دانشگاه کاشان مهندسی و مدیریت انرژی 2345-2951 14 3 2025 07 23 Preicting CGS Pressure Using Machine Learning Case Study: Birjand پیش‌بینی فشار گاز ورودی ایستگاه‌های تقلیل فشار گاز برون‌شهری با استفاده از یادگیری ماشین (مورد مطالعاتی: شهرستان بیرجند) 14 27 114753 10.22052/eem.2025.255658.1091 FA مصطفی سبزه کار گروه مهندسی کامپیوتر، دانشگاه صنعتی بیرجند، بیرجند، ایران عباسعلی رضاپور گروه مهندسی عمران، دانشگاه صنعتی بیرجند، بیرجند، ایران مطهره نمکین گروه مهندسی کامپیوتر، دانشگاه فردوسی مشهد، مشهد، ایران Journal Article 2024 10 21 Today, natural gas stands as the dominant source of global energy supply. Iran holds the second-largest share of natural gas reserves, accounting for over seventeen percent of the world's total. However, it is concerning that gas consumption in Iran is three times the global average. To optimize planning in the natural gas supply sector, accurately assessing gas demand is crucial. Predicting natural gas consumption is vital for shaping energy policy and serves as a powerful tool for decision-makers, enabling them to effectively guide consumption and manage the balance between energy supply and demand. This paper addresses the challenge of predicting gas pressure at city gate stations (CGS) and analyzing its relationship with climate change. A significant issue faced in South Khorasan province during the colder months is the drop in pressure at these CGS, which stems from various factors, including the imbalance between gas production and consumption. Any estimates or forecasts regarding the pressure levels at these stations, which can serve as indicators of gas consumption, offer managers valuable insights to take proactive measures and mitigate potential crises. To tackle this problem, the study employs machine learning techniques. Data from CGS stations was sourced from the South Khorasan Province Gas Company, covering the years 2020 to 2024. Various scenarios were explored, including time series analysis, regression models, and the impact of temperature fluctuations on predictions, leading to the selection of the most effective approach. A notable strength of this research is the application of deep learning, a cutting-edge and highly promising machine learning methodology. Furthermore, this study marks the first instance of predicting CGS gas pressure. The findings underscore the significant influence of climate change factors on these predictions. <strong>امروزه گاز طبیعی بزرگ‌ترین منبع تأمین انرژی مورد نیاز در دنیاست. کشور ایران با دارا بودن سهم بیش از هفده درصدی از ذخایر گاز، رتبۀ دوم جهان را داراست اما متاسفأنه همزمان میزان مصرف گاز در کشور سه برابر متوسط جهانی بوده که جای نگرانی بسیار دارد. به‌منظور برنامه‌ریزی هرچه بهتر در حوزۀ عرضۀ گاز طبیعی آگاهی از میزان تقاضای گاز در بخش‌های مختلف و پیش‌بینی وضعیت تقاضا در آینده از اهمیت زیادی برخوردار است. پیش‌بینی مصرف گاز طبیعی نقش قابل ملاحظه‌ای در تعیین خط‌مشی انرژی و یکی از ابزارهای قوی تصمیم‌گیرندگان در جهت برنامه‌ریزی صحیح هدایت مصرف و کنترل پارامترهای عرضه و تقاضای انرژی است. مسئلۀ‌ کلی که در این مقاله مورد بررسی قرار می‌گیرد، پیش‌بینی فشار گاز ورودی ایستگاه‌های تقلیل فشار گاز برون‌شهری و تحلیل ارتباط آن با تغییرات آب‌وهواست. یکی از مشکلاتی که در استان خراسان‌ جنوبی هرساله در فصل سرد سال چالش‌های زیادی را ایجاد می‌نماید، افت فشار در ایستگاه‌های تقلیل فشار گاز برون‌شهری (CGS) است که به علل مختلف ازجمله ناترازی بین تولید و مصرف گاز اتفاق می‌افتد. هرگونه برآورد و پیش‌بینی درخصوص میزان فشار این ایستگاه‌ها به‌عنوان تخمینی از میزان گاز مصرف‌شده، فرصتی ارزنده در اختیار مدیران قرار می‌دهد تا در جهت رفع بحران اقدامات پیش‌دستانه انجام دهند. در این مقاله از یادگیری ماشین به‌عنوان شاخه‌ای از هوش‌ مصنوعی به‌منظور حل مسئله بهره گرفته شد. داده‌های اخذشده از ایستگاه‌های CGS از شرکت گاز استان خراسان جنوبی طی سال‌های 1399 تا 1402 مورد استفاده قرار گرفت. سناریوهای مختلف شامل تحلیل مسئله هم به‌صورت سری زمانی و هم رگرسیونی و همچنین تحلیل تغییرات دمایی برای پیش‌بینی معرفی گردید و بهترین سناریو انتخاب شد. همچنین از روش‌های مختلف پیش‌بینی برای حل مسئله بهره گرفته شد. یکی از مهم‌ترین نقاط قوت این پژوهش، استفاده از یادگیری عمیق به‌عنوان یکی از مهم‌ترین و امیدوارکننده‌ترین رویکردهای یادگیری ماشین است. به‌علاوه، برای اولین بار پیش‌بینی فشار گاز ایستگاه‌های تقلیل گاز برون‌شهری صورت می‌پذیرد. نتایج حاکی از تأثیرگذاری عامل تغییرات آب‌وهوا بر پیش‌بینی دارد.</strong> https://energy.kashanu.ac.ir/article_114753_737e7363b02a4632f5256e35b941a0e9.pdf