Dissertação
Unsupervised Anomaly Detection in Water System Networks using Recurrent Neural Networks EVALUATED
Água é um recurso indispensável para a sociedade. Uma tarefa essencial associada com a gestão adequada de um sistema de distribuição de água é a detecção de anomalias de forma a apoiar a tomada de decisões e fazer planos de contigência. Anomalias interessantes podem ser fugas, consumos incomuns ou ilegais. A detecção e localização de fugas é um problema complexo devido à falta de informação sobre o sistema de água, e uma fuga pode não ser facilmente detectada pelos sensores ou confundida com outro tipo de evento. A methodologia proposta detecta anomalias em sistema de distribuição de água, com foco em fugas, através de arquitecturas deep learning, em particular em arquitecturas encoder-decoder baseadas em LSTM como por exemplo LSTM autoencoder, CNN-LSTM, CNN-BiLSTM, e SCB-LSTM. As previsões são ajustadas usando um modelo de correcção de temperatura. O sistema de distribuição estudado localiza-se na Quinta do Lago, Portugal, Algarve. A Infraquinta é uma entidade privada que faz a gestão destas infrasestruturas. A análise de dados simulados e resultados experimentais em dados reais mostram a dificuldade da tarefa de detecção de anomalias não supervisionada em sistemas de distribuição de água. Este estudo também destaca que a metodologia proposta, embora produza alguns resultados de interesse, precisa ser complementada com princípios adicionais para o fim pretendido. Finalmente, este estudo também permitiu identificar diferenças significativas entre arquiteturas recorrentes.
novembro 20, 2020, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Rui Miguel Carrasqueiro Henriques
Departamento de Engenharia Informática (DEI)
Professor Auxiliar
ORIENTADOR
Susana de Almeida Mendes Vinga Martins
Departamento de Bioengenharia (DBE)
Professor Associado