기계학습 기반 상수도 유량 검보정 알고리즘

Abstract

각 지방상수도 사업소는 안정적인 상수도 시설 운영과 원활한 수돗물 공급을 위해 상수도 데이터를 수집하고 있다. 수집 데이터의 하나인 적산 유량은 유수율 산정이나 공급 현황, 누수 추정과 같은 상수관망 주요 현황을 파악하기 위한 자료로 활용되고 있지만, 유량 데이터에 다양한 원인의 문제가 발생하고 있어 데이터 효율성이 저하되고 있다. 본 논문에서는 지방상수도 사업소의 주요 수집 데이터인 유량의 이상치(outlier)를 판별하고, 상수도 유량의 특징과 관계를 연구하여 적합한 기계학습 모델을 선별하여 학습시킴으로써 상수도 유량 검보정(Calibration)을 수행하고자 했다. 이를 구현하고자 유량의 이상치 유형을 조사하고 Z-score 모형을 통해 이상치를 판별했으며, 유체역학의 베르누이 정리를 참고하여 상수도 유량과 수압의 관계를 가정하고 이에 적합한 Random Forest 회귀 기계학습 모델을 채택하였다. 또한, 예측 모델의 정확도 향상과 유의미한 예측 결과를 얻고자 수압과 순시 유량 값을 같이 학습시켰다. 그 결과, 우수한 예측 성능을 보이는 Random Forest 회귀 모델을 얻을 수 있었으며 유량과 수압의 상관관계를 확인할 수 있는 예측 값이 도출되었다. 연구에 활용된 데이터를 기반으로 예측값과 실측값의 평균 절대 오차(MAE)는 0.21 이하였고 분산 기반으로 예측 성능을 평가하는 R2 Score 점수는 0.97 이상이었다. 본 연구에서 제안하는 알고리즘을 통해 상수도 유량 검보정을 수행할 수 있음을 입증하고 설명 가능한 예측 결과를 제시할 수 있음을 보여준다.| Each local waterworks office collects water supply data for stable operation of water supply facilities and smooth supply of tap water. Although cumulative flow rate, one of the collected data, is used as data to identify major status of water supply network such as flow rate calculation, supply status, and leak estimation, data efficiency is decreasing due to various causes of flow data. In this paper, we aim to perform calibration by determining the flow outlier, the main collection data of local waterworks, and by studying the characteristics and relationships of water flow, selecting and training suitable machine learning models. To implement this, we investigate the types of outliers in flow and determine them through the Z-score model, and assume the relationship between constant flow and water pressure by referring to Bernoulli theorem in fluid mechanics and adopt a suitable Random Forest regression machine learning model. Furthermore, we trained water pressure and patrol flow values together to improve the accuracy of the prediction model and obtain significant prediction results. As a result, we were able to obtain a Random Forest regression model with good prediction performance, and a prediction value that can confirm the correlation between flow rate and water pressure is derived. Based on the data utilized in the study, the average absolute error (MAE) of predictions and ground truth values was 0.21, and the R2 Score score, which evaluates prediction performance on a variance basis, was 0.97. We demonstrate that the algorithm proposed in this work can perform constant flow calibration and show that we can present explanable predictive results.