انتشارات شهرداری تهران سیاست گذاری پیشرفت شهری 3092-653X 3 3 2026 09 23 Forecasting Residential Electricity Demand under Climate Change Scenarios: A Python-based Model Incorporating Cooling and Heating Degree Days پیش‌بینی تقاضای برق خانگی تحت سناریوهای تغییرات اقلیمی: یک مدل مبتنی بر پایتون با بهره‌گیری از ‌روز درجه‌های سرمایش و گرمایش 433 453 243406 10.22034/judpm.2026.579252.1097 FA مونا میررضوی دانشجوی کارشناسی ارشد مهندسی سیستم‌های انرژی، دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوری‌های میان‌رشته‌ای دانشگاه تهران، تهران، ایران 0009-0007-6038-5423 یونس نوراللهی استاد تمام مهندسی سیستم‌های انرژی، دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوری‌های میان‌رشته‌ای دانشگاه تهران، تهران، ایران صبا عموزاده دانشجوی کارشناسی ارشد مهندسی سیستم‌های انرژی، دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوری‌های میان‌رشته‌ای دانشگاه تهران، تهران، ایران مهنا بابا حسین‌پور دانشجوی کارشناسی ارشد مهندسی سیستم‌های انرژی، دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوری‌های میان‌رشته‌ای دانشگاه تهران، تهران، ایران حسین یوسفی استاد تمام مهندسی سیستم‌های انرژی، دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوری‌های میان‌رشته‌ای دانشگاه تهران، تهران، ایران 0000-0002-6372-5127 Journal Article 2026 01 28 <span>This research aims to forecast the long-term household electricity demand under various climate change scenarios, including temperature increases of 1°C and 0.5°C per year, as well as decreases of 1°C and 0.5°C per year, utilizing CMIP6 climate projection models</span><span lang="EN">. With the rise in average temperatures and the intensification of heatwaves, cooling requirements in the residential sector have increased, leading to higher summer peak loads. To analyze this trend, a data-driven framework is proposed that employs a multivariate annual regression model incorporating Cooling Degree Days (CDD), Heating Degree Days (HDD), the number of subscribers, and temporal trends. Furthermore, daily temperature data are used to disaggregate annual consumption into daily and hourly scales, enabling the examination of peak load variations. Model evaluation indicates highly accurate performance, with coefficients of determination (R²) of 0.995 for the training set and 0.979 for the test set. The Root Mean Square Error (RMSE) is approximately 547.82 kWh, corresponding to less than one percent of annual consumption. Climate scenario analysis reveals that the CDD index is the primary driver of rising electricity use in Tehran expanding from roughly 780 units in the baseline year to 3,000 in the mild warming scenario and over 7,200 units in the severe one, representing growth of 285% to 820%. Conversely, the HDD index declines under warmer scenarios, contributing little to overall demand. Forecasts suggest that household electricity consumption will increase by 75–132% by 2050, with the difference between the warmest and coldest scenarios exceeding 77,000 kWh. Hourly analysis shows an evening peak load of approximately 21.5 kWh and an early-morning minimum of about 7 kWh. The proposed framework can serve as an effective tool for power system planning and load management under global warming conditions.</span> <span dir="RTL" lang="FA">این پژوهش با هدف پیش‌بینی بلندمدت تقاضای برق خانگی تحت سناریوهای مختلف تغییرات اقلیمی از جمله افزایش و کاهش دما به ازای هر سال 1 و 5/0 درجه</span><span dir="RTL" lang="FA"> </span><span dir="RTL" lang="FA">و </span><span dir="RTL" lang="AR-SA">مدل‌های اقلیم‌سنجی</span><span lang="AR-SA"> </span><span>CMIP6</span><span> <span dir="RTL" lang="FA">انجام شده است. با افزایش دمای متوسط و تشدید امواج گرما، نیاز به سرمایش در بخش خانگی رشد می‌کند و اوج بار در تابستان افزایش می‌یابد. برای تحلیل این روند، یک چهارچوب داده‌محور ارائه شده که در آن شاخص‌های درجه‌روز سرمایش</span></span><span dir="RTL" lang="FA"><span dir="LTR"><span> </span></span></span><span dir="RTL" lang="FA"> و گرمایش</span><span dir="RTL" lang="FA">، به‌ همراه تعداد مشترکان و روند زمانی، در قالب یک مدل رگرسیون چندمتغیره سالانه به ‌کار گرفته شده‌اند. همچنین، از داده‌های دمای روزانه برای توزیع مصرف سالانه به مقیاس‌های روزانه و ساعتی استفاده شده تا تغییرات پیک بار قابل بررسی باشد. ارزیابی مدل نشان می‌دهد عملکرد بسیار دقیقی دارد؛ ضریب تعیین در داده‌های آموزش 995/0 و در آزمون 979/0 بوده و مقدار </span><span dir="RTL" lang="AR-SA">خطای مربعات میانگین جذر</span><span dir="RTL" lang="FA"><span dir="LTR"><span> </span></span></span><span dir="RTL" lang="FA"> حدود 82/547 کیلووات‌ساعت، یعنی کمتر از یک درصد مصرف سالانه است. نتایج سناریوهای اقلیمی نشان می‌دهد شاخص درجه‌روز سرمایشی محرک اصلی افزایش مصرف برق در تهران است و از حدود 780 واحد در سال پایه به 3 هزار واحد در سناریوی افزایش ملایم و بیش از 7200 واحد در سناریوی شدید می‌رسد؛ یعنی رشدی بین 285 تا 820 درصد. در مقابل، شاخص درجه‌روز گرمایشی در سناریوهای گرم‌تر کاهش می‌یابد و اثر قابل‌ توجهی بر مصرف ندارد. بر اساس پیش‌بینی‌ها، مصرف برق خانگی تا سال 2050 بین 75 تا 132 درصد افزایش می‌یابد و تفاوت میان گرم‌ترین و سردترین سناریوها بیش از 77 هزار کیلووات‌ساعت خواهد بود. تحلیل ساعتی نیز نشان می‌دهد پیک بار عصرگاهی حدود 5/21 و کمینۀ بامدادی حدود 7 کیلووات‌ساعت است. این چهارچوب می‌تواند ابزاری مؤثر برای برنامه‌ریزی شبکه و مدیریت بار تحت شرایط گرمایش جهانی باشد.</span> <br clear="all"> https://www.judpm.ir/article_243406_8267f94c8c785b3f23f8a5fc15dc3b54.pdf