1. Smart metering e monitoraggio delle reti acquedottistiche per la gestione e il contenimento delle perdite idriche
Stefano Alvisi
Dipartimento di Ingegneria
Università degli Studi di Ferrara
Giovedì 25 Gennaio 2024| IREN, Reggio Emilia
SCUOLA DI ALTA FORMAZIONE
Sponsor dell’evento
2. Houston abbiamo un problema
Implicazioni
Lo smart metering a support della gestione delle perdite
ambientali
energetiche
economiche
sociali
19. Minimum Night Flow (MNF)
Night consumptions
1.7 l/h per property (UK)
3 l/h per property (Canada)
0.8 l/h per person (Austria)
Minimum inflow
between
2:00-4:00 a.m.
_ = Water losses
La stima del livello di perdita
Q
t
Water losses
Minimum inflow
Night consumptions
26. Conoscenza
del sistema
Bilancio idrico
MNF
Monitoraggio
Stima del livello di perdita
Fatturazione
Lo smart metering a support della gestione delle perdite
Vantaggi di disporre di un sistema
di smart metering dei consumi
delle utenze interne al distretto:
Perfetta chiusura del bilancio
27. Un esempio di bilancio idrico in un distretto dotato di
smart meters
28. ü il medesimo andamento qualitativo;
ü un immesso in rete sempre superiore
rispetto alla richiesta della totalità delle
utenze.
Perdita media oraria di 2,3 m3/h, valore pari al
32% della portata media oraria in ingresso al
DMA (di 7,2 m3/h) ovvero pari al 46% del
consumo medio orario dell’insieme delle
utenze (di 4,9 m3/h).
Un esempio di bilancio idrico in un distretto dotato di
smart meters
29. PRIMO INTERVENTO: chiusura di un scarico presente
in un tratto terminale della rete di distribuzione,
avvenuta il 18 ottobre 2019. Ha consentito di ridurre il
consumo non fatturato di circa 1 m3/h.
Complessivamente, la
perdita media oraria è
stata ridotta del 77%.
SECONDO INTERVENTO: riparazione di uno scarico
antigelo di un idrante, avvenuta il 23 ottobre 2019. Ha
consentito di limitare ulteriormente il consumo non
fatturato, avendolo ridotto a circa 0,5 m3/h.
Un esempio di bilancio idrico in un distretto dotato di
smart meters
30. Alcuni vantaggi e riflessioni
ü La pianificazione di attività di verifica degli organi presenti nei sistemi acquedottistici (scarichi, sfiori, ecc.) è da intendersi come un valido strumento
per ridurre le perdite reali.
ü L’impiego di tecniche di smart metering per il monitoraggio in continuo dei consumi d’utenza, combinato con la distrettualizzazione delle reti,
consente di incrementare la sostenibilità degli attuali sistemi, permettendo di applicare il Bilancio Idrico e di conseguenza di pianificare le attività per
l’ottimizzazione dei sistemi di approvvigionamento, concorrendo alla riduzione delle perdite reali di rete.
ü Sebbene i sistemi di smart metering dei consumi idrici si stiano sviluppando e affermando sempre più, per il gestore comportano il problema di
sostituire migliaia di contatori tradizionali, operazione che implica il coinvolgimento di tecnici in campo, lunghi tempi e costi elevati.
È opportuno chiedersi se, a parità di investimento e numero di contatori da sostituire, conviene procedere alla
sostituzione di tutti i contatori di un distretto o sostituirne ad esempio la metà, ma in due distretti diversi?
Quali risultati produrrebbe il Bilancio Idrico in questo caso?
……. Com’è possibile conciliare le diverse esigenze ??????
Un esempio di bilancio idrico in un distretto dotato di
smart meters
31. Stima del consumo dell’insieme delle utenze partendo dal
monitoraggio di parte delle stesse
Fissata la percentuale di utenze da monitorare, la metodologia prevede due fasi successive:
Può avvenire:
1. In maniera casuale (SM1);
2. sulla base delle utenze che nell’anno precedente, indipendentemente dalla loro
tipologia, hanno consumato di più (SM2);
3. selezionando tutte le utenze NON residenziali e completando la percentuale di utenze
da monitorare scegliendo tra le utenze domestiche che nell’anno precedente hanno
consumato di più (SM3).
FASE 1 – SELEZIONE DELLE UTENZE DA MONITORARE
SM2 e SM3 prevedono l’utilizzo di informazioni a disposizione del gestore prima della sostituzione
dei contatori tradizionali con gli smart meter
32. FASE 2 – STIMA DEL CONSUMO DELL’INSIEME DELLE UTENZE DEL DMA
La stima del consumo della totalità delle utenze può essere effettuata con due approcci distinti.
1. Il primo approccio (SM1) prevede che la richiesta idrica di tutte le utenze Qh venga stimata
a partire dai consumi delle utenze monitorate qh con i=1:np, (np rappresenta il numero di
utenze selezionate) come:
å
P
i
n
h a h
i=1
Q = F × q
å
å
tot
p
n
y j
j=1
a n
y i
i=1
V
F =
V
dove:
å
tot
j
n
y
j=1
V
å
p
n
y i
i=1
V
rappresenta il volume fatturato annuo a tutte le utenze del DMA nell’anno precedente all’anno di analisi
rappresenta il volume fatturato annuo alle sole utenze selezionate nell’anno precedente all’anno di analisi
Stima del consumo dell’insieme delle utenze partendo dal
monitoraggio di parte delle stesse
33. FASE 2 – STIMA DEL CONSUMO DELL’INSIEME DELLE UTENZE DEL DMA
2. Il secondo approccio (SM2) prevede che la richiesta idrica di tutte le utenze venga stimata
come:
rappresenta la portata media delle utenze non selezionate, stimata sulla base dei volumi contabilizzati
nell’anno precedente;
å å
tot p
P
i
n -n
n
h h h y k
i=1 k=1
Q = q + k × Q
å
tot p
n -n
y k
k=1
Q
å å å å
å
p p p p
i,t-24×21 i,t-24×14 i,t-24×7 i,t
p
n n n n
h h h h
i=1 i=1 i=1 i=1
h n
y i
i=1
q + q + q + q
k =
4× Q
coefficiente orario stimato sulla base dei consumi idrici
delle utenze monitorate osservate nell’ora corrente e
nella medesima ora del medesimo giorno nelle tre
settimane precedenti, per tener conto delle variazioni dei
comportamenti periodici giornalieri.
dove:
Stima del consumo dell’insieme delle utenze partendo dal
monitoraggio di parte delle stesse
34. Andamento del MAPE (Mean Absolute Percentage Error)
sulla stima della portata oraria della totalità delle utenze per
i diversi metodi e percentuali di utenze monitorate.
å
obs eval
n
i i
obs
i=1 i
x - x
1
MAPE = × × 100
n x
dove:
n rappresenta il numero di dati
osservati;
xi
obs rappresenta la grandezza
osservata;
xi
eval rappresenta la grandezza
stimata.
Stima del consumo dell’insieme delle utenze partendo dal
monitoraggio di parte delle stesse
35. Andamento nel tempo della portata oraria
di tutte le utenze
osservata (in nero)
stimata, selezionando il 60% delle utenze
con il metodo SM2-CF1 (in blu)
con il metodo SM2-CF2 (in magenta)
con il metodo SM3-CF1 (in verde) e
con il metodo SM3-CF2 (in rosso).
Stima del consumo dell’insieme delle utenze partendo dal
monitoraggio di parte delle stesse
36. Andamento nel tempo
del volume giornaliero osservato in ingresso al DMA (in celeste) e
del volume richiesto giornalmente da tutte le utenze
osservato (in nero) e
stimato, selezionando il 60% delle utenze (rosso)
Stima del consumo dell’insieme delle utenze partendo dal
monitoraggio di parte delle stesse
38. Smart meters e
strumentazioni per la raccolta dei dati
sono tutti equivalenti tra loro?
W-Mbus 868
LoRa
NBIOT
C1 T1
Protocolli
proprietari Protocolli
open
Rete
fissa
Drive-By
40. Arrivo
LEGENDA
• Contatore ricevuto
• Contatore non ricevuto
• Partenza e arrivo percorso drive-by
Partenza
Contatori Contatori letti
entro 40m
Contatori letti
entro 100m
Intervallo di
trasmissione
B 89% 67,6% 8 sec
D 0% 0% 15 sec
A 21,8% 21,5% 60 sec
C 32,9% 26,5% 96 sec
Letture Drive-By
Strumentazione fornitore B
Contatori Contatori letti
entro 40m
Contatori letti
entro 100m
Intervallo di
trasmissione
B 0% 0% 8 sec
D 51,8 % 67,7 % 15 sec
A 2,8% 2,6% 60 sec
C 11,6% 17,9% 96 sec
Strumentazione fornitore C
41. Analisi canali di trasmissione
Primario vs secondario
LEGENDA
Posizione rilevatore
Rilevati segnale primario e secondario
Rilevato solo segnale primario
Nessun segnale rilevato
44. Monitoraggio della rete
ID 03
ID 41
ID 04
ID 48
ID 20
ID 08
ID 16
ID 52
ID 56
ID 30
ID 38
ID 07
ID 34
ID 23
ID 49
CENTRALE
Q,P
• Monitoraggio pressione in 15 punti della rete
• Durata: una settimana (gennaio 2023)
• Risoluzione temporale: 1 minuto
45. Simulazioni di perdita
ID 03
ID 41
ID 04
ID 48
ID 20
ID 08
ID 16
ID 52
ID 56
ID 30
ID 38
ID 07
ID 34
ID 23
ID 49
CENTRALE
DI SPINA
Q,P
• Simulazioni di perdite idriche durante la settimana di monitoraggio
• Manovre su idranti ad opera del gestore
• Durata, tempo di inizio ed entità della manovra non dichiarate
48. Cali anomali di pressione in corrispondenza di alcuni nodi
Anomalia del 25/01
49. Anomalia del 25/01
Alta probabilità
Medio-alta probabilità
Media probabilità
Medio-bassa probabilità
Bassa probabilità
50. Anomalia del 25/01
Nodo con
anomalia
Nodo trovato
Alta probabilità
Medio-alta probabilità
Media probabilità
Medio-bassa probabilità
Bassa probabilità
52. Cali anomali di pressione in corrispondenza di alcuni nodi
Anomalia del 23/01
53. Anomalia del 23/01
Alta probabilità
Medio-alta probabilità
Media probabilità
Medio-bassa probabilità
Bassa probabilità
54. Anomalia del 23/01
Nodo con
anomalia Nodo trovato
Alta probabilità
Medio-alta probabilità
Media probabilità
Medio-bassa probabilità
Bassa probabilità
55. Osservazioni conclusive
üImportanza del monitoraggio delle pressioni all’interno
della rete di distribuzione idrica
üImportanza della modellazione della rete di distribuzione
idrica ed in particolare dei consumi -> smart metering
üCapacità dell’approccio model-based di localizzare le
perdite idriche sfruttando pressioni misurate in campo e
pressioni simulate da modello idraulico
56.
57. 1.Luciani C., Casellato F., Alvisi S., Franchini M, “Green Smart Technology for Water (GST4Water): water loss identification at user
level by using smart metering systems”, Water, 11, 405, 2019. (ISSN 2073-4441) doi:10.3390/w11030405
2.Alvisi S., Casellato F., Franchini M., Govoni M., Luciani C., Poltronieri F., Riberto G, Stefanelli C., Tortonesi M., “Wireless
Middleware Solutions for Smart Water Metering”, Sensors, 19(8), 1853, 2019 (ISSN 1424-8220) doi:10.3390/s19081853
3.Alvisi S., Luciani C., Franchini M. “Using water consumption smart metering for water loss assessment in a DMA: a case study”,
Urban Water Journal, 16:1, 77-83, 2019 (ISSN 1573-062X) doi: 10.1080/1573062X.2019.1633675
4.Marzola I., Alvisi S., Franchini M. “Analysis of MNF and FAVAD Model for Leakage Characterization by Exploiting Smart-Metered
Data: The Case of the Gorino Ferrarese (FE-Italy) District” Water, 13, 5, 643, 2021. (ISSN 2073-4441) doi: 10.3390/w13050643
5.Alvisi S, Franchini M., Luciani C., Marzola I., Mazzoni F., “Effects of the COVID-19 Lockdown on Water Consumptions: a Northern
Italy Case Study” J. Water Resour. Plann. Manage., 147(11): 05021021, 2021. (ISSN 0733-9496) doi: 10.1061/(ASCE)WR.1943-
5452.0001481.
6.Zese R., Bellodi E., Luciani C., Alvisi S., “Neural Network techniques for detecting intra-domestic water leaks of different
magnitude” IEEE Access, 9: 126135-126147, 2021. (ISSN 2169-3536) doi: 10.1109/ACCESS.2021.3111113
7.Marzola I., Alvisi S., Franchini M., “A comparison of model-based methods for leakage localization in water distribution systems”
Water Resour. Mgmt., 36, 5711–5727, 2022 (ISSN 0920-4741) doi: 10.1007/s11269-022-03329-4
Alcuni riferimenti bibliografici