Metoda SSN w bieżącym prognozowaniu zapotrzebowania na wodę

• Autorzy: Muszyński K. , Knapik K.

Warianty tytułu

EN

ANN method in operational prediction of water demand

• Konferencja: Ogólnopolska Konferencja Naukowo-Techniczna "Aktualne zagadnienia w uzdatnianiu i dystrybucji wody" (4; 10-12.05.2007; Szczyrk, Polska)
• Języki publikacji: PL

Abstrakty

PL

Obecnie większość stacji uzdatniania wody oraz systemów dystrybucji wody wkracza w erę automatyzacji procesu. Aby sprostać wzrastającym wymaganiom co do ilości i jakości wody przeznaczonej do spożycia przez ludzi przy jednoczesnej minimalizacji kosztów produkcji, należy opracować i zaadoptować metody optymalizacji pracy systemu. Celem stosowania zautomatyzowanych procesów podejmowania decyzji jest eliminacja błędów dyspozytora. Nieodzownie związane jest to z wykorzystaniem współczesnych metod optymalizacyjnych, które bazują na poprawnie przygotowanym modelu prognostycznym. Autor przedstawia budowę oraz możliwości sztucznych sieci neuronowych jako nowoczesnego narzędzia predykcyjnego. Uwzględniono podstawowe ich zalety, w porównaniu z tradycyjnymi metodami. opisano próby stosowania sztucznych sieci neuronowych jako modeli predykcyjnych oraz krótką charakterystykę etapów budowy takiego modelu.

EN

Nowadays great majority of water purification plants and water distribution systems enter the era of process automation. In order to cope with increasing requirements, concerning drinking water amount and quality with simultaneous minimization of production costs, it is necessary to work out and adopt system optimization methods. Main aim of using automation making decisions processes is elimination of dispatcher's mistakes. This is indispensably connected with using modern optimization methods which base on correctly 'prepared forecast models. Author shows building ant possibilities of artificial neural networks as modern prediction tool. This article takes into consideration basic advantages of artificial neural networks in comparison with traditional methods. Attempts of using artificial neural networks as prediction models and short characteristic of structure that kind of models are also described.

Słowa kluczowe

PL

jakość wody; uzdatnianie wody

EN

water quality; water treatment

• Wydawca: Ośrodek Informacji "Technika instalacyjna w budownictwie''
• Czasopismo: Instal
• Rocznik: 2007
• Tom: nr 6
• Strony: 67--71
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Muszyński K.

autor

Knapik K.

• Politechnika Krakowska, Wydział Inżynierii Środowiska

Bibliografia

• [1] Cieżak W., Malinowski P., Siwoń Z.: Metodologia budowy neuronowego modelu prognostycznego godzinowego rozbioru wody, GWiTS 9/2005
• [2] Cieżak Wojciech: Analiza efektywności metod statystycznych i sztucznych sieci neuronowych w bieżącym prognozowaniu poboru wody w miejskich systemach wodociągowych, rozprawa doktorska, Instytut Inżynierii Ochrony Środowiska Politechniki Wrocławskiej, Wrocław 2005 r.
• [3] Gately E.: Sieci neuronowe, Prognozowanie finansowe i projektowanie systemów transakcyjnych, Biblioteka Inwestora, Warszawa 1999.
• [4] Haykin S.: Neural Network. A comprehensi-ve foundation., Pearson Education 2005.
• [5] Jain A., Ormsbee L. E.: Short-term water de-mand forecast modeling techniques - co-nventional methods versus AL, Journal AW-WA, July 2002.
• [6] Jain A., Varshney A. K., Joshi U. C: Short-Term Water Demand Forecast Modelling at IIT Kanpur Using Artificial Neural Networks, Water Resource Management 15: 299-321, 2001. Kluwer Academic Publishers 2002, Nederlands.
• [7] Kelner J. M.: Prognozowanie krótkoterminowe poborów gazów z sieci przesyłowych metodg sztucznych sieci neuronowych, GWiTS 6/2003.
• [8] Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe. Podstawy i zastosowania., Akademicka Oficyna Wydawnicza PLJ, Warszawa 1994.
• [9] Licznor Paweł, Łomotowski J.: Prognozowanie dobowych rozbiorów wody przy wykorzystaniu sztucznych sieci neuronowych, XVIII Krajowa, VI Międzynarodowa Konferencja Naukowo-Techniczna: Zaopatrzenie w wodę, jakość i ochrona wód, Poznań 6-8 wrzesień 2004.
• [10] Muszyński K., Knapik K:. Analiza narzędzi operacyjnego prognozowania zapotrzebowania na wodę, 2006.
• [11] Rojka R.: Zastosowanie sztucznych sieci neuronowych i logiki rozmytej w automatyce, Ćwiczenia laboratoryjne z wykorzystaniem programu MATLAB/SIMULINK, Opole 2000.
• [12] Witkowska D. Podstawy ekonometrii i teorii prognozowania. Podręcznik z przykładami i zadaniami., Oficyna Wydawnicza, Kraków 2005.
• [13] Witkowska D.: Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe., Wydawnictwo O H. Beck, Warszawa 2002.