Potencjał algorytmów inteligencji obliczeniowej w interpretacji rozproszonych danych wodomierzowych

• Autorzy: Dzimińska Paulina , Stańczyk Justyna , Pałczyński Krzysztof , Licznar Paweł , Andrysiak Tomasz

Identyfikatory

DOI

10.36119/15.2024.1.5

Warianty tytułu

EN

The potential of computational intelligence algorithms in the interpretation of distributed water meter dat

• Języki publikacji: PL

Abstrakty

PL

Rozwijająca się świadomość oraz aspekty prawne związane z energochłonnością systemów dystrybucji wody, w połączeniu z starzeniem się infrastruktury wodociągowej i stresem wodnym, wymuszają poszukiwanie rozwiązań wspierających efektywniejszą kontrolę i zarządzanie infrastrukturą techniczną. Osiągnięcie standardu mądrych czy też inteligentnych systemów wodociągowych na każdym szczeblu obszaru kluczowego nadal pozostaje kwestią otwartą zarówno w warunkach krajowych jak i zagranicznych. Dotyczy to także mikroskali sieci wodociągowych, to znaczny konsumentów wody oraz stosowania inteligentnych wodomierzy z wbudowanymi algorytmami uczenia maszynowego. Artykuł przedstawia wyniki badań z wdrożenia modelu krótkoterminowej predykcji zużycia wody wraz z detekcją anomalii dla budynków wielorodzinnych. Prognoza zużycia wody, przeprowadzona w oparciu o wysokoczęstotliwościowe pomiary oraz głębokie sieci neuronowe, pozwoliła na osiągnięcie błędu predykcji poniżej 3,0%. Detekcja wykrywania anomalii, zrealizowana w oparciu o bazowy model prognostyczny, charakteryzowała się nawet 97,3% skutecznością wykrywania anomalii.

EN

The development of awareness and legislative aspects related to the energy efficiency of water distribution systems, combined with the ageing of water supply infrastructure and water stress, led to the search for solutions to support more effective control and management of technical infrastructure. Increasing the standard of smart or intelligent water supply systems at all levels of key areas is still a problem under domestic and foreign conditions. This also applies to the microscale of water supply networks, namely water consumers of water and the use of smart water meters with integrated machine learning algorithms. This article presents the results of research on the implementation of a short-term water consumption prediction model with anomaly detection for multifamily residential buildings. The prediction of water consumption, based on high-frequency measurements and deep neural networks, achieved a prediction error of less than 3.0%. Anomaly detection, based on the underlying prediction model, had up to 97.3% accuracy.

Słowa kluczowe

PL

sieci wodociągowe; uczenie maszynowe; wodomierze; zużycie wody

EN

water supply network; machine learning; water meters; water consumption

• Wydawca: Ośrodek Informacji "Technika instalacyjna w budownictwie''
• Czasopismo: Instal
• Rocznik: 2024
• Tom: nr 1
• Strony: 36--43
• Opis fizyczny: Bibliogr. 25 poz., rys., tab., wzory

Twórcy

autor

Dzimińska Paulina

• Miejskie Wodociągi i Kanalizacja w Bydgoszczy - sp. z o.o., Bydgoszcz

• https://orcid.org/0000-0003-0427-596

autor

Stańczyk Justyna

• Uniwersytet Przyrodniczy we Wrocławiu, Instytut Inżynierii Środowiska, Wrocław

• https://orcid.org/0000-0002-5676-1787

autor

Pałczyński Krzysztof

• Politechnika Bydgoska im. Jana i Jędrzeja Śniadeckich, Wydział Telekomunikacji, Informatyki i Elektrotechniki, Bydgoszcz

• https://orcid.org/0000-0003-3989-340

autor

Licznar Paweł

• Wydział Instalacji Budowlanych, Hydrotechniki i Inżynierii Środowiska, Politechnika Warszawska, Warszawa

• https://orcid.org/0000-0002-2559-5296

autor

Andrysiak Tomasz

• Politechnika Bydgoska im. Jana i Jędrzeja Śniadeckich, Wydział Telekomunikacji, Informatyki i Elektrotechniki, Bydgoszcz

• https://orcid.org/0000-0001-8138-6619

Bibliografia

• [1] Rozporządzenie Ministra Infrastruktury z dnia 12 kwietnia 2002 r. w sprawie warunków technicznych, jakim powinny odpowiadać budynki i ich usytuowanie (Dz.U. 2002 nr 75 poz. 690).
• [2] Ustawa z dnia 20 kwietnia 2021 r. o zmianie ustawy o efektywności energetycznej oraz niektórych innych ustaw (Dz.U. 2021 poz. 868).
• [3] G. He, Y.Zhao, J. Wang, H. Li, Y. Zhu i S. Jiang, “The water-energy nexus: energy use for water supply in China”. International Journal of Water Resources Development, pp. 587-604, 35(4), 2019. https://doi.org/10.1080/07900627.2018.1469401
• [4] M. S. Rahim, K. A. Nguyen, R. A. Stewart, D. Giurco i M. Blumenstein, “Machine learning and data analytic techniques in digital water metering: A review”, Water, 12(1), 294, 2020. https://doi.org/10.3390/w12010294
• [5] J. Li, X. Yang i R. Sitzenfrei, “Rethinking the framework of smart water system: A review”, Water, 12(2), 412, 2020. https://doi.org/10.3390/w12020412
• [6] P. Dzimińska, J. Stańczyk, S. Drzewiecki, P. Licznar, „Wykorzystanie systemu rejestracji danych z dużą częstotliwością do analizy nierównomierności zużycia wody”, INSTAL 1/2022, DOI:10.36119/15.2022.1.3
• [7] A. Cahn, “An overview of smart water networks”, Journal‐American Water Works Association, 106(7), 68-74, 2014. https://doi.org/10.5942/jawwa.2014.106.0096.
• [8] J. Wawrzosek, S. Ignaciuk, J. Stańczyk i J. Kajewska-Szkudlarek, „Water Consumption Variability Based on Cumulative Data From Non-simultaneous and Long-term Measurements,” Water Resources Management, pp. 2799-2812, 35 2021. DOI: 10.1007/s11269-021-02868-6
• [9] S. Hamilton, B. Charalambous i G.Wyeth, “Improving Water Supply Networks: Fit for Purpose Strategies and Technologies”, 2021.
• [10] P. Dzimińska, S. Drzewiecki, M. Ruman, K. Kosek, K. Mikołajewski i P. Licznar, „The Use of Cluster Analysis to Evaluate the Impact of COVID-19 Pandemic on Daily Water Demand Patterns,” Sustainability, p. 5772, 13(11) 2021. DOI: 10.3390/su13115772.
• [11] J. Cahill, C. Hoolohan, R. Lawson i A. L. Browne, (2022) “COVID‐19 and water demand: A review of literature and research evidence” Wiley Interdisciplinary Reviews: Water, 9(1), e1570, 2022. https://doi.org/10.1002/wat2.1570
• [12] J. E. Pesantez, E. Z. Berglund i N. Kaza, “Smart meters data for modeling and forecasting water demand at the user-level”, Environmental Modelling & Software, 125, 104633, 2020. https://doi.org/10.1016/j.envsoft.2020.104633.
• [13] X. Fan, X. Zhang, i X. B. Yu, “Machine learning model and strategy for fast and accurate detection of leaks in water supply network”, Journal of Infrastructure Preservation and Resilience, 2(1), 1-21, (2021). https://doi.org/10.1186/s43065-021-00021-6.
• [14] S. Spedaletti, M. Rossi, G. Comodi, L. Cioccolanti, D. Salvi i M. Lorenzetti, “Improvement of the energy efficiency in water systems through water losses reduction using the district metered area (DMA) approach”, Sustainable Cities and Society, 77, 103525, (2022). https://doi.org/10.1016/j.scs.2021.103525
• [15] D. T. Larose, “Metody i modele eksploracji danych”, Wydawnictwo Naukowe PWN, 2012.
• [16] G. Guo, S. Liu, Y. Wu, J. Li, R. Zhou i X. Zhu, „Short-term water demand forecast based on deep learning method”, Journal of Water Resources Planning and Management, 144(12), 04018076, 2018. https://doi.org/10.1061/(ASCE)WR.1943-5452.0000992
• [17] M. Bakker, H. Van Duist, K. Van Schagen, J. Vreeburg i L. Rietveld, “Improving the performance of water demand forecasting models by using weather input”, Procedia Engineering, 70, 93-102, 2014. https://doi.org/10.1016/j.proeng.2014.02.012
• [18] A. Candelieri i F. Archetti, “Identifying typical urban water demand patterns for a reliable short-term forecasting-the icewater project approach”, Procedia Engineering, 89, 1004-1012, 2014.
• [19] Y. Xu, J. Zhang, Z. Long, H. Tang i X. Zhang, “Hourly urban water demand forecasting using the continuous deep belief echo state network”, Water, 11(2), 351, 2019. https://doi.org/10.3390/w11020351
• [20] Z. Siwoń, W. Cieżak i J. Cieżak, „Modele neuronowe szeregów czasowych godzinowego poboru wody w osiedlach mieszkaniowych”, Ochrona Środowiska, 33(2), 23-26, 2011.
• [21] J. W. Tukey, “Exploratory data analysis”, Wydawnictwo Addison-Wesley Pub. Co., 1997.
• [22] K. Pałczyński, T. Andrysiak, M. Czyżewska, M. Kierul i T. Kierul, “Neural Network Models for the Prediction of Time Series Representing Water Consumption: A Comparative Study”, In New Advances in Dependability of Networks and Systems: Proceedings of the Seventeenth International Conference on Dependability of Computer Systems DepCoS-RELCOMEX, June 27-July 1, 2022, Wrocław, Poland, Cham: Springer International Publishing, pp. 186-196, 2022.
• [23] K. Pałczyński, T. Andrysiak, M. Czyżewska, M. Kierul i T. Kierul, “Universality of Forecasting Models on Water Consumption Prediction Tasks”, Proceedings of the 3rd Polish Conference on Artificial Intelligence PP-RAI’2022, April 25-27, 2022, Gdynia, Poland.
• [24] K. Pałczyński, T. Andrysiak, T., Głowacki, M. Kierul i T. Kierul, “Analysis of Long-Range Forecast Strategies for IoT on Urban Water Consumption Prediction Task”, In International Joint Conference 15th International Conference on Computational Intelligence in Security for Information Systems (CISIS 2022) 13th International Conference on EUropean Transnational Educaton (ICEUTE 2022) Proceedings. Cham: Springer Nature Switzerland, pp. 3-11, 2022.
• [25] H. Fuentes i D. Mauricio, “Smart water consumption measurement system for houses using IoT and cloud computing”, Environmental Monitoring and Assessment, 192, 1-16, 2020. https://doi.org/10.1007/s10661-020-08535-4

Uwagi

Temat zaprezentowany podczas II Konferencji Naukowo-Technicznej „Nauka-Technologia-Środowisko” w dniach 27-29 września 2023 r. w Wiśle. Konferencja finansowana przez Ministra Edukacji i Nauki w ramach programu „Doskonała nauka” - moduł „Wsparcie konferencji naukowych” (projekt nr DNK/ SP/546599/2022).