عنوان پایان‌نامه
برآوردن میزان بار مصرفی گاز طبیعی شهر تهران با است
- رشته تحصیلی
- مهندسی شیمی - طراحی فرآیندها
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 742;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 37719
- تاریخ دفاع
- ۲۰ خرداد ۱۳۸۷
- دانشجو
- احمد آذری
- استاد راهنما
- مجتبی شریعتی نیاسر
- چکیده
- با توجه به اهمیت ویژهای که گاز به عنوان یکی از منابع تامین انرژی گرمایشی و سوخت در مصارف خانگی و صنعتی دارد، هر گونه عدم هماهنگی در توزیع آن خصوصاً در فصول سرد سال (اوج مصرف) میتواند باعث اختلال در زندگی روزمره مردم گردد و در صورتی که این وضعیت برای چند روز ادامه پیدا کند می تواند تبعات جبران ناپذیری بر اقتصاد و امنیت کشور داشته باشد. در سالهای اخیر، با فرا رسیدن فصل سرما و افزایش تقاضا برای مصرف گاز، شاهد قطع گاز در برخی از مناطق کشور بودهایم. این در حالی است که کشور ما با داشتن مقام دوم ذخایر گازی دنیا و بهره?برداری از ظرفیت بالای تصفیه گاز، در زمینه تولید گاز دچار کمبود نبوده و قطع گاز در فصول سرد، عمدتاً ناشی از عدم پیشبینی تقاضا میباشد. هم چنین با توجه به وجود پالایشگاههای گاز در مناطق جنوبی کشور و با عنایت به اینکه گاز? رسانی به شهرهای مختلف از طریق انشعابات خطوط اصلی انتقال انجام میشود، فاصله زمانی انتقال گاز از مبدا پالایش تا تهران بیش از 42 ساعت به طول میانجامد. همچنین به دلیل اهمیت تاثیر پارامترهای هواشناسی در مصرف گاز شهرها و نیز امکان کاهش ناگهانی دما و در نتیجه افزایش میزان گاز مصرفی شهرها، ضرورت اطلاع و پیشبینی مصرف گاز برای حداقل چندین روز معین، امری اجتنابناپذیر است. بنابراین در این پروژه از شبکه های عصبی مصنوعی به دلیل قابلیت فوق العاده آن در استخراج ساختار غیر خطی حاکم بر دادهها، جهت تخمین مصرف ساعتی و روزانه و ماهانه گاز استفاده شده است. مدل های استخراج شده جهت تخمین مصرف گاز شهر تهران عبارت اند از: الف- مدل ساعتی مصرف گاز : برای تخمین مصرف گاز ساعتی ب- مدل روزانه مصرف گاز: برای تخمین مصرف گاز روزانه ج- مدل ماهانه مصرف گاز: برای تخمین مصرف ماهانه گاز
- Abstract
- Due to the importance of the Gas as a source of energy and the fuel in the domestic and industrial consumption, any possible disruption in distribution especially at the peak times can have a severe effect on people daily life. Continuation of such circumstances can violate the current community affairs. In addition, since gas refineries are mainly located in south of the country, time taken for gas transport to Tehran is more than 42 hrs. However, any possible variation in the weather parameters such as sudden temperature changes etc, can affect the consumption. Therefore, it is necessary to know the gas consumption rate. Gas demand load forecasting, is not easy because the change in the weather parameters and gas load is non-linear and is hard to use statistical methods for that purpose. For this; Artificial Neural Network, ANN is used to easily relate the weather parameters and gas load. ANN, while being simple; is considered as an important method that is due to its capability of correlating between various parameters, which can have a serious affect on gas consumption. The approaches for gas consumption load forecast can be defined as long, mid as well as short-term methods. Short-term methods refer to the period of one to thirty days. While that of long term denotes to a few years up to a few decades. What is going to be discussed here; is the short term methods. Though "Neural Network" is known as a method with simple correlations and due to its specification in which one can relate all different variables; it has played an important role. The most important advantages of using ANN, is its learning ability to determine nonlinear relation between weather parameters and gas demand load when forecasting. In this research an investigation is carried out for applying ANN method for gas demand load in-advance forecasting. The method is based on weather parameters using ANN with multilayer back propagation, BP algorithm. Throughout the current work the effective daily temperature is determined, after which the data of the last days is used to create four models for hourly, daily and monthly load forecasting for Tehran city. These models are: 1- Hourly model: to forecast the hourly gas load 2- Daily model: to forecast the daily gas load 3- Monthly model: to forecast the monthly gas load
