Graph Neural Networks for Pressure Estimation in Water Distribution Systems

要約

配水ネットワーク (WDN) の圧力と流量の推定により、水管理会社は制御業務を最適化できます。
長年にわたり、数学的シミュレーション ツールは、WDN 水力学の推定値を再構築するための最も一般的なアプローチでした。
ただし、純粋な物理ベースのシミュレーションには、いくつかの課題が伴います。
部分的に観測可能なデータ、高い不確実性、および広範な手動設定。
したがって、そのような制限を克服するために、データ駆動型のアプローチが注目を集めています。
この研究では、物理ベースのモデリングとデータ駆動型アプローチであるグラフ ニューラル ネットワーク (GNN) を組み合わせて、圧力推定の問題に対処します。
まず、数学的シミュレーションを使用するが、時間的パターンは考慮せず、以前の研究で手つかずのままであるいくつかの制御パラメータを含む新しいデータ生成方法を提案します。
これにより、より多様なトレーニング データが得られます。
第 2 に、私たちのトレーニング戦略はランダムなセンサー配置に依存しており、GNN ベースの推定モデルが予期せぬセンサー位置の変化に対して堅牢になっています。
第三に、現実的な評価プロトコルでは実際の時間的パターンが考慮され、さらに現実世界のシナリオに固有の不確実性が加えられます。
最後に、マルチグラフの事前トレーニング戦略により、目に見えないターゲット WDN での圧力推定にモデルを再利用できます。
私たちの GNN ベースのモデルは、オランダの大規模 WDN の圧力を MAE 1.94mH$_2$O および MAPE 7% で推定し、以前の研究のパフォーマンスを上回りました。
同様に、他の WDN ベンチマークでも以前​​のアプローチよりも優れたパフォーマンスを示し、最良の場合では絶対誤差が最大約 52% 減少することがわかりました。

要約(オリジナル)

Pressure and flow estimation in Water Distribution Networks (WDN) allows water management companies to optimize their control operations. For many years, mathematical simulation tools have been the most common approach to reconstructing an estimate of the WDN hydraulics. However, pure physics-based simulations involve several challenges, e.g. partially observable data, high uncertainty, and extensive manual configuration. Thus, data-driven approaches have gained traction to overcome such limitations. In this work, we combine physics-based modeling and Graph Neural Networks (GNN), a data-driven approach, to address the pressure estimation problem. First, we propose a new data generation method using a mathematical simulation but not considering temporal patterns and including some control parameters that remain untouched in previous works; this contributes to a more diverse training data. Second, our training strategy relies on random sensor placement making our GNN-based estimation model robust to unexpected sensor location changes. Third, a realistic evaluation protocol considers real temporal patterns and additionally injects the uncertainties intrinsic to real-world scenarios. Finally, a multi-graph pre-training strategy allows the model to be reused for pressure estimation in unseen target WDNs. Our GNN-based model estimates the pressure of a large-scale WDN in The Netherlands with a MAE of 1.94mH$_2$O and a MAPE of 7%, surpassing the performance of previous studies. Likewise, it outperformed previous approaches on other WDN benchmarks, showing a reduction of absolute error up to approximately 52% in the best cases.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google