پيش بينى تقاضاى آب شهر همدان با استفاده از شبكه هاى عصبى مصنوعى

Hamadan water demand forecasting using artificial neural networks

پيش بيني تقاضاي آب شهري كمك موثري به مديران و بهره برداران سيستم هاي آب شهري مي باشد تا بتوانند نسبت به مديريت صحيح مصرف، مخازن، پمپ ها، شيرآلات و تصفيه خانه ها اقدام نمايند. مصرف كوتاه مدت آب تابعي از پارامترهاي مختلف و متنوع مانند شرايط اقليمي و هواشناسي، مناسبت هاي فرهنگي، اقتصادي، اجتماعي و مصارف گذشته مي باشد. به دليل همين تنوع، پيش بيني مصرف كوتاه مدت به صورت تحليلي بسيار مشكل و يا ناممكن مي باشد. در اين شرايط استفاده از سيستم هاي هوشمند مانند شبكه هاي عصبي مصنوعي مي تواند به عنوان يك گزينه راهگشا مطرح گردد. در اين تحقيق با استفاده از شبكه هاي عصبي پرسپترون چندلايه و با الگوريتم آموزشي پس انتشار خطا، ميزان مصرف يك روزه آب شهر همدان بر اساس پارامترهاي هواشناسي و داده هاي تاريخي مصارف گذشته پيش بيني مي شود. نتايج اين تحقيق نشان مي دهد كه با اطلاعات محدود قابل دسترس، شبكه عصبي با دولايه نهان كه به ترتيب داراي يك و هفت نرون مي باشند توانسته است ميزان تقاضاي روزانه آب شهر همدان را با ضريب همبستگي بيش از 85 درصد و خطاي متوسط حدود دو درصد تخمين بزند. بديهي است با افزايش تعداد داده ها در يك دوره زماني گسترده تر، ميزان دقت مدل قابل بهبود مي باشد. در اين مقاله همچنين با استفاده از شبكه هاي عصبي مصنوعي، يك فرمول ساده براي پيش بيني ميزان مصرف روزانه آب شهر همدان توليدشده است و با ورود داده هاي درجه حرارت هوا و مصرف آب روز قبل، ميزان مصرف روز بعد به دست مي ايد. نتايج اين تحقيق نشان مي دهد كه اين فرمول قادر است ميزان تقاضاي روزانه آب شهر همدان را با ميانگين خطاي مطلق حدود 2/75 درصد، تخمين بزند.

Short-term use of water as a function of different parameters such as climate and meteorology, orchids, economic, social and expenses ago. Because of this diversity, short-term forecast is analytically difficult or impossible. In this context the use of intelligent systems such as artificial neural networks can be considered as a useful option. In this study, using MLP neural networks with back propagation algorithm, the amount of water in Hamadan day based on meteorological parameters and historical data from past spending is predicted. Obviously, with increasing number of data in a broader time period, the accuracy rate is Qablbhbvd. The results show that this formula can Hamadan daily water demand with the mean absolute error of about 75.2 percent estimate.