مقاله پیش بینی تقاضای کوتاه مدت آب شهری تهران با استفاده ازسیستم نروفازی سوگنوبا دو ورودی و با تفکیک شبکه ای

word قابل ویرایش
15 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

چکیده
پیش بینی تقاضای کوتاه مدت آب شرب شهری ، مدیران را قادر می سازد که برنامه ریزی بهتری جهت مدیریت و بهره برداری از شبکه آب داشته باشند.با توجه به استفاده روز افزون از روش های خبره در امر پیش بینی و مدلسازی ، در این مقاله از توانمندی های سیستم نروفازی با تفکیک شبکه ای ،برای برآوردتقاضای کوتاه مدت آب شهری تهران استفاده شده است .
پارامترهای هواشناسی مربوط به سه ایستگاه هواشناسی تهران بزرگ به روش تیسن وزن دهی شده واز میانگین وزنی آنها داده های ورودی مدل بدست آمده است . با ایجاد همبستگی بین میانگین وزنی پارامترهای هواشناسی و داده های مصرف پارامترهای موثر مدل انتخاب شد. پارامترهای موثر انتخاب شده شامل درجه حرارت متوسط روزانه ، درصد رطوبت نسبی ، مصرف یک روز قبل ، مصرف روزانه یک هفته قبل و مصرف روزانه یک سال قبل می باشد. داده های موجود بصورت تصادفی به سه قسمت داده های ساخت مدل ، داده های ارزیابی مدل و داده های تست تقسیم و در مدلسازی استفاده گردید.
دراین مقاله ازمدل نروفازی سوگنو با خروجی ثابت و با دو ورودی جهت مدل سازی وازالگوریتم ترکیبی پس انتشار خطاو حداقل مربعات برای بهینه سازی پارامترهای تابع عضویت و مدل استفاده می شود.
نوع تفکیک ورودی ها به صورت شبکه ای می باشدکه در مجموع بابه کارگیری توابع عضویت مختلف وساخت مدل های متفاوت ومقایسه نتایج مدل هادر حالت های مختلف باهم بهترین مدل انتخاب گردید.مدل نروفازی با ورودی های مصرف یک روز قبل و مصرف روزانه یک هفته قبل و با تفکیک شبکه ای هر ورودی به ۴قسمت و با تابع عضویت زنگوله ای شکل به عنوان بهترین مدل جهت پیش بینی تقاضای کوتاه مدل می باشدودر مجموع سیستم نروفازی باتفکیک شبکه ای ، توانایی لازم جهت مدلسازی تقاضای کوتاه مدت آب شهری را داراست .
کلیدواژه ها:پیش بینی ، تقاضای کوتاه مدت ، مدل نروفازی سوگنو، توابع عضویت
۱-مقدمه
معمولاًپیش بینی کوتاه مدت بازه زمانی بین یک ساعت تا چند روز را پوشش می دهد. در مدیریت آب شـهری دانستن تقاضای کوتاه مدت بسیار مهم و حیاتی است و در تعیین پارامترهـای اقتصـادی ، قابلیـت اطمینـان و بهـره بـرداری از شبکه نقش به سزایی دارد.
تحقیقات انجام گرفته در زمینه پیش بینی تقاضای آب بحث جدیدی نبوده وایـن موضـوع از زمـان هـای گذشـته مورد توجه قرار گرفته است اما در طول دوران مختلف روش های پیش بینی و اهداف آن تغییر نموده اسـت . اکثـر مقـالاتی که به بحث در مورد پیش بینی تقاضای آب شهری پرداخته اند،تقاضای میان مدت و بلند مدت را در نظر گرفتـه انـدو تنهـا تعداد اندکی به بررسی تقاضای کوتاه مدت پرداختـه انـد. ایـن تحقیقـات بیشـتربراسـاس مـدل هـای رگرسـیون چندگانـه و سری های زمانی برای پیش بینی مصرف انجام پذیرفته اند.اسـتفاده از سیسـتم هـای خبـره شـامل شـبکه هـای عصـبی مصنوعی ، منطق فازی و سیستم نروفازی برای پیش بینی کوتاه مدت مصرف آب کمتر مورد توجه قرار گرفتـه اسـت . اکثـر کارهای صورت گرفته بوسیله این سیستم ها متعلق به شبکه های توزیع بار برق بوده است که در آنهابیشتر از شبکه ی عصبی چندلایه MLP استفاده شده است.همچنین به علت توان بالای این مدلها جهت مدلسازی سیستم های طبیعی ،از آنها برای پیش بینی میزان بارنـدگی ،میـزان تولیـدگیاهـان سـطح دریـاو …اسـتفاده شـده اسـت و نتـایج قابـل تـوجهی در مدل سازی وپیش بینی کلیه موارد فوق داشته است.تابش و همکاران (۱۳۸۲) شبکه های عصبی را برای پـیش بینـی کوتاه مدت تقاضای آب شهری در تهران به کار بردند که در آن از داده های هواشناسی و مصرف ۵سال تهران استفاده شده است .کریمی (۱۳۸۰) سیستم فازی را برای پیش بینـی کوتـاه مـدت مصـرف آب تهـران بکـار بـرد. در ایـن تحقیـق از داده های هواشناسی و داده های مصرف آب روزانه ۳۳ماه از فروردین مـاه سـال ۷۵تـا دی مـاه سـال ۷۷بـرای مـدل سـازی استفاده شده است .درجه حرارت میانگین ، بارندگی ،تعداد ساعات آفتابی و نوع ماه به عنوان پارامترهای موثر انتخاب گردیداند.تابش ودینی (۱۳۸۴) منطق فازی سوگنو با دو ورودی درجه حرارت متوسط روزانه ودرصـدرطوبـت نسـبی را برای پیش بینی مصرف آب شهری تهران استفاده کرده انـد کـه در آن تنهـا از دو پـارامتردرجـه حـرارت متوسـط روزانـه و درصد رطوبت نسبی روزانه استفاده شده است وسایر پارامترها مانند مصرف دوره های قبلی در مـدل سـازی وارد نگردیـده است .دینی وتابش (۱۳۸۵) سیستم نروفازی با تفکیک خوشه ای و با دو ورودی را برای بـرآوردتقاضـای آب شـهری تهران مورد استفاده قرار داده اند که درآن داده های هواشناسی و مصرف شامل دمای متوسط روزانه و درصد رطوبت نسبی و مصرف دوره های قبل ۱۲سال از سال های ۱۳۷۰ تا۱۳۸۲ در مدلسازی وارد گردیده است اما در آن به تفکیک شـبکه ای اشاره ای نشده است .آلتان و همکاران سیستم نروفازی سوگنو را برای پـیش بینـی مصـرف آب ماهانـه شـهر اسـتانبول استفاده کرده اند که در آن داده های ماهانه ۹سال استانبول برای ساخت و تست مـدل اسـتفاده گردیـده اسـت .درایـن مقاله سعی شده است که از روش نروفازی سوگنو با دو ورودی و با تفکیک شبکه ای برای پیش بینـی تقاضـای آب شـهری تهران استفاده شودکه مکمل مقاله های قبلی نویسنده درزمینه پیش بینی تقاضای کوتاه مدت آب شهری می باشد.
۲-تشریح مدل بکار رفته
برای مدل سازی از Toolbox نروفازی مطلب (Anfis)استفاده شده است . که قابلیت مدلسازی و ساخت مدل بـه صورت تفکیک شبکه ای و خوشه ای را دارد. دراین مقاله از تفکیک شبکه ای با ساختار نشان داده شده درشکل ۱استفاده شده است . که از چهارلایه مجزا تشکیل شده است .
لایه اول لایه ورودی هامی باشد که دراین مقاله مدل های با دو ورودی مورد بررسی قرار گرفته است .و حالت های مختلفی که برای مدل با دو ورودی امکان پذیر بوده در نظر گرفته شده است .
لایه دوم لایه توابع عضویت است که توابع عضویت مثلثی ،گوسی ، ذوزنقه ای وزنگوله ای شکل در مدل سـازی هـا مـورد استفاده قرار گرفته اند.
لایه سوم لایه عملگر است که وزن هر قانون نروفازی را محاسبه می کنـد درایـن مقالـه از عملگـر حاصـل ضـرب اسـتفاده گردیده است .
لایه چهارم لایه غیرفازی سازی می باشد که در آن از روش متوسـط وزنـی (Wtaver)اسـتفاده شـده کـه فـرم کلـی آن بـه صورت رابطه ۱تعریف می شود. (۱)

شکل ۱-ساختار مدل نروفازی با دو ورودی و با تفکیک شبکه ای ورودی هاوبا۹قانون نروفازی
۳-انتخاب پارامترهای موثرو ارزیابی مدل
اطلاعات لازم برای بررسی عوامل موثروتجزیـه وتحلیـل آمـاری وتهیـه مـدل پـیش بینـی مصـرف آب شـامل داده های هواشناسی و داده های مصرف روزانه مناطق شش گانه آب تهـران مـی باشـد. کـه داده هـای هواشناسـی از سـازمان هواشناسی کشورو اطلاعات مصرف آب از شرکت آب و فاضلاب تهران تهیه گردیده است . بعد از مرتب کردن داده های هواشناسی سه ایستگاه هواشناسی مهرآباد، دوشان تپه و شمال تهران ، با استفاده از روش تیسـن متوسـط وزنـی سـه ایسـتگاه بدست آمد که با هم پوشانی این داده هاباداده های مصـرف تهـران ، اطلاعـات ۱۲سـال آمـاری از سـالهای ۱۳۷۰ تـا۱۳۸۲ جهت مدل سازی آماده گردید.
با استفاده از تحلیل همبستگی بین داده های هواشناسی و داده های مصرف پارامترهای موثرشـامل درجـه حـرارت متوسط روزانه ، درصد رطوبت نسبی روزانه ، مصرف یک روز قبل ، مصرف یک هفته قبل و مصرف یک سال قبل به عنوان پارامترهای موثر برای مدلسازی نوروفازی انتخاب گردیدنـد.کـه ایـن داده هـا بصـورت تصـادفی بـه سـه قسـمت داده هـای آموزش مدل (۶۰درصد داده ها)، داده های ارزیابی مدل ( ۱۵درصد داده هـا) وداده هـای تسـت مـدل ( ۲۵درصـد داده هـا) تقسیم گردید.داده های آموزش مستقیماً برای ساخت مدل و داده های ارزیابی جهت کنترل میزان آموزش مدل ها در هنگام ساخت استفاده گردید.بطوری که نقطه بهینه مدل سازی گام آموزشی در نظـر گرفتـه شـده کـه در آن همزمـان بـا کـاهش خطای داده های آموزش ، خطای داده های ارزیابی شروع به افزایش نماید.به عبارت دیگر خطای داده هـای ارزیـابی میـنمم مقدار باشد.
برای ارزیابی مدل هاو مقایسه نتایج آنها با همدیگر از شاخص های آماری ذیل استفاده گردیده است .
MSE:میانگین مربع خطا ها که به صورت زیر تعریف می شود:
در رابطه بالا yai مقادیر داده های واقعی مصرف ، yfi مقادیر داده های پیش بینی شده مصرف و nتعداد داده هامی باشد.
NMSE:میانگین مربع خطای نرمال است که از رابطه زیر قابل محاسبه است .
در رابطه بالا (var)ya واریانس داده های واقعی می باشد.
R2 :ضریب R2 همان توان دوم ضریب همبستگی می باشد. برای حالتی که مقادیر داده های واقعی و داده های پیش بینی شده کاملاً به همدیگر انطباق داشته باشند، مقدار ضریب بسته به روند صـعودی و نزولـی داده هـا ۱یـا ۱-خواهـد بـود. در صورتی که هیچ انطباقی بین داده های واقعی و پیش بینی وجود نداشته مقدار ضریب R2 صفر خواهد بود.
MAPE:میانگین خطای مطلق یا درصد خطای میانگین مطلق از رابطه زیر بدست می آید
۴-نتایج مدل ها
با توجه به اینکه توابع عضویت مثلثی ، گوسی ، ذوزنقه ای و زنگوله ای شکل برای ساخت مدل ها در نظر گرفته شده اسـت و تعداد پارامترهای موثر مدلسازی شامل ۵پارامترمی باشد در ابتدا با استفاده از تـابع عضـویت مثلثـی و پارامترهـای مـوثر بـا تفکیک هر ورودی به ۵ قسمت مدل های مختلفی با دو ورودی ساخته شده که در ادامه نتایج آنها آورده شده است .
جدول ۱-دسته بندی مدل های ساخته شده با توجه به نوع ورودی

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 15 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد