.1109/72.839015. [DOI:10.1109/72.839015] [PMID]
25. Papageorgiou K, I. Papageorgiou E, Poczeta K, Bochtis D, Stamoulis G. (2020). Forecasting of Day-Ahead Natural Gas Consumption Demand in Greece Using Adaptive Neuro-Fuzzy Inference System. Energies, 13(9):2317. doi.org/10.3390/en13092317. [DOI:10.3390/en13092317]
26. Sailor, D. J. Munoz, J. R. (1997). Sensitivity of electricity and natural gas consumption to climate in the USA-methodology and results for eight states. Energy, 22(10), 987-998. doi.org/10.1016/S0360-5442(97)00034-0. [DOI:10.1016/S0360-5442(97)00034-0]
27. Sarak, H. Satman, A. (2003). The degree-day method to estimate the residential heating natural gas consumption in Turkey: a case study. Energy, 28(9), 929-39. doi.org/10.1016/S0360-5442(03)00035-5. [DOI:10.1016/S0360-5442(03)00035-5]
28. Shakouri G, H. & Nadimi, R. (2009). A novel fuzzy linear regression model based on a non-equality possibility index and optimum uncertainty, Applied soft computing, 9(2), 590-598. doi.org/10.1016/j.asoc.2008.08.005. [DOI:10.1016/j.asoc.2008.08.005]
Send email to the article author
| Rights and permissions | |
 |
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License. |
This work is licensed under a Creative Commons — Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)