P. Kossieris, I. Tsoukalas, C. Makropoulos, and D. Savic, Simulating marginal and dependence behaviour of water demand processes at any fine time scale, Water, 11 (5), 885, doi:10.3390/w11050885, 2019.
[Προσομοίωση της περιθώριας και της από κοινού συμπεριφοράς των διεργασιών οικιακής ζήτησης νερού σε λεπτές χρονικές κλίμακες]
[doc_id=1950]
[Αγγλικά]
Η ενσωμάτωση της αβεβαιότητας της οικιακής ζήτησης νερού είναι ιδιαίτερα σημαντική για τον εύρωστο και πιθανοτικό σχεδιασμό, λειτουργία και διαχείριση των συστημάτων αστικού νερού. Σε αυτό το πλαίσιο είναι ιδιαίτερα σημαντική η χρήση, σαν είσοδο στα συνήθως ντετερμινιστικά μοντέλα προσομοίωσης των συστημάτων, συνθετικών χρονοσειρών οι οποίες αναπαράγουν τη συμπεριφορά της περιθώριας κατανομής και τις στοχαστικές ιδιότητες της διεργασίας της ζήτησης. Οι τυπικές μέθοδοι προσομοίωσης της διεργασίας αυτής (όπως είναι τα στοχαστικά μοντέλα παλμών) αντιμετωπίζουν μερικώς το πρόβλημα, καθώς είτε αναπαράγουν συγκεκριμένα στατιστικά χαρακτηριστικά (χαμηλής τάξης) της περιθώριας κατανομής είτε αγνοούν τις δομές εξάρτησης. Στην παρούσα εργασία παρουσιάζεται μια ενιαία στρατηγική στοχαστικής μοντελοποίησης της ζήτησης, που επιτρέπει τη ρητή αναπαραγωγή της περιθώριας συμπεριφοράς και των στοχαστικών ιδιοτήτων της διεργασίας σε οποιαδήποτε λεπτή χρονική κλίμακα. Η στρατηγική αυτή συνδυάζει τα κλασσικά γραμμικά στοχαστικά μοντέλα, που δεν έχουν χρησιμοποιηθεί στο παρελθόν στον συγκεκριμένο τομέα, με το από κοινού μοντέλο πιθανότητας Nataf (Nataf’s joint distribution model). Η αποτελεσματικότητα και η ευελιξία της μεθόδου παρουσιάζεται μέσω τριών πραγματικών προβλημάτων προσομοίωσης που εμπλέκουν μια μεγάλη ποικιλία από συναρτήσεις κατανομής και δομές εξάρτησης, όπως αυτές εντοπίζονται στις χρονοσειρές ζήτησης νερού από τη κλίμακα του 1 min έως τη 1 h.
Πλήρες κείμενο (6862 KB)
Βλέπε επίσης: https://www.mdpi.com/2073-4441/11/5/885
Εργασίες μας στις οποίες αναφέρεται αυτή η εργασία:
1. | D. Koutsoyiannis, A generalized mathematical framework for stochastic simulation and forecast of hydrologic time series, Water Resources Research, 36 (6), 1519–1533, doi:10.1029/2000WR900044, 2000. |
2. | D. Koutsoyiannis, The Hurst phenomenon and fractional Gaussian noise made easy, Hydrological Sciences Journal, 47 (4), 573–595, doi:10.1080/02626660209492961, 2002. |
3. | D. Koutsoyiannis, Climate change, the Hurst phenomenon, and hydrological statistics, Hydrological Sciences Journal, 48 (1), 3–24, doi:10.1623/hysj.48.1.3.43481, 2003. |
4. | S.M. Papalexiou, D. Koutsoyiannis, and A. Montanari, Can a simple stochastic model generate rich patterns of rainfall events?, Journal of Hydrology, 411 (3-4), 279–289, 2011. |
5. | P. Dimitriadis, and D. Koutsoyiannis, Climacogram versus autocovariance and power spectrum in stochastic modelling for Markovian and Hurst–Kolmogorov processes, Stochastic Environmental Research & Risk Assessment, 29 (6), 1649–1669, doi:10.1007/s00477-015-1023-7, 2015. |
6. | S.M. Papalexiou, and D. Koutsoyiannis, A global survey on the seasonal variation of the marginal distribution of daily precipitation, Advances in Water Resources, 94, 131–145, doi:10.1016/j.advwatres.2016.05.005, 2016. |
7. | E. Creaco, P. Kossieris, L. Vamvakeridou-Lyroudia, C. Makropoulos, Z. Kapelan, and D. Savic, Parameterizing residential water demand pulse models through smart meter readings, Environmental Modelling and Software, 80, 33–40, 2016. |
8. | P. Kossieris, C. Makropoulos, E. Creaco, L. Vamvakeridou-Lyroudia, and D. Savic, Assessing the applicability of the Bartlett-Lewis model in simulating residential water demands, Procedia Engineering, 154, 123–131, 2016. |
9. | I. Tsoukalas, C. Makropoulos, and A. Efstratiadis, Stochastic simulation of periodic processes with arbitrary marginal distributions, 15th International Conference on Environmental Science and Technology (CEST2017), Rhodes, Global Network on Environmental Science and Technology, 2017. |
10. | I. Tsoukalas, A. Efstratiadis, and C. Makropoulos, Stochastic periodic autoregressive to anything (SPARTA): Modelling and simulation of cyclostationary processes with arbitrary marginal distributions, Water Resources Research, 54 (1), 161–185, WRCR23047, doi:10.1002/2017WR021394, 2018. |
11. | I. Tsoukalas, S.M. Papalexiou, A. Efstratiadis, and C. Makropoulos, A cautionary note on the reproduction of dependencies through linear stochastic models with non-Gaussian white noise, Water, 10 (6), 771, doi:10.3390/w10060771, 2018. |
12. | I. Tsoukalas, C. Makropoulos, and D. Koutsoyiannis, Simulation of stochastic processes exhibiting any-range dependence and arbitrary marginal distributions, Water Resources Research, 54 (11), 9484–9513, doi:10.1029/2017WR022462, 2018. |
13. | P. Kossieris, and C. Makropoulos, Exploring the statistical and distributional properties of residential water demand at fine time scales, Water, 10 (10), 1481, doi:10.3390/w10101481, 2018. |
14. | I. Tsoukalas, A. Efstratiadis, and C. Makropoulos, Building a puzzle to solve a riddle: A multi-scale disaggregation approach for multivariate stochastic processes with any marginal distribution and correlation structure, Journal of Hydrology, 575, 354–380, doi:10.1016/j.jhydrol.2019.05.017, 2019. |
Εργασίες μας που αναφέρονται σ' αυτή την εργασία:
1. | D. Nikolopoulos, G. Moraitis, D. Bouziotas, A. Lykou, G. Karavokiros, and C. Makropoulos, Cyber-physical stress-testing platform for water distribution networks, Journal of Environmental Engineering, 146 (7), 04020061, doi:10.1061/(ASCE)EE.1943-7870.0001722, 2020. |
2. | I. Tsoukalas, P. Kossieris, and C. Makropoulos, Simulation of non-Gaussian correlated random variables, stochastic processes and random fields: Introducing the anySim R-Package for environmental applications and beyond, Water, 12 (6), 1645, doi:10.3390/w12061645, 2020. |
3. | H. Elsayed, S. Djordjević, D. Savic, I. Tsoukalas, and C. Makropoulos, The Nile water-food-energy nexus under uncertainty: Impacts of the Grand Ethiopian Renaissance Dam, Journal of Water Resources Planning and Management - ASCE, 146 (11), 04020085, doi:10.1061/(ASCE)WR.1943-5452.0001285, 2020. |
4. | P. Dimitriadis, D. Koutsoyiannis, T. Iliopoulou, and P. Papanicolaou, A global-scale investigation of stochastic similarities in marginal distribution and dependence structure of key hydrological-cycle processes, Hydrology, 8 (2), 59, doi:10.3390/hydrology8020059, 2021. |
5. | P. Kossieris, I. Tsoukalas, A. Efstratiadis, and C. Makropoulos, Generic framework for downscaling statistical quantities at fine time-scales and its perspectives towards cost-effective enrichment of water demand records, Water, 13 (23), 3429, doi:10.3390/w13233429, 2021. |
6. | K.-K. Drakaki, G.-K. Sakki, I. Tsoukalas, P. Kossieris, and A. Efstratiadis, Day-ahead energy production in small hydropower plants: uncertainty-aware forecasts through effective coupling of knowledge and data, Advances in Geosciences, 56, 155–162, doi:10.5194/adgeo-56-155-2022, 2022. |
7. | G. Moraitis, I. Tsoukalas, P. Kossieris, D. Nikolopoulos, G. Karavokiros, D. Kalogeras, and C. Makropoulos, Assessing cyber-physical threats under water demand uncertainty, Environmental Sciences Proceedings, 21 (1), 18, doi:10.3390/environsciproc2022021018, Οκτώβριος 2022. |
8. | A. Efstratiadis, I. Tsoukalas, and P. Kossieris, Improving hydrological model identifiability by driving calibration with stochastic inputs, Advances in Hydroinformatics: Machine Learning and Optimization for Water Resources, edited by G. A. Corzo Perez and D. P. Solomatine, doi:10.1002/9781119639268.ch2, American Geophysical Union, 2024. |
Κατηγορίες: Στοχαστική, Αστικό νερό