Previsão de consumo urbano de água em curto prazo

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.

Abstract: In the last years, the sanitation companies in Brazil has been broadly investing in their water supply systems automation, providing flow and pressure real time data from the consumption areas. After the automation stage, with all the information available in real time, and full control of the water supply system elements, it turns possible to optimize the operation on the lookout for a continuous improvement in quality of water treatment, distribution services and costs reduction, such as physical losses, energy and chemical products. The correct decisions upon operational services depend on the previous knowledge of the water consumption along the day in the local distribution areas. The present study aims at introducing several forecasting models using different techniques such as artificial neural networks, multiple linear regression Box and Jenkins models, based on historical data collected by a SCADA (Supervisory, Control and Data Acquisition) system to forecast short terms urban water consumption, particularly for the next 24 hours. The models were applied for three urban consumption areas with distinctive demand profiles from Ponta Grossa city: Uvaranas (residential), Centro Histórico (commercial) and Distrito Industrial (mixed). Firstly, the data provided by a one year database is collected, filtered and validated in order to turn possible obtaining reliable forecast models. For each one of the consumption areas, it was proposed and compared 6 artificial neural networks models, 3 multiple linear regression models, seven Box and Jenkins models and two hybrid models, intending to acquire a better alternative at forecasting the next 24 hours water consumption. The results were satisfactory considering the proposed objectives, even with the database limitation and the absence of meteorological information, factors influence directly in the water consumption.