As the demand for essential resources like water and energy grows, the importance of their efficient management has never been greater. Traditional tools like Decision Support Systems (DSS) and hydraulic simulators such as EPANET have been employed to tackle this issue. However, these systems come with their own set of challenges, including computational complexity and calibration difficulties. To address these limitations, this study explores the potential of Machine Learning (ML) models for optimizing water distribution and solve the pump schedulling problem. Using supervised learning, these models are trained with historical data and their performance is benchmarked against EPANET. The study also incorporates energy tariffs into the models to optimize pump scheduling, thereby reducing operational costs. Initial tests indicate that the ML models excel in simpler network configurations. Future research aims to extend these models to more complex systems to assess their adaptability and efficiency across different operational conditions. | À medida que a procura por recursos essenciais como água e energia aumenta, a importância da sua gestão eficiente nunca foi tão grande. Ferramentas tradicionais como Sistemas de Apoio à Decisão (SAD) e simuladores hidráulicos como o EPANET têm sido empregues para abordar esta questão. No entanto, estes sistemas vêm com o seu próprio conjunto de desafios, incluindo complexidade computacional e dificuldades de calibração. Para abordar estas limitações, este estudo explora o potencial dos modelos de Machine Learning (ML) para otimizar a distribuição de água e resolver o problema de agendamento de bombas (Pump schedulling problem). Utilizando aprendizagem supervisionada, estes modelos são treinados com dados históricos e o seu desempenho é comparado com o do EPANET. O estudo também incorpora a tarifa de energia nos modelos para otimizar a programação das bombas, reduzindo assim os custos operacionais. Testes iniciais indicam que os modelos de ML se destacam em configurações de rede mais simples. Pesquisas futuras visam estender estes modelos a sistemas mais complexos para avaliar a sua adaptabilidade e eficiência em diferentes condições operacionais. | Mestrado em Sistemas Energéticos Sustentáveis

In the operation of Water Supply Systems (SAA), one of the critical factors of supply is maintaining the balance between water supply and demand to users. The maintenance of this balance is made through operational actions and the forecast of short term demand is a major factor for this management. Over the years, numerous methods have been developed and tested. Linear models have been widely used because they are easy to develop and implement, and simple to understand and interpret. However, water demand data have different degrees of nonlinearity, which cannot be adequately addressed by linear models. The literature review highlights that the most successful models are based on soft computing approaches such as neural networks, fuzzy systems, evolutionary computing, support vector machines, and hybrid models. In this paper we investigate the feasibility of using the Dynamic Time Scan Forecasting (DTSF) time scan method to predict short-term (hourly) demand in water supply systems by comparing efficiency and computational cost (CC), with several known univariate alternatives. The statistical and neuronal methods employed were: Box-Jenkins (SARIMA), Exponential Smoothing (ETS), Hybrid model using Seasonal and Trend decomposition using Loess filter (STL) and ETS (STL-ETS), Trigonometric Box-Cox transformation model, ARMA errors, Trend and Seasonal components (TBATS), in addition to hybrid neuronal models with bootstrap nonlinear autoregressive neural network (BNNAR), Extreme Learning Machine (ELM) and Naive Bayes (NB). The data used in this study refer to a supply zone (ZA) located in the south central region of a capital of south eastern Brazil and serves a population of approximately 230,000 people, and can be compared with a medium-sized city. In order to evaluate the methods, the following metrics were employed: root mean square error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE), Model Fitting (MF), in addition to WC. The results show that in both summer and fall there was no model that outperformed the others in terms of forecast accuracy. However, for the months from June to November (winter and spring), the ELM method showed the best results. The two neuronal methods showed the best accuracy, however, the greatest CC when employing cross-validation of sliding origin with recalibration. Regarding the CC statistic, the DTSF algorithm was extremely fast compared to the other methods studied for all months of the year, using a fraction of the time. The results obtained showed that the proposed method provides similar or improved forecast values compared to the soft computing and statistical methods employed, but using a fraction of the computation time. The great advantage of this method, as it is a data-driven method, is that the more data you use, the better your generalizability will be, and in an environment known as the big data era, it will take advantage of others methods. | Na operação de Sistemas de Abastecimento de Água (SAA), um dos fatores críticos do abastecimento é a manutenção do equilíbrio entre a oferta e a demanda de água aos usuários. A manutenção deste equilíbrio é feita através de ações operacionais sendo a previsão de demanda de curto prazo um fator de grande importância para esse gerenciamento. Ao longo dos anos, inúmeros métodos foram desenvolvidos e testados. Os modelos lineares têm sido amplamente utilizados, porque eles são fáceis de desenvolver e implementar, além de simples de entender e interpretar. No entanto, os dados de demanda de água têm diferentes graus de não-linearidade, que não podem ser adequadamente tratados pelos modelos lineares. A revisão de literatura destaca que os modelos mais bem-sucedidos são baseados em abordagens de soft computing, como redes neurais, sistemas fuzzy, computação evolucionária, máquinas de vetores de suporte além dos modelos híbridos. Neste trabalho pesquisamos a viabilidade da utilização do método de varredura temporal Dynamic Time Scan Forecasting (DTSF) para prever a demanda de curto prazo (horário) em sistemas de abastecimento de água por meio da comparação, em termos de eficiência e do custo computacional (CC), de diversas alternativas univariadas conhecidas. Os métodos estatísticos e neuronais empregados foram: Box-Jenkins (SARIMA), alisamento exponencial (ETS), modelo híbrido usando o filtro Seasonal and Trend decomposition using Loess (STL) e o ETS (STL-ETS), modelo Trigonometric Box-Cox transformation, ARMA erros, Trend and Seasonal components (TBATS), além dos modelos neuronais híbridos rede neural autorregressiva não-linear com bootstrap (BNNAR), Extreme Learning Machine (ELM) e o Naive Bayes (NB). Os dados empregados no presente estudo referem-se a uma zona de abastecimento (ZA) localizada na região centro sul de uma capital do Sudeste brasileiro e atende uma população de aproximadamente 230 mil pessoas, podendo ser comparada com uma cidade de médio porte. Objetivando avaliar os métodos empregaram-se as seguintes métricas: raiz do erro quadrático médio (RMSE), erro absoluto médio (MAE), erro percentual absoluto médio (MAPE), Model Fitting (MF), além do CC. Os resultados obtidos demonstram que tanto no verão quanto no outono não houve um modelo que superasse os outros em termos de precisão de previsão. Todavia, para os meses de junho a novembro (inverno e primavera), o método ELM apresentou os melhores resultados. Os dois métodos neuronais apresentaram as melhores acurácias, contudo, foram os que apresentaram os maiores CC ao empregar a validação cruzada de origem deslizante com recalibração. Em relação à estatística CC, o algoritmo DTSF foi extremamente rápido quando comparado aos outros métodos estudados para todos os meses do ano, usando uma fração do tempo. Os resultados obtidos demostraram que o método proposto fornece valores de previsão similares ou melhorados em comparação com métodos de soft computing e estatísticos empregados, mas usando uma fração do tempo de computação. A grande vantagem deste método, dado que é um método orientado a dados, é que quanto maior a quantidade de dados empregada melhor será a sua capacidade de generalização e, em um ambiente conhecido como a era do big data, este obterá vantagem frente aos outros métodos.