پیش بینی تقاضای کوتاه مدت آب شهری تهران با استفاده از سیستم نروفازی سوگنو با دو ورودی و با تفکیک شبکه ای

سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,296

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

WRM03_538

تاریخ نمایه سازی: 28 فروردین 1387

چکیده مقاله:

پی شبینی تقاضای کوتاه مدت آب شرب شهری، مدیران را قادر م یسازد که برنامه ریزی بهتری جهت مدیریت و بهره برداری از شبکه آب داشته باشند. با توجه به استفاده روز افزون از روش های خبره در امر پیش بینی و مدلسازی، در این مقاله از توانمند یهای سیستم نروفازی با تفکیک شبک های، برای برآورد تقاضای کوتاه مدت آب شهری تهران استفاده شده است. پارامترهای هواشناسی مربوط به سه ایستگاه هواشناسی تهران بزرگ به روش تیسن وزن دهی شده و از میانگین وزنی آنها داده های ورودی مدل بدست آمده است. با ایجاد همبستگی بین میانگین وزنی پارامترهای هواشناسی و داده های مصرف پارامترهای موثر مدل انتخاب شد. پارامترهای موثر انتخاب شده شامل درجه حرارت متوسط روزانه، درصد رطوبت نسبی، مصرف یک روز قبل، مصرف روزانه یک هفته قبل و مصرف روزانه یک سال قبل می باشد. داد ههای موجود بصورت تصادفی به سه قسمت داده های ساخت مدل، داده های ارزیابی مدل و داده های تست تقسیم و در مدلسازی استفاده گردید. در این مقاله از مدل نروفازی سوگنو با خروجی ثابت و با دو ورودی جهت مدل سازی و از الگوریتم ترکیبی پس انتشار خطا و حداقل مربعات برای بهینه سازی پارامترهای تابع عضویت و مدل استفاده می شود. نوع تفکیک ورود یها به صورت شبکه ای می باشد که در مجموع با به کارگیری توابع عضویت مختلف و ساخت مد لهای متفاوت و مقایسه نتایج مد لها در حال تهای مختلف باهم بهترین مدل انتخاب گردید. مدل نروفازی با ورودی های مصرف یک روز قبل و مصرف روزانه یک هفته قبل و با تفکیک شبک های هر ورودی به ۴ قسمت و با تابع عضویت زنگوله ای شکل به عنوان بهترین مدل جهت پیش بینی تقاضای کوتاه مدل می باشد و در مجموع سیستم نروفازی با تفکیک شبک های، توانایی لازم جهت مدلسازی تقاضای کوتاه مدت آب شهری را داراست.

نویسندگان

مهدی دینی

فارغ التحصیل عمران آب دانشگاه تهران و عضو هیئت علمی دانشگاه آزاد اسلا

مسعود تابس

دانشیار دانشکده فنی دانشگاه تهران

حبیبه دینی

دانشجوی عمران آب دانشگاه تبریز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • کریمی، د. 1380، کاربرد منطق فازی در پیش بینی کوتاه ...
  • تابش، م. و دینی، م. (1384). برآورد کوتاه مدت مصرف ... [مقاله کنفرانسی]
  • دینی، م.، تابش، م. و ناصری، محسن. (1385) برآوردکوتاه مدت ...
  • Chunchen, Y. (1986). Applications of time series analysis to Water ...
  • Quevedo, J. and Cembrano G. (1986). Water demand forecasting through ...
  • Zhou, S.L., Mcmohon, T.A., Walton, A. and Lewis, J. (2000). ...
  • Zhou, S.L., Mcmohon , T.A., Walton, A. and Lewis, J. ...
  • Zhou, S.L., McMahon, T.A., Walton, A. and Lewis, J. (2001). ...
  • Park, D.C., El- Sharkawi, M.A., Marks II, .J., Atlas, L.E. ...
  • Lu, C.N., Wu, H.T. and Vemuri, S. (1993). Neural Network ...
  • Kerman shahi, B _ and Yokoyama, R. (1996). Practical Implemen ...
  • Khotanzad, A., Hwang, R.C and Maratukulam, D. (1993) Hourly Load ...
  • _ Papal exopoulos, A.D., Hao, S. and Peng, T.M (1994). ...
  • Highley, D.D. and Hilmes, T.J. (1993). Load Forecasting by ANN", ...
  • Manry, M.T., Shoults, R. and Naccarino, .J. (1997). An Automated ...
  • Bowden, G.J., Maier, H.R. and Dandy, G.C. (2002). Optimal division ...
  • Milot, J., Rodriguez, M.J. and Serodes, J.B. (2002). Contribution of ...
  • Michaelides, S.C., Pattichis, C.S. and Kleovoulou, G. (200 1). Classification ...
  • Tabesh, M., Goosheh, S. and Yaz danpanah, M .J. (2004). ...
  • Altunkaynak, A., Ozger, M. and Cakmakci, M. (2005). Water consumption ...
  • نمایش کامل مراجع