پيش‌بيني مصرف روزانه آب شهري با استفاده از تركيب الگوريتم‌هاي تكاملي و آناليز تبديل موجك )مطالعه موردي: شهر همدان(

Forecasting Daily Urban Water Consumption using Conjunctive Evolutionary Algorithm and Wavelet Transform Analysis, A Case Study of Hamedan City, Iran

پیش‌بینی تقاضای آب شهری ابزاری مهم برای طراحی، بهره‌برداری و مدیریت سیستم‌های تأمین آب شهرها به‌شمار می‌رود. تعدد عوامل اثرگذار بر تقاضای آب شهری و تغییر اثر آنها با تغییر شرایط، باعث ضعف روش‌های تحلیلی ریاضی سنتی در این زمینه شده است. تا‌كنون روش‌های متعددی برای پیش‌بینی تقاضای آب شهری مورد استفاده قرار گرفته است كه الگوریتم‌های تكاملی از پركاربردترین آنها است. در این تحقیق از تركیب روش برنامه‌ریزی بیان ژن كه سرعت همگرایی و دقت بالایی در محاسبات و شبیه‌سازی دارد، با آنالیز تبدیل موجك برای پیش‌بینی تقاضای روزانه آب در شهر همدان استفاده شد. مصرف آب روزهای قبل و پارامترهای اقلیمی به‌عنوان عوامل مؤثر بر تقاضای آب در نظر گرفته شد. در بخش اول این مطالعه، كارایی روش برنامه‌ریزی بیان ژن در پیش‌بینی تقاضای روزانه آب شهری مورد بررسی قرار گرفت و بهترین مدل برای پیش‌بینی تعیین شد و در بخش دوم، تأثیر آنالیز تبدیل موجك بر نتایج، ارزیابی شد. بر اساس نتایج حاصل، مدلی با ورودی‌هایی شامل مصرف آب یك، دو، سه و هفت روز قبل بهترین مدل برای پیش‌بینی تقاضای روزانه آب، در مطالعه موردی حاضر است. تركیب روش برنامه‌ریزی بیان ژن با آنالیز تبدیل موجك نتایج پیش‌بینی را تا 10 درصد بهبود می‌بخشد.

Water demand forecasting is an important tool in the design, operation, and management of urban water supply systems. The wide variety of factors affecting urban water demand and the variations in the impact levels of these factors due to changes in environmental conditions have undermined the efficiency of conventional mathematical forecasting models in forecasting water demand. Different methods have been so far employed for urban water demand forecasting, among which evolutionary algorithms are the most widely used. In this study, the gene expression programming model, which has a high convergence speed with high precision in calculation and simulation, is combined with the wavelet transform analysis to derive a hybrid model for forecasting daily water demand (consumption) in the city of Hamedan. Water consumption of previous days and climatic parameters constitute the factors affecting water demand in this model. In the first part of the present study, the efficiency of gene expression programming models in forecasting urban daily water demand is investigated to identify the best model (i.e., the best combination of inputs). The second part is dedicated to the evaluation of the effect of wavelet analysis on the results obtained. The results indicate that the best model for forecasting daily water demand is the one with water consumptions of 1, 2, and 3 previous days as well as those of the preceding week as its input. It is also found that the combined gene expression programming and wavelet transform analysis leads to a 10% improvement in forecasting results.