Πρόβλεψη καταναλώσεων Νερού – Ενέργειας με χρήση εξελιγμένων μοντέλων μηχανικής μάθησης

Η Εταιρεία Υδρεύσεως και Αποχετεύσεως Πρωτευούσης A.E. (ΕΥΔΑΠ), είναι η μεγαλύτερη εταιρεία στην Ελλάδα που δραστηριοποιείται στην αγορά και διάθεση νερού. Το πελατολόγιο της ΕΥΔΑΠ στον τομέα της ύδρευσης περιλαμβάνει περίπου 4.400.000 πελάτες (2.160.000 συνδέσεις), ενώ το μήκος των αγωγών ανέρχεται σε 14.000 χλμ. Με αφορμή την κρίση λειψυδρίας όπου έπληξε το λεκανοπέδιο της Αττικής την δεκαετία του 1990, άρχισε σταδιακά να αναδεικνύεται η σημαντικότητα της διαχείρισης του πόσιμου νερού. Ένα μεγάλο κεφάλαιο της διαχείρισης του πόσιμου νερού είναι ο περιορισμός των απωλειών στην διαδικασία μεταφοράς αλλά και ο τυπολογικός προσδιορισμός της διαρροής. Η πιο βασική μεθοδολογία για τον υπολογισμό των απωλειών σε ένα κλειστό δίκτυο είναι η μέθοδος του ισοζυγίου. Η μέθοδος εκμεταλλεύεται της αρχή της συνέχειας των ρευστών για την εύρεση του χαμένου νερού, δηλαδή ό,τι εισέρχεται στο δίκτυο θα πρέπει να εξέρχεται από αυτό. Η διαφορά του όγκου νερού που εισέρχεται στο δίκτυο με τον όγκο που εξέρχεται από το δίκτυο είναι οι συνολικές απώλειες. Ως γνωστόν όμως η πραγματικότητα απέχει πολύ από την θεωρία, ένα πρόβλημα που στην μικρή κλίμακα μπορεί να είναι πολύ εύκολο να επιλυθεί δεν σημαίνει ότι θα είναι εύκολη η επίλυση του στην μεγαλύτερη κλίμακα. Η αξιοπιστία του ισοζύγιού εξαρτάται άμεσα από τις μετρήσεις των επιμέρους καταναλώσεων. Παρόλα αυτά, λόγω της μεγάλης διάστασης του δικτύου η ΕΥΔΑΠ δεν έχει τη δυνατότητα να μετρήσει όλα τα παροχόμετρα ανά τρίμηνο. Από το σύνολο των περίπου 2.200.000 μετρητών κάθε τρίμηνο η μέτρηση περίπου 200.000 από αυτούς δεν γίνεται έγκαιρα, δηλαδή στο πλαίσιο μίας χρονιάς δεν πραγματοποιούνται κατά μέσο όρο 800.000 μετρήσεις. Αυτές οι ατελείς καταγραφές στο σύνολο των καταναλωτών προσδίδουν σφάλμα κατά την συνολική εκτίμηση των απωλειών στο δίκτυο. Ο στόχος επίσης είναι η όσο το δυνατόν καλύτερη εκτίμηση του όγκου νερού που έχει καταναλωθεί προκειμένου να έχουμε ένα ισοζύγιο όσο γίνεται πιο κοντά στην πραγματικότητα και έτσι να εντοπίζονται οι απώλειες του δικτύου με πιο γρήγορο και αξιόπιστο τρόπο. Επίσης, τα αποτελέσματα αυτά μπορούν να έχουν και άλλη βοηθητική χρήση για την εταιρία καθώς μπορούν να ενισχύσουν την πιο ακριβή τιμολόγηση για τους πελάτες που δεν έχει πραγματοποιηθεί μέτρηση (τεκμαρτές τιμολογήσεις). Για τις ανάγκες του προβλήματος τα δεδομένα και οι υπολογισμοί πραγματοποιούνται σε υπολογιστικό περιβάλλον Python. Λόγω της πολυπλοκότητας του προβλήματος επιλέγεται η χρήση στατιστικών μοντέλων καθώς και μηχανικής μάθησης για παλινδρόμηση όπως ARIMA, Seasonal ARIMA, Neural Networks, Random Forest. Ακόμα συντάχθηκαν νέες μεθοδολογίες όπου εκμεταλλεύονται την μορφή των δεδομένων. Δηλαδή πραγματοποιούνται προγνώσεις βάσει των καταναλωτών στους οποίους έχουν γίνει μετρήσεις. Οι μεθοδολογίες αυτές στηρίζονται σε αλγορίθμους ομαδοποίησης όπως kNN (k πλησιέστεροι γείτονες) και μοντέλα μίξης γκαουσιανών κατανομών. Τα μοντέλα δοκιμάστηκαν σε συνθετικά δεδομένα λόγω απουσίας πραγματικών. Για λόγους πληρότητας κρίθηκε απαραίτητο τα μοντέλα να δοκιμαστούν και σε πραγματικά δεδομένα. Τα τελευταία χρόνια η σχετική τεχνολογία έχει επεκταθεί πολύ στον τομέα της διαχείρισης της ενέργειας, με αποτέλεσμα τέτοιου είδους δεδομένα να είναι άμεσα προσβάσιμα στην επιστημονική κοινότητα για αυτό τον λόγο επιλέχθηκαν δεδομένα ηλεκτρικής κατανάλωσης ενέργειας από δέκα πολιτείες της Αμερικής, τα οποία και ανακτήθηκαν από ελεύθερα διαθέσιμες πηγές.