Energetic analysis of water supply systems: demand forecasting using artificial intelligence techniques

Abstract

In current days, a large number of water utilities manage their operation on the instant water demand of the network, meaning the use of the equipment is conditioned by the immediate water necessity. The water reservoirs of the networks are filled using pumps that start working when the water level reaches a specified minimum, stopping when it reaches a maximum level. Shifting the focus to management based on future demand allows to use the equipment when energy is cheaper, taking advantage of the electricity tariff in action, thus bringing significant financial savings over time. Short-term water demand forecasting is a crucial step to support decision making regarding the equipment operation management. For this purpose, forecasting methodologies were implemented and analyses in Python. Several machine learning methods, such as neural networks, random forests, support vector machines and k-nearest neighbours, are evaluated using real data from two Portuguese water utilities. Moreover, the influence of factors such as weather, seasonality, amount of data used in training and forecast window are also tested. The results are validated and compared with those achieved by ARIMA using benchmarks.

Hoje em dia, grande parte das empresas fornecedoras de água gere a sua operação com base na procura instantânea da rede, o que significa que a utilização dos equipamentos é condicionada pela procura imediata de água. Os reservatórios das redes são abastecidos recorrendo a bombas que são acionadas quando a água atinge o limite mínimo e desativadas quando esta atinge o limite máximo. Basear esta gestão na procura futura permite utilizar o equipamento de bombagem quando a energia elétrica é mais barata, ao tirar vantagem da tarifa elétrica em vigor, resultando numa diminuição de custos para a empresa. A previsão de consumos a curto prazo é um passo fundamental no apoio à decisão referente à gestão da operação dos equipamentos. Para isso, uma série de metodologias de previsão são implementadas e analisadas em Python. Alguns métodos de machine learning, como redes neuronais, random forests, support vector machines e k-nearest neighbours, são avaliados usando dados reais de duas empresas fornecedoras de água portuguesas. Além disso, a influência de fatores como a meteorologia, sazonalidade, quantidade de dados usados no treino, e janela temporal das previsões também são testadas. Os resultados são validados e comparados com aqueles alcançados pelo ARIMA com recurso a benchmarks.