Análise de modelos machine learning para previsão e otimização do comportamento de redes de abastecimento de água

Abstract

Fornecer água em quantidade, qualidade e pressão adequada a toda a população tem sido um dos grandes desafios da história da humanidade. Por serem sistemas vitais ao funcionamento da sociedade, os sistemas de abastecimento de água (SAA) focaram-se na eficácia do transporte de água para todas as casas e indústria, não dando a devida importância aos custos energéticos resultantes desse processo. Porém, com o contínuo crescimento populacional registado nos últimos anos e consequente aumento dos consumos, tornou-se essencial otimizar o sistema. Atualmente, as bombas são colocadas em funcionamento quando os depósitos responsáveis pelo abastecimento atingem um valor mínimo, sendo desligadas posteriormente quando estes atingem um determinado valor máximo. Este funcionamento é pouco eficiente, pois não tem em conta as variações do custo das tarifas de energia ao longo do dia. Ao longo das últimas décadas várias técnicas de simulação e simuladores têm sido desenvolvidos de modo a otimizar os SAA. De todos, o simulador mais comum é o software de simulação hidráulica EPANET. Apesar de ser amplamente utilizado e de obter excelentes resultados, o EPANET apresenta um processo de calibração extremamente complexo e pouco funcional. Nesta dissertação é apresentada uma solução para tornar os SAA mais eficientes, eliminando todo o processo de calibração associado ao EPANET. São utilizados métodos de aprendizagem automática (Machine Learning) na simulação e otimização de SAA de modo a garantir um padrão de funcionamento das bombas ideal, resultando no menor custo do consumo de energia possível. Para isso, são utilizados dois algoritmos com arquiteturas diferentes: ANN e XGBoost. São também testados dois modelos diferentes: um modelo diferencial e um modelo com os valores obtidos no final de cada variação temporal. Os resultados indicam que todos os modelos utilizados são capazes de prever com precisão o comportamento do sistema, principalmente o XGBoost diferencial que apresentou constantemente os melhores resultados. Assim, os modelos ML utilizados apresentam-se como uma excelente alternativa na modelação e otimização de sistemas de abastecimento de água reais.

Providing water in adequate quantity, quality, and pressure to the entire population has been one of the challenges of human history. Being critical systems to the society, water supply systems (WSS) have focused on the effectiveness of transporting water to all homes and industries, not giving due importance to energy costs resulting from this process. However, with the continuous population growth in recent years and the consequent increase in water demand, it has become essential to optimize the system [1]. Currently, in the majority of the WSS, pumps start when the tanks reach the minimum, and switch off when the maximum value is reached. This operation is inefficient, as it does not consider the energy cost tariffs variations throughout the day nor any water demand forecasting. However, to predict the most efficient operation of WSS and considering that these are critical systems, it is necessary to model and calibrate these systems. However, even using well-recognized hydraulic simulators, the calibration of these models can be cumbersome. Much of this difficulty is due to pre-established formulations, which do not present enough flexibility to real data. Over the last few decades several simulation techniques and simulators have been developed to optimize WSS. Of all, the most common hydraulic simulation software is EPANET. Despite being widely used and obtaining excellent results, EPANET presents an extremely complex calibration process. In this work, a possible solution to the problem is presented using machine learning methods for simulating water supply systems and subsequently optimizing the system to ensure an optimal operation of the pumps, resulting in the lowest possible energy consumption and subsequent cost reduction. For this, two algorithms with different architectures are used: artificial neural networks and a decision tree-based algorithm (XGBOOST). Two different models are also tested: a differential and total time-updated model.