Arquitetura inteligente para distribuição de água: Agrupamento robusto à variações de demanda sob Aprendizado federado

Resumo

Projeções da ONU indicam o crescimento populacional concomitante com o aumento da concentração urbana, fatores que estressam a infraestrutura das cidades. Especificamente sobre saneamento, no Brasil se observam perdas de 37% na distribuição urbana de água, fato que explicita a necessidade de modernizar esse sistema para integrá-lo no contexto de cidades inteligentes. Além disso, deve-se ter em conta a necessidade de zelar pela privacidade dos dados conforme legislação vigente, e para isso o Aprendizado Federado permite agregar diversos sistemas em uma cidade inteligente, local ou globalmente, resultando em uma gestão verdadeiramente integrada e resguardando dados sensíveis. Supõe-se que a adoção de medidores (nos consumidores) e sensores (na rede de distribuição) inteligentes promovam maior conhecimento sobre as condições da rede, e nesse cenário formula-se a hipótese de que, utilizando os dados gerados para agrupar clientes de acordo com seu perfil de consumo, é possível reduzir o tempo de detecção de anomalias (vazamentos e fraudes na medição) e otimizar a pressão na rede (reduzindo seu desgaste). O principal objetivo do projeto é verificar a hipótese levantada tanto técnica quanto economicamente, investigando a proporção mínima de consumidores com medidores inteligentes para corroborá-la. A partir da estimativa da economia advinda da detecção eficiente de vazamentos, será possível calcular o índice de Retorno de Investimento (ROI) para validar o uso de sensores e medidores inteligentes, visando que o projeto possa ajudar a embasar a decisão de operadores e gestores públicos. O diferencial do projeto é comparar o impacto do agrupamento de clientes através de três paradigmas, a saber utilizando critérios geográficos, obtendo agrupamentos otimizados através da Teoria da Informação e agrupando os clientes no paradigma Federado, através de métodos aplicados com e sem conhecimento a priori dos dados históricos de consumo.