Системы распределения воды поддерживают общественное здоровье, экономическую активность и повседневную жизнь города. Их эксплуатация требует балансировки между предложением и спросом, поддержания давления на разнообразной топографии, снижения затрат на энергию и предотвращения сбоев, которые прерывают обслуживание. Искусственный интеллект теперь является частью того, как коммунальные службы решают все четыре задачи.
Этот гид предназначен для инженера или менеджера коммунального хозяйства, который решает, где подходит ИИ, а не для ученого-данных, который его разрабатывает.
Table of Contents
Понимание приложений ИИ в распределении воды
“ИИ” охватывает набор техник — машинное обучение, нейронные сети, предсказательную аналитику. То, что их объединяет, — это способность находить закономерности в данных без необходимости написания правил для каждого случая. В распределительной сети это означает преобразование выходных данных датчиков и счетчиков в решения: какой насос запустить, какую трубу проверить, где прогноз спроса будет неверным.
Кривая принятия в водоснабжении отстает от других коммунальных служб, но она движется. Сессии WEF и программы конференций коммунальных служб теперь доминируют развертывания, которые вышли за пределы пилотной стадии, и повторяющейся темой является то, что барьером больше не являются алгоритмы. Это качество данных и готовность организации действовать на основе рекомендации, которую она не сгенерировала вручную.
Оптимизация энергии через умное управление насосами
Перекачка — это наибольшая статья расходов на энергию для большинства водоснабжающих компаний — обычно 60–80% от общего объема. Традиционное планирование основывается на исторических закономерностях и опыте операторов, что работает, но оставляет деньги на столе.
Оптимизация насосов на основе ИИ рассматривает несколько переменных одновременно: цена на электроэнергию, прогноз спроса, уровни в резервуарах, гидравлика сети и кривые эффективности насосов. Полезный результат — это не умная модель, а расписание, которое сохраняет надежность обслуживания, достигая самой дешевой возможной точки эксплуатации.
Тарифы по времени использования — это область, где выгоды наиболее очевидны. Перенос перекачки в часы низкого спроса снижает затраты, не затрагивая качество обслуживания, а модель, которая учитывает уровни в резервуарах и ограничения давления, может делать это последовательно. Сообщаемые сокращения потребления энергии от программ оптимизации обычно находятся в диапазоне двузначных процентов, при этом самые большие цифры приходят от систем, которые никогда не оптимизировали расписание.
Прогнозное обслуживание и управление активами
Водная инфраструктура тихо deteriorates до тех пор, пока не произойдет сбой. Реактивное обслуживание ждет этого; обслуживание по времени заменяет оборудование до того, как оно станет необходимым. Оба способа тратят деньги.
Прогнозное обслуживание использует операционные данные, чтобы найти актив, который сейчас выходит из строя. Вибрация насоса, ток двигателя, температура подшипника и тенденция эффективности — это обычные входные данные, а модели, которые работают на практике, обычно проще, чем предполагает литература поставщиков — проверенная базовая линия плюс порог аномалии выявляет большинство развивающихся неисправностей.
Оценка состояния труб — это другое высокоценное приложение. Гидравлические данные, акустические сигналы и история обслуживания вместе могут ранжировать сегменты труб по риску отказа, что позволяет коммунальной службе заменить правильный километр магистрали, а не самый шумный. Программы, которые действуют на основе этого ранжирования, как правило, получают больше из фиксированного капитального бюджета, потому что работа идет туда, где последствия отказа наиболее значительны.
Прогнозирование спроса и планирование системы
Прогнозирование спроса лежит в основе закупок, бюджетирования и планирования сети. Традиционные методы опираются на исторические тенденции и сезонные закономерности и сталкиваются с проблемами из-за погодных шоков, экономических изменений и эффектов программ по охране окружающей среды.
Модели ИИ принимают во внимание историю потребления, прогнозы погоды, экономические показатели и демографические изменения, и выявляют взаимосвязи между ними, которые простая регрессия не замечает. Оценочные исследования последовательно сообщают о повышении точности прогнозов по сравнению с традиционными методами, хотя улучшение варьируется в зависимости от истории данных: коммунальная служба с тремя годами чистых данных счетчиков получает меньше от модели, чем та, у которой пятнадцать.
Лучшие прогнозы напрямую влияют на операции — расписание насосов, управление резервуарами, закупка энергии — и на долгосрочное планирование, где прогноз спроса определяет, нужна ли новая магистраль или новый источник.
Интеграция SCADA и управление в реальном времени
Большинство коммунальных служб работают на SCADA. ИИ находится поверх него, а не вместо него: анализируя исторические данные на наличие закономерностей, которые оператор не успевает обнаружить, отмечая аномалии, соответствующие неисправностям оборудования, событиям загрязнения или кибератакам, и в некоторых конфигурациях рекомендуя или выполняя ответные действия.
Опубликованные рекомендации здесь общие, а не специфические для воды. Рамочная структура управления рисками ИИ NIST является справочным документом, на который ссылаются большинство коммунальных служб США при установлении управления ИИ в критической инфраструктуре — она охватывает идентификацию рисков, человеческий надзор и валидацию выходных данных моделей. Нет правила EPA или NIST, которое предписывало бы, как ИИ должен быть интегрирован в водную SCADA, поэтому решение о проектировании остается за коммунальной службой и ее консультантами.
Два правила, которые стоит учитывать на заводах, которые это сделали: держите человека в процессе для всего, что влияет на обработку или давление, и фиксируйте каждое автоматизированное действие, чтобы вы могли восстановить, что система сделала и почему.
Рекомендации по внедрению
Начните с узкой области. Выберите одну четко определенную проблему, где ИИ имеет явное преимущество — расписание насосов в соответствии с тарифом по времени использования или обнаружение утечек в одном DMA — и проведите это как пилотный проект с измеримым критерием успеха. Пилоты, которые дают доказательства, оправдывают следующий этап финансирования.
Качество данных определяет результат. Прежде чем принимать решение, проверьте доступность, согласованность и полноту истории, на которой вы собираетесь обучаться. Многолетние записи — это минимум для всего сезонного; данные в реальном времени — это то, что делает модель оперативной.
Управление изменениями имеет такое же значение, как и алгоритм. Операторы должны понимать, что модель может и не может делать, и они должны быть теми, кто валидирует рекомендации. Заводы, которые рассматривают модель как оракула, сталкиваются с проблемами в первый раз, когда она оказывается уверенно неверной.
Выбор поставщика должен учитывать опыт работы в водоснабжении, а не качество демонстрации. Запрашивайте рекомендации по системам, аналогичным вашим, и будьте конкретны относительно того, кто владеет моделью, когда она начинает отклоняться.
Shanghai ChiMay поставляет измерительный слой, от которого зависят эти проекты — стабильные, откалиброванные измерения делают данные стоящими для моделирования.
Будущие направления
Возможности продолжают развиваться. Обучение с подкреплением применяется к управлению насосами и управлению резервуарами. Цифровые двойники предоставляют песочницу для тестирования стратегий без вмешательства в живую сеть. Федеративное обучение позволяет коммунальным службам обучать общие модели, не раскрывая свои данные.
Приложения на ближайшем горизонте — это прогнозирование качества воды, более детальное моделирование поведения клиентов и планирование адаптации к изменениям в источниках воды, вызванным климатом.
Ничто из этого не отменяет основ: измерение, качество данных и организация, которая действует на основе того, что говорят данные. Коммунальные службы, рассматривающие ИИ как инструмент в рамках этой структуры, добиваются результатов.
