Big data analytics na gestão de uma rede de distribuição de água

Abstract

A água é um bem essencial e escasso nos dias de hoje, pelo que é necessário conservá-lo e distribuí-lo de maneira eficiente e sustentável. Com a ajuda dos novos medidores digitais é possível medir os consumos com uma cadência horária, e através de técnicas de Machine Learning, produzir informações sobre padrões de consumo, comportamento dos consumidores, deteção de eventos nas redes de distribuição de água e feedback aos clientes. A deteção de anomalias, como fugas de água domésticas e na rede de saneamento, avaria dos medidores e fraude, são algumas das causas que provocam desperdícios de água e que muitas autarquias não têm como detetar de forma eficaz. A presente dissertação tem como objetivo desenvolver uma metodologia, baseada em séries temporais, para a previsão de consumos de água e a deteção de anomalias, recorrendo a dados dos consumidores domésticos, de uma zona situada na Quinta do Lago, Algarve. Para isso, são utilizados métodos de Clustering para agrupar os consumidores com padrões de consumo idênticos, e modelos de Machine Learning, como o ARIMA, Neural Networks e Random Forest, utilizados para prever os consumos de água. São apresentados os resultados de vários modelos para previsão de consumos e, por fim, são desenvolvidos dashboards que auxiliam na deteção de possíveis anomalias.

Water is an essential and limited resource these days, so it is necessary to conserve and distribute it efficiently and sustainably. With the help of the new digital meters, it is possible to measure consumption on an hourly basis, and through Machine Learning techniques, produce information on consumption patterns, consumer behavior, detection of events in water distribution networks and feedback to customers. The detection of anomalies, such as domestic water leaks and in the sanitation network, meter failure and fraud, are some of the causes that cause water waste and that many municipalities are unable to detect effectively. This dissertation aims to develop a methodology, based on time series, for forecasting water consumption and detecting anomalies, using data from domestic consumers in an area located in Quinta do Lago, Algarve. For this, Clustering methods are used to group consumers with identical consumption patterns, and Machine Learning models such as ARIMA, Neural Networks and Random Forest, used to predict water consumption. The results of several models for forecasting consumption are presented, and finally, dashboards are developed to help detect possible anomalies.