В статье приводится передовой метод прогнозирования гидравлического давления в системах ресурсоснабжения. В качестве основного примера рассматривается водопроводная сеть. Особое внимание уделяется повышению точности предсказания гидравлических параметров, используя модели нейронных сетей в технологическом процессе предприятий. В публикации отражается важность получения надежных данных для построения нейронных моделей. С этой целью использовались пьезоэлектрические датчики давления, которые врезались в трубопроводы в местах ответственных потребителей. Эти датчики подключались цифровым устройствам, передавая результаты измерений на вычислительный сервер, где происходило обучение моделей. Для передачи данных использовался облегченный протокол MQTT. Результаты исследования подчеркивают важность инновационных стратегий в управлении ресурсоснабжением, обеспечивая непрерывное обновление прогнозов давления. Использование рекуррентных нейронных сетей позволило значительно снизить ошибки интервального прогнозирования по сравнению с традиционными методами, например, моделью Хольта-Винтерса, с 6,07 до 4,36 %. Показано, что модель долгой краткосрочная памяти способна улавливать падающую динамику давления, даже при малой истории аварийных событий в процессе обучения.
The article provides an advanced method for predicting hydraulic pressure in resource supply systems. The main example is the water supply network. Particular attention is paid to improving the accuracy of prediction of hydraulic parameters using neural network models in the technological process of enterprises. The publication reflects the importance of obtaining reliable data for building neural models. For this purpose, piezoelectric pressure sensors were used, which crashed into pipelines at critical consumer locations. These sensors were connected to digital devices, transmitting measurement results to a computing server, where the models were trained. The lightweight MQTT protocol was used for data transfer. The study results highlight the importance of innovative strategies in resource management by ensuring continuous updating of pressure forecasts. The use of recurrent neural networks made it possible to significantly reduce interval forecasting errors compared to traditional methods, for example, the Holt-Winters model, from 6.07 to 4.36%. It is shown that the long short-term memory model is capable of capturing falling pressure dynamics, even with a short history of emergency events during the learning process.
