Estudo de modelos de reconstrução de séries temporais de caudal em sistemas de abastecimento de água

Abstract

O presente trabalho de mestrado, apresenta um estudo comparativo de técnicas de reconstrução de séries temporais de caudal dos sistemas de abastecimento de água, recorrendo a modelos de previsão. Normalmente, nas séries temporais de caudal dos sistemas de abastecimento de água, são encontrados dados erróneos que devem ser tratados e validados. Estas falhas nos dados, podem ter origem durante o processo de aquisição e/ou serem resultantes de problemas nos sensores que recolhem a informação. A presença destes dados erróneos, nas séries temporais de caudal dos sistemas de abastecimento de água, restringe o seu uso em tarefas de gestão, de operacionalização e monitorização dos sistemas. O processo de validação, identifica os dados anómalos e remove-os da série temporal, originando dados omissos. Estes dados podem ser estimados, recorrendo a modelos de previsão. Com o intuito de reconstruir as séries temporais de caudal de sistemas de abastecimento de água, comparou-se o desempenho e o tempo de computação entre um modelo autorregressivo (ARIMA sazonal), dois modelos de suavização exponencial (Holt Winters e Holt Winters de dupla sazonalidade), um modelo de aprendizagem automática (SVR), um modelo híbrido (abordagem Quevedo) e uma melhoria ao modelo híbrido. O desempenho e o tempo de computação dos modelos foram avaliados considerando três casos de estudo reais, representativos de uma grande percentagem das entidades gestoras portuguesas. Foi considerado, no máximo, um mês e cinco dias de registos históricos com intervalos de 1 hora e 10 minutos, para a previsão de um dia da semana e de um feriado, respetivamente. Na previsão de um dia da semana, com intervalos de 10 minutos entre cada medição, o modelo SVR obteve o melhor desempenho e foi dos modelos mais rápidos a realizar a previsão, à semelhança da abordagem preconizada por Quevedo. Na previsão de um feriado com intervalos de 10 minutos entre cada medição, nenhum modelo conseguiu prever o feriado, apenas abordagem de Quevedo modificada conseguiu aproximar-se dos valores reais de caudal, sendo o mais rápido a obter uma previsão.

The present master's thesis presents a comparative study of techniques for the reconstruction of flow time series of water supply system using forecasting models. Erroneous data is often found in water supply system flow rate time series and must be treated and validated. These data errors may occur during the acquisition process and/or be the result of sensor problems. The presence of these data errors in water supply system flow rate time series restrict their use in management tasks, operationalization, and monitoring of the systems. The validation process identifies anomalous data and removes it from the time series, resulting in missing data. These data can be estimated using forecasting models. To reconstruct the flow rate time series of water supply systems, the performance and computational time of an autoregressive model (seasonal ARIMA), two exponential smoothing models (Holt Winters and double- seasonality Holt Winters), a machine learning model (SVR), a hybrid model (Quevedo approach), and an improvement to the hybrid model were compared. The performance and computational time of the models were evaluated based on three real-life case studies, representative of a large percentage of Portuguese management entities. A maximum of one month and five days of historical records with intervals of 1 hour and 10 minutes were considered for the prediction of a weekday and a holiday, respectively. In the prediction of a weekday with 10-minute intervals between each measurement, the SVR model achieved the best performance and was the fastest to perform the prediction, similar to the approach proposed by Quevedo. In the prediction of a holiday with 10-minute intervals between each measurement, no model was able to predict the holiday, only the modified Quevedo approach was able to approximate the actual flow rate values, being the fastest to obtain a prediction.