Advanced Computational Intelligence for Smart Water and Gas Grids

In the last few years, due to the technological improvement of advanced metering infrastructures, water and natural gas grids can be regarded as Smart Grids, similarly to power ones. However, considering the role played by Computational Intelligence solutions, the number of studies related to applications for distribution grids, and the availability of suitable datasets, the gap between power grids and water/gas ones is notably wide. At first, in this work the state-of-the-art techniques for water and natural gas grids is presented and discussed, focusing on load forecasting and leakage detection applications. The result of an extensive search of used datasets is also presented, and thus made available to the research community. Later, experiments concerning the prediction and the leakage detection based on the analysis of water and natural gas consumption records are presented focusing on how to exploit data heterogeneity to get a reliable outcome. With regard to forecasting experiments, the tests are performed according to two key aspects: homogeneous evaluation criteria and application of heterogeneous data. The evaluations are performed for different grid scenarios, from the residential to the national one. Concerning leakage detection experiments, an algorithm based on the novelty detection paradigm is presented. Different Computational Intelligence approaches to model the normality condition are investigated, as well as the composition of an optimal set of features, including innovative temporal information and pressure ones. Due to the lack of suitable datasets, the target scenarios are limited to the residential and the office building one. Finally, in accordance with the methodologies applied above, advancements for two particular power grid applications are also proposed. Specifically, a proper micro-grid energy manager with the support of a pricing profile forecaster, and improvements for non-intrusive load monitoring based on statistical and deep neural network solutions, are presented and evaluated.

Negli ultimi anni, il miglioramento delle infrastrutture di contabilizzazione ha permesso di assimilare le reti di distribuzione di acqua e gas alle smart grids ideate per la distribuzione di energia elettrica. Tuttavia, considerando il ruolo delle soluzioni di Computational Intelligence, gli studi relativi ad applicazioni per reti di distribuzione e la disponibilità di dataset adeguati, il divario tra il livello di sviluppo delle reti elettriche e quello delle reti di distribuzione di acqua/gas è particolarmente ampio. All'inizio di questo lavoro lo stato dell'arte delle tecniche applicate alle reti di acqua e gas viene presentato e discusso, con attenzione alle applicazioni di previsione e rilevamento delle perdite. Viene inoltre presentato il risultato della ricerca dei dataset utilizzati, mettendoli a disposizione per la comunità scientifica. Successivamente, gli esperimenti di previsione dei consumi di acqua e gas e di rilevamento delle perdite ad essi connesse, sono presentati con attenzione all'utilizzo di dati eterogenei per ottenere un risultato affidabile. Le previsioni sono eseguite garantendo sia criteri di valutazione omogenei sia l'applicazione di informazioni eterogenee. Le valutazioni sono effettuate per differenti scenari, dal caso residenziale a quello nazionale. Nel rilevamento delle perdite, gli esperimenti sono eseguiti mediante un algoritmo basato sul paradigma della novelty detection. Insieme alla valutazione di differenti approcci di Computational Intelligence per la modellazione della condizione di normalità, viene selezionato anche un set di features adeguate, comprensivo di informazioni temporali e di pressione. La mancanza di dataset adeguati ha limitato gli scenari valutati a quello residenziale e a quello di edificio adibito ad uso ufficio. Infine, in linea con le metodologie già applicate, si sono presentate innovazioni per due temi specifici della Smart Grid elettrica. Tali innovazioni riguardano un manager energetico per micro-grid che tenga conto della previsione del prezzo della risorsa e il monitoraggio non intrusivo del carico basato su approccio statistico e su rete neurale.