علوم و مهندسی آب و فاضلاب

علوم و مهندسی آب و فاضلاب

پیش بینی آب مصرفی روزانه شهری و بهینه سازی ساعات کارکرد پمپ های ایستگاه‌ پمپاژ، مطالعه موردی: نجف‎آباد

نوع مقاله : مقاله پژوهشی

نویسندگان
1 فارغ‎التحصیل دکتری مهندسی و مدیریت منابع آب، دانشکده عمران و حمل و نقل، دانشگاه اصفهان، اصفهان، ایران.
2 استاد دانشکده مهندسی عمران، دانشگاه صنعتی اصفهان، اصفهان، ایران.
3 مدیر دفتر سیستم های کنترل و انرژی آب، شرکت آب و فاضلاب استان اصفهان، اصفهان، ایران.
4 کارشناس تله متری، شرکت آب و فاضلاب استان اصفهان، اصفهان، ایران.
5 رییس گروه طراحی و نوسازی ساختمان و ابنیه، شرکت آب و فاضلاب استان اصفهان، اصفهان، ایران.
چکیده
در سال‎های اخیر مهندسین و بهره‎برداران علاقه بیشتری به استفاده از روش‎های هوشمندسازی و بهینه‎سازی شبکه‎ها در برابر سایر روش‎های پرهزینه‌ و زمان‎بر از جمله بازسازی و نوسازی شبکه، مدیریت دارایی و تجهیز شبکه به المان‎های جدید نشان‌ داده‎اند. در پژوهش حاضر، ابتدا براساس روش‎های میانگین متحرک و رگرسیون خطی، برخی روش‎های شبکه عصبی مصنوعی از جمله شبکه عصبی پرسپترون چندلایه، شبکه عصبی تابع پایه شعاعی، میزان آب مصرفی در شبکه توزیع آب شهری براساس چهار دسته ویژگی ورودی‎های مدل از جمله شماره روز در سال، شماره روز در هفته، تداوم تعطیلی و میزان دمای هوای بیشینه روزانه پیش‎بینی می‎شود. سپس براساس مقدار پیش‎بینی شده، الگوی مصرف ساعتی و تراز آب موجود در مخزن پایین‎دست ایستگاه پمپاژ، برنامه بهینه‌ زمان‎بندی برای ساعات روشن‌ شدن پمپ‎های دور ثابت ایستگاه پمپاژ تعیین می‎شود تا هزینه‌ برق مصرفی ایستگاه پمپاژ بر اساس تعرفه‎های مختلف برق، کاهش یابد. برای بررسی روش مذکور از شبکه آب شهری نجف‎آباد استفاده شده است که هزینه برق مصرفی ایستگاه پمپاژ آن با توجه به انتخاب مقدارهای مختلف برای پارامتر تناوب تغییر حالات پمپ‌ها، از 2/1% تا 3/13% نسبت به حالت بهره‎برداری سنتی کاهش یافته است.
کلیدواژه‌ها

بابایی، ن.، تابش، م.، و نظیف، س.، (1396)، "بهینه‌سازی کیفیت آب در شبکه‌های توزیع بر اساس وضعیت دور پمپ، نحوه تزریق کلر و نوع روش تحلیل "، مجله آب و فاضلاب، 28(2)، 55-64، https://doi.org./10.22093/wwj.2017.16401.
دینی، م.، همتی، م.، و هاشمی، س.، (1400)، "بیشینه‌سازی کارایی هیدرولیکی شبکه توزیع آب شهر خمام با برنامه‌ریزی بهینه تعداد و سرعت پمپ‌ها"، مجله آب و فاضلاب، 32(6)، 36-47، https://doi.org./10.22093/wwj.2021.275013.3118.
شکفته، م.ر.، جلیلی قاضی‎زاده، م.ر.، و یزدی، ج.، (1399)، "تئوری شناسایی محدوده‌ی نشت در نواحی مجزای مجازی شبکه‌های توزیع آب با استفاده از شبکه‌ی عصبی مصنوعی"، تحقیقات منابع آب ایران، 16(3)، 47-62، https://www.iwrr.ir/article_108525.html?lang=fa.
کرمی، ج.، مقدم، ع.، فرید حسینی، ع.، ثنایی نژاد، ح.، و ضیایی، ع.ن.، (1396)، " بهینه‌سازی مصرف انرژی در ایستگاه‌های پمپاژ با استفاده از ابزار Darwin Scheduler"، علوم و مهندسی آب و فاضلاب، 2(1)، 3-12، https://doi.org./10.22112/JWWSE.2017.87910.1006.
مطیعی، ه.، و قاسم‎نژاد، س.، (1396)، "کاربرد وتوسعه مدل‎های رگرسیونی برای پیش‎بینی میزان شکست لوله‎های شبکه توزیع آب شهری، مورد مطالعاتی ناحیه یک منطقه یک تهران"، علوم و مهندسی آب و فاضلاب، 2(2)، 48-58، https://doi.org./10.22112/jwwse.2017.89374.1024.
نصراللهی، ح.، صفایی بروجنی، ر.، و صالح، س.م.ح.، (1400)، "بهینه‌سازی فشار-انرژی در شبکه توزیع آب (مطالعه موردی: شهر بهارستان اصفهان)"، علوم و مهندسی آب و فاضلاب، 6(4)، 32-44، https://doi.org./10.22112/jwwse.2021.277877.1264..
Adamowski, J., and Karapataki, C., (2010), “Comparison of multivariate regression and artificial neural networks for peak urban water-demand forecasting: evaluation of different ANN learning algorithms”, Journal of Hydrologic Engineering, 15(10), 729-743, https://doi.org/10.1061/(ASCE)HE.1943-5584.0000245.
Alharsha, I., Memon, F.A., Farmani, R., and Hussien, W.E.A., )2022(, “An investigation of domestic water consumption in Sirte, Libya”, Urban Water Journal, 19(9), 922-944, https://doi.org/10.1080/1573062X.2022.2105239.
Basnet, L., Brill, D., Ranjithan, R., and Mahinthakumar, K., )2023(, “Supervised Machine Learning approaches for leak localization in water distribution systems: Impact of complexities of leak characteristics”, Journal of Water Resources Planning and Management, 149(8), 04023032, https://doi.org/10.1061/JWRMD5.WRENG-6047.
Buhmann, M.D., (2000), Radial basis functions, Acta Numerica, Cambridge University Press, 9, 1-38, https://doi.org/10.1017/S0962492900000015.
Fernández García, I., Ferras, D., and Mc Nabola, A., (2019), “Potential of energy recovery and water saving using micro-hydropower in rural water distribution networks”, Journal of Water Resources Planning and Management, 145(3), 05019001, https://doi.org/10.1061/(ASCE)WR.1943-5452.0001045.
Gardner, M.W., and Dorling, S.R., (1998), “Artificial neural networks (the multilayer perceptron), A review of applications in the atmospheric sciences”, Atmospheric Environment, 32(14-15), 2627-2636, https://doi.org/10.1016/S1352-2310(97)00447-0.
Hajgató, G., Paál, G., and Gyires-Tóth, B., )2020(, “Deep reinforcement learning for real-time optimization of pumps in water distribution systems”, Journal of Water Resources Planning and Management, 146(11), 04020079, https://doi.org/10.1061/(ASCE)WR.1943-5452.0001287.
Hansun, S., (2013), “A new approach of moving average method in time series analysis”, In: 2013 Conference on New Media Studies (CoNMedia), IEEE, 1-4, https://doi.org/10.1109/CoNMedia.2013.6708545.
Pandey, P., Bokde, N.D., Dongre, S., and Gupta, R., )2021(, “Hybrid models for water demand forecasting”, Journal of Water Resources Planning and Management, 147(2), 04020106, https://doi.org/10.1061/(ASCE)WR.1943-5452.0001331.
Rapp, A.H., Capener, A.M., and Sowby, R.B., (2023), “Adoption of Artificial Intelligence in drinking water operations: A survey of progress in the United States”, Journal of Water Resources Planning and Management, 149(7), 06023002, https://doi.org/10.1061/JWRMD5.WRENG-5870.
Smola, A.J., and Schölkopf, B., (2004), “A tutorial on support vector regression”, Statistics and Computing, 14, 199-222, https://doi.org/10.1023/B:STCO.0000035301.49549.88.
Topalli, A.K., Erkmen, I., and Topalli, I., (2006), “Intelligent short-term load forecasting in Turkey”, International Journal of Electrical Power and Energy Systems, 28(7), 437-447, https://doi.org/10.1016/j.ijepes.2006.02.004.
دوره 9، شماره 3
پاییز 1403
صفحه 17-28

  • تاریخ دریافت 22 مرداد 1402
  • تاریخ بازنگری 23 دی 1402
  • تاریخ پذیرش 25 دی 1402