Modele neuronowe szeregów czasowych godzinowego poboru wody w osiedlach mieszkaniowych

Omówiono wyniki modelowania i prognozowania szeregów czasowych poboru wody z miejskich sieci wodociągowych na potrzeby optymalnego sterowania procesem zaopatrzenia w wodę. Zaprezentowano wyniki weryfikacji sztucznych sieci neuronowych na przykładzie wydzielonego rejonu sieci wodociągowej w Kłodzku i we Wrocławiu. Przedstawiono analizę przydatności sztucznych sieci neuronowych w bieżącym prognozowaniu szeregów czasowych godzinowego poboru wody, która wykazała, że optymalne struktury sieci perceptronowych i liniowych nie są skomplikowane, co między innymi ułatwia proces ich douczania lub uczenia od nowa. W praktyce błędy prognozowania przy wykorzystaniu wielowarstwowych perceptronowych sieci neuronowych i liniowych sieci neuronowych okazały się porównywalne lub mniejsze od błędów predykcji wg modeli klasy ARIMA i metod wykładniczego wygładzania szeregów czasowych. Wykazano, że przydatność sieci o radialnych funkcjach bazowych do prognozowania dobowych histogramów godzinowego poboru wody była ograniczona i jednocześnie mniejsza niż sieci liniowych oraz perceptronowych.

The paper outlines the results of modeling and forecasting the water demand time series for the optimal control of water supply processes in municipal water supply systems. The results of verification of the artificial neural network models have been presented for a separate water supply subsystem in Klodzko and in Wroclaw. Analysis of the performance of artificial neural networks when used to develop current predictions of the time series for hourly water demand has revealed that the optimal structures of perceptron and linear networks are not very complicated, which facilitates the process of additional training or re-training. Practically, it has been found that forecasting produces comparable or smaller errors when focused on multilayer perceptron neural networks and linear neural networks than when based on the use of ARIMA models and exponential smoothing of the time series. Applicability of neural networks of radial base functions (RBF) to forecasting daily water demand histograms is limited, and lesser than that of linear and perceptron networks.