ارائه مدلی برای پیشبینی میزان مصرف آب ماهانه برای مشترکین خانگی
Autor: | سجاد ظریف زاده, فاطمه کاوه یزدی |
---|---|
Jazyk: | perština |
Rok vydání: | 2022 |
Předmět: | |
Zdroj: | مهندسی منابع آب, Vol 15, Iss 52, Pp 94-112 (2022) |
Druh dokumentu: | article |
ISSN: | 2008-6377 2423-7191 |
DOI: | 10.30495/wej.2021.25230.2251 |
Popis: | مقدمه: مدیریت هوشمند منابع آب بهترین راهکار برای معضل کمبود آب در سرتاسر جهان است. پیشبینی میزان مصرف یک پیشنیاز اصلی برای اطلاع از میزان آب مورد نیاز در آینده است. انواع مختلفی از ویژگیها، از سابقه مصرف تا پارامترهای هواشناسی را میتوان برای پیشبینی آب مصرفی بکار گرفت. در این مقاله، به معرفی یک مدل پیشبینی برای میزان مصرف آب مشترکین شهری در شهر یزد خواهیم پرداخت. روش: چارچوب پیشبینی پیشنهادی از رکوردهای سامانه قبوض مصرف در شهر یزد برای استخراج سوابق مصرف مشترکین بهره میگیرد. به علاوه، منابع اطلاعاتی دیگری مانند تقویم کاری، میزان آب تولیدی (ورودی به شبکه شهری)، پارامترهای هواشناسی، ارزش مالی املاک مشترکین، و میزان فشار جریان آب ورودی به ملک مشترکین در پیشبینی مورد استفاده قرار میگیرند. این چهارچوب تغییرات در الگوی رفتار مصرف مشترکین را تعقیب میکند و آنها را گروهبندی مینماید تا بتواند مواردی را که رفتار غیرمتعارف دارند از میان آنها حذف کند. گروههای پاک شده (بدون موارد با مصرف نامتعارف) با استفاده از یک روش تخمین مبتنی بر چندک با سه خط برش مورد تحلیل قرار گرفته و براساس آنها میزان مصرف مشترکین در ماه آتی محاسبه میشود. یافتهها: نتایج آزمایشات نشان میدهند که مدل پیشنهادی با خطای کمتر از 10% میتواند میزان مصرف آتی را پیشبینی کند. به علاوه، این روش قادر است مشترکین با الگوی مصرف نامتعارف را نیز شناسایی کند. نتیجهگیری: از میان روشهای مورد بررسی، روشهایی توانستهاند با کمترین خطا میزان مصرف را پیشبینی کنند که به موارد غیرمتعارف مقاوم بودهاند. براساس بررسیهای صورت گرفته این موارد ریشه در جابحایی ساکنین منازل دارند و بعد از جایگزینی یک مشترک کممصرف/پرمصرف با یک مشترک پرمصرف/کممصرف بروز میکنند. با الهام از این حقیقت و حذف اولین ماههای تغییر الگوی مصرف از دادگان و آموزش مدل یادگیری با باقیمانده موارد، میتوان یک الگوریتم پیشبینی با دقت بالا داشت که در اکثر موارد خطای بسیار کمی داشته باشد. |
Databáze: | Directory of Open Access Journals |
Externí odkaz: |