Zastosowanie sztucznych sieci neuronowych do predykcji rozbioru wody na potrzeby optymalizacji eksploatacji sieci
DOI:
https://doi.org/10.17512/INSTAL.2026.07.02Słowa kluczowe:
Sztuczne Sieci Neuronowe, percepton wielowarstwowy, prognozowanie zapotrzebowania na wodę, szeregi czasowe, inteligentne systemy wodociągoweAbstrakt
Artykuł przedstawia analizę możliwości wykorzystania sztucznych sieci neuronowych do prognozowania dobowego zapotrzebowania na wodę w systemach o złożonej strukturze odbiorców. Celem badań było zbadanie, czy implementacja modeli neuronowych pozwala na precyzyjną predykcję rozbioru, co jest kluczowe dla optymalizacji eksploatacji sieci, w tym redukcji strat wody. Materiał do badań stanowiły dane pomiarowe z lat 2020–2025 pochodzące z systemu wodociągowego charakteryzującego się wysokim, sięgającym 40%, udziałem przemysłu. W tym okresie wydzielono dane z lat 2020-2024, na podstawie których zbudowano model oraz dane z roku 2025, które posłużyły do jego weryfikacji. Do predykcji rozbiorów dobowych zapotrzebowania na wodę w systemie zastosowano perceptron wielowarstwowy, przy czym proces proces ten został podzielony na 2 etapy: w pierwszym wykorzystano dane bez kategoryzacji, natomiast w etapie drugim danym przypisano dodatkowo typ dnia tygodnia. Uzyskane analizy wskazują, że wprowadzenie zmiennej opisującej typ dnia tygodnia znacząco podnosi jakość predykcji. Najlepszą zdolność generalizacji wykazał model MLP 112-13-1, dla którego względny błąd średniokwadratowy badany na niezależnym zbiorze testowym wyniósł 8,40%, a pierwiastek błędu średniokwadratowego – 257,3 m³/d. Uzyskane wyniki potwierdzają deterministyczno-stochastyczny charakter zapotrzebowania na wodę oraz wysoką skuteczność sztucznych sieci neuronowych w odwzorowywaniu nieliniowych zależności zachodzących w dynamicznych systemach wodociągowych.
Pobrania
Bibliografia
1. Adamowski, J. F. (2008). Peak daily water demand forecast modeling using artificial neural networks. Journal of Water Resources Planning and Management, 134(2), 119–128. https://doi.org/10.1061/(ASCE)0733-9496(2008)134:2(119)
2. Alvisi, S., & Franchini, M. (2014). Assessment of the predictive uncertainty within the framework of water demand forecasting by using the model conditional processor. Procedia Engineering, 89, 893–900. https://doi.org/10.1016/j.proeng.2014.11.522
3. Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
4. Candelieri, A., Soldi, D., & Archetti, F. (2015). Layered machine learning for short-term water demand forecasting. Environmental Engineering and Management Journal, 14(9), 2061–2072. https://doi.org/10.30638/eemj.2015.221
5. Cieżak, W., Łomotowski, J., Siwoń, Z., Licznar, P., & Cieżak, J. (2011). Modele neuronowe w analizie i prognozowaniu rozbiorów wody. Instal, (7/8), 61–63.
6. Hotloś, H., Głowacka, J., & Kołodziej, A. (2012). Zmienność poboru wody w systemie wodociągowym Wrocławia. Ochrona Środowiska, 34(4), 23–28.
7. Hutton, C. J., & Kapelan, Z. (2015). A probabilistic methodology for quantifying, diagnosing and reducing model structural and predictive errors in short term water demand forecasting. Environmental Modelling & Software, 66, 87–97. https://doi.org/10.1016/j.envsoft.2014.12.021
8. Kowal, A. L., Świderska-Bróż, M., & Wolska, M. (2022). Oczyszczanie wody (T. 1–2). Wydawnictwo Naukowe PWN.
9. Licznar, P., & Łomotowski, J. (2006). Zastosowanie sztucznych sieci neuronowych Kohonena do prognozowania dobowego poboru wody. Ochrona Środowiska, 28(1), 45–48.
10. Osowski, S. (2013). Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej.
11. Piasecki, A., Jurasz, J., & Marszelewski, W. (2016). Wykorzystanie wielowarstwowych sztucznych sieci neuronowych do średnioterminowego prognozowania poboru wody – studium przypadku. Ochrona Środowiska, 38(2).
12. Siwoń, Z., Cieżak, W., & Cieżak, J. (2006). Analiza i prognozowanie szeregów czasowych krótkotrwałego poboru wody. Instal, (2), 44–49.
13. Siwoń, Z., Cieżak, W., & Cieżak, J. (2011). Modele neuronowe szeregów czasowych godzinowego poboru wody w osiedlach mieszkaniowych. Ochrona Środowiska, 33(2), 23–26.
14. Siwoń, Z., Łomotowski, J., Cieżak, W., Licznar, P., & Cieżak, J. (2008). Analizy i prognozowanie rozbiorów wody w systemach wodociągowych. Polska Akademia Nauk.
15. Stańczyk, J., Kajewska-Szkudlarek, J., Łomotowski, J., Lipiński, P., Rychlikowski, P., & Konieczny, T. (2018). Prognozowanie zapotrzebowania na wodę z wykorzystaniem uczenia maszynowego. Gaz, Woda i Technika Sanitarna, 92(10), 372–377. https://doi.org/10.15199/17.2018.10.5
16. Śmigiel, S., Stańczyk, J., Dzimińska, P., Ledziński, D., Andrysiak, T., & Licznar, P. (2023). Predykcja krótkoterminowa zużycia wody w budynkach wielorodzinnych z wykorzystaniem technik uczenia maszynowego. Instal, (12), 72–78. https://doi.org/10.36119/15.2023.12.11
17. Tadeusiewicz, R. (1993). Sieci neuronowe. Akademicka Oficyna Wydawnicza RM.
18. Tiwari, M. K., & Adamowski, J. F. (2015). Medium-term urban water demand forecasting with limited data using an ensemble wavelet-bootstrap machine-learning approach. Journal of Water Resources Planning and Management, 141(2), 1–12. https://doi.org/10.1061/(ASCE)WR.1943-5452.0000454
Opublikowane
Licencja
Prawa autorskie (c) 2026 Maciej Bełcik, Monika Nowakowska (Autor)
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa 4.0 Międzynarodowe.
Authors retain copyright and grant the journal the right of first publication, with the work simultaneously licensed under a Creative Commons Attribution 4.0 International License, which permits others to share the work with appropriate acknowledgment of the authorship and initial publication in this journal.
