L’intelligenza artificiale per le reti idriche

Patrizio Pisani – Innovation & Research manager Unidata S.p.A.
Redemptor Jr Laceda Taloma – Research Engineer AI specialist Unidata S.p.A.

L’inedita disponibilità di misurazioni registrate da milioni di smart meter su base oraria, come le pressioni ai nodi e il flusso nelle tubature, rende possibile l’estrazione di informazione a supporto dei processi decisionali tramite l’impiego di modelli data-driven.

È proprio il rilevamento automatico delle perdite idriche la prima applicazione in cui l’intelligenza artificiale può dare un importante contributo per una distribuzione efficiente e sostenibile. I modelli di apprendimento automatico promettono infatti di superare i tipici metodi di ricerca attiva delle perdite come le ispezioni visive, l’analisi di segnali acustici e vibrazioni, nonché l’uso di gas traccianti o di altre tecniche invasive che richiedono alla fine la pulizia delle tubature. Nello specifico le reti neurali hanno la capacità di inferire dai dati senza essere state esplicitamente istruite, trasformando i big data in conoscenza pratica e rivoluzionando così tutto il settore idrico.

Di seguito vengono illustrati i quattro principali campi di applicazione dell’intelligenza artificiale per le reti di distribuzione idrica:

1. la ricerca automatica delle perdite
2. la ricostruzione delle pressioni ai nodi
3. la previsione della curva di domanda
4. l’analisi comportamentale degli utenti.

Ulteriori applicazioni non tratte in questa sede ma che meritano un focus comprendono il rilevamento automatico delle anomalie, il monitoraggio non invasivo dei dispositivi domestici e la stima della qualità dell’acqua.

Ricerca automatica delle perdite

Difficile individuare le perdite prima che appaiano in superficie. Una rete neurale come quella proposta da Xudong Fan et al. (2021) [1] (fig.1) permette di rilevare in tempo reale, invece che su base periodica, la presenza di fuoriuscite nelle tubature di un distretto tramite i sensori installati nella rete idrica.

Il metodo proposto ha mostrato risultati promettenti in una rete simulata complessa (C-Town) che include suddivisi in 5 distretti:

• un bacino idrico
• 7 serbatoi di distribuzione
• 388 utenze
• 432 tubature
• 11 pompe
• 4 valvole.

La rete neurale apprende sulla base delle sole misurazioni di pressione ai nodi e produce una mappa delle probabilità di perdita per tutte le tubature. Negli ultimi anni la ricerca si sta concentrando molto sulle graph neural network per sfruttare anche la topologia nella ricerca automatica delle perdite, cioè le informazioni ai nodi e le connessioni. Questo sviluppo è motivato dal fatto che i cambiamenti sono influenzati anche dalla disposizione spaziale: la variazione di pressione in un nodo, causata da una perdita localizzata altrove, diminuisce con la distanza dal luogo della falla.

Ricostruzione delle pressioni ai nodi

I nodi di un grafo rappresentano punti di consumo e serbatoi mentre gli archi le tubature. Una graph neural network può quindi essere addestrata per ricostruire lo stato completo della rete, stimando le misurazioni di pressione nelle posizioni non monitorate. In una rete reale di grandi dimensioni è infatti impensabile installare ovunque degli smart meter e diventa quindi fondamentale ricostruire l’informazione da osservazioni parziali ai fini del monitoraggio di tutta l’infrastruttura.

Se la ricostruzione è accurata, una discrepanza tra i valori realmente osservati e quelli stimati dal modello può anche permettere di rivelare e localizzare una perdita. Un modello come quello proposto da Hajgató et al. (2021) [2] (fig.2) è stato applicato sia in simulazione (Town-C), sia nello scenario reale della città di Richmond nel Regno Unito (865 nodi e 949 tubature), ottenendo un errore medio di ricostruzione inferiore al 5% nel 95% dei nodi anche con solo il 5% dei nodi osservati.

Previsione della curva di domanda

Ottenere una previsione accurata della domanda di consumo è fondamentale per i gestori perché consentirebbe di ottimizzare la distribuzione rispetto al consumo previsto. La letteratura scientifica divide in:

• breve termine prossimi minuti, ore, giorni)
• medio termine (settimane, mesi)
• lungo termine (anni).

Chiaramente la disponibilità negli ultimi anni di dati ad alta granularità ha determinato un crescente interesse per la predizione a breve termine, utile per supportare i processi decisionali nell’immediato futuro. In particolare, la predizione dei consumi residenziali nel breve periodo è resa più difficile dalla variabilità causata da fattori esterni come il meteo, il periodo dell’anno, nonché dalle specifiche abitudini della singola utenza domestica.

Nella pratica invece di effettuare previsioni cosiddette disaggregate, risulta più affidabile e di maggiore utilità aggregare i consumi su scala più grande, per esempio per stimare il consumo di un distretto, di un’area urbana o di un particolare gruppo di utenze. Così facendo il consumo aggregato assume un andamento regolare nel tempo.

La graph convolutional recurrent neural network definita da Zanfei et al. (2022) [3] predice il consumo aggregato di gruppi di utenti altamente correlati presenti in una città del nord Italia con meno di 10.000 utenze, sfruttando le relazioni spaziali e temporali tra le diverse serie storiche in 7 anni di osservazioni orarie. Questo modello ottiene prestazioni migliori delle reti neurali che sfruttano solo lo storico delle misurazioni, mostrandosi inoltre tollerante alla presenza di un sensore difettoso.
 

Analisi comportamentale degli utenti

Raggruppare gli utenti in base a comportamenti di consumo simili è importante sia per la suddetta predizione aggregata, sia per estrarre il tipo di utenze presenti sul territorio. Distinguere le utenze (residenziali, commerciali, industriali, agricole, ecc.) ed individuare diversi profili comportamentali tra i soli consumatori domestici sono fondamentali per la definizione di un piano di distribuzione ad hoc per ciascuna classe.

L’analisi dei profili permette anche di promuovere campagne specifiche per incentivare l’utilizzo accorto dell’acqua. La tecnica di profiling più nota in letteratura è il clustering: quando non sono disponibili esempi con la categoria di appartenenza, i metodi non supervisionati permettono di suddividere le curve di consumo in base a proprietà individuate in fase di apprendimento, risultando così imprescindibili per estrarre insight da grandi quantità di dati senza ricorrere a lunghe ispezioni manuali.

Tuttavia, riconoscere i pattern che caratterizzano le curve individuali è tutt’ora una sfida aperta perché sono richiesti molteplici giorni di osservazione per ogni utente in modo da costruire uno storico significativo delle sue abitudini: il clustering è effettuato su serie temporali lunghe in cui la granularità di un’ora (o anche di 15-30 minuti) rende ciascuna serie molto volatile e dunque di difficile trattazione. Allo stato attuale la ricerca ha da poco iniziato a proporre reti neurali e strategie di ottimizzazione innovative per il clustering di serie temporali generiche, ancora da verificare nello specifico per l’analisi comportamentale degli utenti in ambito idrico.

Pur non utilizzando alcuna rete neurale, risulta interessante il contributo di Arsene et al. (2021) [4] (fig.3), che riesce ad individuare 4 distinti profili di utenti ad Alicante in Spagna, applicando l’algoritmo di k-means per clusterizzare 822 nuclei familiari di cui sono stati registrati i consumi in litri ad ogni ora tra il 2015 e il 2017. In questo caso per ridurre la lunghezza delle serie temporali da analizzare sono stati considerati i profili settimanali medi sui 2 anni, per un totale di 24 x 7 = 168 osservazioni per utente.