پيش‌بيني تقاضاي روزانه آب شهري با استفاده از شبكه‌هاي عصبي مصنوعي،مطالعه موردي: شهر تهران

Forecasting Daily Urban Water Demand Using Artificial Neural Networks, A Case Study of Tehran Urban Water

پيش‌بيني تقاضاي آب در سيستم‌هاي آبرساني و توزيع آب، با توجه به‌كمك شاياني كه مي‌تواند به مديران اين مجموعه‌ها براي مديريت بحران (حداقل و حداكثر مصرف) داشته باشد، از اهميت بالايي برخودار است. پيچيدگي و تاثير عوامل و پارامترهاي مختلف بر ميزان تقاضاي آب در اين سيستم‌ها، سبب گرديده است كه روشهاي تحليلي و رياضي كارايي لازم را در اين زمينه نداشته باشند. در اين مقاله روش شبكه‌هاي عصبي مصنوعي براي برآورد تقاضاي روزانه آب شهري تهران به‌كار رفت. پارامترهاي هواشناسي مربوط به سه ايستگاه هواشناسي تهران بزرگ به‌روش تيسن وزن‌دهي شده و از ميانگين وزني آنها، داده‌هاي ورودي مدل به‌دست ‌آمد. با ايجاد همبستگي بين ميانگين وزني پارامترهاي هواشناسي و داده‌هاي مصرف، پارامترهاي موثر مدل انتخاب شدند. پارامترهاي موثر انتخاب شده شامل دماي متوسط روزانه، رطوبت نسبي، مصرف روزانه يك روز قبل تا مصرف روزانه يك هفته قبل (هفت روز) و مصرف روزانه يك سال قبل بودند. در اين مقاله از شبكه‌هاي عصبي مصنوعي پرسپترون سه لايه با خروجي خطي و غيرخطي، مدل پرسپترون چهار لايه با خروجي غيرخطي و مدل RBF استفاده شد. مقايسه نتايج مدل‌ها با همديگر و با نتايج مدل‌هاي نروفازي و روشهاي سري زماني ساخته شده در تحقيقات ديگر، نشان مي‌دهد كه مدل‌هاي شبكه عصبي از قابليت بالايي براي مدل‌سازي تقاضاي روزانه آب شهري برخوردارند. در اين ميان، مدل پرسپترون سه لايه با خروجي غيرخطي، دقت بالاتري دارد.

Water demand forecasting is one of the most important concerns for managers of water supply systems as the results can affect many decisions. Daily demand forecasting cannot be usually accomplished by mathematical functions because it is a complicated function of many variables. In this paper, neural networks are used to predict Tehran daily water demand. At first, weather data from three Tehran weather stations are weighted via the Thissen method and the effective input data parameters are selected using the regression of the weighted effective weather and consumption data. The effective parameters include daily average temperature, relative humidity, and last day to last week (7 days) as well as last year water consumptions. Three different ANN models are built in this stage: a three-layer model with one hidden layer including seven neurons, a four-layer model with two hidden layers including seven neurons in the first and four neurons in the second hidden layer, and a RBF three-layer model with twenty neurons in the middle layer. Comparison of the results of ANN with neuro-fuzzy and time series models shows that ANN models have a higher capability for predicting Tehran daily water consumption. Among these models, the ANN perceptron 3-layer model with a nonlinear output produced more accurate results.