Prognozowanie obciążenia hydraulicznego miejskiego systemu wodociągowego z wykorzystaniem modeli rozmytych typu TSK

• Autorzy: Stachura M. , Studziński J.

Warianty tytułu

EN

Forecasting hydraulic load of urban water supply system using TSK fuzzy models

• Języki publikacji: PL

Abstrakty

PL

Przedstawiono możliwości prognozowania dobowego poboru wody w miejskim systemie wodociągowym. W tym celu wykorzystano modele o strukturze Takagi-Sugeno-Kanga (TSK), w których następnikiem jest klasyczny model liniowy uwzględniający dynamikę, co pozwala na określenie ich struktury jako „modeli liniowych rozmywanych strefowo”. W przeprowadzonych rozważaniach wykorzystano dane (o liczebności 974) pochodzące z sieci wodociągowej Rzeszowa obejmujące przedział czasu od 01-07-2005 do 29-02-2008. Na podstawie zarejestrowanych danych porównano tygodniowe wartości poboru wody w różnych porach roku. Kolejno przedstawiono modele TSK oraz sposób ich wyznaczania. Wykazano, że modelowanie może odbyć się w oparciu o znajomość tygodniowych zmian poboru wody, a wynikowy model pozwala prognozować wartości poboru wody w szerokim zakresie zmienności. Uzyskane wyniki przy różnych kombinacjach rozmywania i doboru struktury konkluzji modelu były porównywalne, z czego wynika, że wykorzystywana metoda wyznaczania modeli rozmytych może być stosowana do określania właściwości dynamicznych procesów, w przypadku których nie jest znany dokładny opis modelowanych zjawisk.

EN

The paper presents possibilities of daily water demand forecasting for municipal water supply system. For this purpose, Takagi-Sugeno-Kang’s (TSK) models were applied. In this type of models the conclusion is in the form of a classical linear function, which allows describing their structure as ‛fuzzified linear models’. For the purpose of this study data from the water supply network for the city of Rzeszow was used (974 samples). It covered the period from 1 July 2005 to 29 February 2008. Based on the collected data weakly water demand values were compared for different seasons. Subsequent TSK models were described together with the way they were developed. It was shown that modeling could be based on weakly water demand data and that resulting model allowed predicting water demand values over a wide range of variability. The results received for different combinations of fuzzification and model conclusion structure selection were comparable. Therefore, it could be concluded that the method used for fuzzy model development might be used to determine dynamic properties of the processes for which the exact description of modeled phenomena was unknown.

Słowa kluczowe

PL

sieć wodociągowa; pobór wody; modelowanie; prognozowanie

EN

water supply system; water demand; modeling; forecasting

• Wydawca: Polskie Zrzeszenie Inżynierów i Techników Sanitarnych, Oddział Dolnośląski
• Czasopismo: Ochrona Środowiska
• Rocznik: 2014
• Tom: Vol. 36, nr 1
• Strony: 57--60
• Opis fizyczny: Bibliogr. 12 poz.

Twórcy

autor

Stachura M.

• Politechnika Warszawska, Wydział Mechatroniki, ul. św. A. Boboli 8, 00-525 Warszawa

autor

Studziński J.

• Instytut Badań Systemowych Polskiej Akademii Nauk, ul. Newelska 6, 01-447 Warszawa

Bibliografia

• 1. P. LICZNAR, J. ŁOMOTOWSKI: Zastosowanie sztucznych sieci neuronowych Kohonena do prognozowania dobowego poboru wody. Ochrona środowiska 2006, vol. 28, nr 1, ss. 45–48.
• 2. J. ŁOMOTOWSKI, Z. SIWOŃ: Metodyka analizy danych pochodzących z monitoringu systemów wodociągowo-kanalizacyjnych. Gaz, Woda i Technika Sanitarna 2010, nr 3, ss. 16–20.
• 3. M. STACHURA, B. FAJDEK, J. STUDZIŃSKI: Model based decision support system for communal water networks. Proc. of ‛Industrial Simulation Conference ISC’, Brno 2012.
• 4. U. SHAMIR, E. SALOMONS: Optimal real-time operation of urban water distribution systems using reduced models. Journal of Water Resources Planning and Management 2008, Vol. 134, No. 2, pp. 181–185.
• 5. S.T.M. BEZERRA, S.A. da SILVA, H.P. GOMES: Operational optimisation of water supply networks using fuzzy system. Water SA 2012, Vol. 38, No. 4, pp. 565–572.
• 6. M. GHIASSI, D. K. ZIMBRA, H. SAIDANE: Urban water demand forecasting with a dynamic artificial neural network model. Journal of Water Resources Planning and Management 2008, Vol. 134, No. 2, pp. 138–146.
• 7. C. ARSENE, B. GABRYŚ, D. AL-DABBASS: Decision support system for water distribution systems based on neural networks and graphs theory for leakage detection. Expert Systems with Applications 2012, Vol. 39, pp. 13214–13224.
• 8. S. OSOWSKI: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnictwa Politechniki Warszawskiej, Warszawa 2000.
• 9. T. TAKAGI, M. SUGENO: Fuzzy identifications of systems and its applications to modeling and control. IEEE Transactions on System, Man, and Cybernetic 1985, Vol. SMC-15, No. 1, pp. 116–132.
• 10. L. LJUNG: System Identification: Theory for the User. Prentice Hall, Englewood Cliffs 1987.
• 11. H. HELLENDOORN, D. DRIANKOV: Fuzzy Model Identification: Selected Approaches. Springer-Verlag, Berlin 1997.
• 12. P. WNUK: Evolutionary Optimization for Fuzzy TSK Model Identification. AI-METH 2005 Recent Developments in Artificial Intelligence Methods.