Please use this identifier to cite or link to this item: http://hdl.handle.net/10773/29659
Title: Predicting the behaviour of water distribution networks with machine learning methods
Other Titles: Previsão do comportamento de redes de distribuição de água com métodos de aprendizagem automática
Author: Matos, Pedro Guilherme Silva
Advisor: Matos, Sérgio Guilherme Aleixo de
Campos, António Gil d'Orey de Andrade
Keywords: Water distribution systems
Machine learning
Water demand forecasting
Modelling
Simulation
Defense Date: Jul-2019
Abstract: Water supply systems are indispensable infrastructures in any modern civilisation. Any modern house has running water at all time. People are so dependent on this essential good that today it is unthinkable for any social environment to live without water supply. Supply systems are responsible for maintaining the constant supply of water to homes, hospitals, industries, etc., and, consequently, are also responsible for maintaining the functioning of society. Since these systems are so indispensable in daily life, the costs associated with their operation are not taken into account. These systems have to pump water to meet their customers’ demands and face major energy cost-efficiency issues related to pumping operations. This work presents and analyses a possible solution to this problem using a decision support system that takes advantage of variations in the energy tariff throughout the day to optimise energy costs. It uses machine learning methods to predict future water demands and simulate the consequent behaviour of the networks, thus allowing the scheduling of pumping operations to coincide with the period when the tariff is cheaper. The results indicate that Artificial Neural Networks, Extreme Learning Machines and Recurrent Neural Networks with Gated Recurrent Units are capable of achieving a good performance forecasting water demands. It was also possible to create a model that accurately reproduces the behaviour of a water supply network of reasonable size using Artificial Neural Networks.
Os sistemas de abastecimento de água são infraestruturas indispensáveis em qualquer civilização moderna. Qualquer casa moderna tem sempre água corrente. As pessoas estão de tal maneira dependentes deste bem essencial que hoje em dia é impensável qualquer meio social viver sem abastecimento de água. Os sistemas de abastecimento são responsáveis por manter o constante fornecimento de água a casas, hospitais, indústrias, etc., e, consequentemente, também são responsáveis por manter o funcionamento da sociedade. Como são sistemas indispensáveis no quotidiano não se tem tanto em consideração os custos associados com o seu funcionamento. Estes sistemas têm de bombear água para satisfazer os consumos dos seus clientes e enfrentam grandes problemas de custos energéticos relacionados com as operações de bombeamento. Este trabalho apresenta e analisa uma possível solução para este problema utilizando um sistema de apoio à decisão que tira partido da variação da tarifa energética ao longo do dia para fazer a otimização dos custos energéticos. A solução apresentada utiliza métodos de aprendizagem automática para prever consumos de água e simular o consequente comportamento das redes possibilitando assim o agendamento das operações de bombeamento para que coincidam com o período em que a tarifa é mais barata. Os resultados indicam que Redes Neuronais, Máquinas de Aprendizagem Extrema e Redes Neuronais Recurrentes com Gated Recurrent Units são capazes de alcançar um bom desempenho na previsão de consumos de água. Também foi possível criar um modelo que reproduz com precisão o comportamento de uma rede de abastecimento de água de médio tamanho usando Redes Neuronais.
URI: http://hdl.handle.net/10773/29659
Appears in Collections:DETI - Dissertações de mestrado
UA - Dissertações de mestrado

Files in This Item:
File Description SizeFormat 
Documento_Pedro_Matos.pdf3.31 MBAdobe PDFView/Open


FacebookTwitterLinkedIn
Formato BibTex MendeleyEndnote Degois 

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.