پایش داده‌های جریان در شبکه‌های توزیع آب با استفاده از روش‌های خوشه‌بندی مبتنی بر چگالی

تشخیص داده‌‌‌های نویز(پرت یا غیرعادی) از داده‌های جریان در شبکه‌های توزیع آب در مرحله آماده‌سازی و پیش‌پردازش داده‌ها برای دستیابی به داده‌های تاریخی قابل اعتماد انجام می‌گیرد؛ که در بهبود روش‌های ارزیابی و مدیریت نشت و بهره‌برداری مؤثر از شبکه، مهم و ضروری است. هدف از ارائه این مقاله توسعه یک متدولوژی جدید بر مبنای روش‌های یادگیری بدون نظارت، جهت شناسایی داده‌های پرت یا غیرعادی در یک مجموعه داده‌های جریان در شبکه‌های توزیع آب می‌باشد. متدولوژی توسعه داده شده شامل مراحل 1- جمع‌آوری داده‌های مورد نیاز، 2- صحت‌سنجی و نرمال‌سازی داده‌ها و 3- شناسایی و کشف داده‌های پرت یا غیرعادی با استفاده از الگوریتم خوشه‌بندی مکانی مبتنی بر چگالیِ مقاوم در مقابلِ نویز (DBSCAN) می‌باشد. متدولوژی پیشنهادی برای داده‌های 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 داده‌های پرت ناشی از انواع شکستگی‌ها و مصارف مجاز غیرمعمول نظیر مصارف ناشی از تغییر در الگوی مصرفی جمعیت یا مصارف مجاز غیرعادی را دارد. از اینرو این متدولوژی را می‌توان به عنوان یک ابزار کاربردی و انعطاف‌پذیر برای پایش داده‌های جریان و شناسایی و حذف انواع داده‌های پرت از آنها مورد استفاده قرار داد.