@article { author = {Moslehi, Iman and Jalili-Ghazizadeh, Mohammadreza and Yousefi Khoshqalb, Ehsan}, title = {Flow Data Monitoring in Water Distribution Networks Using Density-Based Clustering Methods}, journal = {Iran-Water Resources Research}, volume = {15}, number = {3}, pages = {62-77}, year = {2019}, publisher = {Iranian Water Resources Association}, issn = {1735-2347}, eissn = {2476-7360}, doi = {}, abstract = {Anomaly or outlier detection of flow data in water distribution networks (WDNs) is implemented in data preparation and prepossessing step to achieve reliable historical data; it is important to improve the leakage assessment and management methods and the operations of the network efficiently. The main objective of this paper is to develop a new methodology based on unsupervised learning methods for anomaly or outlier detection in a flow data set in WDNs. The developed methodology includes three steps 1- required data acquisition, 2- data validation and normalization, and 3- anomaly or outlier detection using the density-based spatial clustering of application with noise (DBSCAN) algorithm. The proposed methodology is applied for inflow data into an area in Tehran's urban water distribution network with 15-min sampling intervals for 1394. The results showed that the developed methodology is capable to the detection anomalies due to different type of pipe breaks and unusual legitimate consumption such as water usage due to changes in water consumption pattern or unauthorized consumption. Therefore, this methodology can be used as an applicable and flexible tool for monitoring flow data and detecting and eliminating of different types of outliers from them.}, keywords = {outlier,Density-Based Clustering,DBSCAN Algorithm,Flow Data,Water Distribution Network}, title_fa = {پایش داده‌های جریان در شبکه‌های توزیع آب با استفاده از روش‌های خوشه‌بندی مبتنی بر چگالی}, abstract_fa = {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.}, keywords_fa = {داده پرت,خوشه‌بندی مبتنی بر چگالی,الگوریتم DBSCAN,داده‌های جریان,شبکه توزیع آب}, url = {https://www.iwrr.ir/article_87950.html}, eprint = {https://www.iwrr.ir/article_87950_09ca44bffea8734a710ec49c448ad5b9.pdf} }