مدیریت تقاضای انرژی در ریزشبکه شهری با رویکرد پویایی سیستم‌ها: تحلیل هم‌تکاملی عرضه، تقاضا، و حکمرانی دیجیتال در شهرک اکباتان

کفشوندی, محمدمهدی; گیوه‌چی, سعید; نبی بیدهندی, غلامرضا

doi:10.22034/sep.2026.2093652.1523

مدیریت تقاضای انرژی در ریزشبکه شهری با رویکرد پویایی سیستم‌ها: تحلیل هم‌تکاملی عرضه، تقاضا، و حکمرانی دیجیتال در شهرک اکباتان

مقالات آماده انتشار

نوع مقاله : پژوهشی

نویسندگان

محمدمهدی کفشوندی ¹

سعید گیوه‌چی ²

غلامرضا نبی بیدهندی ²

¹ گروه محیط‌زیست، پردیس بین‌المللی کیش، دانشگاه تهران، کیش، ایران

² دانشکده محیط‌زیست، دانشگاه تهران، تهران، ایران

10.22034/sep.2026.2093652.1523

چکیده

شکاف میان اوج تقاضای برق و عرضه پایدار در شهرهای هوشمند، چالشی غیرخطی است که مدل‌های ایستا به دلیل ناتوانی در ثبت ساختارهای بازخوردی زاینده، قادر به پرداختن به آن نیستند. این مطالعه یک مدل پویایی‌شناسی سیستم را برای تحلیل تعامل میان تقاضای انرژی شهری، عرضه انرژی تجدیدپذیر، مدیریت سمت تقاضا و حکمرانی دیجیتال در ریزشبکه اکباتان تهران توسعه می‌دهد. مدل بر پایه شش حلقه بازخوردی بنا شده است: حلقه تقویتی پایداری شبکه هوشمند؛ حلقه تقویتی پذیرش پاسخگویی تقاضا و اعتماد اجتماعی که همرنگی با هنجارهای محله‌ای را دربرمی‌گیرد؛ حلقه تقویتی هم‌تکاملی حکمرانی دیجیتال که بلوغ نهادی را درون‌زا می‌کند؛ و حلقه‌های متعادل‌کننده قیمت‌گذاری پویا با آثار بازگشتی، هزینه‌های گذار کم‌کربن و ازدحام شبکه. این مدل در محیط Vensim DSS با 87 متغیر پیاده‌سازی و با استفاده از داده‌های تجربی 10 ساله کالیبره شد (RMSE < 10%، R² > 0.80). پارامترهای رفتاری نیز از طریق یک پیمایش میدانی (n = 66) و کارگاه مدل‌سازی خبرگان برآورد شدند. تحلیل حساسیت نشان داد که ضریب ظرفیت و نرخ استهلاک، تأثیرگذارترین پارامترها بر سهم انرژی تجدیدپذیر هستند. پنج سناریوی 25 ساله شبیه‌سازی شد. سناریوی ترکیبی بهینه که اقدامات سمت عرضه و سمت تقاضا را با یکدیگر هم‌افزا می‌کند، به کاهش 23 درصدی انتشار CO₂، سهم مؤثر 20/1 درصدی انرژی تجدیدپذیر و رضایت مصرف‌کنندگان بالاتر از 0/70 دست می‌یابد. سناریوی متمرکز بر تقاضا، علی‌رغم دستیابی به کاهش 18 درصدی نسبت اوج به میانگین، سطح رضایت را به 0/58 کاهش داده و موجب ایجاد اثر بازگشتی 40 درصدی می‌شود. آستانه بحرانی آسایش برابر با 0/65 شناسایی شد که فراتر از آن، حلقه اعتماد–مشارکت معکوس می‌شود. شاخص حکمرانی دیجیتال در سناریوی ترکیبی از 0/18 به 0/56 افزایش می‌یابد. تحلیل اثربخشی هزینه‌ای نشان می‌دهد که سناریوی ترکیبی در مقایسه با گزینه متمرکز بر عرضه، 54 درصد کارایی بیشتری دارد. گذار پایدار مستلزم پوشش کنتورهای هوشمند بیش از 60 درصد و حفظ سطح آسایش بالاتر از 0/65 است.

تازه های تحقیق

مدل پویایی‌شناسی سیستم، تعامل تقاضای انرژی، عرضه تجدیدپذیر و حکمرانی دیجیتال را در ریزشبکه اکباتان تهران شبیه‌سازی می‌کند.
سناریوی ترکیبی با کاهش ۲۳% انتشار CO₂ و سهم مؤثر 20/1% انرژی تجدیدپذیر، عملکرد پایدارتری نشان می‌دهد.
گذار پایدار مستلزم پوشش بیش از ۶۰ درصدی کنتورهای هوشمند و حفظ سطح آسایش بالاتر از آستانه بحرانی 0/65 است.

کلیدواژه‌ها

پویایی سیستم‌ها

مدیریت تقاضای انرژی

ریزشبکه شهری

انرژی تجدیدپذیر

حلقه بازخوردی اعتماد-مشارکت

شهرک اکباتان

تحلیل سناریو

موضوعات

سیستم و مدیریت انرژی

عنوان مقاله English

Urban Microgrid Energy Demand Management through a System Dynamics Approach: Co-evolutionary Analysis of Supply, Demand, and Digital Governance in Ekbatan Township

نویسندگان English

Mohammadmehdi Kafshvandi ¹

Saeed Givehchi ²

Ghalamreza Nabi Bidhendi ²

¹ Department of Environment, Kish International Campus, University of Tehran, Kish, Iran

² Faculty of Environment, University of Tehran, Tehran, Iran

چکیده English

The peak electricity demand–sustainable supply gap in smart cities is a nonlinear challenge that static models cannot address due to their inability to capture generative feedback structures. This study develops a system dynamics model to analyze the interaction of urban energy demand, renewable supply, demand-side management, and digital governance in Tehran's Ekbatan microgrid. The model is built upon six feedback loops: the reinforcing smart grid sustainability loop; the reinforcing demand-response adoption and social trust loop incorporating neighborhood conformity; the reinforcing digital governance co-evolution loop that endogenizes institutional maturity; and the balancing loops of dynamic pricing with rebound effects, low-carbon transition costs, and grid congestion. Implemented in Vensim DSS with 87 variables and calibrated using ten-year empirical data (RMSE <10%, R² >0.80), behavioral parameters were estimated via a field survey (n=66) and expert modeling workshop. Sensitivity analysis revealed capacity factor and depreciation rate as the most influential parameters on renewable share. Five 25-year scenarios were simulated. The optimal combined scenario, synergizing supply and demand measures, achieves a 23% CO₂ reduction, 20.1% effective renewable share, and consumer satisfaction above 0.70. The demand-centric scenario, despite an 18% peak-to-average reduction, lowers satisfaction to 0.58 and triggers a 40% rebound effect. The critical comfort threshold of 0.65 was identified, beyond which the trust-participation loop reverses. The Digital Governance Index rises from 0.18 to 0.56 in the combined scenario. Cost-effectiveness analysis shows the combined scenario is 54% more efficient than the supply-centric alternative. A sustainable transition requires smart meter coverage exceeding 60% and maintaining comfort levels above 0.65.

کلیدواژه‌ها English

System Dynamics

Demand-Side Energy Management

Urban Microgrid

Renewable Energy

Trust-Participation Feedback Loop

Ekbatan Township

Scenario Analysis

Copyright © Mohammadmehdi Kafshvandi, Saeed Givehchi, Gholamreza Nabi Bidhendi

License

This article is released under the Creative Commons Attribution (CC BY 4.0) license. Anyone is free to copy, share, translate, and adapt this article for any purpose, whether commercial or non-commercial, as long as proper citation is given to the authors and original publication.

Afsari Mamaghani, F., Omidvar, B., Avami, A., & Nabi Bidhendi, G. R. (2023). An optimal integrated power and water supply planning model considering Water-Energy-Emission nexus. Energy Conversion and Management 277 (2023): 116595. https://doi.org/10.1016/j.enconman.2022.116595

Aghabozorg, M. H., Nabi Bidhendi, G., Yousefi, H., & Mehrdadi, N. (2024). A comprehensive economic and environmental analysis to supply the electricity sector of the MED desalination unit using renewable energies. Journal of Energy Management and Technology, 8(3), 239-249. https://doi.org/10.22109/jemt.2024.421441.1478

Andriopoulos, N., Plakas, K., Birbas, A., & Papalexopoulos, A. (2024). Design of a prosumer-centric local energy market: An approach based on prospect theory. IEEE Access, 12, 32014-32032. https://doi.org/10.1109/ACCESS.2024.3370040

Bazarchi, S., Bidhendi, G. R. N., Ghazi, I., & Kasaeian, A. (2020). A techno-economic feasibility study for reducing the energy consumption in a building: A solar energy case study for bandar abbas. Journal of Thermal Engineering, 6(4), 633-650. https://doi.org/10.18186/thermal.766463

Bazilian, M., Onyeji, I., Liebreich, M., MacGill, I., Chase, J., Shah, J., ... & Zhengrong, S. (2013). Re-considering the economics of photovoltaic power. Renewable Energy, 53, 329-338. https://doi.org/10.1016/j.renene.2012.11.029

Calvillo, C. F., Sánchez-Miralles, A., & Villar, J. (2016). Energy management and planning in smart cities. Renewable and Sustainable Energy Reviews, 55, 273-287. https://doi.org/10.1016/j.rser.2015.10.133

Daneshzand, F., Amin-Naseri, M. R., Elkamel, A., & Fowler, M. (2018). A system dynamics model for analyzing future natural gas supply and demand. Industrial & Engineering Chemistry Research, 57(32), 11061-11075. https://doi.org/10.1021/acs.iecr.8b00709

Dehghan Pir, A., Samiei Moghaddam, M., Alibeaki, E., Salehi, N., & Davarzani, R. (2025). A refined approach exploiting demand response in distribution grids integrating renewable energy and storage systems alongside metro facilities via LSTPA methodology. Energy Storage, 7(4), e70203. https://doi.org/10.1002/est2.70203

Dehghan, H., Amin-Naseri, M. R., & Nahavandi, N. (2021). A system dynamics model to analyze future electricity supply and demand in Iran under alternative pricing policies. Utilities Policy, 69, 101165. https://doi.org/10.1016/j.jup.2020.101165

Faruqui, A., & Sergici, S. (2010). Household response to dynamic pricing of electricity: A survey of 15 experiments. Journal of regulatory Economics, 38(2), 193-225. https://doi.org/10.1007/s11149-010-9127-y

Feng, Y. Y., Chen, S. Q., & Zhang, L. X. (2013). System dynamics modeling for urban energy consumption and CO2 emissions: A case study of Beijing, China. Ecological Modelling, 252, 44-52. https://doi.org/10.1016/j.ecolmodel.2012.09.008

Ford, A. (1999). Modeling the environment: An introduction to system dynamics modeling of environmental systems. Island Press.

Forrester, J. W. (1961). Industrial dynamics. MIT Press.

Givehchi, S., Nozar, A. V., & Malekmohammadi, B. (2024). Investigating the effective consequences on the assets of an urban system in facing scenario-based hazards. Entorno Geográfico, (28), e24514399-e24514399. https://doi.org/10.25100/eg.v0i28.14399

Golfam, P., & Ashofteh, P. S. (2025a). Evaluation of the effect of the water-energy nexus on the performance of the water-energy supply system. Environmental Science and Pollution Research, 32(7), 4040-4060. https://doi.org/10.1007/s11356-025-35928-0

Golfam, P., & Ashofteh, P. S. (2025b). Prioritization of water-energy nexus scenarios using the development of D-number theory in multi-criteria analysis method. Environmental Science and Pollution Research, 32(11), 6550-6573. https://doi.org/10.1007/s11356-025-36105-z

Golfam, P., & Ashofteh, P. S. (2026). Environmental-economic analysis of regional energy system under different supply and demand side scenarios with LEAP model. Environment, Development and Sustainability, 28(4), 8897-8918. https://doi.org/10.1007/s10668-024-05333-7

Golfam, P., Ashofteh, P. S., & Loáiciga, H. A. (2024). Forecasting long-term energy demand and reductions in GHG emissions. Energy Efficiency, 17(3), 19. https://doi.org/10.1007/s12053-024-10203-2

Hosseini, S. H., & Shakouri, H. (2016). A study on the future of unconventional oil development under different oil price scenarios: A system dynamics approach. Energy Policy, 91, 64-74. https://doi.org/10.1016/j.enpol.2015.12.027

Jafar, H. T., Tavakoli, O., Bidhendi, G. N., & Alizadeh, M. (2024). Sustainable electricity supply planning: A nexus-based optimization approach. Renewable and Sustainable Energy Reviews, 195, 114316. https://doi.org/10.1016/j.rser.2024.114316

Javidi, N., Nabi Bidhendi, G., Tavakoli, O., & Mehrdadi, N. (2026). Assessing the environmental costs of a thermal power plant in tehran using life cycle analysis. International Journal of Environmental Science and Technology, 23(3), 179. https://doi.org/10.1007/s13762-025-06854-y

John, D. M. (2007). Strategic modelling and business dynamics: A feedback systems approach. J. Wiley & Sons.

Kachoee, M. S., Salimi, M., & Amidpour, M. (2018). The long-term scenario and greenhouse gas effects cost-benefit analysis of Iran's electricity sector. Energy, 143, 585-596. https://doi.org/10.1016/j.energy.2017.11.049

Karbasioun, M., Gholamalipour, A., Safaie, N., Shirazizadeh, R., & Amidpour, M. (2023). Developing sustainable power systems by evaluating techno-economic, environmental, and social indicators from a system dynamics approach. Utilities Policy, 82, 101566. https://doi.org/10.1016/j.jup.2023.101566

Karimi, S., Talebi, E., & Givehchi, S. (2025). H₂S gas leak emergency preparedness and community response: A critical review of behavioral factors and gaps. Scientific Papers-Series E-Land Reclamation Earth Observation & Surveying Environmental Engineering. 14(1), 1100–1111. https://landreclamationjournal.usamv.ro/pdf/2025/Art119.pdf

Keirstead, J., Jennings, M., & Sivakumar, A. (2012). A review of urban energy system models: Approaches, challenges and opportunities. Renewable and Sustainable Energy Reviews, 16(6), 3847-3866. https://doi.org/10.1016/j.rser.2012.02.047

Leduc, M., Matthews, H. D., & de Elía, R. (2016). Regional estimates of the transient climate response to cumulative CO2 emissions. Nature Climate Change, 6(5), 474-478. https://doi.org/10.1038/nclimate2913

Liu, P., Liu, C., Du, J., & Mu, D. (2019). A system dynamics model for emissions projection of hinterland transportation. Journal of Cleaner Production, 218, 591-600. https://doi.org/10.1016/j.jclepro.2019.01.191

Mekonnen, M. M., Gerbens-Leenes, P. W., & Hoekstra, A. Y. (2015). The consumptive water footprint of electricity and heat: a global assessment. Environmental Science: Water Research & Technology, 1(3), 285-297. https://doi.org/10.1039/c5ew00026b

Milani, S. J., & Bidhendi, G. N. (2024). Biogas and photovoltaic solar energy as renewable energy in wastewater treatment plants: A focus on energy recovery and greenhouse gas emission mitigation. Water Science and Engineering, 17(3), 283-291. https://doi.org/10.1016/j.wse.2023.11.003

Nasouri, M., Bidhendi, G. N., Amiri, M. J., Delgarm, N., Delgarm, S., & Azarbad, K. (2021c). Performance-based Pareto optimization and multi-attribute decision making of an actual indirect-expansion solar-assisted heat pump system. Journal of Building Engineering, 42. https://doi.org/10.1016/j.jobe.2021.103053

Nasouri, M., Bidhendi, G. N., Hoveidi, H., & Amiri, M. J. (2021a). Parametric study and performance-based multi-criteria optimization of the indirect-expansion solar-assisted heat pump through the integration of Analytic Network process (ANP) decision-making with MOPSO algorithm. Solar Energy, 225, 814-830. https://doi.org/10.1016/j.solener.2021.08.003

Nasouri, M., Nabi Bidhendi, G. R., Amiri, M. J., Delgarm, N., Delgarm, S., & Azarpad, K. (2021b). Performance-based Pareto optimization and multi-attribute decision making of an actual indirect-expansion solar-assisted heat pump system. Journal of Building Engineering, 42(2), 102345. https://doi.org/10.1016/j.jobe.2021.102345

Pazuki, M. M., Salimi, M., Safaie, N., & Amidpour, M. (2025). Transitioning Iran's electricity sector: A system dynamics analysis of renewable energy acceleration and carbon capture strategies to 2040. Utilities Policy, 97, 102062. https://doi.org/10.1016/j.jup.2025.102062

Rafieisakhaei, M., Barazandeh, B., & Afra, S. (2017, March). A system dynamics approach on oil market modeling with statistical data analysis. In SPE Middle East Oil and Gas Show and Conference (p. D041S039R003). SPE. https://doi.org/10.2118/184040-MS

Reiss, P. C., & White, M. W. (2005). Household electricity demand, revisited. The Review of Economic Studies, 72(3), 853-883. https://doi.org/10.1111/0034-6527.00354

Rogers, E. M. (2003). Diffusion of innovations (5th ed.). Free Press.

Slocum, A. H., & Gessel, D. J. (2022). Evolving from a hydrocarbon-based to a sustainable economy: Starting with a case study for Iran. Renewable and Sustainable Energy Reviews, 154, 111750. https://doi.org/10.1016/j.rser.2021.111750

Sterman, J. D. (2000). Business dynamics: Systems thinking and modeling for a complex world. Irwin/McGraw-Hill.

Stragier, J., Hauttekeete, L., & De Marez, L. (2010, September). Introducing smart grids in residential contexts: Consumers' perception of smart household appliances. In 2010 Ieee conference on innovative technologies for an efficient and reliable electricity supply (pp. 135-142). IEEE. https://doi.org/10.1109/CITRES.2010.5619864

Vejdani Nozar, A., Givehchi, S., & Malekmohammadi, B. (2025). Evaluation of the effective consequences on urban water and wastewater assets in the face of environmental pollution: A case study of Hamedan City, Iran. Pollution, 11(3), 652–671. https://doi.org/10.22059/poll.2025.380915.2509

Vennix, J. A. M. (1996). Group model building: Facilitating team learning using system dynamics. John Wiley & Sons.