ПРОГНОЗУВАННЯ МІСЬКОГО ДОБОВОГО ВОДОСПОЖИВАННЯ
DOI:
https://doi.org/10.30977/BUL.2219-5548.2023.100.0.30Ключові слова:
прогнозування, прогноз, часовий ряд, модель, штучна нейронна мережа, попит на воду, водопостачання, статистичний аналізАнотація
Розглянуто моделі та методи прогнозування міської потреби у воді. Набагато більше уваги необхідно приділяти методам прогнозування, якщо комунальні підприємства мають приймати рішення, які відображатимуть рівень невизначеності саме в щоденних прогнозах попиту. Добове споживання води, на відміну від річного та місячного споживання води, дуже сильно залежить від випадку. Основною метою даної роботи є отримання достатньо точних прогнозів добового водоспоживання міста. Запропоновано алгоритм розрахунку прогнозу міської добової потреби води на основі концепції однотипних днів водоспоживання за попередні роки. Цей метод не використовує моделі нейронних мереж, але все ж дозволяє отримати досить точні прогнози щоденної міської потреби у воді. Представлений алгоритм розрахунку прогнозу міської добової потреби у воді реалізований у вигляді програмного комплексу та пройшов багаторічну перевірку в реальних умовах. Середня абсолютна відсоткова похибка добового прогнозу водо споживання міст на один місяць не перевищує 5%. Розроблений програмний комплекс для розрахунку прогнозу міської добової потреби у воді може бути використаний в інформаційних службах міських комунальних підприємств для прийняття оперативних, тактичних і стратегічних рішень щодо надання послуг водопостачання населенню.
Посилання
Urban Water Demand Forecasting: Review of Methods and Models / Donkor E., Mazzuchi T., Soyer R., Roberson A. Journal of Water Resources Planning and Management. 2014. № 140 (2). P. 146–159.
Junguo L., Savenije Н, Xu J. Forecast of Water Demand in Weinan City in China using WDF-ANN model. Physics and Chemistry of the Earth. 2003. № 28. P. 219–224.
Tiwari M. K., Adamowski J. Urban water demand forecasting and uncertainty assessment using ensemble wavelet-bootstrap-neural network models. Water Resources Research. 2013. Vol. 49. P. 6486–6507.
Вісник ХНАДУ, вип. 100, 2023
A multi-scale relevance vector regression approach for daily urban water demand forecasting / Yun Bai, Pu Wang, Chuan Li, Jingjing Xie, Yin Wang. Journal of Hydrology. 2014. Vol. 517. P. 236–245.
Research on the Prediction of the Water Demand of Construction Engineering Based on the BP Neural Network / Hao Peng, Han Wu, Junwu Wang [Electronic resource]. Access mode: https://doi.org/10.1155/2020/8868817.
Water demand forecasting: review of soft computing methods / Ghalehkhondabi I., Ardjmand Е., Young W. A. et al. Environmental Monitoring and Assessment. 2017. Vol. 189, 313.
Regional annual water consumption forecast model / Zhang X., Yue M., Yao Y., and Li H. Desalination and Water Treatment. 2018. Vol. 114. P. 51–60.
Piasecki A., Jurasz J., Kazmierczak В. Forecasting daily water consumption: a case study in town. Periodica Polytechnica-Civil Engineering. 2018. Vol. 62. № 3. P. 818–824.
Zhao Z., Xu Q., Jia М. Improved shuffled frog leaping algorithm-based BP neural network and its application in bearing early fault diagnosis. Neural Computing and Applications. 2016. Vol. 27. № 2. P. 375–385.
Huang S. M. Production capacity prediction based on neural network technology in an efficient economic and management environment of oil field. Fresenius Environmental Bulletin. 2020. Vol. 29. № 4. P. 2442–2449.
Horielova K. A., Zadachyn V. M. Long-term and medium-term forecasting of water consumption of large cities. Information processing systems. Ivan Kozhedub Kharkiv National Air Force University. 2016. Vol. 1 (138). P. 76–80.
Zadachyn V. M. Forecasting of urban hourly water consumption. Information processing systems. Ivan Kozhedub Kharkiv National Air Force University. 2018. Vol. 2 (153). P. 36–42.
