fa مدلسازی و پیش بینی اوج مصرف روزانه برق در ایران اقتصاد انرژی Energy Economics پژوهشي Research <span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">پیش‌بینی اوج مصرف روزانه برق و شناسایی عوامل تعیین‌کننده آن در</span></span></span> <span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">توازن بین عرضه و تقاضای برق کمک‌کننده است. در این پژوهش اوج مصرف روزانه برق ایران را با رویکردهای مختلف در دوره 30/12/1395- 16/03/1401مدلسازی و پیش‌بینی‌ می‌شود. 90 درصد مشاهدات برای ساخت مدل و مابقی برای ارزیابی مدل پیش‌بینی استفاده می‌شود. نورن های بهینه لایه های پنهان مدل شبکه عصبی(</span></span></span>NN<span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">) بر اساس معیار حداقل خطای پیش‌بینی در لایه اول 11 و در لایه دوم 8 برآورد شد. نتایج نشان می‌دهد که فراوانی اوج اول مصرف در ساعت 11 و فراوانی اوج دوم مصرف در ساعت 21 بیشتر از بقیه ساعات است. متغیرهای تعطیلات رسمی، ساعت مصرف انرژی، تعداد مبتلایان جدید به کرونا، دما و رطوبت نسبی هوا و جمعیت در مدل رگرسیون اثر معنی‌دار بر اوج مصرف برق‌ دارند. همچنین اثر متغیر تعطیلات رسمی و دمای هوا بیشتر از سایر متغیرها است. مقایسه نتایج پیش‌بینی اوج مصرف برق نشان می‌دهد که دقت پیش‌بینی مدل‌ها و رویکردهای مختلف یکسان نیست. متوسط درصد خطای پیش‌بینی مدل‌های </span></span></span>GLM<span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">،</span></span></span>NN<span style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:"> &nbsp;و&nbsp; </span></span></span>ARIMA<span style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:"> طی 187روز(11/09/1400-16/03/1401) به ترتیب </span></span></span>0/0799<span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">، </span></span></span>0/0754<span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:"> و </span></span></span>0/0714<span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:"> است. پس مدل</span></span></span> ARIMA <span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">با داشتن حداقل متوسط خطای پیش‌بینی، مدل مناسب پیش‌بینی اوج مصرف است.</span></span></span><br> &nbsp; <span style="font-size:11.0pt"><span style="line-height:115%"><span calibri="" style="font-family:">Predicting daily peak electricity consumption and identifying its determining factors are helpful in balancing electricity supply and demand. In this study, the maximum daily electricity consumption of Iran is modeled and predicted using different approaches in the period from March 20, 2017 to june 6, 2022. 90% of the observations are used to build the model and the rest are used to evaluate the predictive model. Based on the minimum prediction error criterion, the optimal neurons of the hidden layers of the neural network (NN) model were estimated to be 11 in the first layer and 8 in the second layer. The results show that the frequency of the first consumption peak at 11 a.m. and the frequency of the second consumption peak at 9 p.m. are higher than in the other hours. The variables holidays, hours of energy consumption, number of new corona patients, temperature and relative humidity of the air and population have a significant influence on peak electricity consumption in the regression model. </span></span></span><span style="font-size:11.0pt"><span style="line-height:115%"><span calibri="" style="font-family:">The influence of holidays and air temperature is also stronger than other variables. Comparing the peak power consumption prediction results shows that the prediction accuracy of different models and approaches is not the same. The average prediction error percentage of the GLM, NN, and ARIMA models during 187 days (02/12/2021 - 06/06/2022) are 0.0799, 0.0754, and 0.0714, respectively. Therefore, the ARIMA model with the minimum average forecast error is a suitable model for peak consumption forecasting.</span></span></span> اوج مصرف روزانه برق, مدل‌سازی و پیش‌بینی, شبکه عصبی, مدل ARIMA, مدل رگرسیون Peak daily electricity consumption, modeling and forecasting, neural network, ARIMA model, regression model. 23 40 http://necjournals.ir/browse.php?a_code=A-10-2755-1&slc_lang=fa&sid=1 Mohammad Mirbagherijam محمد میرباقری جم m.mirbagherijam@shahroodut.ac.ir 10031947532846007464 10031947532846007464 No Shahrood University of Technology دانشگاه صنعتی شاهرود emad Bani Torfi عماد بنی طرفی Emad9899733@gmail.com 10031947532846007465 10031947532846007465 No Shahrood University of Technology دانشگاه صنعتی شاهرود Hamideh Moharrami حمیده محرمی Hemi.mhrmi77@gmail.com 10031947532846007466 10031947532846007466 Yes Shahrood University of Technology دانشگاه صنعتی شاهرود