Tytuł pozycji:
Potencjał algorytmów inteligencji obliczeniowej w interpretacji rozproszonych danych wodomierzowych
Rozwijająca się świadomość oraz aspekty prawne związane z energochłonnością systemów dystrybucji wody, w połączeniu z starzeniem się infrastruktury wodociągowej i stresem wodnym, wymuszają poszukiwanie rozwiązań wspierających efektywniejszą kontrolę i zarządzanie infrastrukturą techniczną. Osiągnięcie standardu mądrych czy też inteligentnych systemów wodociągowych na każdym szczeblu obszaru kluczowego nadal pozostaje kwestią otwartą zarówno w warunkach krajowych jak i zagranicznych. Dotyczy to także mikroskali sieci wodociągowych, to znaczny konsumentów wody oraz stosowania inteligentnych wodomierzy z wbudowanymi algorytmami uczenia maszynowego. Artykuł przedstawia wyniki badań z wdrożenia modelu krótkoterminowej predykcji zużycia wody wraz z detekcją anomalii dla budynków wielorodzinnych. Prognoza zużycia wody, przeprowadzona w oparciu o wysokoczęstotliwościowe pomiary oraz głębokie sieci neuronowe, pozwoliła na osiągnięcie błędu predykcji poniżej 3,0%. Detekcja wykrywania anomalii, zrealizowana w oparciu o bazowy model prognostyczny, charakteryzowała się nawet 97,3% skutecznością wykrywania anomalii.
The development of awareness and legislative aspects related to the energy efficiency of water distribution systems, combined with the ageing of water supply infrastructure and water stress, led to the search for solutions to support more effective control and management of technical infrastructure. Increasing the standard of smart or intelligent water supply systems at all levels of key areas is still a problem under domestic and foreign conditions. This also applies to the microscale of water supply networks, namely water consumers of water and the use of smart water meters with integrated machine learning algorithms. This article presents the results of research on the implementation of a short-term water consumption prediction model with anomaly detection for multifamily residential buildings. The prediction of water consumption, based on high-frequency measurements and deep neural networks, achieved a prediction error of less than 3.0%. Anomaly detection, based on the underlying prediction model, had up to 97.3% accuracy.
Temat zaprezentowany podczas II Konferencji Naukowo-Technicznej „Nauka-Technologia-Środowisko” w dniach 27-29 września 2023 r. w Wiśle. Konferencja finansowana przez Ministra Edukacji i Nauki w ramach programu „Doskonała nauka” - moduł „Wsparcie konferencji naukowych” (projekt nr DNK/ SP/546599/2022).
