Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Gaz, Woda i Technika Sanitarna

1 2018

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Prognozowanie zapotrzebowania na wodę z wykorzystaniem uczenia maszynowego

Stańczyk J., Kajewska-Szkudlarek J., Łomotowski J., Lipiński P., Rychlikowski P., Konieczny T.

Gaz, Woda i Technika Sanitarna

2018

Nr 10

372--377

Prognozowanie zużycia wody jest niezbędnym elementem racjonalnej eksploatacji systemów wodociągowych. W ostatnich latach obserwuje się wzrost zainteresowania numerycznymi metodami do predykcji zużycia wody WDF (ang. Water Demand Forecasting), pozwalającymi sporządzać prognozy krótko-, średnio- i długoterminowe. Opracowane prognozy służą do wspomagania podejmowania decyzji związanych z projektowaniem, rozbudową, konserwacją sieci wodociągowych oraz wdrażania procedur umożliwiających optymalizację pracy pompowni, stacji uzdatniania wód i oczyszczalni ścieków. W artykule opisano zastosowanie metod inteligencji obliczeniowej i uczenia maszynowego do prognozowania wielkości zapotrzebowania na wodę. Przedstawiono wyniki prognozy wykonanej przy użyciu regresji nieliniowej, opartej na wektorach wsparcia SVR (ang. Support Vector Regression) z funkcjami jądrowymi określonymi przez radialne funkcje bazowe RBF (ang. Radial Basis Functions). Poddano analizie wpływ sytuacji meteorologicznej na wielkość poboru wody dla dwóch wrocławskich stref DMA (ang. District Metered Area), różniących się typem zabudowy. Wykazano, że celowe jest uwzględnienie maksymalnej dobowej temperatury powietrza atmosferycznego podczas ustalania wielkości zapotrzebowania na wodę. Dowiedziono, że usuwanie trendów i sezonowości z danych pomiarowych pozwala polepszyć wyniki predykcji. Przedstawiony model prognozowania poborów wody może stanowić jedno z narzędzi usprawniających procesy decyzyjne na poziomie zarządzania i eksploatacji sieci wodociągowych.

Predicting water consumption is an important issue at the stage of water systems operation. In recent years, some numerical WDF (Water Demand Forecasting) water consumption prediction systems have been created, which allow to foresee consumption rates for short, medium and long terms. The forecasts support decision-making process concerning the design, expansion and maintenance of water systems and the implementation of procedures optimizing the operation of pumping stations, water treatment and sewage treatment plants. The article describes the use of computational intelligence and machine learning to predict water demand rates. The results of a forecast prepared with the use of nonlinear regression based on Support Vector Regression (SVR) with kernel functions defined by Radial Basis Functions (RBF) are presented. The influence of weather situation on water consumption rates for two District Metered Areas (DMA) in Wrocław, each with different land development conditions, was analysed. It was proved that it is advisable to take the maximum daily temperature into account while estimating water demand rates. It was shown that skipping trends and seasonality in measuring data allows to create better prediction models. The water consumption prediction model presented may be regarded as one of the tools facilitating decision-making processes at management and water system utilisation levels.