Agua

Artículo
Estimación de la demanda de agua en sistemas de
distribución de agua utilizando la optimización del
enjambre de partículas
Lawrence K. Letting 1,*, Yskandar Hamam 1
y Adnan M. Abu-Mahfouz 1,2 ID

1 Department of Electrical Engineering, Tshwane University of Technology, Pretoria 0001, South

Africa; [email protected] (Y.H.); [email protected] (A.M.A.-M.)
2 CSIR Meraka Institute, Pretoria 0081, Sudáfrica
* Correspondencia: [email protected]; Tel.: +27-12-382-4824
Recibido: 1 de julio de 2017; Aceptado: 3 de agosto de 2017; Publicado: 21
Agosto 2017

Resumen: La estimación de la demanda en una red de distribución de agua proporcionadatos

cruciales para el seguimiento y control de los sistemas. Debido a las limitaciones presupuestarias y
físicas, es necesario estimar la demanda de agua a partir de un número limitado de mediciones de
sensores. El problema de estimación de la demanda está subdeterminado debido a losdatos del
sensor límited y las relaciones implícitas entre las demandas nodales y los cabezales de presión.
Una técnica de optimización de simulación utilizando el modelo hidráulico de la red de
distribución de agua y un algoritmo evolutivo es una solución potencial para la estimación de la
demanda problem. Este documento presenta un modelo de simulación de proceso detallado para
la estimación de la demanda de agua utilizando el algoritmo de optimización de enjambre de
partículas (PSO). Las demandas de agua nodal y los flujos de tuberías se estiman cuando el
número de parámetros estimados es superior al número de valores medidos. La demanda de
agua en cada nodo se determina mediante el algoritmo PSO para identificar un multiplicador de
demanda correspondiente. Los multiplicadores de demanda se codifican con diferentes
tamaños de paso y las partículas del algoritmo de optimización también se discretized con el fin
de mejorar el tiempo de cálculo. Se investiga la sensibilidad de la demanda estimada de agua a la
incertidumbre en los valores discretos del multiplicador de la demanda y la incertidumbre en los
parámetros medidos. Las ubicaciones de colocación de los sensores se seleccionan mediante un
análisis de la sensibilidad de los cabezales nodales medidos y los flujos de tuberías al cambio en la
demanda de agua. Los resultados muestran que las demandas nodales y los flujos de tuberías se
pueden determinar con precisión a partir de un número limitado de sensores.

Palabras llave: estimación del demand deagua; multiplicadores de la demanda; modelo

subdeterminado; mediciones inciertas; optimización del enjambre de partículas

1. Introducción
Un sistema de distribución de agua (WDS) desempeña la función crucial de suministrar agua
potable al público. El objetivo principal en la operación y el control de WDS es satisfacer la
demanda de agua deseada al tiempo que se garantiza la calidad y la presión del agua adecuadas
enun ll los nodos. El flujo de agua desde las fuentes a los nodos de demanda es un evento continuo
con caudales variables en el tiempo determinados por los horarios de demanda de agua. Las
demandas nodales son variables de estado de interés en la operación de WDS porque son las
entradas de conducción que determinan las presiones nodales y las tasas de flujo de tuberías
medidas en el campo. La estimación de estado es el proceso de calcular las condiciones de red
desconocidas a partir del conocimiento de las mediciones disponibles y otros parámetros de red
conocidos [1]. Un algoritmo de estimación de la demanda de agua junto con un modelo WDS forma
un componente crítico para los sistemas de control de supervisión y adquisición de datos (SCADA).
En la estimación de la demanda de agua, las demandas nodales son las variables de estado
desconocidas, mientras que las cabezas de presión ylos flujos de tubería d se determinan a partir de
mediciones de campo. Debido a la complejidad de las conexiones de tuberías en las grandes redes
de distribución de agua y el costo asociado, sólo unos pocos

Agua 2017, 8, 593; doi:10.3390/w9080593 www.mdpi.com/journal/water

Agua 2017, 8, 593 2 de 16

se seleccionan ubicaciones para la colocación del sensor. La precisión de la estimación del estado se
basa enlas mediciones de campo disponibles, que están limitadas por el número de sensores de
presión y flujo instalados. El problema de la colocación de sensores se ha abordado en la literatura
considerando las restricciones presupuestarias y la calidad de los datos medidos [2], las métricas
deimpacto de ubicación [3,4], y el tiempo necesario para detectar eventos de contaminación [5,6]. El
número de loc aciones de sensorestambién puede reducirse agrupando los nodos de demanda de
agua en grupos [7], agrupando los nodos según las características de calidad del agua [8], y
utilizando modelos de redreducidos [9]. Se utiliza una técnica de clasificación para seleccionar
nodos para localizar sensores de presión en [10]. Los flujos de bucle se estiman en [11] utilizando
demandas nodales conocidas para abordar el problema de una baja redundancia de medición. La
instalación de sensores en un WDS también está sujeta a la accesibilidad del sitio y al
consentimiento del propietario de la tierra. Con las limitaciones observadas en la colocación de
sensores, la estimación de las demandas nodales y los cabezales de presión no medidas o los
flujos de tuberías con datos obtenidos de un número limitado de ubicaciones es un problema de
investigación actual. Debido al gran número de parámetros desconocidos en comparación con los
datos de medición disponibles, el problema de estimación está subdeterminado. La
contribución de este trabajo es la formulación de una técnica de optimización de simulación
que estima tanto las demandas nodales como los cabezales de presión no medida cuando el
número de mediciones es menor que el número de parámetros a estimar. La functio objetiva n
minimiza el error absoluto de los parámetros medidos utilizando el algoritmo de optimización de
enjambre de partículas (PSO). Las ubicaciones de colocación de los sensores se seleccionan mediante
un análisis de la sensibilidad de los cabezales nodales medidos y los flujos de tuberías al cambio en
la demanda de agua. También se investiga la sensibilidad de los parámetros estimados al
número de sensores, la incertidumbre en los valores discretos del multiplicador de demanda y
los errores de medición.
La siguiente sección presenta la revisión de la literatura sobre la estimación del estado de WDS, y la Sección 3
presenta
la formulación de la metodología para la estimación de la demanda de agua a través de la
optimización de la simulación. Los resultados de la simulación y la discusión se presentan en la
Sección 4, y la Sección 5 concluye el estudio.

2. Revisión de la literatura
El conocimiento del estado de una red de distribución de agua se realiza mediante
técnicas de estimación de estado que producen un conjunto de variables que describen
completamente el estado del sistema. La estimación del estado en wdss se expresa utilizando un
modelo de medición no lineal [12]:

z = g(x) + € (1)

donde z ∈ ! RT es el vector de mediciones disponibles (cabezales de presión, flujos y

demandas), x ∈ ! RT es el vector de estado formado por cabezas nodales y flujos de nodos de
cabeza fija, y € es un vector aleatorio de media cero que modela los errores de medición. Los
flujos medidos y los cabezales de presión, combinados con las leyes de energía hidráulica y
conservación de masa, proporcionan el sistema necesario de ecuaciones utilizadas para
implementar el modelo de estimación de estado definido en la ecuación (1).
Los flujos de bucle se estiman utilizando mínimos cuadrados en [11,13,14] a partir de
demandas nodales conocidas. Las demandas de agua se estiman utilizando una simulación
de Monte Carlo con filtrado de Kalman en [15,16]. Los algoritmos genéticos se utilizan para
calibrar los datos predichos de la demanda de agua en [17,18]. El problema de la demanda
nodal subdeterminada se olved en [19] utilizando la descomposición de valores singulares
(SVD) y en [20], mediante la combinación de datos SCADA y estimaciones de demanda. En
comparación con los métodos clásicos como los mínimos cuadrados ponderados y los
multiplicadores langrangianos, la técnica SVD y los algoritmos evolutivos tienen el potencial de
estimar las demandas nodales cuando el número de mediciones es menor que el número de
parámetros a estimar. En [11], las estimaciones de demanda conocidas se utilizan junto con
las mediciones para garantizar que el problema de estimación no esté subdeterminado.
Agua 2017, 8, 593 3 de 16
En este estudio, se utilizó una técnica de optimización de simulación basada en el
paradigma deiones simulat de eventos discretos para implementar el algoritmo PSO. El algoritmo
de optimización se utilizó para estimar las demandas nodales y las cabezas nodales no misuradas
y los flujos de tuberías. El software EPANET [21] se utilizó para implementar y resolver el
modelo hidráulico WDS. El algoritmo de optimización se utilizó para la estimación, mientras
que los resultados
de EPANET se utilizaron para simular los valores medidos un paso más adelante. Los
resultados se comparan con trabajos relacionados recientes.

3. Metodología
3.1. Función objetiva
El problema de estimación de la demanda de agua, que estima la variación de la demanda
nodal utilizando información de las mediciones tomadas por los sensores de presión/flujo, se
define como una minimizacióndel error absoluto:
NA NQ

Min J = ∑ |Hi,M − Hi,S| + ∑ 1Qj,M − Q j,S1 (2)

i=1 j=1

donde Hi,M y Qj,M son la cabeza nodal medida y el caudal de tubería en el nodo i y la tubería
j, respectivamente; Hi,S y Qj,S son la cabeza simulada y el caudal en el nodo i y la tubería
j,respectivamente; y NH y NQ son el número de sensores de cabezal y flujo instalados en la red.
Las restricciones son la ley de conservación de la masa en cada nodo, la ley de conservación de la
energíaen cada bucle y los requisitos mínimos de cabezade presión. Las demandas de agua en cada
nodo son las variables de decisión del problema de optimización.

3.2. Modelado de multiplicadores de demanda de agua

Los datos de demanda de nodos utilizados en un análisis de la red de distribución de agua se
basan normalmenteen estimaciones derivadas de las lecturas mensuales de los contadores de agua.
Los perfiles de demanda nodal se componen de factores de distribución estáticos, que varían según
el tipo de consumidor. El sistema de distribución de agua se clasifica en áreas de suministro
según el uso de la tierra, como áreas residenciales, comerciales e industriales. El patrón de
demanda general para los diferentes tipos de consumidores en un período de 24 h se muestra en la
Figura 1. Los datos del patrón de demanda se obtienen de [22].
Con el fin de resolver la estimación de la demanda de agua, el problema de cómo establecer las
demandas nodales utilizadas como los insumos impulsores para generar parámetros medidos enla
Ecuación (2) debe abordarse primero. Lademanda n odal para el nodo i en el paso de tiempo k está
dada por

Di,k = mi,k × D0,i (3)

donde Di,k es la demanda nodal, mi,k es el multiplicador de demanda para el nodo i,y D0,i es la
demanda base para el nodo i. Por lo tanto, las variables de decisión del problema de
optimización se representan convenientemente como el conjunto de multiplicadores de demanda
m = {m1,k, m2,k, . . . , mNT,k } en cada paso de tiempo k,donde NT es el número total de nodos en la
red de distribución de agua.

3.3. Modelo de simulación de procesos

El problema de estimación de la demanda se resuelve utilizando el esquema de optimización
de simulación de eventos discretos que se muestra en la Figura 2. Un esquema de simulación de
eventos discretos elimina la necesidad de un bucle de tiempo explícito. La estimación comienza con
elsimulador hidráulico que se ejecuta con datos de un patrón dedemanda-usuario definido con el fin
de generar los valores medidos de cabezal de presión (Hi,m) y flujo de tubería (Qj,m). Los valores
medidos se obtienen de las ubicaciones de los sensores seleccionadas. La optimización algorithm
utiliza multiplicadores de demanda nodal generados aleatoriamente para ejecutar el simulador
hidráulico con el fin de generar los valores simulados de la cabeza de presión (Hi,s) y el flujo de
tubería (Qj,s). Al final de cada iteración del algoritmo de optimización, los datos simulados se
pasan al modelo de optimización. La función objetiva Ecuación (2) se utiliza para evaluar la
aptitud de los multiplicadores de demanda nodale. El algoritmo de optimización calibra los
multiplicadores de demanda en función de la aptitud obtenida. El simulador hidráulico funciona en
el modo de estado estacionario.
 El algoritmo PSO [23], el modelooptimization y el esquema de optimización desimulación de
la Figura 2 se implementaron en C/C++. Se utilizaron el código fuente del paquete de software
EPANET en C y el kit de herramientas de programación [24]. Las limitaciones del problema de
optimización fueron resueltas por EPANET. El algoritmo de optimización se interconectaba con
EPANET utilizando el módulo de interfaz desarrollado en [25].
La simulación se llevó a cabo mediante la definición de tiempos de eventos discretos que
definieron la transición de estados en el sistema. Un algoritmo evolutivo como PSO genera
una población de soluciones potenciales que se utilizan para ejecutar el sistema, y la aptitud
de cada solución se evalúa utilizando la ecuación (2). Se elige un tiempo de evento discreto T0
como el tiempo que tarda cada solución potencial del algoritmo de optimización en ejecutar el
sistema. Los parámetros de cada solución potencial son un conjunto de multiplicadores de
demanda que se actualizan al final de cada iteración. Los parámetros de cada solución potencial se
pasan al solucionador hidráulico durante la fase de inicialización para evaluar la idoneidad.
La inicialización adecuada garantiza que la idoneidad de cada solución potencial seevalúe con las
mismas condicionesiniciales. Después de un tiempo de simulación igual a T1 = NT0, donde es N
es el tamaño de la población, se evalúa la aptitud de cada conjunto de multiplicadores de
demanda y el algoritmo de optimización recalibra los multiplicadores de demanda. El solucionador
hidráulico evalúa los valores de referencia (valores medidos) para el algoritmo de
optimización un paso adelante, es decir, en t = (k − 1)T1. En este trabajo, se utilizó un tiempo de
evento discreto de T0 = 0,01 s. Las demandas de agua nodal para cada paso de tiempo durante el
período de consumo de 24 h se estiman utilizando multiplicadores de demanda, que se utilizan
para calcular la demanda real utilizando la ecuación (3). Los multiplicadores de demanda se
definen en el rango continuo como se muestra en la Figura 1. Para aumentar la velocidad de
convergencia del proceso de estimación, el rango del multiplicador de demanda se convierte en el
rango discreto con incrementos de paso. Se utilizaron tamaños de paso de 0,01 y 0,05 y se
compararon los resultados. Se utilizó un esquema de codificación de enteros, para el cual se
utilizaron las partículas PSO para buscar el índice óptimo en el rango definido. Debido a que
el movimiento de las partículas PSO durante el proceso de búsqueda es continuo, la posición
de la partícula se redondeó al entero más cercano. La posición de la partícula corresponde a un
índice de matriz donde se almacena el multiplicador de demanda real.
Multiplicadores de la demanda de agua

1.6

1.4

1.2

1.0

0.8

0.6

0.4
Residencial
0.2 Industrial Comercial

0.0
0 2 4 6 8 10 12 14 16 18 20 22 24
Hora del reloj (H)

Figura 1. Curvas de demanda para diferentes tipos de usuarios en un periodo de 24 h.

 mk 1 * D0
Perfil de Simulador hidráulico
demanda
nodal

Hi,m , Qj,m t  (k 1)T1

Modelo de optimización Hi,s , Qj,s Simulador hidráulico

J mínimo   Hi,m  Hi,s   Qj,m  Qj ,s

Yo j
t  Kt1 me,k * D0
Variables de decisión

me,k
Estimaciones del multiplicador de la demanda Actualizar demandas nodales

t  kT0 Inicialización

Generación de
escenarios
multiplicadores de
Figura 2. Metodología para la estimación de la demanda de agua mediante un algoritmo de optimización.

3.4. Selección de ubicaciones de colocación de sensores

Se seleccionan las ubicaciones de colocación del sensor sobre la base de la sensibilidad al
cambio en la demanda de agua. La matriz de sensibilidad [26] se expresa como
 ∂m1 ∂m1

∂ f1 · · ·
 ∂ 
S=  . · · · fn.  (4)
∂m ∂m
n n
·∂ ·f1 ∂ fn
·
donde cada elemento sij mide el efecto del cambio en la demanda nodal f j en la medición
mi en un enlace o nodo de tubería seleccionado. La matriz de sensibilidad se ha utilizado para
seleccionar ubicaciones de colocación de sensores para la detección de fugas en [27,28].
Un cambio simulado en la demanda de agua en todos los nodos se utiliza para generar
una matriz de sensibilidad de flujo de tubería y una matriz de seniltividad de cabezal. Un cambio
en la demanda nodal de 1.5 litros por segundo (LPS) en los dos nodos de cada enlace de tubería se
considera en cada paso. Las ubicaciones de medición se clasifican de acuerdo con la varianza de
las mediciones en cada ubicación. Las mejores ubicaciones para colocar sensores son aquellas
que experimentan la mayor variabilidad en las mediciones como resultado del cambio en la
demanda nodal. Este enfoque simple se utilizó en este estudio para seleccionar las
ubicaciones de medición en una red real con un gran número de tuberías y nodos.

4. Resultados de la simulación y discusión

Los experimentos de simulación se realizaron utilizando tres estudios de caso. Se utilizó una
pequeña red de agua que consta de 9 nodos, 12 tuberías, 1 bomba y 1 tanque para realizar los
experimentos de simulación en los estudios de caso I y II. La red está disponible en EPANET como
ejemplo "Net1.net" [21]. La red de agua era como se muestra en la Figura 3. El estudio de caso I
considera la estimación de la demanda de agua utilizando mediciones de sensores de presión
solamente, mientras que el estudio de caso II considera las medidasde los sensores de presión y los
sensores de flujo. Todos los nodos de la red Net1 comparten los mismos multiplicadores de
demanda por hora, pero cada nodo tiene una demanda base definida de forma independiente. El
estudio de caso III considera una red de tamaño mediano que representa el funcionamiento de una
red real de distribución de agua. Los estudios de caso utilizaron el algoritmo de optimización para
estimar las demandas gangliodales horarias para cada hora en un período de 24 h.
 Tanque Tanque

7 7

1 2 3 1 2 3
1 2 3 4 1 2 3 4

Bomba Bomba
Fuente Fuente
8 9 10 8 9 10

46 5 7 46 5 7

5 5

12 12

11 11

a) b)
69 69

8 8
Figura 3. Red de distribución de agua para estudios de casos: a) estudio de caso I yb)estudio de caso II.

4.1. Caso práctico I: Estimación de demandas nodales con mediciones de sensores de cabezal de presión
Las ubicaciones de colocación de los sensores se identificaron mediante una búsqueda
exhaustiva. Las pruebas se llevaron a cabo comenzando con un caso ideal donde se colocaron
sensores de presión en todos los nodos. Los sensores se redujeron secuencialmente mientras
se observaba el rendimiento. Los resultados iniciales mostraron que el consumo de agua en el
nodo 2 no se podía estimar con precisión sin colocar un sensor de presión en el nodo
2. El nodo 2 era el nodo de origen que suministraba toda la red. El nodo 1 no se seleccionó para la
colocación del sensor, ya que no había consumo de agua en el nodo. Por lo tanto, un sensor se
colocó permanentemente en el nodo 2, mientras que los sensores en las otras ubicaciones se
eliminaron secuencialmente. Se obtuvieron buenos resultados con sólo dos sensores colocados en
los nodos 2 y 8.
Para evaluar la idoneidad de las ubicaciones identificadas, se generó la matriz de
sensibilidad de la cabeza nodal de la red y se utilizó la varianza de cada fila para clasificar
los nodos. Los resultados de la clasificación de sensibilidad de la cabeza gangliona se muestran en
la Figura 4. El cabezal de presión en el nodo 9 fue el más sensible, mientras que el del nodo 3 fue el
menos sensible. Los resultados mostraron que se produjoun mayor juicio de ingeniería para
seleccionar las ubicaciones, ya que los nodos 8 y 9 estaban conectados al mismo enlace de tubería.
Los nodos 2 y 5 también compartían un vínculo de canalización común. También se observó que el
nodo 1 tenía una demanda nula. Por lo tanto, los nodos 2 y 8 eran buenas ubicaciones para
colocarsensores de cabezal de prensa.
0.018

0.016 9
0.014
8
0.012
Variance

0.010

0.008

0.006

0.004
15
0.002 2
764 3
0,000
0 1 2 3 4 5 6 7 8 9
Rango de nodo

Figura 4. Sensibilidad del cabezal nodal para la red Net1.

Los parámetros de inicialización de PSO para el estudio de caso se indican en el Cuadro 1. El

primer experimento de simulación se llevó a cabo utilizando incrementos de paso de 0,05 para
codificar los multiplicadores de demanda. Los multiplicadores de la demanda se enstecían en el
rango de 0 a 2.0. Debido a la naturaleza estocástica del proceso de optimización, sepromediaron los
esti mates de demanda nodalde 30 corridas de simulación y se utilizaron para la comparación. Las
demandas nodales estimadas para los nodos 2, 4, 6 y 9 utilizando un paso multiplicador de
demanda
incremento de 0,05 se muestran figura 5. En el cuadro 2 figura un resumen de los valores medios
estimados y reales de las demandas de agua para el período de 24 h. Los resultados de la Tabla
3 se convirtieron a galones por minuto (GPM) para facilitar la comparación. Los resultados se
compararon con los reportados en [17] utilizando un modelo de algoritmo genético (GA). Las
demandas básicas para los nodos 7, 8 y 9 en el modelo ga eran diferentes a las del modelo
utilizado en este documento. La estimación se llevó a cabo en [17] utilizando tres sensores de
presión colocados en los nodos 4, 6 y 8 y con un incremento de paso multiplicador de
demanda de 0,02. Los resultados de la Tabla 2 muestran que las demandas estimadas para los
nodos 3, 6 y 7 fueron comparables, mientras que el modelo PSO dio mejores resultados en todos los
demás nodos. Los resultados obtenidos en este trabajo muestran que la colocación de un
sensor de presión en el nodo de origen contribuye a una mejora en la demanda estimada de
agua. Los resultados obtenidos de 30 (ensayo de optimización independiente) corridas en este
estudio se comparan con los obtenidos en 100 corridas del modelo GA [17]. Por lo tanto, aquí es
necesario realizar análisis adicionales de la sensibilidad del error de estimación en el número de
corridas de optimización utilizadas para obtener la demanda promedio. Un gran número de
ejecuciones de optimización aumenta el tiempo de cálculo. Un tiempo de cómputo bajo es
necesario para la supervisión y el control en línea casi-tiempo-real de los sistemas de distribución
del agua.

Tabla 1. Estudio de caso I &II: Inicialización de parámetros de optimización de enjambre de partículas (PSO).

Parámetro Valo
r
Población (P) 50
Número de iteraciones 100
(N)
Factor de inercia (wmáx, 0.5,
wmin) 0.05
Tasa social (C1) 0.9
Tasa cognitiva (C2) 2.5

Tabla 2. Caso I: Demandas nodales estimadas (litros por segundo—LPS).

No Rea Estimat % de
do l ivo error
2 9.46 9.44 0.2
3 9.46 8.24 12.9
4 6.31 6.49 2.7
5 9.46 9.55 0.1
6 12.6 13.40 6.2
2
7 9.46 8.58 9.3
8 6.31 6.35 0.6
9 6.31 6.17 2.2

Tabla 3. Caso I: Comparación de las demandas nodales estimadas (galones por minuto— GPM)
usando la optimización del enjambre de partículas (PSO) y el algoritmo genético (GA).

No Real Estimado Estimado % de error % de error

do (PSO) (GA) (PSO) (GA)
2 150 149.60 118.67 0.2 20.9
3 150 130.59 131.45 12.9 12.4
4 100 102.85 93.15 2.7 6.9
5 150 151.35 164.15 0.1 9.43
6 200/ 212.36 140.58 6.2 6.3
(150)
7 150/ 135.97 (327.15) 9.3 9.1
(300)
8 100/ 100.63 (50.34) 0.6 0.7
(50)
9 100/ 97.78 (35.90) 2.2 28.2
(50)
 12

16 Demanda en el nodo 2 Demanda en el nodo 4

10
14

12
8

Demandas (LPS)
Demandas (LPS)

10
6
8

6 4
Estimativo Estimativo
Real Real
4
2

2
0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

a) b)
22 12

20 Demanda en el nodo 6 Demanda en el nodo 9

18 10

16
8
14
Demandas (LPS)

Demandas (LPS)
12
6
10

8
4
6
Estimativo Estimativo
4 Real 2 Real
2

0 0
0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

c) d)

Figura 5. Caso I: Estimación de la demanda en los nodos(a) 2,(b)4,(c)6 y (d)9.

El segundo experimento de simulación se llevó a cabo añadiendo ruido a las demandas

nodales utilizadas para generar los valores medidos. El ruido gaussiano blanco con una media cero
y una varianza de 0,1 se añadió a los multiplicadores de demanda nodale por hora. Los
multiplicadores de demanda coni ith escenario de ruido se muestra en la Figura 6. El propósito de
agregar ruido era investigar la sensibilidad de estimar la demanda de agua a la incertidumbre en el
incremento escalonado de los multiplicadores de demanda. Se compararon los resultados
obtenidos mediante incrementos escalonados de 0,05 y 0,01. Una resolución de 0,05 dio como
resultado un único espacio de búsqueda multiplicador de demanda nodal de 40, mientras que la
de 0,01 dio como resultado un espacio de búsqueda de 200. Las estimaciones de demanda nodal de
30 corridas de simulación se promediaron unad utilizada para la comparación. Las demandas
nodales estimadas para los nodos 2, 4, 6 y 9 se muestran en la Figura 7. En el cuadro 4 figura
un resumen de los valores estimados y reales de las demandas de agua para el período de 24 h.
Los valores están altamente correlacionados con R = 0,981 y R = 0,991 para ∆ = 0,05 y ∆ = 0,01,
respectivamente. Por lo tanto, no hubo diferencias significativas en las estimaciones de la demanda
de agua determinadas utilizando un incremento escalonado de 0,05 o 0,01 cuando los valores
discretos de los multiplicadores de demanda tenían una incertidumbre de ±0,1.

Tabla 4. Caso I: Demandas nodales estimadas (litros por segundo—LPS).

No Rea Estimado (∆ = % de Estimado (∆ = % de

do l 0,05) error 0.01) error
2 9.39 9.33 0.3 9.37 0.2
3 9.39 8.58 8.6 8.75 6.8
4 6.26 6.39 2.1 6.43 2.7
5 9.39 9.75 3.8 9.57 1.9
6 12.5 12.87 2.7 13.10 4.5
3
7 9.39 8.65 7.9 8.57 8.7
8 6.26 6.22 0.6 6.30 0.6
9 6.26 6.17 1.4 6.15 1.7
 1.8

1.6 Valores con ruido blanco

Valores reales
1.4

1.2

Multiplicador de la demanda
1.0

0.8

0.6

0.4

0.2

0.0
0 2 4 6 8 10 12 14 16 18 20 22 24

Hora del reloj (H)

Figura 6. Multiplicadores de demanda nodal con ruido blanco añadido.

12
16 Demanda en el nodo 2 Demanda en el nodo 4

10
14

12 8

Demandas (LPS)
Demandas (LPS)

10
6
8

6 4
Estimado (0,01) Real Estimado (0,01) Real
Estimado (0,05) Estimado (0,05)
4
2

2
0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

a) b)
22 12

20 Demanda en el nodo 6 Demanda en el nodo 9

18 10

16
8
14
Demandas (LPS)

Demandas (LPS)

12
6
10

8
4
6

4 Estimado ( Real 2 )

Estimado ( Real
2 Estimado ( Estimado ()
0 0
0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

c) d)

Figura 7. Caso I: Estimación de las demandas de agua con resoluciones multiplicadores de demanda de ∆ = 0,05 y
∆ = 0,01 en los nodos (a)2,(b)4,(c)6 y (d)9.

4.2. Estudio de caso II: Estimación de demandas nodales con mediciones de sensores de flujo y sensores de presión
Los experimentos de simulación en este estudio de caso se llevaron a cabo colocando un sensor
de presión en el nodo 2 y sensores de flujo en las tuberías 7 y 11. Se seleccionó la tubería 7, ya que
suministraba el nodo 3, que tenía el margen de error más alto, como se muestra en el Cuadro 4.
Para evaluar la idoneidad de las ubicaciones identificadas, se generó la matriz de sensibilidad
de caudal de tubería de la red y se utilizó la varianza de cada fila para clasificar los enlaces de
tubería. Los resultados de la clasificación de sensibilidad del caudal de tubería son los que se
muestran en la Figura 8. El caudal de la tubería en la tubería 9 fue el más sensible, mientras que el
de la tubería 6 fue el menos sensible. Los resultados también muestran que se requería un mayor
juicio de ingeniería para seleccionar las ubicaciones, ya que los enlaces de tubería 2, 7 y 9 estaban
conectados al nodo 3.
 0.18

0.16 9

0.14

0.12

Varianza
0.10 27

0.08 4 11

0.06
35 12 1
0.04
10 8
0.02 6

0,00 6 7 8 9 10 11 12
0 1 2 3 4 5
Rango de vínculo de canalización

Figura 8. Sensibilidad del caudal de tubería para la red Net1.

El ruido blanco gaussiano se utilizó para agregar una incertidumbre de medición igual a
±10% del valor medido. En las simulaciones se utilizó un incremento de paso del multiplicador
de la demanda de 0,05.
En los Cuadros 5 y 6figura un resumen de las estimaciones de la demanda nodal promediada y
de las estimaciones del flujo de tuberías. Los cabezales de presión nodal estimados promediados se
muestran en la Figura 9. Los caudales de las tuberías fueron más sensibles a la variación de las
demandas nodales, en comparación con los cabezales de presión. Se muestran los flujos
estimados para las tuberías 2, 5, 6 y 7 en la Figura 10 y se muestran los caudales estimados
para las tuberías 3, 8, 10 y 11. De los resultados de la Tabla 6 y de las Figuras 10 y 11 se puede
observar que las tuberías con caudales bajos, por ejemplo, las tuberías 3, 5 y 6, tuvieron el
margen de error más alto durante la estimación. Los resultados muestran que estas fueron las
tuberías con mayor sensibilidad a los cambios en la demanda de agua. Los caudales medios de
tubería de 24 h del Cuadro 6 muestran que la tubería 5 tenía una tasa media estimada de flow
de7,57 L/s con un error del 0,5%. Sin embargo, los flujos por hora de la Figura 10b muestran que el
caudal estimado de la tubería 5 tuvo una correlación de R = 0,567 con los valores reales. El
caudal de la tubería 6 tuvo un error de estimación promedio de 8,3% y una correlación de R
= 0,721 entre los valores estimados por hora y los valores reales. Por lo tanto, se concluye que el
coeficiente de correlación entre los valores reales y estimados es una mejor medida de la calidad de
la estimación, especialmente en tuberías con caudales bajos.

Tabla 5. Caso II: Demandas nodales estimadas (litros por segundo—LPS) con medidas inciertas.

N Rea Estima %
od l tivo de
o error
2 9.3 9.59 2.1
9
3 9.3 9.42 0.3
9
4 6.2 5.77 7.9
6
5 9.3 8.78 6.5
9
6 12. 13.08 4.4
53
7 9.3 9.75 3.8
9
8 6.2 6.50 3.7
6
9 6.2 5.99 4.4
6

Tabla 6. Caso II: Flujos de tubería estimados (litros por segundo— LPS) con mediciones inciertas.

P Rea Estima %
i l tivo de
p error
a
1 117. 117.73 0.0
75
2 77.6 77.74 0.2
2
3 8.22 7.95 3.2
4 12.1 12.55 3.6
1
5 7.54 7.57 0.5
6 2.81 2.58 8.3
7 - -48,85 0.9
8 48,4 30.40 0.9
4
30.6
8
9 11,52 11,52 0,0
10 1,91 2,18 13,9
11 9,12 9,07 0,5
12 3,49 3,41 2,2
 308

306
Estimación real

304

Cabezal de presión (m)

302 R=1

300

298

296

294

1 2 3 4 5 6 7 8 9

Número de nodo

Figura 9. Caso II: Cabezas nodales estimadas de la presión usando medidas inciertas.

90 12

Flujo en la tubería 2 Flujo en la tubería 5

R=0,995 R=0,567
10

85

8
Flujo de tubería (LPS)
Flujo de tubería (LPS)

Estimativo
Real
80
6

4
75 Real estimado

70
0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

a) b)
5
0
Flujo en la tubería 6
R=0,721 -10
Flujo en la tubería 7
R=0,996
4
-20

-30
Flujo de tubería (LPS)

3
Flujo de tubería (LPS)

-40

-50

2
-60

-70

1 Real estimado -80

Estimativo
Real
-90

0 -100
0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

c) d)

Figura 10. Caso II: Estimación de los caudales de las tuberías en tuberías(a) 2,(b)5, (c)6 y (d)7
utilizando mediciones inciertas.
 16 36

Flujo en la tubería 3 Flujo en la tubería 8

14 R=0,991 R=0,983
34
12

10 32

Flujo de tubería (LPS)

Flujo de tubería (LPS)

Estimativo
8
Real
30
6

4 28

2 Estimativo
26 Real
0

-2 24
0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

a) b)
10 16

Flujo en la tubería 10 Flujo en la tubería 11

8
R=0,982 14 R=0,995

6
12
Flujo de tubería (LPS)

Flujo de tubería (LPS)

4
10
2

8
0

Estimativo Estimativo
6
-2 Real Real

-4
4
0 2 4 6 8 10 12 14 16 18 20 22 24
0 2 4 6 8 10 12 14 16 18 20 22 24
Hora del reloj (H)
Hora del reloj (H)
c) d)

Figura 11. Caso II: Estimación de los caudales de las tuberías en tuberías(a) 3,(b)8, (c)10 y (d)11
utilizando mediciones inciertas.

Las demandas nodales estimadas en el caso II tuvieron un margen de error máximo del 7,9%
en el nodo 4, mientras que las estimadas en el caso I tuvieron un error máximo del 12,9%en el nodo
3. El error de estimación en el nodo 3 se redujo a 1,3% en el caso II. Esto podría atribuirse al sensor
de flujo colocado en la tubería 7 en el caso II. Por lo tanto, se concluye que la utilización de
sensores de presión y de flujo mejora los resultados globalesobtenidosdurante la estimación.

4.3. Estudio de caso III: Estimación de la demanda de agua en una red de agua más grande
El tercer estudio de caso considera una red de agua media que consta de 40 tuberías, 35 nodos,
1 estación de bombeo y 1 tanque de agua. La red está disponible en EPANET como ejemplo
"Net2.net" [21]. La estación de bombeo se modeló como un nodo con una demanda negativa
utilizando el perfil de demanda proporcionado. Los datos de red modelaron el funcionamiento de
una red real. La demanda de agua de cada nodo se definió de forma independiente y el consumo
de agua representó una combinación de diferentes tipos de usuarios. El diseño de red se
muestra en la Figura 12.
En este caso práctico, el algoritmo PSO se inicializó para ejecutarse con una población de 100 y
500 iteraciones. Se utilizó un rango de multiplicador de demanda de 0 a 4,0 con un
incremento de paso de 0,02. El límite superior del rango del multiplicador de demanda se eligió
mediante el análisis de las demandas de base nodal y los datos de perfil de demanda
proporcionados.
La matriz de sensibilidad se utilizó para seleccionar las ubicaciones para colocar sensores de
flujo y presión. Los resultados de la clasificación de sensibilidad de la cabeza nodal y del caudal
de la tubería son los que se muestran en las Figuras 13 y 14, respectivamente. Los resultados
muestran que la presión de las cabezas nodales más cercanas a la estación de bombeo era más
sensible a la demandadeagua. Los caudales de los enlaces de tuberías también fueron en general
más sensibles al cambio en la demanda de agua, en comparación con las cabezas nodales.
Considerando un caso en
qué tres sensores de presión y seis sensores de flujo estaban disponibles para su colocación, se
seleccionaron los nodos 3, 6 y 10 y los enlaces de tubería 13, 14, 15, 27, 28 y 30.

36
41
27
32 29 34 28
3 40
1 38
31 39 30
30
29 25
Tanque 28
23
26
24 34
27 36
17
18 19 33
17 35
20 18 20 25
15 15 22
32 22 24
14 23
16 16 14
37 13
21
19 21
13
12
12
11
11
9
9
4 7
5
4 5 8
76
3 2 8
3 6
2 10

1 10

1 Estación
de
bomb
eo

Figura 12. Caso III: Red de distribución de agua.

0.020
1 3 2
45
0.016

6
0.012
Varianza

0.008
10 8 7
9

0.004 11

12 33 32 13 22 19
0,000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Rango de nodo

Figura 13. Sensibilidad del cabezal nodal para la red Net2.

 0.8
13
27 12
0.7 26 11
28 9
15
0.6
30
14
0.5 31 7
22 32 6

Varianza
0.4

0.3
17
0.2
19
34 8 2 5 20
0.1

0,0
0 2 4 6 8 10 12 14 16 18 20 22
Rango de vínculo de canalización

Figura 14. Sensibilidad del caudal de tubería para la red Net2.

Los resultados de la demanda media estimada de agua para un período de 24 h son los que se
muestran en las figuras 15 y 16. Los resultados muestran que los nodos con una demanda de agua
inferior a 0,3 LPS, por ejemplo, los nodos 7, 32, 33 y 35, tuvieron errores de estimación de más
del 40%. El promedio del error de estimación para los valores reales fue de 15,0%, mientras que el
error de estimación promedio de los valores absolutos fue de 22,4%. El error de estimación de los
valores reales fue menor porque los errores negativos y positivos se compensan entre sí. Elerror de
estimación de la demanda media en[17] fue del 14,7% para la misma red. El mayor error de
estimación de la demanda en este estudio fue de 56,2% en el nodo 32. La demanda media del nodo
32 fue de 0,1 LPS. Sin embargo, la Figura 15 muestra que el error de estimación absoluta en el
nodo 32 no fue significativo. Los resultados muestran que los nodos con bajas demandas de
agua tuvieron una alta contribución al error de estimación de la demanda general de agua.
El proceso de estimación de 500 iteraciones se ejecuta en tiempo real de 62 s en un ordenador
de 2,6 GHz con 4 GB de memoria. Por lo tanto, se requiere más investigación para reducir los
errores de estimación y mejorar el tiempo de cálculo. Elmodelo de simulación de procesos
propuesto es adecuado para implementar y comparar el rendimiento de los algoritmos evolutivos
en la estimación de la demanda de agua. El trabajo futuro para este estudio implica la
incorporación de un algoritmo de colocación de sensores en el modelo de simulación de procesos
desarrollado con el fin de evaluar la sensibilidad de las ubicaciones de colocación de sensores en
los errores de estimación de la demanda de agua.

Error absoluto
2.25 Valor estimado

2.00

1.75

1.50
Demanda de agua (LPS)

1.25

1.00

0.75

0.50

0.25

0.00 5 10 15 20 25 30 35

Número de nodo

Figura 15. Caso III: Demandas estimadas de agua nodal y error absoluto.
 60

50

Error en la demanda estimada de agua (%)

40

30

20

10

0
5 10 15 20 25 30 35
Número de nodo

Figura 16. Caso III: Error absoluto (%) en las demandas estimadas de agua nodal.

5. Conclusiones
Como resultado de las limitaciones presupuestarias y otras limitaciones
físicas, es necesario estimar la demanda de agua en las redes de distribución de agua a partir de
un número limitado de sensores. Se formuló e implementó un modelo detallado de simulación
de procesos para la estimación de la demanda de agua utilizando el algoritmo PSO. Las
demandas de agua nodal y los flujos de tuberías se estimaron cuando el número de parámetros
estimados fue mayor que el número de valores medidos. La demanda de agua en cada nodo se
determinó mediante el algoritmo PSO para identificar un multiplicador de demanda nodal
correspondiente. Los multiplicadores de demanda nodal se codificaron con diferentes tamaños
de paso. Las ubicaciones de colocación de los sensores se seleccionaron utilizando un análisis
de la sensibilidad de los cabezales nodales medidos y los flujos de tuberías al cambio en la demanda
de agua. Los resultados muestran que los resultados precisos se pueden determinar utilizando
mediciones de sensores de un número limitado de ubicaciones. Los resultados también muestran
que la demanda de agua estimated no es sensible a una incertidumbre de
±0,1 en valores discretos de multiplicador de demanda o un ±incertidumbredel 10% en los
parámetros medidos. Se requiere más investigación para abordar el problema de la
incorporación de un algoritmo de colocación de sensores en el modelo de simulación de procesos
developed con el fin de evaluar la sensibilidad de las ubicaciones de colocación de sensores en
los errores de estimación de la demanda de agua.
Agradecimientos: Los autores desean agradecer al Consejo de Investigación Científica e Industrial (CSIR),
Sudáfrica, por su apoyo financiero.
Contribuciones del autor: Lawrence K. Letting y Yskandar Hamam concibieron y diseñaron los
experimentos; Lawrence K. Letting desarrollóel código del algoritmo en C++ y realizó los experimentos
de simulación; Adnan M. Abu-Mahfouz contribuyó al análisis e interpretación de los resultados. El
manuscrito fue escrito por Lawrence K. Letting con la contribución de todos los coautores.
Conflictos de interés: Los autores declaran no tener conflicto de intereses.

Referencias

1. Della Giustina, D.; Pau, M.; Pegoraro, P.A.; Ponci, F.; Sulis, S. Estimación del estado del sistema de
distribución eléctrica: Problemas y desafíos de medición. Ieee Instrum. Meas. Mag. 2014, 17, 36–42.
2. Sarrate, R.; Blesa, J.; Nejjari, F.; Quevedo, J. Sensor placement for leak detection and location in water
distribution networks. Agua Sci. Technol. Suministro de agua 2014, 14, 795–803.
3. Eliades, D.; Kyriakou, M.; Polycarpou,M. Sensor Placement in Water Distribution Systems Using the
S-PLACE Toolkit. Procedia Eng. 2014, 70, 602–611.
4. Pourali, M.; Mosleh, A. Un método funcional de optimización de la colocación de sensores para el
monitoring de estado de los sistemas de energía. In Proceedings of the IEEE 2012 Industry
Applications Society Annual Meeting (IAS), Las Vegas, NV, USA, 7–11 October 2012; pp. 1–10.
5. Antunes, C.H.; Dolores, M. Ubicación de sensores en redes de distribución de agua para detectar eventos
de contaminación: un enfoque multiobjetivo basado en NSGA-II. En Proceedings of the 2016 IEEE
Congress on Evolutionary Computation (CEC), Vancouver, BC, Canadá, 24–29 July 2016; pp. 1093–1099.
6. Schal, S.; Bryson, L.S.; Ormsbee, L.E. Un procedimiento simplificado para la guía de colocación de
sensores para pequeñas empresas de servicios públicos. Int. J. Crit. Infraestructura. 2016, 12, 195–212.
7. Jung, D.; Choi, Y.H.; Kim, J.H. Optimal Node Grouping for Water Distribution System Demand Estimation.
Agua 2016, 8,160.
8. Qin, T.; Boccelli, D.L. Agrupación de nodos de demanda de agua por similitud entre las rutas de
flujo en los sistemas de distribución de agua. J. Recursos de agua. Plan. Manag. 2017, 143,
04017033.
9. Preis, A.; Allen, M.; Whittle, A.J. Modelado hidráulico en línea de un sistema de distribución de agua en
Singapur. En Proceedings of the Water Distribution Systems Analysis 2010, Tucson, AZ, USA, 12–15
September 2010; pp. 1336–1348.
10. Ribeiro, L.; Sousa, J.; Marques, A.S.; Simões, N.E. Localización de fugas con soporte de algoritmo trustrank. Agua
2015, 7, 1378–1401.
11. Andersen, J.H.; Powell, R.S. Implicit state-estimation technique for water network monitoring. Agua Urbana
2000, 2, 123–130.
12. Bargiela, A. Monitoreo On-Line de Redes de Distribución de Agua. Ph.D. Tesis, Durham
University, Durham, UK, 1984.
13. Arsene, C.T.; Gabrys, B. Estimación mixta del estado de simulación de los sistemas de distribución de
agua basada en un estimador de estado de flujos de bucle de mínimos cuadrados. Appl. Math.
Model. 2014, 38, 599–619.
14. Jung, D.; Lansey, K. Detección de roturas del sistema de distribución de agua utilizando un
filtro kalman no lineal. J. Recursos de agua. Plan. Manag. 2014, 141, 04014070.
15. Xie, X.; Zhang, H.; Hou, D. Bayesian Approach for Joint Estimation of Demand and Roughness in Water
Distribution Systems. J. Recursos de agua. Plan. Manag. 2017, 143, 04017034.
16. Hutton, C.J.; Kapelan, Z.; Vamvakeridou-Lyroudia, L.; Savic, D.A. Real-time demand estimation in water
distrubtion systems under uncertainty. En Proceedings of the WDSA 2012: 14th Water
Distribution Systems Analysis Conference, Adelaide, Australia, 24–27 September 2012; p. 1374.
17. Hacer, N.C.; Simpson, A.R.; Deuerlein, J.W.; Piller, O. Calibration of Water Demand Multipliers in
Water Distribution Systems Using Genetic Algorithms. J. Recursos de agua. Plan. Manag. 2016, 142,
04016044.
18. Preis, A.; Whittle, A.J.; Ostfeld, A.; Perelman, L. Técnica eficiente de estimación del estado
hidráulico utilizando modelos reducidos de redes de agua urbanas. J. Recursos de agua. Plan. Manag.
2010, 137, 343–351.
19. Sanz, G.; Pérez, R. Análisis de sensibilidad para el diseño de muestreo y calibración de la demanda en
redes de distribución de agua utilizando la descomposición de valor singular. J. Recursos de agua.
Plan. Manag. 2015, 141, 04015020.
20. Davidson, J.; Bouchart, F.C. El ajuste de las demandas nodales en SCADA restringía los modelos de
red de distribución de agua en tiempo real. J. Hydraul. Índ. 2006, 132, 102–110.
21. Rossman, L. Epanet 2: Manual del usuario; U.S. Environmental Protection Agency, Office of Research
and Development, National Risk Management Research Laboratory: Washington, DC, USA, 2000.
22. Kang, D.; Lansey, K. Real-time demand estimation and confidence limit analysis for water distribution
systems. J. Hydraul. Índ. 2009, 135, 825–837.
23. Kennedy, J.; Eberhart, R. Optimización del enjambre de partículas. In Proceedings of the IEEE
International Conference on Neural Networks, Perth, Australia, 27 November–1 December 1995;
Volume 4, pp. 1942-1948.
24. Rossman, L.A. El kit de herramientas del programador epanet para el análisis de los sistemas
de distribución de agua. In WRPMD'99: Preparing for the 21st Century; American Society of Civil
Engineers: New York, NY, USA, 1999; pp. 1–10.
25. Dejar, L.; Hamam, Y.; Adnan, A.M. Una interfaz para algoritmos de optimización de acoplamiento
con EPANET en plataformas de simulación de eventos discretos. En Proceedings of the IEEE
15th International Conference of Industrial Informatics, Emden, Alemania, 24–26 de julio de 2017.
26. Pudar, R.S.; Liggett, J.A. Fugas en redes de tuberías. J. Hydraul. Índ. 1992, 118, 1031–1046.
27. Pérez, R.; Puig, V.; Pascual, J.; Quevedo, J.; Landeros, E.; Peralta, A. Metodología para el aislamiento
 de fugas mediante análisis de sensibilidad a la presión en redes de distribución de agua.
Control Eng. Pract. 2011, 19, 1157–1167.
28. Casillas, M.V.; Puig, V.; Garza-Castanón, L.E.; Rosich, A. Colocación óptima del sensor para la
ubicación de fugas en redes de distribución de agua utilizando algoritmos genéticos. Sensores
2013, 13, 14984–15005.

Oc 2017 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un
artículo de acceso abierto distribuido bajo los términos y condiciones de la
licencia Creative Commons Attribution (CC BY)
(http://creativecommons.org/licenses/by/4.0/).