ارسل ملاحظاتك

ارسل ملاحظاتك لنا







بناء نموذج FARIMA للتنبؤ بالكمية المستهلكة من الكهرباء بقطاع المنازل

المصدر: المجلة المصرية للدراسات التجارية
الناشر: جامعة المنصورة - كلية التجارة
المؤلف الرئيسي: عبدالعاطي، فاطمة علي (مؤلف)
مؤلفين آخرين: المحلاوي، مرفت طلعت محمد (م. مشارك), عبدالله، مصطفى يوسف (م. مشارك)
المجلد/العدد: مج 35, ع 1
محكمة: نعم
الدولة: مصر
التاريخ الميلادي: 2011
الصفحات: 469 - 487
رقم MD: 114082
نوع المحتوى: بحوث ومقالات
قواعد المعلومات: EcoLink
مواضيع:
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

71

حفظ في:
المستخلص: تم بناء نموذج FARIMA للتنبؤ بالكمية المستهلكة من الكهرباء في قطاع المنازل بجمهورية مصر العربية، باستخدام بيانات سلسلة زمنية من شهر يوليو 1999 إلى شهر يوليو 2008، وأوضحت النتائج الإحصائية أن النموذج الملائم للبيانات هو (2,d, 24) FARIMA بقيمة فروق كسرية (d=0.496) وتم الاعتماد على طريقة الإمكان الأكبر المعدلة Modified profile likelihood في تقدير النموذج النهائي. وأوصى البحث إنه يجب الأخذ في الاعتبار المتغيرات الأخرى التي تؤثر في الكمية المستهلكة من الكهرباء في قطاع المنازل ومنها (متوسط السعر الشهري، عدد المشتركين الشهري، متوسط درجة الحرارة، متوسط الرطوبة النسبية) كما يمكن إضافة بعض المتغيرات الديموجرافية مثل درجة تعلم رب الأسرة، عمر رب الأسرة، الدخل الشهري لرب الأسرة، عدد الغرف في المنزل، وغير ذلك من المتغيرات، مما يفيد في عملية وضع القرارات المستقبلية التي من شأنها ترشيد استهلاك الكهرباء. \

The model FARIMA has been built to forecast the quantity of consumed electricity in the Residential sector of Arab Republic of Egypt, using time series data from July 1999 to July 2008, the statistical results that the appropriate model for the data is FARIMA (2, d, 24) with value of fractional differences (d = 0.496), and has been relying on the biggest possible way amended Modified profile likelihood in the estimation of the final model. The study recommended that it should be taken into account other variables that affect the quantity consumed of electricity in the Residential sector, including (Average monthly price, the number of subscribers monthly, average temperature, average relative humidity) can also add some demographic variables such as degree of learning, age, monthly income of the householders, number of rooms in the house, ... and other variables, which is conducive to the development of future decisions that would rationalize the consumption of electricity. \