انتشارات شهرداری تهران سیاست گذاری پیشرفت شهری 3092-653X مقالات آماده انتشار 2026 05 11 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 درجه های سرمایش و گرمایش 243406 10.22034/judpm.2026.579252.1097 FA مونا میررضوی دانشکده مهندسی انرژی و منابع پایدار دانشگاه تهران 0009-0007-6038-5423 یونس نوراللهی دانشکده مهندسی انرژی و منابع پایدار دانشگاه تهران صبا عموزاده دانشکده مهندسی انرژی و منابع پایدار دانشگاه تهران مهنا بابا حسین پور دانشکده مهندسی انرژی و منابع پایدار دانشگاه تهران حسین یوسفی دانشکده مهندسی انرژی و منابع پایدار دانشگاه تهران 0000-0002-6372-5127 Journal Article 2026 04 21 This study aims to predict the long-term residential electricity demand under various climate change scenarios, including annual temperature increases or decreases of 1°C and 0.5°C, as well as CMIP6 climate models. Rising average temperatures and intensified heatwaves lead to higher cooling demand and increased summer peak loads. To analyze this trend, a data-driven framework based on an annual multivariate regression model is developed, incorporating cooling and heating degree days, the number of consumers, and temporal trends as input variables. Daily temperature data are also used to disaggregate annual consumption into daily and hourly scales, enabling detailed assessment of peak load variations. Model evaluation indicates high accuracy, with coefficients of determination of 0.995 for training data and 0.979 for testing data. The root mean square error is approximately 547.82 kWh less than one percent of annual consumption. The climate scenarios reveal that the cooling degree days (CDD) index is the main driver of increased electricity consumption in Tehran, rising from about 780 units in the base year to 3,000 in the mild warming scenario and over 7,200 in the severe one an increase of 285% to 820%. In contrast, the heating degree days (HDD) index decreases under warmer conditions and has minimal impact on demand. Projections suggest that residential electricity consumption will grow by 75% to 132% by 2050. This framework provides an effective tool for network planning and load management under global warming conditions. این پژوهش با هدف پیش‌بینی بلندمدت تقاضای برق خانگی تحت سناریوهای مختلف تغییرات اقلیمی، شامل افزایش یا کاهش سالانه ۱ و ۰.۵ درجه دما و سناریوهای مدل‌های اقلیم‌سنجی CMIP6 انجام شده است. با افزایش دمای متوسط و تشدید امواج گرما، نیاز به سرمایش در بخش خانگی رشد کرده و اوج بار تابستانه افزایش می‌یابد. برای تحلیل این روند، یک چهارچوب داده‌محور مبتنی بر مدل رگرسیون چندمتغیره سالانه ارائه شده که در آن شاخص‌های درجه‌روز سرمایشی و گرمایشی، تعداد مشترکان و روند زمانی به‌عنوان متغیرهای ورودی استفاده شده‌اند. همچنین با بهره‌گیری از داده‌های دمای روزانه، مصرف سالانه به مقیاس‌های روزانه و ساعتی توزیع شده تا تغییرات پیک بار قابل بررسی باشد. ارزیابی مدل نشان می‌دهد عملکرد آن بسیار دقیق است؛ ضریب تعیین در داده‌های آموزش 0.995 و در داده‌های آزمون 0.979 بوده و مقدار ریشه میانگین مربعات خطا حدود 547.82 کیلووات‌ساعت، یعنی کمتر از یک درصد مصرف سالانه است. نتایج سناریوهای اقلیمی نشان می‌دهد شاخص درجه‌روز سرمایش محرک اصلی افزایش مصرف برق در تهران است؛ به‌طوری‌که از حدود 780 واحد در سال پایه به 3000 واحد در سناریوی افزایش ملایم و بیش از 7200 واحد در سناریوی شدید می‌رسد (رشدی بین 285 تا 820 درصد). در مقابل، درجه‌روز گرمایش در سناریوهای گرم‌تر کاهش یافته و اثر قابل‌توجهی بر مصرف ندارد. بر اساس پیش‌بینی‌ها، مصرف برق خانگی تا سال 2050 بین 75 تا 132 درصد افزایش می‌یابد و این چهارچوب می‌تواند ابزاری کارآمد برای برنامه‌ریزی شبکه و مدیریت بار در شرایط گرمایش جهانی باشد.