Detection of leakages in a water distribution network using an autoencoder.

Abstract

Lekkasje fra ledningsnett er et problem i en rekke byer i verden og vannmangel er forventet å bli et stadig økende problem på verdensbasis grunnet klimaendringer. Ett eksempel på et ledningsnett som sliter med høye lekkasjetall er i Oslo.

I denne oppgaven testes en autoenkoder på ett datasett som inneholder trykkverdier fra sensorer plassert i et ledningsnett, med mål om å avgjøre når en lekkasje oppstår. Det testes på 14 forskjellige lekkasjescenarioer. For å håndtere dette problemet med avviksdeteksjon brukes en autoenkoder. En autoenkoder brukes på grunn av dens evne til å rekonstruere sin inngangsdata, slik at den kan brukes til avviksdeteksjon når inngang- og utgangsdata sammenlignes. Rekonstruksjonsfeilen som brukes til å utlede avvik er da forskjellen mellom inngang og utgang for hver sensor, og en topp i rekonstruksjonsfeilen antyder at det har oppstått en lekkasje.

Ett hovedspørsmål og en rekke mindre spørsmål vil bli besvart i denne oppgaven. Det første og viktigste spørsmålet er å avgjøre om autoenkoderen kan oppdage lekkasjer i det hele tatt. Etter det, ble to alternative fremgangsmåter for trening av autoenkoderen undersøkt. For det tredje, ettersom ett nevron tilsvarer en sensor, og en sensors plassering er kjent, ble det også gjort en undersøkelse om hvorvidt autoenkoderen kan utføre lekkasjelokalisering. For det fjerde, testing på varierende trenings-, validerings- og testtidsintervaller for autoenkoderen for å utlede hvor mye data som er tilstrekkelig for at autoenkoderen fortsatt lykkes med å oppdage lekkasjene. Til slutt, etter å ha funnet lekkasjene, ble det gjort et forsøk på å redusere antall nevroner i autoenkoderen, noe som vil tilsvare å ha færre sensorer i et ledningsnett, for så å undersøke om pålitelig lekkasjedeteksjon fortsatt ville være mulig.

Autoenkoderen lykkes med å oppdage alle 6 rørene som sprekker mellom en halvtime og 18 timer. For de lekkasjene som vokser kontinuerlig, lykkes autoenkoderen med å finne lekkasjen når den når omtrentlig 4.5 m^3/h. Autoenkoderen lykkes ikke med å finne de aller minste lekkasjene i ledningsnettet. Videre, autoenkoderen presterte litt verre med en reduksjon i inngangsdata og sensorer, men likevel bedre enn forventet i utgangspunktet.

Leakage of drinking water from distribution networks is a problem for several in the world and water scarcity which is expected to increase worldwide because of climate changes. One example of a water distribution network struggling with excessive leakage is found in Oslo, Norway.

In this thesis, an autoencoder is tested on an artificial dataset containing pressure values from a variety of different leakage scenarios from a water distribution network with the goal of detecting when those leaks occur. Finding those leaks is in practice an anomaly detection problem and an autoencoder can be used for this purpose, because of its ability to reconstruct its own input, allowing it to be used for anomaly detection when input and output is compared. The reconstruction error used to deduce anomalies is then the difference between the input and output for each given sensor, and a spike in the reconstruction error implies a leak has occurred.

One primary, and several secondary research questions relating to the usage of and how well the autoencoder performs are addressed in this thesis. The first and most important question was whether the autoencoder can indeed detect leaks at all, and to deduce which configuration of the autoencoder and its hyperparameters worked well for this task. Secondly, an investigation of different training approaches to the autoencoder was carried out. Thirdly, inspecting whether the autoencoder can perform leak localization as one neuron corresponds to one sensor with a known location. Fourth, testing on varying training, validation, and testing time intervals for the autoencoder to deduce how many samples are required until the autoencoder fails at detecting the leaks. Finally, after finding the leaks, an attempt was made to reduce the number of neurons in the autoencoder, which would be akin to have fewer sensors in the water distribution network, to investigate whether reliable leak detection would still be possible.

The dataset used in this project, is one created artificially, based on the hypothetical L-Town, from the BattLeDIM competition. It contains 14 different leaks of varying flow.

The 6 pipe bursts were all detected within about 18 hours of the pipe breaking, the shortest being within 30 minutes. The 3 of the 4 leaks with a continuous volume increase were discovered once they reached a volume of about 4.5 m^3/h. The 4 incipient leaks of a small size and slow growth remained undiscovered. The autoencoder’s performance deteriorated slightly as the number of training samples and neuron-count was reduced, but at a slower rate than initially expected.