www.futurenviro.es | Abril-Mayo April-May 2021 74 Smart Water | Smart Water realizar en cada uno de los hogares de la muestra un reconocimiento y calibración inicial, consistente en ejecutar una secuencia ordenada e individual de apertura y cierre de cada elemento de consumo y registrar las características de la traza que define el caudal consumido. La forma de esta curva es específica para cada dispositivo y depende de la velocidad de cierre de las válvulas, el caudal máximo, la duración del episodio, etc. A partir de un trabajo previo, un operador experimentado es capaz de distinguir, sobre la serie temporal de un determinado hogar, a qué uso (o combinación de usos) corresponden las distintas variaciones de caudal que se pueden identificar. Este trabajo de clasificación manual requiere una inversión en tiempo y capital humano que lo hacen inabordable a gran escala, circunstancia que sirvió de motivación para acometer la implementación de una herramienta informática capaz de abordar de manera automática el proceso completo de desagregación e identificación de usos finales. Para lograr este cometido, la aplicación desarrollada ejecuta diferentes acciones: • Transformación de la serie discreta de pulsos en una equivalente continua de caudal-tiempo. • Sobre la serie anterior, depuración de los instantes de inicio y finalización de los distintos episodios de consumo que hayan tenido lugar. • En los casos en los que se hayan producido usos solapados, desagregación de los episodios anteriores en unidades elementales de consumo correspondientes a un único uso doméstico. • Caracterización de cada uno de los eventos de consumo mediante el cálculo de un total de 37 parámetros físicos que definen los rasgos identificativos del patrón de la curva de consumo y el uso al que corresponde (volumen, caudal medio y máximo, duración y gradiente de la rama ascendente y descendente, volumen y duración de episodios anteriores, etc.). A modo de ejemplo, el siguiente gráfico ilustra el resultado de aplicar las acciones enumeradas: Tras la identificación y caracterización de los eventos de consumo, una red neuronal desarrollada específicamente se encarga de su clasificación, asignándoles el uso doméstico final que corresponda. Para conseguir un correcto desempeño en la labor de reconocimiento de patrones se utiliza un algoritmo de aprendizaje supervisado, partiendo de un conjunto de datos de entrenamiento previamente clasificados de manera manual. Sabiendo a priori cuál es el uso final de los eventos detectados en este periodo, la red neuronal se ajusta mediante un proceso iterativo, repitiendo el procesado de los datos de entrada de manera secuencial hasta conseguir minimizar el error cometido en la asignación de usos. Después de este calibrado, cuando en su funcionamiento normal se le presente un patrón de entrada arbitrario, la red neuronal responderá con una salida activa si la entrada presenta un patrón semejante a los que se han aprendido durante su entrenamiento. Gracias a un mayor conocimiento sobre el consumo que se hace de este recurso, se podrán llevar a cabo: - acciones dirigidas a mejorar los criterios y estándares de servicio del sistema de abastecimiento, - acciones destinadas a identificar el potencial de ahorro en el consumo, - modificaciones en aquellas pautas de comportamiento que no favorezcan el consumo responsable. This manual classification work requires an investment in time and human capital that makes it impractical to carry out on a large scale, which is why it was decided to embark on a project to develop a computer tool capable of automatically undertaking the complete process of disaggregation and identification of end uses. To achieve this the application developed executes the following actions: • Conversion of the discrete pulse output series into an equivalent continuous flow time series. • Using the series obtained, determination and ordering of start and end times of the different consumption episodes. • In cases where overlapping uses have occurred, breaking these consumption episodes down into elementary consumption units corresponding to a single domestic use. • Characterisation of each of the consumption events by calculating a total of 37 physical parameters that define the identifying features of the consumption curve pattern and the use to which it corresponds (volume, average and maximum flow, duration, slopes of ascending and descending sections of the curve, and duration of previous episodes, etc.). By way of example, the graph shows the result of applying the actions outlined above: Subsequent to the identification and characterisation of the consumption events, a specifically developed neural network classifies these events and assigns them to the appropriate household end-use. In order to achieve correct performance in pattern recognition, a supervised learning algorithm is used, starting from a set of manually pre-classified training data. With prior knowledge of the end-use of the consumption events detected in this period, the neural network is adjusted by means of an iterative process, repeating the processing of the input data sequentially until the error in the assignment of uses is minimised. After this calibration, when presented with an arbitrary input pattern in normal operation, the neural network will respond with an active output if the input presents a pattern similar to those learned during training. The enhanced knowledge of consumption provided by this resource facilitates: - actions aimed at improving supply system criteria and service standards - actions aimed at identifying the potential for savings in consumption - changes in behaviour patterns that are not conducive to responsible consumption Antonio Lastra de la Rubia coordinación de innovación en redes. Subdirección de I+D+i, Canal de Isabel II Coordination of network innovation. Sub-directorate of R&D&i, Canal de Isabel II
RkJQdWJsaXNoZXIy Njg1MjYx