پايش داده‌هاي جريان در شبكه‌هاي توزيع آب با استفاده از روش‌هاي خوشه‌بندي مبتني بر چگالي

Flow Data Monitoring in Water Distribution Networks Using Density-Based Clustering Methods

تشخيص داده‌‌‌هاي نويز(پرت يا غيرعادي) از داده‌هاي جريان در شبكه‌هاي توزيع آب در مرحله آماده‌سازي و پيش‌پردازش داده‌ها براي دستيابي به داده‌هاي تاريخي قابل اعتماد انجام مي‌گيرد؛ كه در بهبود روش‌هاي ارزيابي و مديريت نشت و بهره‌برداري مؤثر از شبكه، مهم و ضروري است. هدف از ارائه اين مقاله توسعه يك متدولوژي جديد بر مبناي روش‌هاي يادگيري بدون نظارت، جهت شناسايي داده‌هاي پرت يا غيرعادي در يك مجموعه داده‌هاي جريان در شبكه‌هاي توزيع آب مي‌باشد. متدولوژي توسعه داده شده شامل مراحل 1- جمع‌آوري داده‌هاي مورد نياز، 2- صحت‌سنجي و نرمال‌سازي داده‌ها و 3- شناسايي و كشف داده‌هاي پرت يا غيرعادي با استفاده از الگوريتم خوشه‌بندي مكاني مبتني بر چگاليِ مقاوم در مقابلِ نويز (DBSCAN) مي‌باشد. متدولوژي پيشنهادي براي داده‌هاي جريان ورودي به يك منطقه در شبكه توزيع آب شهري تهران با تواتر زماني برداشت داده 15 دقيقه براي سال 1394 به كار برده شد. نتايج نشان داد كه متدولوژي توسعه داده شده قابليت شناسايي داده‌هاي پرت ناشي از انواع شكستگي‌ها و مصارف مجاز غيرمعمول نظير مصارف ناشي از تغيير در الگوي مصرفي جمعيت يا مصارف مجاز غيرعادي را دارد. از اينرو اين متدولوژي را مي‌توان به عنوان يك ابزار كاربردي و انعطاف‌پذير براي پايش داده‌هاي جريان و شناسايي و حذف انواع داده‌هاي پرت از آنها مورد استفاده قرار داد.

Anomaly or outlier detection of flow data in water distribution networks (WDNs) is implemented in data preparation and prepossessing step to achieve reliable historical data; it is important to improve the leakage assessment and management methods and the operations of the network efficiently. The main objective of this paper is to develop a new methodology based on unsupervised learning methods for anomaly or outlier detection in a flow data set in WDNs. The developed methodology includes three steps 1- required data acquisition, 2- data validation and normalization, and 3- anomaly or outlier detection using the density-based spatial clustering of application with noise (DBSCAN) algorithm. The proposed methodology is applied for inflow data into an area in Tehran's urban water distribution network with 15-min sampling intervals for 1394. The results showed that the developed methodology is capable to the detection anomalies due to different type of pipe breaks and unusual legitimate consumption such as water usage due to changes in water consumption pattern or unauthorized consumption. Therefore, this methodology can be used as an applicable and flexible tool for monitoring flow data and detecting and eliminating of different types of outliers from them.