Разработка AI-системы оптимизации водоснабжения и водоотведения

Разработка AI-системы оптимизации водоснабжения и водоотведения

Водоснабжение — критическая инфраструктура с минимальным уровнем цифровизации в большинстве городов. AI оптимизирует работу насосных станций, обнаруживает утечки и управляет качеством воды в реальном времени.

Управление насосными станциями

Оптимизация расписания насосов:

Насосы — крупнейший потребитель электроэнергии в водоснабжении. Задача: поддерживать давление и уровни резервуаров при минимальных затратах на электроэнергию:

import numpy as np
from scipy.optimize import minimize
import pandas as pd

class PumpScheduleOptimizer:
    """Оптимизация расписания насосов с учётом тарифной сетки"""

    def __init__(self, n_pumps, reservoir_capacity_m3):
        self.n_pumps = n_pumps
        self.V_max = reservoir_capacity_m3
        self.V_min = reservoir_capacity_m3 * 0.2  # мин. 20% объёма

    def optimize_24h(self, demand_forecast, tariff_schedule, pump_specs, V_init):
        """
        demand_forecast: потребление по часам [м³/ч]
        tariff_schedule: тариф электроэнергии по часам [руб/кВтч]
        pump_specs: [{flow_m3h, power_kw, min_run_time_h}]
        V_init: начальный уровень резервуара [м³]
        """
        T = 24  # горизонт 24 часа

        # Решение задачи LP: [on/off] каждого насоса в каждый час
        from pulp import LpProblem, LpMinimize, LpVariable, lpSum, LpBinary

        prob = LpProblem("pump_schedule", LpMinimize)

        # Бинарные переменные: насос i включён в час t
        pump_on = [[LpVariable(f"pump_{i}_{t}", cat='Binary')
                    for t in range(T)] for i in range(self.n_pumps)]

        # Переменная уровня резервуара
        V = [LpVariable(f"V_{t}", lowBound=self.V_min, upBound=self.V_max)
             for t in range(T+1)]
        V[0].setInitialValue(V_init)

        # Цель: минимизировать стоимость электроэнергии
        prob += lpSum(
            pump_specs[i]['power_kw'] * pump_on[i][t] * tariff_schedule[t]
            for i in range(self.n_pumps) for t in range(T)
        )

        # Баланс резервуара
        for t in range(T):
            inflow = lpSum(pump_specs[i]['flow_m3h'] * pump_on[i][t]
                          for i in range(self.n_pumps))
            prob += V[t+1] == V[t] + inflow - demand_forecast[t]

        prob.solve()
        return [[pump_on[i][t].value() for t in range(T)] for i in range(self.n_pumps)]

Эффект оптимизации:

За счёт сдвига работы насосов на ночные часы (дешёвый тариф): экономия 15–25% от затрат на электроэнергию при том же объёме подачи воды.

Обнаружение утечек

Балансовый метод:

Материальный баланс: объём подачи (счётчики на насосных) - объём потребления (счётчики у абонентов) = потери. Non-Revenue Water (NRW) в РФ: 20–40% — типичный уровень.

Pressure transient analysis:

Утечки создают характерные изменения давления в сети:

• Sudden pressure drops: прорыв трубы
• Gradual trend: медленная утечка через дефект
• LSTM на временных рядах давления → детекция аномалий

Пространственная локализация утечки:

• Корреляционный метод: два акустических датчика → задержка звука → расстояние до утечки
• ML на сети датчиков давления: от какого узла расходятся аномалии → зона поиска

Точность локализации: 50–100 м без выемки грунта.

Качество воды

Онлайн-мониторинг параметров:

IoT датчики на распределительной сети и у потребителей:

• Хлор остаточный: должен быть >0.05 мг/л по всей сети (СанПиН 2.1.3684)
• Мутность, pH, температура
• Нитраты, аммоний (точки водозабора)

Модель распространения хлора:

Гидравлическая модель + кинетика потребления хлора (EPANET2):

• Прогноз концентрации хлора в любой точке сети
• Оптимизация дозирования хлора: минимальная доза → обеспечить норму во всей сети

Детекция загрязнения:

Атипичный профиль нескольких параметров одновременно → ML-классификатор → alert:

• Турбидность + pH отклонение + органика
• Геолоцирование: в каком районе сети возникло → вероятный источник

Управление сетью водоотведения

Прогноз расхода в коллекторах:

При ливнях объём поверхностного стока + сточных вод = риск переполнения:

• LSTM на данных дождемеров + уровней в коллекторах
• Прогноз за 1–2 часа → pre-emptive управление задвижками

Оптимизация режима насосных станций канализации:

Аналогично водоснабжению: сгладить пики поступления → избежать перегрузки КОС (канализационные очистные сооружения), использовать аккумулирующую ёмкость коллекторов.

Срок разработки: 4–7 месяцев для AI-системы водоснабжения с оптимизацией насосов, мониторингом потерь и качества воды.