Πρόβλεψη καταναλώσεων Νερού – Ενέργειας με χρήση εξελιγμένων μοντέλων μηχανικής μάθησης

Μιχαλόπουλος, Χρήστος; Michalopoulos, Christos

dc.contributor.author	Μιχαλόπουλος, Χρήστος	el
dc.contributor.author	Michalopoulos, Christos	en
dc.date.accessioned	2022-09-13T10:35:20Z
dc.date.available	2022-09-13T10:35:20Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55654
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23352
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Πρόβλέψη	el
dc.subject	Χρονοσειρά	el
dc.subject	Νερό	el
dc.subject	Μετρήσεις	el
dc.subject	Machine learing	en
dc.subject	Forecast	en
dc.subject	Timeseries	en
dc.subject	Water	en
dc.subject	Measurements	en
dc.title	Πρόβλεψη καταναλώσεων Νερού – Ενέργειας με χρήση εξελιγμένων μοντέλων μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Machine Learning	en
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-03-03
heal.abstract	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.	el
heal.abstract	The Athens Water Supply and Sewerage Company (EYDAP), is the largest active company in Greece in the water market. EYDAP's clientele in the field of water supply includes about 4,400,000 customers (2,160,000 connections), while the length of the pipelines counts to 14,000 km. The big water crisis that struck Athens in the nineties highlighted the importance of drinking water management. A big chapter of drinking water management is the reduction of losses in the transport process, but also the typological determination of the leak. The most basic methodology for calculating losses in a closed network is the water balance method. The method exploits the principle of continuity of fluids to find the amount of lost water, that is, what enters the network should come out (in terms of total water volume). The difference between the volume of water entering the network and the volume leaving the network equals the total losses. However, a problem that can be easily solved at small scale, does not mean that will be that easy on a larger scale. Balancing the solution requires measurements from consumer consumption. Nevertheless, due to the large size of the problem, EYDAP is not able to measure all the installed flow meters at the quarter-year scale. From the grand total of about 2,200,000 flowmeters that must be recorded, EYDAP is not able to measure about 200,000 of them. Ηence, within a year approximately 800,000 measurements are not performed. These incomplete recordings contribute to the overall estimation of network losses. The aim of this work is to better estimate the volume of water the users have consumed to better estimate the water balance for calculating and locating losses. These results can of course have another use for the company, namely a more accurate pricing for customers whose consumption has not been recorded (imputed invoice). For the needs of the problem the data and calculations will be performed in Python computing environment. Due to the complexity of the problem, the use of statistical models is chosen, in combination with Machine Learning for regression models, such as ARIMA, Seasonal ARIMA, Neural Networks, Random Forest. New methodologies have also been developed which take advantage of the format of the data format. That is, forecasts based on the consumers that have been measured are made utilizing such methodologies. The latter are based on clustering algorithms such as kNN (k Nearest Neighbors) and Gaussian mixture models. The models are tested on synthetic data access to the real data was not available till the thesis completion. For reasons of completeness, it was deemed necessary to test the models on real data. In recent years, technology has expanded greatly in the field of energy management, with the result that such data are easily accessible to the scientific community. For this reason, electricity consumption data were selected from ten American states, retrieved from publicly available online sources.	en
heal.advisorName	Μακρόπουλος, Χρήστος	el
heal.advisorName	Ευστρατιάδης, Ανδρέας	el
heal.committeeMemberName	Μακρόπουλος, Χρήστος	el
heal.committeeMemberName	Ευστρατιάδης, Ανδρέας	el
heal.committeeMemberName	Μαμάσης, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών. Τομέας Υδατικών Πόρων και Περιβάλλοντος. Εργαστήριο Υδρολογίας και Αξιοποίησης Υδατικών Πόρων	el
heal.academicPublisherID	ntua
heal.numberOfPages	105 σ.	el
heal.fullTextAvailability	false