Predykcja krótkoterminowa zużycia wody w budynkach wielorodzinnych z wykorzystaniem technik uczenia maszynowego

• Autorzy: Śmigiel Sandra , Stańczyk Justyna , Dzimińska Paulina , Ledziński Damian , Andrysiak Tomasz , Licznar Piotr

Identyfikatory

DOI

10.36119/15.2023.12.11

Warianty tytułu

EN

Short-term prediction of water consumption in multi-family buildings using machine learning techniques

• Języki publikacji: PL

Abstrakty

PL

W praktyce eksploatacyjnej systemów dystrybucji wody brak jest wdrożenia zaawansowanych narzędzi przetwarzania i analizowania danych monitoringowych. Dotyczy to wielu poziomów zarządzania wodociągami, w ramach których dochodzi do rejestracji pomiarów, najczęściej tworzących nieinterpretowalne zbiory danych. Wraz z pojawieniem się możliwości rejestracji danych, które można określić mianem wysokoczęstotliwościowych, istnieje potrzeba równoległego wdrażania odpowiednich technik z zakresu data science, stanowiących podstawę mądrych czy też inteligentnych sieci wodociągowych. By spełnić założenia dotyczące implementacji inteligencji na poziomie wodomierzy, koniecznym jest umożliwienie pomiaru zużycia wody z precyzyjnym interwałem pomiarowym oraz zaawansowanej analizy danych, które skutkować powinny efektywnym wnioskowaniem i zarządzaniem systemami dystrybucji wody. W niniejszym artykule zaprezentowano wyniki zastosowania modeli uczenia maszynowego w celu predykcji krótkoterminowej zużycia wody dla budynków wielorodzinnych. Do prognozowania zużycia wody wykorzystano modele liniowe, proste modele sieci neuronowych, algorytm najbliższych sąsiadów oraz drzewa decyzyjne. W ramach przeprowadzonych badań ocenie poddano cechy wyekstrahowane z przebiegu zużycia wody wraz z kombinacjami ich zestawów podawanymi na wejściu regresora. Zweryfikowano także, jak stopień agregacji danych oraz struktura budynku wpływają na błąd prognozowania.

EN

The operational practice of water distribution systems lacks the implementation of advanced tools for processing and analyzing monitored data. This is the case at many levels of water supply management, where measurements are recorded, most often creating uninterpretable data sets. With the arrival of data recording capabilities that can be described as high-frequency, there is a need for a simultaneous implementation of suitable data science techniques as the basis for smart water supply networks. To achieve the goals of implementing intelligence at the water meter level, it is necessary to allow measurement of water consumption with a precise measurement interval and advanced data analysis, which should result in effective inference and management of water distribution systems. This paper presents the results of the use of machine learning models to predict short-term water consumption for multifamily buildings. Linear models, simple neural network, nearest neighbour algorithm and decision trees were used to predict water consumption. The study evaluated features extracted from the water consumption waveforms and combinations of data sets given to the input of the regression model. It was also verified how the degree of data aggregation and the structure of the building influence the prediction error.

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: 2023
• Tom: nr 12
• Strony: 72--78
• Opis fizyczny: Bibliogr. 23 poz., rys., tab., wzory

Twórcy

autor

Śmigiel Sandra

• Politechnika Bydgoska im. Jana i Jędrzeja Śniadeckich, Wydział Inżynierii Mechanicznej, Bydgoszcz

• https://orcid.org/0000-0003-2459-5494

autor

Stańczyk Justyna

• Uniwersytet Przyrodniczy we Wrocławiu, Instytut Inżynierii Środowiska, Wrocław

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

autor

Dzimińska Paulina

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

• https://orcid.org/0000-0003-0427-5960

autor

Ledziński Damian

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

• https://orcid.org/0000-0003-0796-4390

autor

Andrysiak Tomasz

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

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

autor

Licznar Piotr

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

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

Bibliografia

• [1] E. Sarmas, E. Spiliotis, V. Marinakis, G. Tzanes, J.K. Kaldellis, H. Doukas, „ML-based Energy management of water pumping systems for the application of peak shaving in small-scale islands”, Sustainable Cities and Society, 82, 2022. DOI: 10.1016/j.scs.2022.103873.
• [2] Andrić, A. Vrsalović, T. Perković, M.A. Čuvić, P. Šolić, „IoT approach towards smart water usage”, Journal of Cleaner Production, 367, 2022. DOI: 10.1016/j.jclepro.2022.133065.
• [3] T. Cichoń, J. Królikowska, „Remote Reading of Water Meters as an Element of a Smart City Concept”, Rocznik Ochrona Środowiska, 23, 2021. DOI: 10.54740/ros.2021.060.
• [4] A. Goulas, D. Goodwin, C. Shannon, P. Jeffrey, H.M. Smith, „Public perceptions of household IoT smart water “event” meters in the UK-implications for urban water governance”, Frontiers in Sustainable Cities, 4, 2022. DOI: 10.3389/frsc.2022.758078.
• [5] S. Hamilton, B. Charalambous. G.Wyeth, „Improving Water Supply Networks: Fit for Purpose Strategies and Technologies”, 2021. DOI: 10.2166/9781780409207.
• [6] T. Cichoń, J. Królikowska, „Problemy eksploatacji wodomierzy w aspekcie ich niezawodności”, Instal, pp. 41-44, 2022. DOI: 10.36119/15.2022.12.7.
• [7] W. Koral, „Analiza danych z systemu stacjonarnego odczytu wodomierzy dla średniej wielkości miasta”, Instal, pp. 46-52, 2022. DOI: 10.36119/15.2022.12.8.
• [8] Z. Siwoń, J. Łomotowski, W. Cieżak, P. Licznar, J. Cieżak, „Analiza i prognozowanie rozbiorów wody w systemach wodociągowych”, Studia z Zakresu Inżynierii, ISSN 0137-5393, 2008, Warszawa.
• [9] J. Stańczyk, J. Kajewska-Szkudlarek, P. Lipiński, P. Rychlikowski, „Improving short-term water demand forecasting using evolutionary algorithms”, Scientific Reports, 12(1), 2022. DOI: 10.1038/s41598-022-17177-0.
• [10] 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.
• [11] K.P.T.D Silva, A. Kalbusch, E. Henning, G.A.L. Menezes, „Modeling water consumption in multifamily buildings: a case study in Southern Brazil”, Urban Water Journal, 18(10), pp. 783-795, 2021. DOI: 10.1080/1573062X.2021.1934040.
• [12] K. Pałczyński, S. Śmigiel, D. Ledziński, S. Bujnowski, „Study of the few-shot learning for ECG classification based on the PTB-XL data-set”, Sensors, 22(3), 2022. DOI: 10.3390/s22030904.
• [13] S. Śmigiel, K. Pałczyński, D. Ledziński, „ECG signal classification using deep learning techniques based on the PTB-XL dataset”, Entropy, 23(9), 2021. DOI: 10.3390/e23091121.
• [14] P. Dzimińska, J. Stańczyk, S. Drzewiecki, P. Licznar, „Wykorzystanie systemu rejestracji danych z dużą częstotliwością do analizy nierównomierności zużycia wody”, Instal, pp. 24-30, 2022. DOI: 10.36119/15.2022.1.3.
• [15] S. Śmigiel, „ECG Classification Using Orthogonal Matching Pursuit and Machine Learning”, Sensors, 22(13), 2022. DOI: 10.3390/s22134960.
• [16] M. Grzegorowski, „Governance of the redundancy in the feature selection based on rough sets’ reducts”, In International Joint Conference on Rough Sets, pp. 548-557, 2016. DOI: 10.1007/978-3-319-47160-0_50.
• [17] J. Stańczyk, „Detekcja stanów pracy sieci wodociągowej z wykorzystaniem cyfrowego przetwarzania sygnałów”, Praca doktorska, Politechnika Wrocławska, Wrocław, 2019.
• [18] K. Ramm, P. Licznar, „Analiza baz danych zapisów wodomierzy do dynamicznego modelowania rozbiorów wody”, Wydawnictwo Seidel-Przywecki, 2021.
• [19] Cominola, L. Preiss, M. Thyer, H.R. Maier, P. Prevos, R.A. Stewart, A. Castelletti, „The determinants of household water consumption: A review and assessment framework for research and practice”, npj Clean Water, 6(1), 11, 2023. DOI: 10.1038/s41545-022-00208-8.
• [20] J. Stańczyk, K. Pałczyński, P. Dzimińska, D. Ledziński, T. Andrysiak, P. Licznar, „The impact of the number of high temporal resolution water meters on the determinism of water consumption in a district metered area”, Scientific Reports, 2023. DOI: 10.1038/s41598-023-46086-z (w trakcie publikacji).
• [21] T.F. Dias, A. Kalbusch, E. Henning, „Factors influencing water consumption in buildings in southern Brazil”, Journal of Cleaner Production, 184, pp. 160-167, 2018. DOI: 10.1016/j.jclepro.2018.02.093.
• [22] P. Dzimińska, S. Drzewiecki, M. Ruman, K. Kosek, K. Mikołajewski, P. Licznar, „The Use of Cluster Analysis to Evaluate the Impact of COVID-19 Pandemic on Daily Water Demand Patterns”, Sustainability, 13(11), 2021. DOI: 10.3390/su13115772.
• [23] J. Li, X. Yang, R. Sitzenfrei, „Rethinking the framework of smart water system: A review”, Water, 12(2), 2020. DOI: 10.3390/w12020412.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).