Presentación de PowerPoint - mapama.gob.es · Mejoras en estaciones de bombeo Tarifas eléctricas...

Aplicación de la Inteligencia Artificial para la predicción de demanda diaria de

agua en una Comunidad de Regantes

Rafael González PereaEmilio Camacho Poyato

28-02-2018

0. Contenido

1. Introducción

2. Variables de entrada

3. Modelos predictivos a escala de Red de Distribución de agua

4. Modelos predictivos a escala de parcela

5. Conclusiones

1. Introducción

Reducción del uso de agua de riego: 23 %

Cultivos intensivos y superficie regada.

Incremento del coste de la energía: 149 %

Aumento de los costes del agua: 52 %

Plan Nacional de Regadíos

Modernización de las Infraestructuras

hidráulicas

Redes a presión

(Fernández García et al. 2014)

Alta dependencia Energética

1. Introducción

Medidas para mejorar la eficiencia energética en redes de riego a presión

Sectorización

C. Puntos críticos

Mejoras en estaciones de bombeo

Tarifas eléctricas

1 punto de suministro

Fernández García et al. 2013Carrillo Cobo

et al. 2011

Varios ptos suministro

Rodríguez Díaz et al. 2009

Fernández García et al. 2013Rodríguez Díaz

et al. 2012

Moreno et al. 2007

Fernández García et al. 2015

Red de distribución de agua

Parcela

Lamaddalena and Sagardoy 2000

1. Introducción

Agriculture 4.0

Inteligencia Artificial

Redes Neuronales Artificiales

Lógica Difusa

Algoritmos Genéticos

Redes de distribución de agua INTELIGENTES

1. Introducción

La inteligencia artificial como herramienta para la gestión y planificación de los recursos hídricos

Modelización de procesos de escorrentía Agarwal et al. 2006

Rezaei et al. 2017

Pulido-Calvo and Gutiérrez-Estrada, 2009

R2 = 0.89; SEP = 20.27%

Optimización de patrones de cultivo

Predicción de demanda de agua deriego


Parcela

1. Introducción

ParcelaModelización del comportamiento del agricultor


0 10 20 30 40 50 600

100

200

300

400

500

600

700

800

900

Days

100 200 300 400 500 600 700 800 9000

100

200

300

400

500

600

700

800

900

R2= 0.92

Observed water demand (L s-1day-1)

0 10 20 30 40 50 600

100

200

300

400

500

600

700

800

900

Days

Wa

te

r d

em

an

d (

L s

-1d

ay

-1)

100 200 300 400 500 600 700 800 9000

100

200

300

400

500

600

700

800

900

R2= 0.93

Observed water demand (L s-1day-1)

Estim

atio

n w

ate

r d

em

an

d (

L s

-1d

ay

-1)

Estimated Observed

Model 1

Model 3

2 ESCALAS

0. Contenido

1. Introducción




5. Conclusiones


Monitorear Medir Organizar y almacenar datos Analizar y Modelizar Tomar decisiones

RIEGO INTELIGENTE


SONDAS DE HUMEDAD


CONTADORES/CAUDALÍMETROS


Radiación

Humedad Relativa

Velocidad del viento

Temperatura

ETo…

VARIABLES CLIMÁTICAS


BBDD-AGROCLIMÁTICAS


TIPOS DE DATOS-No Estructurados

0. Contenido

1. Introducción




5. Conclusiones

3. Red de distribución de agua

Ob

jeti

vo Desarrollar una metodología que permita la predicción a corto plazo de la demanda diaria de agua de riego a escala de Comunidad de Regantes

usando Algoritmos Genéticos y Redes Neuronales Artificiales

Pla

nte

amie

nto

de

l pro

ble

ma 𝐹1 = 𝑀á𝑥. 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑

𝐸𝑣𝑖𝑡𝑎𝑟 𝑓𝑎𝑠𝑒 𝑑𝑒 𝑚𝑒𝑚𝑜𝑟𝑖𝑎

𝑆𝐸𝑃 =100

𝑄𝑣∙ 𝑅𝑀𝑆𝐸F2 = 𝐸𝑟𝑟𝑜𝑟 𝑚í𝑛𝑖𝑚𝑜 𝑑𝑒 𝑝𝑟𝑒𝑑𝑖𝑐𝑐𝑖ó𝑛 = 𝑅𝑀𝑆𝐸

Re

de

sN

eu

ron

ales

Art

ific

iale

s(R

NA

)



Alg

ori

tmo

Ge

nét

ico

Mu

ltio

bje

tivo

: NSG

A-I

IPoblación Inicial, GEN = 0

C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13

Cromosoma (Chr)

Arq

uit

ectu

rad

e la

RN

A

Asi

gnac

ión

de

Fun

cio

nes

de

Tran

sfer

enci

a

Fun

ció

nd

e en

tran

mie

nto

, co

nst

ant

de

com

ento

, fu

nci

ón

de

apre

nd

izaj

e,

fun

ció

nd

e re

nd

imie

nto

, ra

tio

de

ren

dim

ien

toy

algo

ritm

od

e b

úsq

ue

da

Co

nju

nto

s d

e

entr

enam

ien

toy

valid

ació

n

Obtención de las Funciones Objetivo

Entrenamiento y Validación de la RNA

Poblacióncompletada?

No

Yes

Proceso de Optimización: NSGA-II

Modelos Óptimos de RNAs


Cas

o d

e E

stu

dio

- Sistema de telemetría

- Datos de demanda de agua: diarios

- Campañas de riego: 2010, 2012 y 2013

- Datos climáticos: Estación Agroclimática más cercana

Comunidad de Regantes: Bembézar Márgen Derecha. Sector VII


Re

sult

ado

sVariables de Entrada

- Demanda de agua del día anterior (L s-1)

- Demanda de agua de dos días anteriores (L s-1)

- Temperatura media del día a predecir (°C)

- Radiación solar del dia a predecir (MJ m-2)

- Radiación solar del dia anterior (MJ m-2)

- ETo del día a predecir (mm)

- ETo del dia anterior (mm)

RNA(7,n,m,1)


Re

sult

ado

sFrente de Pareto

0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.00

0.2

0.4

0.6

0.8

1.0

1.2

1.4

1.6

1.8

2.0F2

F1

1.60 1.65 1.70 1.75 1.801.0

1.5

2.0

2.5

3.0

3.5

F2

F1

x10-6

I1I2

I3


I1 I2 I3Nº Neuronas de la 1ª capa oculta 22 3 29Nº Neuronas de la 2ª capa oculta 14 23 16Conjunto de entrenamiento (%) 81 75 80

Periodo devalidación

R2 0.92 0.90 0.93RMSE (L s-1) 53.42 58.10 55.18

SEP (%) 12.72 13.48 12.63

Re

sult

ado

s


Re

sult

ado

s

10 20 30 40 50 600

100

200

300

400

500

600

700

800

900

Número de datos100 200 300 400 500 600 700 800 900

0

100

200

300

400

500

600

700

800

900

R2=0.93

Demanda de agua observada (L s-1

día-1

)

0 10 20 30 40 50 600

100

200

300

400

500

600

700

800

900

Número de datos

De

ma

nd

a d

e a

gua

(L

s-1

día

-1)

100 200 300 400 500 600 700 800 9000

100

200

300

400

500

600

700

800

900

R2=0.92

Demanda de agua observada (L s-1

día-1

)

De

ma

nd

a d

e a

gua

estim

ada

(L s

-1)

Estimada Observada

Primer modelo de RNA (individuo negro)

Tercer Modelo de RNA (individuo verde)

I1

I3

0. Contenido

1. Introducción




5. Conclusiones

4. Escala de parcela

Modelización del comportamiento del agricultor


Ob

jeti

voP

lan

team

ien

tod

el p

rob

lem

a

Desarrollar una nueva metodología combinando Árboles de decision y Algoritmos Genéticos para modelizar el comportamiento del agricultor

y predecir los eventos de riego

𝐹1 = 𝑀á𝑥. 𝑛ú𝑚𝑒𝑟𝑜 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑏𝑖𝑒𝑛 𝑐𝑙𝑎𝑠𝑖𝑓𝑖𝑐𝑎𝑑𝑜𝑠

F2 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑛𝑜𝑑𝑜𝑠 𝑑𝑒𝑙 á𝑟𝑏𝑜𝑙 = 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑


Estr

uct

ura

de

un

Árb

ol d

e C

lasi

fica

ció

n

x<a

y<b y<c

J1 J2 J3 J4

Yes No

Yes Yes NoNo

Nodo raíz Regiones divididas por la variable de

entrada xNodo interno: la hoja J1 es un nodo hijo de

este nudo interno

Hoja, nodo terminal o nodo externo

Labels

Max. Number of Branch node splits per tree

Minimum number of Observations

per Leaf

Minimum number of Observations per Branch node

Maximum Categories or levels of the

classification tree

Control de densidad


Población Inicial, GEN = 0

Cromosoma (Chr )

MaxBranch MinObsLeaf MinObsBranch MaxCatLevelSplitAlgorithm CrossValA

sign

ació

n d

el a

lgo

ritm

o d

e

div

isio

nd

el á

rbo

l de

clas

ific

ació

n

Uso

de

val

idac

ión

Cru

zad

a

Co

ntr

ol d

e d

en

sid

ad d

el

árb

ol d

e c

lasi

fica

ció

n

Obtención de las Funcniones Objetivo

Entrenamiento y test del árbol de clasificación

Población completada?

No

Sí

Proceso de optimización: NSGA-II

Árboles de clasificación óptimos

Alg

ori

tmo

Ge

nét

ico

Mu

ltio

bje

tivo

: NSG

A-I

I


Localización: Suroeste de España

Superficie regada: 2,691 ha

Sistema de riego: - Goteo (Tomate y maíz)

- Inundación (arroz)

Sistema de telemetría: consumo horario de

agua a escala de hidrante

Estación de riego: 2015

Número de hidrantes: 649 627

Conjuntos de entrenamiento/test: 80/20

Comunidad de Regantes: Canal del Zújar. Sector IIC

aso

de

Est

ud

io


Re

sult

ado


Input Descripción

I1 Cultivo.

I2 Día Juliano.

I3 Festivos (false or true).

I4 Día de la semana.

I5 Temperatura máxima diaria(°C).

I6 Temperatura media diaria(°C).

I7 Humedad relativa media diaria(%).

I8 Precipitación (false or true).


Re

sult

ado

sFrente de Pareto

0.985 0.987 0.989 0.991 0.993 0.995 0.997 0.99913.0

3.2

3.4

3,6

3,8

4.0

4.2

4.4

4.6

4.8

5.0

F1

Com

puti

ng

tim

e re

quir

emen

ts (s

)

0.985 0.987 0.989 0.991 0.993 0.995 0.997 0.999120

25

30

35

40

45

50

55

60

65

70

75

80

85

90

95

100

F1

F2

CT2

CT2

CT1

CT3CT3

CT1

a) b)


Re

sult

ado

sÁrboles seleccionados

CT1 CT2 CT3

Validación Cruzada yes yes yes

F1 1 0.9961 0.9916

F2 49 37 23

0.985 0.987 0.989 0.991 0.993 0.995 0.997 0.99913.0

3.2

3.4

3,6

3,8

4.0

4.2

4.4

4.6

4.8

5.0

F1

Com

putin

g tim

e req

uire

men

ts (s)

0.985 0.987 0.989 0.991 0.993 0.995 0.997 0.999120

25

30

35

40

45

50

55

60

65

70

75

80

85

90

95

100

F1

F2

CT2

CT2

CT1

CT3CT3

CT1

a) b)


Re

sult

ado

s: M

atri

z d

e c

on

fusi

ón

CT1

Valores pred. Precisión

Riego No RiegoPositive

(Riego)Negative

(No Riego)V

alo

res

ob

s.Riego

9,250 0100 % 100 %

No Riego 0 36,521

CT2


Riego No IrrigationPositive

(Riego)Negative

(No Irrigation)

Val

ore

so

bs. Riego 6,706 2,544

73 % 93 %

No Riego 2,689 33,823

CT3


Riego No IrrigationPositivo

(Riego)Negativo

(No Riego)

Val

ore

so

bs. Riego 6,329 2,921

68 % 93 %

No Riego 2,537 33,984


Re

sult

ado

sCT1


Modelización del comportamiento del agricultor


Ob

jeti

vo Desarrollar una metodología híbrida combinando Algoritmos genéticos y Sistemas Neurodifusos para la predicción de la lámina de riego diaria

aplicada por cada agricultor

Pla

nte

amie

nto

de

l pro

ble

ma 𝐹1 = 𝑀á𝑥. 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑

𝑆𝐸𝑃 =100

𝑄𝑣∙ 𝑅𝑀𝑆𝐸F2 = 𝐸𝑟𝑟𝑜𝑟 𝑚í𝑛𝑖𝑚𝑜 𝑑𝑒 𝑝𝑟𝑒𝑑𝑖𝑐𝑐𝑖ó𝑛 = 𝑅𝑀𝑆𝐸


Sist

em

asd

e In

fere

nci

aD

ifu

sa(F

IS)

Fuzzification

Inference

Defuzzification

MFs Database Rulebase

Input Output

Relación no lineal

Crisp Values Variables linguísticas

Opt. mediante RNA

ANFIS

Rule 1: If x is A1 and y is B1 Then f1 = p1 · x + q1 · y + r1,

Rule 2: If x is A2 and x is B2 Then f2 = p2 · x + q2 · y + r2,Sugeno-Takagi (TS) FIS

µ

µ


Ad

apti

ve N

eu

ro F

uzz

y In

fere

nce

Sys

tem

(A

NFI

S)

µ

µ

𝑤1 =𝑤1𝑤1 + 𝑤2

µA1

f1 (x,y)xw1 (x,y)

Layer 1

µA2

Π N

f2 (x,y)Nw2 (x,y)

f (x,y)

w1 f1

w2 f2

Layer 2 Layer 3 Layer 4 Layer 5

µB1

y

µB2

Π 𝑤2 =

𝑤2𝑤1 + 𝑤2

Fuzzification Layer

Rule nodes

𝑂𝑖2 = 𝑤𝑖 = 𝜇𝐴𝑖 𝑥 ∙ 𝜇𝐵𝑖 𝑦

Average nodes

DefuzzificationLayer

𝑂𝑖4 = 𝑤𝑖 ∙ 𝑓𝑖 = 𝑤𝑖 ∙ (𝑝𝑖𝑥 + 𝑞𝑖𝑦 + 𝑟𝑖𝑂𝑖5 = 𝑓 𝑥, 𝑦 =

𝑖

𝑤𝑖 ∙ 𝑓𝑖 = 𝑖𝑤𝑖 ∙ 𝑓𝑖 𝑖𝑤𝑖

Output node


Ad

apti

ve N

eu

ro F

uzz

y In

fere

nce

Sys

tem

(A

NFI

S)

µ

µ

Fuzzification

Inference

Defuzzification

MFs Database Rulebase

Input Output

Algoritmo Genético: NSGA-II


Alg

ori

tmo

Ge

nét

ico

Mu

ltio

bje

tivo

: NSG

A-I

I

Number of MFs Type of MFs

nDec1 nDec2 ... nDecnInput nDecnInput+1 nDecnInput+2 ... nDec2*nInput nDec2*nInput+1

Learning Method

Población Inicial, GEN = 0

Input number of FIS model (nInput); Population size (nPop); Number of Generations (nGEN); Number of Decision Variables (nDec)

GEN=0

.

.

.

...

Layer 1 Layers 2 to 5 (Fig.8.2)

Learning method of the ANFIS model

nDec2*nInput+1

Obtaining the Knowledge base

of the FISChr i model

i=1

i=nPopNo i=i+1

Yes

GEN =

nGEN

Sort the initialized population and selection of nPop/2 chromosomes

Evolution process (Crossover and

Mutation)

Selection of nPop chromosomes

Yes

NoGEN=GEN+1

Pareto Front

Optimal Chromosome

Optimal FIS model

Evaluation of the Objetive Functions F1

and F2

Number of MFs Type of MFs

nDec1 nDec2 ... nDecnInput nDecnInput+1 nDecnInput+2 ... nDec2*nInput nDec2*nInput+1

Learning Method

ChrnPopChr1 Chr2 Chr3 ...

Testing the FISChr i model

Obtaining of the Objetive Funtion F1 and F2

Input1

µA1 nDecnInput+1

Discourse universe partitioning

MFs type

µA2 nDecnInput+1

... ...µAnDec1 nDecnInput+1

Input2

µB1 nDecnInput+2


MFs type

µB2 nDecnInput+2

... ...µBnDec2 nDecnInput+2

InputnInput

µZ1 nDec2*nInput


MFs type

µZ2 nDec2*nInput

... ...µZnInput nDec2*nInput

Opt. modelos

FIS


Re

sult

ado


Input Description

PI17 Lámina de riego aplicada en el día anterior, mm.

PI18 Lámina de riego aplicada dos días anteriores, mm.

PI13 Día Juliano.

PI6 Humedad relativa máxima diaria, %.

PI4 Temperatura media diaria, °C.

Fuzzy Curves and Fuzzy Surfaces


Re

sult

ado

sFrente de Pareto

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

F1

F2 (m

m)

Backpropagation method + least squares learning method

Backpropagation learning method


Re

sult

ado

sLámina de riego diaria

Rice Maize Tomato0

10

20

30

40

50

60

Dai

ly ir

riga

tion

dep

th (m

m)

RiceMaize

Tomato

100125

150175

200225

250275

3000

10

20

30

40

50

60

Julian day

Dai

ly ir

riga

tion

dep

th (m

m)

100 125 150 175 200 225 250 275 3000

10

20

30

40

50

60

Julian day

Dai

ly ir

riga

tion

dep

th (m

m)

Rice Maize Tomato


Re

sult

ado

sFrente de Pareto

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10123456789

101112131415

F1

F2 (m

m)

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10123456789

101112131415

F1

F2 (m

m)


Backpropagation method +

least squares learning method

Backpropagation method +


a)

b)

Arroz

Maíz + Tomate


Re

sult

ado

sFrente de Pareto

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10123456789

101112131415

F1

F2 (m

m)

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10123456789

101112131415

F1

F2 (m

m)

a)


Backpropagation method+


b)

Backpropagation method + least squares learning method

Maíz

Tomate


Re

sult

ado

sModelos óptimos

0

5

10

15

20

25

30

0

5

10

15

20

25

30

0 5 10 15 20 25 300

5

10

15

20

25

30

Observed irrigation depth (mm)

Est

imat

ed ir

riga

tion

dep

th (m

m)

a)

b)

c)

R2 = 0.72SEP = 22.20 %

R2 = 0.87SEP = 9.80 %

R2 = 0.72SEP = 23.42 %

Arroz

Maíz

Tomate


Re

sult

ado

sANFIS Example

R27: If Applied irrigation

depth in the previous day

is LOW and Applied

irrigation depth in the two

previous days is

MEDIUM and Julian day

is HIGH and the Daily

maxium relative humidity

is HIGH and Daily

average termperature is

LOW,

THEN

f27 = 11.48 · PI17 + 54. 28 ·

PI18 – 3.83 · PI13 – 9.17 ·

PI6 + 26.06 · PI4 – 5400

0. Contenido

1. Introducción




5. Conclusiones

5. Conclusiones

La mejora del conocimiento y la integración de todos los elementos quecomponen las Redes de distribución de agua de riego permiten reducir ladependencia energética de las CC.RR. y por tanto de los agricultores.C

on

clu

sio

nes

La incorporación de la Inteligencia Artificial a la gestión de las Comunidadesde Regantes permite reducir la incertidumbre ocasionada por los riegosorganizados a la demanda y proporciona herramientas a los gestores tantopara la contratación de la energía eléctrica como para la gestión y petición deaguas.

Aplicación de la Inteligencia Artificial para la predicción de demanda diaria de

agua en una Comunidad de Regantes

Rafael González PereaEmilio Camacho Poyato

28-02-2018

Presentación de PowerPoint - mapama.gob.es · Mejoras en estaciones de bombeo Tarifas eléctricas...

Documents

Transcript of Presentación de PowerPoint - mapama.gob.es · Mejoras en estaciones de bombeo Tarifas eléctricas...