التنبؤ بالأحمال الكهربائية في الأردن باستخدام نموذج الانحدار الذاتي والمتوسطات المتحركة المتكاملة ARIMA
DOI:
https://doi.org/10.35516/jjes.v11i2.1733الكلمات المفتاحية:
نموذج ARIMA، نموذج SARIMA، طريقة بوكس-جينكينز، التنبؤ بالأحمال الكهربائية، الأردن، ()auto.arima، حزمة برامج RStudioالملخص
الأهداف: تهدف هذه الدراسة إلى التنبؤ بذروة حمل الكهرباء اليومي في الأردن باستخدام مجموعة بيانات أحمال الذروة اليومية للأربع وعشرين ساعة للفترة من 1 كانون الثاني 2010 إلى 31 كانون أول 2022 والمتوفرة لدى شركة الكهرباء الوطنية (NEPCO).
المنهجية: تستخدم هذه الدراسة نموذج الانحدار الذاتي والمتوسطات المتحركة المتكاملة ARIMA الموسمي أو ما يسمى نموذج SARIMA للتنبؤ. تظهر البيانات اتجاهًا تصاعديًا وموسمية وتباينًا غير ثابت. وللتعامل مع هذه الخصائص، تم استخدام نموذج SARIMA لمعالجة وجود الاتجاه والموسمية، في حين تم استخدام تحويل Box-Cox للتغلب على خاصية التباين غير الثابت.
النتائج: استناداً إلى نتائج التحليل القياسي تم تحديد نموذج SARIMA التالي: ARIMA(1,0,1)(2,1,2)[7] والذي تم استخدامه للتنبؤ بـسبعِ قِيم مستقبلية للحمل الكهربائي، حيث تراوحت متوسطات هذه القيم ما بين 2530 ميجاوات كحد أدنى و 2938 ميجاوات كحد أعلى. وللتأكد من دقة التنبؤات تم استخدام معياري متوسط النسبة المئوية للخطأ المطلق (MAPE)، وقيمة جذر متوسط مربع الخطأ (RMSE) واللّذَيْن أكّدا دقة التنبؤات وبالتالي ملاءمة استخدام هذا النموذج للتنبؤ بقيم الأحمال الكهربائية المستقبلية في الأردن.
الخلاصة: استنادا إلى النتائج التجريبية، فإنّ شركات الكهرباء في الأردن مدعوة لتفعيل استخدام نماذج السلاسل الزمنية للتنبؤ بأحمال الكهرباء بدلاً من الاعتماد على استخدام النماذج البسيطة مثل دالة التنبؤ (forecast function) المتاحة في برنامج MS-Excel على سبيل المثال.
المراجع
Ajlouni, S. (2016). Price and income elasticities of residential demand for electricity in Jordan: An ARDL bounds testing approach to cointegration. Dirasat: Administrative Sciences, 43(1), 335-349.
Alasali, F., Nusair, K., Alhmoud, L., & Zarour, E. (2021). Impact of the COVID-19 pandemic on electricity demand and load forecasting. Sustainability, 13(3), 1435.
Alhmoud, L., & Nawafleh, Q. (2021). Short-term load forecasting for Jordan power system based on narx-elman neural network and ARMA model. IEEE Canadian Journal of Electrical and Computer Engineering, 44(3), 356-363.
Almuhtady, A., Alshwawra, A., Alfaouri, M., Al-Kouz, W., & Al-Hinti, I. (2019). Investigation of the trends of electricity demands in Jordan and its susceptibility to the ambient air temperature towards sustainable electricity generation. Energy, Sustainability and Society, 9(1), 1-18.
As' ad, M. (2012). Finding the best ARIMA model to forecast daily peak electricity demand. Applied Statistics Education and Research Collaboration (ASEARC) - Conference Papers. 12.
Asteriou, D., & Hall, S. G. (2021). Applied Econometrics. Bloomsbury Publishing.
Bashir, T., Haoyong, C., Tahir, M. F., & Liqiang, Z. (2022). Short term electricity load forecasting using hybrid prophet-LSTM model optimized by BPNN. Energy Reports, 8, 1678-1686.
Box, G., & Jenkins, G. (1976). Time Series Analysis: Forecasting and Control. San Francisco Holden-Day.
Chodakowska, E., Nazarko, J., & Nazarko, Ł. (2021). Arima models in electrical load forecasting and their robustness to noise. Energies, 14(23), 7952.
Goswami, K., & Kandali, A. B. (2020, July). Electricity demand prediction using data driven forecasting scheme: ARIMA and SARIMA for real-time load data of Assam. In 2020 International Conference on Computational Performance Evaluation (ComPE) (pp. 570-574). IEEE.
Gujarati, D. N., & Porter, D. C. (2009). Basic Eeconometrics. McGraw-Hill Education.
Hahn, H., Meyer-Nieberg, S., & Pickl, S. (2009). Electric load forecasting methods: Tools for decision making. European Journal of Operational Research, 199(3), 902-907.
Hammad, M. A., Jereb, B., Rosi, B., & Dragan, D. (2020). Methods and models for electric load forecasting: a comprehensive review. Logistics, Supply Chain, Sustainability and Global Challenges, 11(1), 51-76.
Hong, T., & Fan, S. (2016). Probabilistic electric load forecasting: A tutorial review. International Journal of Forecasting, 32(3), 914-938.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice. OTexts.
Hyndman, R. J., & Khandakar, Y. (2008). Automatic time series forecasting: the forecast package for R. Journal of statistical software, 27, 1-22.
Kuster, C., Rezgui, Y., & Mourshed, M. (2017). Electrical load forecasting models: A critical systematic review. Sustainable Cities and Society, 35, 257-270.
Nti, I. K., Teimeh, M., Nyarko-Boateng, O., & Adekoya, A. F. (2020). Electricity load forecasting: A systematic review. Journal of Electrical Systems and Information Technology, 7(1), 1-19.
Tawalbeh, N. A., Al Mattar, S. S., Elhaija, W. S. A., & Khasawneh, M. A. (2021, October). Impact of COVID-19 on Electric Energy Consumption. In 2021 12th International Renewable Energy Congress (IREC) (pp. 1-6). IEEE.
