WYZSZA SZKOŁA I N Z YN I E RSKA IM. JU R IJA GAGARINA W Z IELONEJ GóRZ E • ZESZYTY _NAUKOWE NR 64
N r 4 I NlYNIERIA 5ROOOWI SKA 1988
Zbignie w S i w oń ~ Janusz Stanisławsk i
SEZoowY, LI NIOWY ~L PROCESU POOORU ~ Y W MIASTACH
l . Wstęe_
Bie żące i krótko terminowe prognozy zapotrzebowania na wodę spełniajq istotn~ ro-
lę w komputerowo w sp omaganym op tymal nym sterowaniu wielozbiornikowymi, dużymi, szcze-
•
gólnie grupowymi sys temami wodociągowymi. Prognozy te są także podstawą do wypracowy -
~ania optymalnych pol eceń oper acyjnych w kierowaniu procesam i produkcji wody. Są one
określ ane z wyprzedzeniem od jednej godziny do roku i stanow ią dane wyjściowe dla progr amów symulacyj nych możliwe przyszłe stany s ystemu zaopatrzenia w wodę, któr e
z kolei są wykorzystywane w algorytmach sterowania do wyznaczenia ste rowania oPtymal- nego . Dokładność prognoz określa jakość sterowania. Celem sterowania jest dystrybucja i s t erowanie przes)'łem oraz dystrybucja dyspozy c yjnych zasobów wod y . Natrn~i a st istot<ł
op tyma l nego sterow ania w systemac h zaopatrzenia w wodę m i ast jest najtańsze i racjo-
n a lne eksploato w am e systemu wo doci ągo~go z uwzględnieniem m. in. kosztów uzdatnia-
ni a w ooy oraz kosztów energ ii elektr yczne j zużywanej na jej p OI!lJOWanie [6, 7] .
P onadto komp uterowa symulacja umo żli w ia zmniejszenia strat wody 5pOWOdowanych
wys tępowani em nadmiernych c iśnień w sieci oraz aw ar i ami przewodów [ 5 ] .
Uk łady optymalnego s t erowania są w dzied zi n ie zaopatrzenia w wodę s zeroko s toso- wane w 1nnych krajacn eu r opejsi<Ich, a także w S tanach Zjednoczonych. i Japonii, gdzie
oDj ęt o nimi s y stemy dy jest większe nit
wodociągowe w e w sz ystkich m1 ast ach , w k tór y ch dobowe zu życie wo-
3 .
100000 m . R eali zacJa sterow ania w ymagazaawansowanych środków tech- q i c znych, !ą czn1 e z ,on~uterowym s yst emem rej estracji i przetw arzania danych wraz
z pa ~~etem orog:arn6« u tyt~owych. ~onieczne jest od~ied ni e przys to s owanie uk ładu
techno l ogi cz nego. Pol ega ono na zainst alow aniu 'fJ mm dodatkowego oSPrz ęt u . J. i w ia-
1 ąc eno realnacJę pnrr.:.. arów, zoalne: J ~:.,, :;n-aliz.ac )i J zda lne go ster ow ani a z c ..; . . ' ._r . alne j nyspozytarni ~yposa żo ~~ j w mlnikompu~-~ l ub kompute r prowadz ący obliczen ia op t yma li-
I3Cvjne . Rea l 2za cj a ~ terowanla oezoo średniego jest dokonywana z dyspozytorn i loka1-
,_,_ ,_)j . Z .)Cw\ ZS Zycn wzglęców ~-. ,;ol sce jak do tąo został wyk onany J edyn ie system
.. e lewform a t ycz ny ( r U ófPL!\.erowv "' s t em pomi a rów i kontro ll s tanów ) dl a potrzeb obsłu
,: <:u?r~; ; J blek t ó .... ,;ococ: ą gu łt'lC.~t . ·~go Qraz aktualnie Jest ins ta lowany i nformatyczny
•
• _L·_ .'< "'''D'. tP:"G iv) cla u~uzeb • -JtsuO· .~;u Lubi ńsko-Głogowskiego CJ< ręg u ~uedzi rntegc.
!.Jc_i: •. ]E: ·r. s~ ... ~.:r:; ,.,as i~glem cały ;.~r~::::!S produ k CJł 1 dystrybuc jl loiOdy, poczyn a jąc od
·-:: uJęCJa 3 ><.OI~cząc 'la dos tarc z an iu odbiorccn. którymi są m1ast a i miej scowo ści
~GOK-u · ~az : a~laóy K ombi nat u Gó rn ic z~-Hutniczego ~ J adz i. Ponadt o przew i dziano \ te
159
160 ZBIGNIEW SIWOŃ , JANUS? STANISŁAWSKI
•
poza rej estracj ą i przetwarzaniem danych oraz sterowaniem na podstawi e aktualnych s t anów systefiJJ wodociągowego , będzie tam reali~owane s terowanie optymalne (s].
Praktyczne wdrożenie algorytmów optyma lnego sterowania j est motliwe pod warun- kiem dysponowania zestcn.eu1 informacji niezbędnych do identyfikac j i :
- prognostycznych modeli zapotrzebowania na wodę,
- charak t erystyk hydrauli cznych oraz zbiorów stanów tródeł zasilania ( pompowni
i zbiorników ) ,
- modeli sieci wodoci<Jgowych .
Rola bieżących i krótkoterminowych prognoz zapotrzebowania na wodę jest zasad- nicza , ponieważ bez nich nie jest JOOżliwe prowadzenie sterowania optymalnego. Jego zasada polega na wyborze optymalnej strategii dostarczania wody do odbiorców w il~
ści odpowiadającej prognozowanym potrzebom, spośród skończonej liczby sposobów wy-
n ikającej' . z liczby mo:Hiwych stanów w ~i i zbiorników oraz długości okresu
(horyzontu ) optymalizacji .
Do tematycznego opisu przebiegu determini s tyczno-losowych zjawisk ~irycznych,
stosowa ne ~ ostatnio coraz częściej modele tworzone na podstawie anal i zy szeregów czasowych (chronologicznych ciągów) obset~acji badanego procesu, w tym tzw. scałko- .
w a ne modele autoregresj i i średni ej ruchomej AR I MA (od: autaregressive integrated AOving average process ) [1]. Są one przydatne w praktycznych zastosowaniach, ponie-
waż pozwalają szybko uzyskiwać prognozy w dowolnych horyzontach czasowych, a równo-
c ześnie są !OOdelami dynamicznymi. W dalszym ciągu zaprezentowano analizę możli~i
wykorzystania szczególnej k lasy modeli typu ARIMA , tj. lini owego, sezonowego modelu autoregres ji , do opisu i prognozowania proces u zapotrzebowania na wadę w mi astach.
Wery f ikacji modeli i e s tymacji ich parametrów dokonano na podstawie zbiorów wielo- letnich 0976- 8~ ) obserwacji dobowego zutyc ia wody w Łodzi, udostępnionych przez
Przedsiębi orstwo Wadociągów i Kanalizacji Okręgu Łódzkiego.
2. Stochastyczn y charakter i lianowa s truktura szeregu c zasowego wartości zu;y-
cia wody
Próby sforrułowania stoellastycznych modeli procesu zużycia wady w mi astach pod- - ję to dopi ero w o statnich k ilku latach. Badania w tym zakresie s ą aktualnie proWadZone
m. 1n. w ZSRR Li l , N R D l J, 4 J : w f olsce [ 8 -j . Ze względu na metodykę obserwacji
przeb1e~ u pr ocesu zdkłada s1~, ze daje się on do brze opisać za pomocą s zere~ GZa-.
sowego J q ,_ , t = l , '.? • • . , N~ jego w artośc 1 uśrednionych w jednakowych przedZl ałacłl
kwa ntowA- n i ~ ( miesięcznych, c4bowych, godz inowy ch l ub innych ) .
Najbardz ie ogól ny an alityczny soode l tego s ze regu ma postać [6, 7] :
gdzie :
v( t ) · · składowa determin istyc zna , a ( t ) - składowa l a sowa .
(l}
= Sezonow~, liniowy roodel_:.erOGesu QOboru
u • 4
•
•• . 161
•
Składową v(t) tworzą:
- trend czasowy TR ( t ) owartości średniej szeregu,
- komponenta okresowa {periodyczna) w(t), charakteryzujęca cykliczne wahania warto-
ści średniej i wariancji szeregu .
Składowa losowa at jest w ogólnym przypad<u suną ~nenty autokorelacyjnej AKt ujlll.ljącej zależność między zużyciero wody w ch'flili t a zużyciem w chwilach po-
przednich , komponenty korelacyjnej KRt opisującej zależność mi~dzy zużyciem wody
w chwili t a różnymi czynnikami losowymi (np . t~raturą powietrza i dobową wyso- kością opadów atmosferycznych) otaz reszty losCYWej €.t. Ogólnie przyjętą metodą mo- delowania szeregów czasowych obserwacji zjawisk empirycznych jest rozłożenie owych szeregów na trzy składowe:
- trend
- kCJ11)011entę okresową, '
- składową losowę.
Trend opisuje si~ najczęściej za pomocQ równań regresji liniowej lub nielinowej, a okresowość poprzez konbinację sinusoid i cosinusoid [l, 6] . Sposób ten został wyko- rzystany w rodelach procesu zużycia wody opracowanych w ZSRR [2] i w NRD [3, 4].
Z wła snych badań autorów wynika jednakże, że nie zawsze jest on wystarczająco efek- tywny i oszczęm1y pod względem pararoetryzacji. Z tego względu ~ opracowanej przez
autorów efektywnej metodzie krótkoterminowego i bieżącego prognozowania zapotrzebowa- nia na wodę w miastach j]3, 9] wykorzystano tzw. modele sezonowe; wielowymiarowe,
których podstawą jest stacjonarność szeregów opisujących proces zu2ycia wody w dniach tygodnia o podobnym charakterze. Zostały one szczegółowo opisane w pracach [6, 8, ~ .
3. _ Sezonow~ model liniowy Qo~oweso zużycia wody w mieście
' - u
W modelowaniu i prognozowaniu jednorodnych szeregów czasowych s~ niekiedy stoso - wane modele sezonowe bazująca na podobieństwie obseNacji odległych od siebie o •. s''
.
jednostek czasu, gdzie "s" ,)est znanym a priori okresem składowej pe:tiodycznej.
W szczególnym przypadku cykliczne zmiany w dobowym zutyciu wody motna scharakteryzo-
~ać sezonowym modelaa1 autoregresji AR :
(2)
w którym • •
w t = Qt ·- - • (3)
O. t '
• (4)
Qt :: Q ·t - q t -s gdzie :
c: -
~
okre~ składowej periodycznej, D - .rząd rr.{)delu autoregres ji AR )
~ ~
•P pararr€t~ modelu AR .
16 2 ' ZB IGNIE:W S~~Gr-{, J~NUS~ ST A _ t..;;; U ;.;;.SŁ,;;;.A_WS ~ K.::.I ____ ~---· -=-% ~~~ ~- ~· ... --
Wyraż aj ąc t en model prz y pomocy cperatcra p t zesunięc i a w stec z S mo tna go zapi-
sać w s króconej fo rmie [l]:
gdzie:
Mode l ten bazuje na założeniu, że kolejno po sobie następujące s-te rożnice war-
tości badanego szeregu czasowego {qt? są nawzajem skorelowane i roogq być wyrstane .
jako skończona kombinacja lini~ różnic poprzedni ch obserwacji oraz komponenty nie- skorelowanej (reszty losowej ) et. Szereg f-t JX}Winien być tzw . "białym SZLU011", tj.
powinien podlegać rozkładowj normalneniw o wartości oczekiwanej równej zero i skoń- . · · czonej równej zero i skończonej wariancji . Do wyznaczenia właściwej dla badanego sze..
regu { qt ~ różni cy .. s" , przydatna jest analiza eupirycznych turi<cji autokorelacji i autokorelac j i cząstkowych, wskazujących jak zmienia się korelacja między wartościa
Rii badanego szeregu wraz ze zmianą ich odstępu czasowego ;;X •
Na rysunku l i 2 pokazano przyi<ladowe wykresy estymatorów rk(k) funkcji auto- korelacyjnej oraz rkk(k) furi<cji autokorelacji cząstkowycłl ciągu obserwacji dobO- wego zużycia wody w Łodzi dla szeregu podstawowego (\1
0 , t j. s = O) oraz drugiej
( s = O) i siódmej ( s = 7) r61nicy wartośc~ procesu . Wskazuj~ one, te w modelu klasy AR nale ży uwzgl Odnić si ódme róŻnice ( s = 7).
~ celu zweryfikowania przydatności modeli kl asy (2 ) do opisu procesu zużycia
wody, obhc zono wartości estymatorów f pera.netrów t , rozwiązując układ równań •
. [l p p ) .
l iniowych Yule a-Walkera ~ . Zbadano sezonowe modele A R pierwszego (p = l , drugle- go (p = 2) i trzeciego (p = l) rzędu. Adekwatność badanych modeli próbnych spr~
"
no analiz ują c s zer egi {(,t J różni c mi~dzy wartośc iami W t rzeczywi stymi, e obliczO- nymi. Oo oceny stopnia adekwatności szeregu dopasowanego i r zecz ywi stego wykorzysta- no jednoczesny test lgodności, w którym badane są pierwsze K au tokore l acje reszt
losowych . lic zba K j est wybierana tak duża , że wagi 'ł' k procesu dla k > K Sł
zaniedb~lnie mał e.
Jeśli dobrany model j est odpowiedni t o statystyka :
gdzie :
K
O = N> r k( C ) 2
k=l
r k- współ czymik autokorelacji .. reszt dla k-tego k!'oku, N - liczebność s zeregu reszt f- t,
K - najw i ększa liczba kroków ( przyjęto : K = 30) ,
(6)
r n a rozkład X 2 z liczbą s topni swobody równą różnicy :n1 ędZy ~artośc i ~ K !. lic~
p a r ametrów modelu . T estowan i e polega !18 po ~ówr.an i u obl i c zony cn wa r tości O z ~
---~ S ~ e ~ z~o~ n~~~ ~ ~ l ~ i~n ~iow~y~~~~e~ l ~ p~r~oc~e~ s~u ~p~ o~b ~ o~r u ~ · ~ · ~ · -- ---1~ 6~3 ~
-
1,0
0,8
0 . 6 0 , 4 0, 2
o
-0,2
-0. 4 1,0
0,8 0,6
DA
.)L 0 ,2
o
-0 . 2
- 0.4
1.0 l
0.8 ~
0.6 i
0 , 4 i
0,2
o l
-0 . 21 l
- 04 r
o
.
la • •
IL.
• l •
.
.
• • r "T l l
l •
l
10
V o
s =o
l
-. '
2
s=2 .
l ł • l l •
~. l l ,-. l
\J7
s~ 7
15 20 25 30 35
k
r< ys . l. wykresy ft:n'-<cji 91 Jtokorelacy j:~ej sz eregu czasowego obs e rwa cji dobowego zui ycia
w!Ja y w todzl -.ł wioseni1;r- le tni;n okrssj e 1982 roku dla sz eregu podstawowego { V 0 ) oraz
drugiej ( V
2 ) 1 siódne j ( V 7 ) rózr.ic:y w artcści procssu
164 •
- - X
~
~
\...
tO
0 , 8
0~6
0 , 4
0 .2
o
-0.2 1 ,0
0 ,8
0 , 6
0.4
0 .2
o
-0,2
o
ząiG !II E\ 1 ;JIWOŃ l J t\tiUSZ S rAt!I _ §tANS I\1
V o
s ::O
l J • ~ l •
l
l l • . l " l l l l
5 1 0 15 20
k 25 30 3 5
Rys. 2. Wykresy funkcji autokorelac ji czą s tkowych szeregu czasowego obserwacj i ~ w ego zużycia wody w Łodzi w w iosenno-le t nim okresi e 1982 r. dla s zeregu pods ta~
( ~
0 ) oraz s iódmej różnicy w artości procesu ( V 7 )
wi ednimi kwan tylami rozkł adu X: 2 . Je2:eli Q jest mniejsze od stablicowane j wartoś;i
k rytyczne j akr' t o n ie m a pods taw do odrzucenia hipotezy o p raw idłow~~ dopasówaniu model u na poziomi e tsto tno śc l r ó w nym r zędowi kwanty la. Wartości Okr określono jako
95-ci o procentowy kwanty l rozkładu x. 2 o N -p stopniach s.-K)body .
Skutecznym , e f ek tywnym ś rodk iem dla w ykrywan ia okresowych odchyleń oc lasowaści
na tle białego s z umu jest tzw . uno rmowany pe r i odogram s kunu1o wany . \olgdiug definic ji periodogram szeregu czasowego r eszt (E-., ' t
H •
J( fi } = ~ r( ~> f.,t co s 2 -;! f . t) 2 • (
L.
t:: l l
• '
~ 1.,2 . .. , N j j est o kre_?lor.y j aku:
N ~ r _ z 1 ' Z t-t sin 2 Jl f 1 t ) l
t :: l
(7)
gdzie:
fi : n jes t c zęstotl i wości~ .
Sezonuwy, l i mowy model procesu poboru 165
ll'ygodnit1j::>zy "' użyciu i pozwalający na dokonywanie porównań różnych typów modeli dopaso.:anydh do tego ~amego szeregu czasowego jest periodogram unormowany postaci:
[Jdzie:
j
~ J(f.)
i=l l
C(fj) N. s2 (B)
f,
s~ - estymator wariancji szeregu reszt,
j - j : N/2 dla N parzystego lub j
=
(N-l)/2 dla N nieparzystego.Dla białego szumu wykres C(fj) układa się wzdłuż prostej łączącej punkty (O, O) i (O,S; 1). Wykrywanie błędnie dopasowanych modeli polega na stwierdzeniu znacznych systematycznych odchyleńperiodograau od tej proste~Wówczas szereg reszt nie jest czysto losowy i zachodzi podejrzenie O· ni~ieMiości dobranych okresów. Ola-
~ego testu tego używa się szczególnie chętnie do badania reszt modeli sezonowych [1]. Przykładowe wykresy autokorelacji reszt
tt
oraz t~stu (6) pokazano na rys. 3.Wynika z nich, że w praktyce wystarczającą zQodność między modelem a szeregiem za- obserwowanym uzyskuje się stosując sezonowy proces autoregresji trzeciego rzędu
ARO) dla siódmych rótnic wartości szeregu {. qt) .
Potwierdza to także wykres periodogramu skumulowanego dla tego modelu, który przedstawiono na rys. 4. Jego odchylenia od prostej białego szumu mają charakter przypadkowy i wynikają z błędów estymacji parametrów modelu. Wartości tych odchyleń
nie przekraczaj~ jednak wielkości dopuszczalnych określonych 25-cio procentowym prze-
działem ufności wg Kołmogorowa. Dla ir~ych lat i okresów sezonowych otrzymano nieco
różniące się wyniki: niekiedy okazało się konieczne uwzględnienie w modelu podwójnych siódmych różnic wartości szeregu. Z tego względu w opracowanym przez autorów i poka- zanym na rys. ) algorytmie doboru modelu sezonowego AR zastosowano iteracyjny cykl Jego identyfikacji i diagnostycznego sprawdzenia. Obliczenia są realizowane za pomo-
cą progr·arru k~uterowego AR 123 w języku FORTRAN 77 dla systenJJ minika!l)uterowego SM-4/20.
·5. Pods•.l!lla~anie i wr1ioski końcowe
Zasto~~an1e stannardowych metod analizy szeregów czasowych może prowadzić do budowy modeli stochastycznych typu ARIHA aproksymuj~tcych przebieg procesów rzeczy- wistych czasowymi fuokcjami rozmaitych zmiennych losowych. Wykorzystywanie ich w praktyce jest bardzo wygodne, ponie1<.· ~. oszacowania parametrów są dokonywane jedy-
"le nc podstawie da01ych określających konkretną realizację procesu, a dodatkowo
tsti"lieJe możliwość łatwej i~h korekty w miarę dopływu informacji o procesie.
Zaprezentowany li01owy, sezonowy model autoregresyjny AR procesu dobowego zu-
życl& ~oóy w miastach charakteryzuje się oszczędną parametryzacją, małym nakładem o~l1czeń i jest ~ystarcZ2JqGO efektywny dla potrzeb praktycznych. Bazuje on na źwery fli(O">łany"' przez autorów załczeniu, te szeregi siódmych lub podwójnych siócbych róż- '' l C war tośc1 procesu są w przybliżeniu stacjonarne, o czym świadczy zbie.tność szere-
gu wag ''t' k procesu. t-Ddcl ~en po zastosowaniu standardowej tedniki równań rcUnico-
.., o :::0
0. 0'<
N- III :J p .
... :::0
n-~...-J ,... ..
;("_, Q,) .... ::E
f'1 '<
rl-O. ::s:"
o .., ..,
~s~
).o.. ' ...'<:
"U C m H>
'"'OC
x >.i-
ro ::.o n
(JJ ...
~...~.C N,._.
.
~'-" Q)
r- c
O· rl- ..-..
Cll-1 0
N- N ::s:"
• co o
("j..,
o. ~-· · ltl O Cllt-
0' CD OJ
q o ,'")
a; '-'•
(1)
l>· l-'.
::0 N ' " ' t.n
C \,..;N
"' ..._,
(';)'< ..,
("l c.. (l)
1-· '""'ID
ro :» ~' L. t'•
o .... ..,
O O. Q '< ,.., .. ~ t.n N o ...
~· n
.., ::1 ' c.,
(~
(l)
Ul 1-'· N l!t:l:J o
t•· o o
~ ~·~
~ l l:J· '< o()
( l:'3 ó =r
... ::r Q.
C'll ()
..,. Ul ... ..
:J ... .... .
.... . o.
1 - ~ł ::l
•.o · <
,('!)C:OtiO
~-~
:r C':
... , ""'"'O o ... ..
~..t ro
C X '1
. .._.., <l ~
_, N
- ~
- -· ~
. 1,0
0 , 8
0. 6 0.4
0.2
o
-0,2 -0. 4
AR (1 ), \1
7
Q: 98,56; Qkr=41.3
'-~ 1, 0 5 10 1 5 20 25 30 k
O,S
0, 6
0,4 0. 2
A R (1} \) 7 X \}7
Q= 178,95 ; QKr= 41,3
\ l • . .
o -+ l
- 0 . 2 ~ •
-0 • 4 - 0,6
• • •
o s l 10 1 5 20 25 30
k
AR (2), . V
7
O= 7 8 ,2 9 i Okr= 40 ,1
6. , , , ~ .. , ; b i , ~~ n ió i i is " io
k
A R ( 2) \/7 X \J 7
o= 14 4, 86 ; a~ r ~ 40 ,1
• • • •
l' l l 'l i l l f l" l i l i li') 11 iT p 11 q
o 5 1 o 15 20 25 30
• k
AR (3 ), 'J
7
Q = 38 ,72 ; Qkr=38 ,9
!l .. li IL. ! • r L
---· 111' l
o, ··~n i ;sl1 ;~.·;b, , 2 ~ ' ;h
k
AR ( 3) \]7 X \)7
Q = s 5 , 38 ; akr : 38 . 9
J l
•
!l l l . l
l.
1 i t i i 1 i t r 1 1 r 1 t r 1 ' t np 1 t 1 p 1 11 1
o 5 1 0 1 \ 20 25 '30 l
....
O)
O'l
S3 '"'"i
~ H
m a:
tJ) ...
~~ Z•
~
'-' ):1 •
Cll ~
N
~ )>
..."
·-
~ H
~ ~
H
:....
t= u
- ::a ~
s
Sezonowy, liniowy model procesu poboru w ody .. .
' 16 7
~ 1,0 r---r--..----
d E
~ 0,9ł
~ o
·c GI
c. 0,8
. 0, 7
Oli
o,sl
l 0,4
0,3 l
0,2 t ///
0 . 1
o
184
/
"
/
/
/
.. ..
/ /
/
•
•
• •
/
/
0 , 1
/
/
/
"
"
/
/ /
"
/
,.
/ /
/ / /
0,2
/ /
/ /
/ / / / /
•••
/
/ / ·
/
4
/
/ /
0.3
/ /
/
/
•
/ / /
/
/
/
• /
/
/
/ / /
/
/ / /
0,4 . 0,5
częstottiwos~
2
dcres
Rys . ~- Skumul~any periodogram unormowany reszt dla modelu AR ( 3)\7
7 . lódt , wiosenno - letni okreS 1 982 roku
1 6 8 Z BIGNIEW S f~ UŃ; J ANUSZ STANISŁAWSKI
t
Szereg czasowy obserwacji w sezonowym .. okresie roku [q t- t = 1.2 •... , N
~---~~~---·-
s=O p=1
..__ _ _ - r - - - - ' .
Estymacja funkcji autokorelacyjnych rk(k) i rkk(k)
Estymocja porometrów procesu
Estymacja funkcji wag [ "Yj]
'ó = 1 i 1tlj =~ 'fp,ptk • Vj-p--k
k <j-p
li m V =O
- ~00 J
T
-
N
Estymocja funkcji autokorelacyj - nych reszt rk(k) i rkk ( k)
Obliczenie statystyk i
k 2
O = N · Llr. l
k=1 k
T
STOP
Q
N
p=p+1 N
p=3
p=1
T T s::O
p:1~
N Model klasy
AR , (p.s)x (p 1 ,sł
T
Rys . 5. Algorytm wyboru modelu p róbnego w '< l 3sie sezonowych p roces ów autoregresji
S ezor.owy, lin iow y model _ procesu poboru wody . . .
~- ~---~---~~ 169
w ycn pCJzwnla szybko uzyski wać prognoz y w róż nym horyzoncie c zasowym, a równocześnie uz · ~ ęki skons truc>Wanw go . JaK o rekursyw nego ( w katdym kroku po otrzymaniu nO'flej por-
c..ji danych l'WZględr.i:~ Je i generuje na wę wartość prognozy ), jest dynamic1nym.
~2al~LOWa~e pkzez autorów badania dotyczące stochastycznego modelowania i prog- nozowsnia pracesu zuz ycla wody w rr.i asta ch (ich wyniki za preze ntowa no m. in . w pra-
c c;ch [ 6- 9] , ma ję na c el u siarmuło wa n ie efektywnych i równocześnie oszczędnych pod
wzgJ ęden1 parometry ' z3cjl i nakł adu oblic z eń metod prognozowania, nadających się do
be zpośred!liego wykcnystar.ia w 3lgorytmach op tyma lnego sterowania szeroko pojętym
p rocesem zaopa t;. zenia w vmdę mi as t i regionów.
r l,
• -
l •
- 1
:> _f •
[ ~~
Litaratura
Box G. E.P. , Jenld.r1s G. N. - Time S eries Analysi s fo recasting and Contrn l,
HoJ. den-d ay , San F rr~nci sc o . 1976 .
Cichel~sv ili z. - Mooe li rowanije proces5a vodopot~eblenija si s tem vodosnab-
~enija Materiały z honft>renc ji Sympoz jum ,.Zutycie w ody w odociągo wej ", 6 1ałystok , :::.. le.'l-l9E! ., l%~.
H\ll"r'fre l J. , Nesi:ler W. , Kittner H . , Lu ckner L. - Wasse rbedarfprogno s e mi t Hi lfe
vor. Si gnalmodellen. Materiały z SympozjtJm .. Zużycie wody wodoc iągowe j
11, s. 264-281 . • l9B~ .
N estlar W. , Luckner
ł L.. • ,Hurrrne l J . - Oie Nu tzung von -Signalmode llen zur
~ łasserbedarfprognoss als Basis e1ner effektiven Steuerung von Wasserversorg ungs- p r oces '3en, \'iBsser,o~ i rtschaft-Wasse rtechnik t. 32 rrr 12, s . 41A - - 418, 198 2.
L ~ ~ ?aw!.ak A. , ~helcC~r zewis z E. W. - Op ra co wG~ nie me tody, p rogramu i. z asad jego wy-
korzys-ta n ia IJ (l ste rmtan12 poopo~ .'n iami zas1lajęcymi sys temy zaopa trzenia w wo-
dę. R aport Instytut u Inż. Ochro ny Środowisk~ Politechniki Wrocławskiej,
Wroclaw , l9 SS L - 6 -. - 1
. - il l_ 7
lSiwoń Z. - Mode J. ow<mie proc;es u zużyc1a ~ody i prognoz owanie za potrzebowania
na wodę~ miast ach. Mono9ra fia . Wydaw nict wa Pol itechni ki Wrocławskiej ,
~lroe;ła ~v , l9ac .
Siwoń Z. Pro blemr progr.ozowama w projektow aniu i procesa ch optyma lnego
ster ow a11ia sys t en:ami zr.opa t rzenia w w odę m ias t. Mat . konf. nauk . -teci JiJ .
.,Węz! ovJt ~ probl emy inż .., ·nienl ś r J awiska w m akroreg ionie płd . -zach .' ' , Jelenia
Gćra , l98S.
-
~L 3 ; Si vmr'l Z. , Stan bła<·Jski J . - Opracowanie stochastycznego roodel u zużycia wod y
~