ارائه مدلي براي پيش‌بيني ميزان مصرف آب ماهانه براي مشتركين خانگي

A Water Consumption Prediction Model for Municipal Consumers

مقدمه: مديريت هوشمند منابع آب بهترين راهكار براي معضل كمبود آب در سرتاسر جهان است. پيش‌بيني ميزان مصرف يك پيش‌نياز اصلي براي اطلاع از ميزان آب مورد نياز در آينده است. انواع مختلفي از ويژگي‌ها، از سابقه مصرف تا پارامترهاي هواشناسي را مي‌توان براي پيش‌بيني آب مصرفي بكار گرفت. در اين مقاله، به معرفي يك مدل پيش‌بيني براي ميزان مصرف آب مشتركين شهري در شهر يزد خواهيم پرداخت. روش­: چارچوب پيش‌بيني پيشنهادي از ركوردهاي سامانه قبوض مصرف در شهر يزد براي استخراج سوابق مصرف مشتركين بهره مي‌گيرد. به علاوه، منابع اطلاعاتي ديگري مانند تقويم كاري، ميزان آب توليدي (ورودي به شبكه شهري)، پارامترهاي هواشناسي، ارزش مالي املاك مشتركين، و ميزان فشار جريان آب ورودي به ملك مشتركين در پيش‌بيني مورد استفاده قرار مي‌گيرند. اين چهارچوب تغييرات در الگوي رفتار مصرف مشتركين را تعقيب مي‌كند و آنها را گروه‌بندي مي‌نمايد تا بتواند مواردي را كه رفتار غيرمتعارف دارند از ميان آنها حذف كند. گروه‌هاي پاك شده (بدون موارد با مصرف نامتعارف) با استفاده از يك روش تخمين مبتني بر چندك با سه خط برش مورد تحليل قرار گرفته و براساس آنها ميزان مصرف مشتركين در ماه آتي محاسبه مي‌شود. يافته­ ها: نتايج آزمايشات نشان مي‌دهند كه مدل پيشنهادي با خطاي كمتر از 10% مي‌تواند ميزان مصرف آتي را پيش‌بيني كند. به علاوه، اين روش قادر است مشتركين با الگوي مصرف نامتعارف را نيز شناسايي كند. نتيجه­ گيري: از ميان روش‌هاي مورد بررسي، روش‌هايي توانسته‌اند با كمترين خطا ميزان مصرف را پيش‌بيني كنند كه به موارد غيرمتعارف مقاوم بوده‌اند. براساس بررسي‌هاي صورت گرفته اين موارد ريشه در جابحايي ساكنين منازل دارند و بعد از جايگزيني يك مشترك كم‌مصرف/پرمصرف با يك مشترك پرمصرف/كم‌مصرف بروز مي‌كنند. با الهام از اين حقيقت و حذف اولين ماه‌هاي تغيير الگوي مصرف از دادگان و آموزش مدل يادگيري با باقيمانده موارد، مي‌توان يك الگوريتم پيش‌بيني با دقت بالا داشت كه در اكثر موارد خطاي بسيار كمي داشته باشد.

Smart water resource management is the best short-time solution for water resource shortage around the world. Predicting water demand is the major prerequisite to be aware of the required water within a short time. The proposed prediction framework uses the billing records of water consumers in Yazd city to extract consumption history. In addition, external data resources such as business calendar data, urban water production, meteorological parameters, the financial value of buildings, and in-stream pressure are collected and employed in the prediction model. The proposed framework tracks the changes in consumption behaviors of consumers, which are grouped according to their volume of water usage to remove consumers with anomalous consumption behaviors. The cleaned grouped records of consumption are utilized in the fitting of a quantile regressor with three breakpoints to forecast the water demand of the consumers for the next month. Results of the experiments showed that the proposed model’s prediction percentage error is less than 10%. Besides, the model is able to recognize consumers with anomalous consumption behaviors.