ارائه مدلی برای پیش بینی میزان مصرف آب ماهانه برای مشترکین خانگی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 50

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WEJMI-15-52_006

تاریخ نمایه سازی: 26 بهمن 1402

چکیده مقاله:

مقدمه: مدیریت هوشمند منابع آب بهترین راهکار برای معضل کمبود آب در سرتاسر جهان است. پیش بینی میزان مصرف یک پیش نیاز اصلی برای اطلاع از میزان آب مورد نیاز در آینده است. انواع مختلفی از ویژگی ها، از سابقه مصرف تا پارامترهای هواشناسی را می توان برای پیش بینی آب مصرفی بکار گرفت. در این مقاله، به معرفی یک مدل پیش بینی برای میزان مصرف آب مشترکین شهری در شهر یزد خواهیم پرداخت. روش­: چارچوب پیش بینی پیشنهادی از رکوردهای سامانه قبوض مصرف در شهر یزد برای استخراج سوابق مصرف مشترکین بهره می گیرد. 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 پیش بینی مورد استفاده قرار می گیرند. این چهارچوب تغییرات در الگوی رفتار مصرف مشترکین را تعقیب می کند و آنها را گروه بندی می نماید تا بتواند مواردی را که رفتار غیرمتعارف دارند از میان آنها حذف کند. گروه های 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 می شود. یافته­ها: نتایج آزمایشات نشان می دهند که مدل پیشنهادی با خطای کمتر از ۱۰% می تواند میزان مصرف آتی را پیش بینی کند. به علاوه، این روش قادر است مشترکین با الگوی مصرف نامتعارف را نیز شناسایی کند. نتیجه­گیری: از میان روش های مورد بررسی، روش هایی توانسته اند با کمترین خطا میزان مصرف را پیش بینی کنند که به موارد غیرمتعارف مقاوم بوده اند. براساس بررسی های صورت گرفته این موارد ریشه در جابحایی ساکنین منازل دارند و بعد از جایگزینی یک مشترک کم مصرف/پرمصرف با یک مشترک پرمصرف/کم مصرف بروز می کنند. با الهام از این حقیقت و حذف اولین ماه های تغییر الگوی مصرف از دادگان و آموزش مدل یادگیری با باقیمانده موارد، می توان یک الگوریتم پیش بینی با دقت بالا داشت که در اکثر موارد خطای بسیار کمی داشته باشد.

کلیدواژه ها:

نویسندگان

سجاد ظریف زاده

استادیار مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران

فاطمه کاوه یزدی

دانش آموخته دکترا مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران

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 :
  • Alvi, M. S. Q., Mahmood, I., Javed, F., Malik, A. ...
  • Haque, M. M., de Souza, A. and Rahman, A., ۲۰۱۷. ...
  • Arandia, E., Ba, A., Eck, B. and McKenna, S., ۲۰۱۶. ...
  • Firat, M., Turan, M. E. and Yurdusev, M. A., ۲۰۱۰. ...
  • Tiwari, M. K., and Adamowski, J., ۲۰۱۳. Urban water demand ...
  • Yazdani, S., Abedi, S., and Abedi, S., ۲۰۱۴. Forecasting Models ...
  • Ejlali, R. G., Ghasedi-Fathabadi, M., ۲۰۱۴, Water consumption forecast using ...
  • Aram A.-R. and Agheli, L., ۲۰۱۲. A Hybrid Model for ...
  • Abdi-dehkordi, M., Meftah-halqi, M., Kahe, M., ۲۰۱۴, Determining meteorological parameters ...
  • Gooshe, S., Yazdanpanah, M. J., Tabesh, M., ۲۰۰۸. Forecasting Tehran’s ...
  • Rasifaghihi, N., Li, S. S. and Haghighat, F., ۲۰۲۰. Forecast ...
  • Mouatadid, S. and Adamowski, J., ۲۰۱۷. Using extreme learning machines ...
  • Papageorgiou, E. I., Poczeta, K. and Laspidou, C., ۲۰۱۶. Hybrid ...
  • Villarín, M. C., ۲۰۱۹. Methodology based on fine spatial scale ...
  • Dias, T. F., Kalbusch, A. and Henning, E., ۲۰۱۸. Factors ...
  • Taghvaei, A., Pourjafar, M. R., Hossein-Abadi, M., and Riyahi-Medvar, H., ...
  • Sardinha-Lourenço, A., Andrade-Campos, A., Antunes, A. and Oliveira, M. S., ...
  • Ebrahim-Banihabib, M. and Mousavi-Mirkalaei, P., ۲۰۱۹. Extended linear and non-linear ...
  • Eslamian, S. A., Li, S. S. and Haghighat, F., ۲۰۱۶, ...
  • Goli Ejlali, R., ۲۰۱۸. Hybrid Artificial Neural Network-Geostatistics Model for ...
  • Flores, J. J., López Farías, R. , Puig, V. and ...
  • Gato, S., Jayasuriya, N. and Roberts, P., ۲۰۰۷. Temperature and ...
  • Beheshti, S. , Sahebalam, A. and Nidoy, E., ۲۰۱۹. Structure ...
  • Donevska K. and Panov, A., ۲۰۱۹. Climate change impact on ...
  • Vonk, E., Cirkel, D. G. and Blokker, M., ۲۰۱۹. Estimating ...
  • Colace, F., De Santo, M., Greco, L. and Napoletano, P., ...
  • Sadiq W. A. and Karney, B., ۲۰۰۵, Modeling Water Demand ...
  • Ouyang, Y., Wentz, E. A., Ruddell, B. L. and Harlan, ...
  • Taylor, B. A., ۲۰۱۲. Predicting normalised monthly patterns of domestic ...
  • Zhang, D., Ni, G., Cong, Z. , Chen, T. and ...
  • Tiwari, M. K. and Adamowski, J. F., ۲۰۱۵. Medium-Term Urban ...
  • Yasar, A., Bilgili, M. and Simsek, E., ۲۰۱۲. Water Demand ...
  • Toms J. D., and Lesperance, M. L., ۲۰۰۳. Piecewise Regression: ...
  • Li, H. , Deng, X. , Kim, D.-Y., and Smith, ...
  • Community-Contributors, scikit-learn ۰.۲۲.۲ Documentation: LassoCV, ۲۰۲۰, [Online]. Available: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LassoCV.htmlsklearn.linear_model.LassoCV ...
  • Community-Contributors, scikit-learn ۰.۲۲.۲ Documentation: RandomForestRegressor, ۲۰۲۰ ...
  • Hastie, T., Tibshirani, R. and Friedman, J., ۲۰۰۹. The elements ...
  • Sun, Q., Zhou, W.-X. and Fan, J., ۲۰۱۸. Adaptive Huber ...
  • Wagner, A. K., Soumerai, S. B., Zhang, F. and Ross-Degnan, ...
  • Vijai, P., and Sivakumar, P. B., ۲۰۱۸. Performance comparison of ...
  • Kaveh-Yazdy, F. and Zarifzadeh, S., ۲۰۲۱. Water Meter Replacement Recommendation ...
  • نمایش کامل مراجع