پایش داده های جریان در شبکه های توزیع آب با استفاده از روش های خوشه بندی مبتنی بر چگالی

تشخیص داده های نویز(پرت یا غیرعادی) از داده های جریان در شبکه های توزیع آب در مرحله آماده سازی و پیش پردازش داده ها برای دستیابی به داده های تاریخی قابل اعتماد انجام می گیرد؛ که در بهبود روش های ارزیابی و مدیریت نشت و بهره برداری موثر از شبکه، مهم و ضروری است. هدف از ارائه این مقاله توسعه یک متدولوژی جدید بر مبنای روش های یادگیری بدون نظارت، جهت شناسایی داده های پرت یا غیرعادی در یک مجموعه داده های جریان در شبکه های توزیع آب می باشد. متدولوژی توسعه داده شده شامل مراحل 1- جمع آوری داده های مورد نیاز، 2- صحت سنجی و نرمال سازی داده ها و 3- شناسایی و کشف داده های پرت یا غیرعادی با استفاده از الگوریتم خوشه بندی مکانی مبتنی بر چگالی مقاوم در مقابل نویز (DBSCAN) می باشد. متدولوژی پیشنهادی برای داده های جریان ورودی به یک منطقه در شبکه توزیع آب شهری تهران با تواتر زمانی برداشت داده 15 دقیقه برای سال 1394 به کار برده شد. نتایج نشان داد که متدولوژی توسعه داده شده قابلیت شناسایی داده های پرت ناشی از انواع شکستگی ها و مصارف مجاز غیرمعمول نظیر مصارف ناشی از تغییر در الگوی مصرفی جمعیت یا مصارف مجاز غیرعادی را دارد. از اینرو این متدولوژی را می توان به عنوان یک ابزار کاربردی و انعطاف پذیربرای پایش داده های جریان و شناسایی و حذف انواع داده های پرت از آنها مورد استفاده قرار داد.