شناسايي مشتركين با مصارف غيرمتعارف با استفاده از الگوريتم‌هاي خوشه‌بندي مبتني‌بر چگالي

Identifying customers with unmoral consumptions using density based clustering algorithms

يكي از معضلات و مشكلاتي كه شركت‌هاي آب و فاضلاب در سطح كشور با آن مواجه هستند، وجود كنتورها و برداشت هاي غير‌مجاز آب از شـبكه‌هاي توزيـع توسـط متخلفـان مي‌باشـد. مصارف غيرمجـاز آب نـه‌تنهـا صدمـات زيـادي را بـه شـبكه‌هاي آبرسـاني وارد مي‌نمايـد، بلكـه باعـث تضييـع حقـوق مشـتركيني مي‌شـوند كـه بـه‌صـورت قانوني و بـا پرداخت هزينه‌هاي مرتبط نسـبت به برقراري انشـعاب مجاز آب اقـدام نموده‌اند. هدف اصلي اين مقاله، شناسايي مشتركين با مصارف غيرمتعارف (مصارف غيرمجاز و كنتورهاي خطادار) با استفاده از روش‌هاي مبتني‌بر يادگيري ماشين است كه از طريق توسعه يك روش‌شناسي مبتني‌بر الگوريتم‌هاي خوشه‌بندي مبتني‌بر چگالي در بانك اطلاعاتي مشتركين انجام گرديد. براي مطالعه موردي مبتني‌بر روش‌شناسي توسعه‌داده‌شده از داده‌هاي مصارف مشتركين شهر گرگان كه شامل 74113 اشتراك مي‌باشند، استفاده شد. بازه قرائت مشتركين در نواحي 9‌ گانه شهر گرگان از سال 1395 تا 1399 (پنج سال متوالي) است كه براي هر مشترك داده‌هاي قرائت به متوسط ماهيانه تبديل گرديد. علاوه‌بر اين، به‌منظور شناسايي داده‌هاي مصارف غيرعادي، مشتركين به سه دسته قطر يك‌دوم، سه‌چهارم و يك اينچ طبقه‌بندي شدند و روش توسعه‌داده‌شده به‌صورت جداگانه براي هريك از اين قطرها به‌كار گرفته شد. روش‌شناسي توسعه‌داده‌شده دو الگوي مختلف براي مصارف غيرمتعارف شناسايي نمود كه بر‌اساس الگوهاي تشخيص داده‌شده، مشتركين مشكوك به مصارف غيرمتعارف شناسايي شدند. نتايج به‌دست‌آمده از اين مقاله نشان مي‌دهد كه استفاده از الگوريتم‌هاي يادگيري ماشين و داده‌هاي مصارف مشتركين مي‌تواند به‌عنوان ابزاري كارآمد براي تشخيص مصارف غيرمتعارف مشتركين به‌كار رود و جايگزين روش‌هاي هزينه‌بر مانند بازديدهاي ميداني گردد.

One of the problems faced by water and wastewater companies is the presence of Underestimating meters and unauthorized consumptions from water distribution networks. Unauthorized water consumption not only causes a lot of damage to the water distribution networks, but also causes damage to the rights of the customers who have acted legally and by paying the related costs for the establishment of authorized service connections. The main objective is to identify customers with unmoral consumption (unauthorized consumptions and faulty meters) using machine learning methods, which was done through the development of a methodology based on density-based clustering algorithms in the customer s database. For a case study based on the developed methodology, the consumption data of Gorgan city customers, which include 74113 service connections, were used. The reading period of the customers in the 9 districts of Gorgan city is from 2015 to 2019 (5 consecutive years), and the reading data for each customer was converted into a monthly average. In addition, in order to identify abnormal consumption data, the customers were classified into three categories of one-half, three-quarter, and one-inch diameters, and the developed methodology was applied separately for each of these diameters. The developed methodology identified 2 different patterns for abnormal consumption, and based on the detected patterns, suspected customers of abnormal uses were identified. The results obtained from this work show that the use of machine learning algorithms and customer consumption data can be used as an efficient tool to detect the abnormal consumption of customers and replace costly methods such as field visits.