پیش بینی کوتاه مدت تقاضای آب مصرف کننده با استفاده از تکنیک های یاد گیری ماشین

امروزه تعداد زیادی از شرکت های آب هنوز کار خود را بر اساس تقاضای لحظه ای شبکهآب مدیریت می کنند، به این معنی که استفاده از تجهیزات، وابسته به نیازهای ضروری ولحظه ای می باشد. مخازن آب شبکه ها با استفاده از پمپ هایی که وقتی سطح آب بهمقداری مشخص می رسد شروع به کار می کنند و در هنگام رسیدن به حداکثر سطح،متوقف می شوند. تغییر رویکرد مدیریت آب بر اساس پیش بینی تقاضای آینده امکاناستفاده از تجهیزات را با انرژی ارزانتر و بهره گیری از تعرفه برق را فراهم می کند، بنابراینموجب صرفه جویی مالی قابل توجهی در طول زمان می شود. پیش بینی کوتاه مدت تقاضایآب گامی اساسی برای حمایت از تصمیم گیری در مورد مدیریت عملکرد تجهیزاتاست. برای این منظور، از متدولوژی هایی که پیش بینی کننده و تحلیلی و کاربردیهستند استفاده شد. چندین روش یادگیری ماشین، مانند شبکه های عصبی، درخت هایتصادفی، ماشین های بردار پشتیبانی و نزدیکترین همسایه، با استفاده از ارزیابی داده هایواقعی از خدمات آب، انجام شد علاوه بر این، تأثیر عواملی مانند آب و هوا، فصول، میزاناستفاده از داده های آموز شی و بازه پیش بینی نیز مورد برر سی قرار گرفت. نتایج بدست آمدهبا ARIMA و همچنین با استفاده از معیارهای موجود، اعتبار سنجی و مقایسه شده است.نتایج حاکی از این است که در بین الگوریتم های انتخابی شبکه ی عصبی برایآب و هوای مختلف و فصول مختلف برای شش ماه آینده دقت پیش بینی بالاتری داشت و بادقت 92 % با واقعیت ارتباط مستقیمی داشت.

کلیدواژه ها:

یادگیری ماشین ، پیش بینی تقاضای آب ، سیستم های آبرسانی ، آب و برق ، استراتژی موازی سنگین