| dc.description.abstract | Resumo: Nos últimos anos, as companhias de saneamento têm investido largamente na automação de seus sistemas de abastecimento de água (SAA), proporcionando dados em tempo real de vazão e de pressão das regiões de consumo. Após a etapa da automação e de posse das informações em tempo real e possibilidade de atuação automática sobre os elementos do SAA, é possível otimizar a operação para um melhoramento contínuo dos serviços de captação, tratamento e distribuição de água e redução de custos relacionados, tais como as perdas físicas, a energia e o uso de produtos químicos. A correta tomada de decisões operacionais depende do conhecimento prévio do perfil de demanda ao longo do dia das regiões de consumo. O presente estudo objetiva apresentar diferentes modelos de previsão de consumo a curto prazo utilizando diferentes técnicas, tais como redes neurais artificiais, regressão linear múltipla e modelos do tipo Box e Jenkins. Estas previsões baseadas em dados históricos coletados através de um sistema SCADA (Supervisory, Control and Data Acquisition), para prever o consumo urbano de água a curto prazo, particularmente para as próximas 24 horas. Os modelos foram aplicados para três bairros com perfis de consumo distintos da cidade de Ponta Grossa: Uvaranas (residencial), Centro Histórico (comercial) e Distrito Industrial (misto). Inicialmente, os dados provenientes de uma base de dados de um ano são coletados, filtrados e validados de forma a tornar possível a obtenção dos modelos de previsão. Para cada uma das regiões de consumo foram propostos e comparados segundo critérios de erro RMSE (Root Mean Square Error) e MAPE (Mean absolute Percentage Error), 6 modelos de redes neurais artificiais, 3 modelos de regressão linear múltipla, 7 modelos do tipo Box e Jenkins e dois modelos híbridos, objetivando a obtenção de possíveis alternativas para a previsão do consumo nas próximas 24 horas. Os resultados alcançados foram satisfatórios para os objetivos propostos, mesmo com a limitação dos dados e com a ausência de informações meteorológicas, fatores que influenciam diretamente no consumo. | pt_BR |
