Traducido del inglés al español - www.onlinedoctranslator.

com

agua
Artículo

Estimación de la demanda de agua en los sistemas de distribución de

agua mediante la optimización del enjambre de partículas

Lawrence K. Letting 1, *, Yskandar Hamam 1 y Adnan M. Abu-Mahfouz 1,2 IDENTIFICACIÓN

1
Departamento de Ingeniería Eléctrica, Universidad Tecnológica de Tshwane, Pretoria 0001, Sudáfrica;
HamamA@tut.ac.za (YH); A.Abumahfouz@ieee.org (AMA-M.)
2
CSIR Meraka Institute, Pretoria 0081, Sudáfrica Correspondencia:
* LettingLK@gmail.com ; Tel .: + 27-12-382-4824

Recibido: 1 de julio de 2017; Aprobado: 3 de agosto de 2017; Publicado: 21 de agosto de 2017

Abstracto: La estimación de la demanda en una red de distribución de agua proporciona datos cruciales para monitorear y controlar los sistemas. Debido a limitaciones presupuestarias y físicas, es necesario estimar la demanda de agua a partir de un número

limitado de mediciones de sensores. El problema de la estimación de la demanda está subdeterminado debido a los datos limitados del sensor y las relaciones implícitas entre las demandas nodales y los cabezales de presión. Una técnica de optimización de

simulación que utiliza el modelo hidráulico de la red de distribución de agua y un algoritmo evolutivo es una posible solución al problema de estimación de la demanda. Este artículo presenta un modelo de simulación de proceso detallado para la estimación de la

demanda de agua utilizando el algoritmo de optimización de enjambre de partículas (PSO). Las demandas de agua nodal y los caudales de las tuberías se estiman cuando el número de parámetros estimados es mayor que el número de valores medidos. La demanda

de agua en cada nodo se determina utilizando el algoritmo PSO para identificar un multiplicador de demanda correspondiente. Los multiplicadores de demanda se codifican con diferentes tamaños de paso y las partículas del algoritmo de optimización también se

discretizan para mejorar el tiempo de cálculo. Se investiga la sensibilidad de la demanda de agua estimada a la incertidumbre en los valores discretos del multiplicador de demanda y la incertidumbre en los parámetros medidos. Las ubicaciones de ubicación de los

sensores se seleccionan mediante un análisis de la sensibilidad de las cabezas nodales medidas y los fl ujos de las tuberías al cambio en la demanda de agua. Los resultados muestran que las demandas nodales y los fl ujos de las tuberías se pueden determinar con

precisión a partir de un número limitado de sensores. Los multiplicadores de demanda se codifican con diferentes tamaños de paso y las partículas del algoritmo de optimización también se discretizan para mejorar el tiempo de cálculo. Se investiga la sensibilidad de

la demanda de agua estimada a la incertidumbre en los valores discretos del multiplicador de demanda y la incertidumbre en los parámetros medidos. Las ubicaciones de ubicación de los sensores se seleccionan mediante un análisis de la sensibilidad de las cabezas

nodales medidas y los fl ujos de las tuberías al cambio en la demanda de agua. Los resultados muestran que las demandas nodales y los fl ujos de las tuberías se pueden determinar con precisión a partir de un número limitado de sensores. Los multiplicadores de

demanda se codifican con diferentes tamaños de paso y las partículas del algoritmo de optimización también se discretizan para mejorar el tiempo de cálculo. Se investiga la sensibilidad de la demanda de agua estimada a la incertidumbre en los valores discretos del

multiplicador de demanda y la incertidumbre en los parámetros medidos. Las ubicaciones de ubicación de los sensores se seleccionan mediante un análisis de la sensibilidad de las cabezas nodales medidas y los fl ujos de las tuberías al cambio en la demanda de

agua. Los resultados muestran que las demandas nodales y los fl ujos de las tuberías se pueden determinar con precisión a partir de un número limitado de sensores. Las ubicaciones de ubicación de los sensores se seleccionan mediante un análisis de la sensibilidad

de las cabezas nodales medidas y los fl ujos de las tuberías al cambio en la demanda de agua. Los resultados muestran que las demandas nodales y los fl ujos de las tuberías se pueden determinar con precisión a partir de un número limitado de sensores. Las

ubicaciones de ubicación de los sensores se seleccionan mediante un análisis de la sensibilidad de las cabezas nodales medidas y los caudales de las tuberías al cambio en la demanda de agua. Los resultados muestran que las demandas nodales y los fl ujos de las

tuberías se pueden determinar con precisión a partir de un número limitado de sensores.

Palabras clave: estimación de la demanda de agua; multiplicadores de demanda; modelo indeterminado; mediciones
inciertas; optimización de Enjambre de partículas

1. Introducción

Un sistema de distribución de agua (WDS) desempeña el papel crucial de suministrar agua potable segura al
público. El objetivo principal en la operación y el control de WDS es satisfacer la demanda de agua deseada mientras
se asegura la calidad y presión adecuadas del agua en todos los nodos. El flujo de agua desde las fuentes a los nodos
de demanda es un evento continuo con tasas de flujo variables en el tiempo determinadas por programas de
demanda de agua. Las demandas nodales son variables de estado de interés en la operación de WDS porque son las
entradas impulsoras que determinan las presiones nodales y las tasas de flujo de la tubería medidas en el campo. La
estimación de estado es el proceso de calcular condiciones de red desconocidas a partir del conocimiento de las
mediciones disponibles y otros parámetros de red conocidos [1]. Un algoritmo de estimación de la demanda de agua
junto con un modelo WDS forma un componente crítico para los sistemas de control de supervisión y adquisición de
datos (SCADA).
En la estimación de la demanda de agua, las demandas nodales son las variables de estado desconocidas, mientras
que las cabezas de presión y los caudales de las tuberías se determinan a partir de mediciones de campo. Debido a la
complejidad de las conexiones de tuberías en las grandes redes de distribución de agua y al costo asociado, solo unas pocas

Agua 2017, 8, 593; doi: 10.3390 / w9080593 www.mdpi.com/journal/water

Agua 2017, 8, 593 2 de 16

las ubicaciones se seleccionan para la ubicación del sensor. La precisión de la estimación del estado se basa en las mediciones
de campo disponibles, que están limitadas por el número de sensores de presión y flujo instalados. El problema de la
ubicación de los sensores se ha abordado en la literatura considerando las limitaciones presupuestarias y la calidad de los
datos medidos [2], métricas de impacto en la ubicación [3,4], y el tiempo necesario para detectar eventos de contaminación [5,
6]. El número de ubicaciones de sensores también puede reducirse agrupando los nodos de demanda de agua en grupos [7],
agrupando nodos según las características de calidad del agua [8], y utilizando modelos de red reducidos [9]. Se utiliza una
técnica de clasificación para seleccionar nodos para ubicar sensores de presión en [10]. Los fl ujos de bucle se estiman en [11]
utilizando demandas nodales conocidas para abordar el problema de una baja redundancia de medición. La instalación de
sensores en un WDS también está sujeta a la accesibilidad del sitio y al consentimiento del propietario. Con las limitaciones
observadas en la ubicación de los sensores, la estimación de demandas nodales y alturas de presión no medidas o caudales
de tuberías con datos obtenidos de un número limitado de ubicaciones es un problema de investigación actual. Debido al
gran número de parámetros desconocidos en comparación con los datos de medición disponibles, el problema de la
estimación está subdeterminado. La contribución de este trabajo es la formulación de una técnica de optimización de
simulación que estima tanto las demandas nodales como las cabezas de presión no medidas cuando el número de
mediciones es menor que el número de parámetros a estimar. La función objetivo minimiza el error absoluto de los
parámetros medidos utilizando el algoritmo de optimización de enjambre de partículas (PSO). Las ubicaciones de ubicación
de los sensores se seleccionan mediante un análisis de la sensibilidad de las cabezas nodales medidas y los fl ujos de las
tuberías al cambio en la demanda de agua. También se investiga la sensibilidad de los parámetros estimados al número de
sensores, la incertidumbre en los valores discretos del multiplicador de demanda y los errores de medición.

La siguiente sección presenta la revisión de la literatura sobre la estimación del estado de WDS, y la Sección 3 presenta
la formulación de la metodología para la estimación de la demanda de agua mediante la optimización de la simulación. Los
resultados de la simulación y la discusión se presentan en la Sección4y sección 5 concluye el estudio.

2. Revisión de la literatura

El conocimiento del estado de una red de distribución de agua se realiza mediante técnicas de estimación de estado
que arrojan un conjunto de variables que describen completamente el estado del sistema. La estimación del estado en WDS
se expresa mediante un modelo de medición no lineal [12]:

z = g (x) + ε (1)

dónde z ∈ <T es el vector de medidas disponibles (alturas de presión, fl ujos y demandas), X ∈ <T
es el vector de estado formado por cabezas nodales y flujos de nodos de cabeza fija, y ε es un vector aleatorio de media cero
que modela los errores de medición. Los caudales y alturas de presión medidos, combinados con la energía hidráulica y las
leyes de conservación de masa, proporcionan el sistema de ecuaciones necesario para implementar el modelo de estimación
de estado definido en la Ecuación (1). Los fl ujos de bucle se estiman utilizando mínimos cuadrados ponderados en [11,13,14]
a partir de demandas nodales conocidas. Las demandas de agua se estiman utilizando una simulación de Monte Carlo
con filtrado de Kalman en [15,dieciséis]. Los algoritmos genéticos se utilizan para calibrar los datos de demanda de agua
pronosticados en [17,18]. El problema de la demanda nodal indeterminada se resuelve en [19] mediante la descomposición
de valores singulares (SVD) y en [20], mediante la combinación de datos SCADA y estimaciones de demanda. En comparación
con los métodos clásicos como los mínimos cuadrados ponderados y los multiplicadores de Langrangiano, la técnica de la
SVD y los algoritmos evolutivos tienen el potencial de estimar demandas nodales cuando el número de mediciones es menor
que el número de parámetros a estimar. En [11], las estimaciones de demanda conocidas se utilizan junto con las mediciones
para garantizar que el problema de la estimación no esté subdeterminado.

En este estudio, se utilizó una técnica de optimización de simulación basada en el paradigma de simulación de eventos
discretos para implementar el algoritmo PSO. El algoritmo de optimización se utilizó para estimar las demandas nodales y las
cabezas nodales y los flujos de tubería no medidos. Software EPANET [21] se utilizó para implementar y resolver el modelo
hidráulico WDS. El algoritmo de optimización se utilizó para la estimación mientras que los resultados
Agua 2017, 8, 593 3 de 16

de EPANET se utilizaron para simular valores medidos con un paso de tiempo. Los resultados se comparan con
trabajos recientes relacionados.

3. Metodología

3.1. Función objetiva

El problema de estimación de la demanda de agua, que estima la variación en la demanda nodal utilizando información
de las mediciones tomadas por los sensores de presión / fl ujo, se define como una minimización de la demanda.
error absoluto:

norteH norteQ
∣ ∣∣
Min J ∑ =|Hsoy - Hi, S | + ∑ ∣Qj, M - Qj, S j =1 (2)
yo =1

dónde Hsoy y Qj, M son la cabeza nodal medida y la tasa de flujo de la tubería en el nodo I y tubo j, respectivamente;
Hes y Qj, S son la altura simulada y la tasa de flujo en el nodo I y tubo j, respectivamente; ynorteH y
norteQ son el número de sensores de cabeza y fl ujo instalados en la red. Las restricciones son la ley de
conservación de la masa en cada nodo, la ley de conservación de la energía en cada bucle y el mínimo
requisitos de altura de presión. Las demandas de agua en cada nodo son las variables de decisión del
problema de optimización.

3.2. Modelado de multiplicadores de demanda de agua

Los datos de demanda de los nodos utilizados en un análisis de la red de distribución de agua se basan normalmente
en estimaciones derivadas de las lecturas mensuales de los medidores de agua. Los perfiles de demanda nodal se componen
de factores de distribución estáticos, que varían con el tipo de consumidor. El sistema de distribución de agua se clasifica en
áreas de suministro de acuerdo con el uso del suelo, como áreas residenciales, comerciales e industriales. El patrón de
demanda general para los diferentes tipos de consumidores en un período de 24 h se muestra en la Figura1. Los datos del
patrón de demanda se obtienen de [22].
Para resolver la estimación de la demanda de agua, se utilizó el problema de cómo establecer las demandas nodales
como entradas de conducción para generar parámetros medidos en la ecuación (2) debe abordarse La primero.

demanda nodal de nodo I en el paso del tiempo k es dado por

Dyo, k = metroyo, k × D0,I (3)

dónde Dyo, k es la demanda nodal, metroyo, k es el multiplicador de demanda para el nodo I, y D0,I es la demanda base para el
nodo I. Por tanto, las variables de decisión del problema de optimización están convenientemente representadas
como el conjunto de multiplicadores de demanda m = {m1,k, metro2,k,. . . ,metronorteT, k} en cada paso de tiempo k, dónde norteT es el
número total de nodos en la red de distribución de agua.

3.3. Modelo de simulación de procesos

El problema de estimación de la demanda se resuelve utilizando el esquema de optimización de simulación de eventos

discretos que se muestra en la Figura 2. Un esquema de simulación de eventos discretos elimina la necesidad de un ciclo de
tiempo explícito. La estimación comienza con el simulador hidráulico funcionando con datos de un
patrón demanda-usuario para generar los valores medidos de la altura de presión (Hsoy) y tubo
fl ujoQj, m). Los valores medidos se obtienen de las ubicaciones de los sensores seleccionados. El algoritmo de optimización
utiliza multiplicadores de demanda nodal generados aleatoriamente para ejecutar el simulador hidráulico en
para generar los valores simulados de la altura de presión (Hes) y el fl ujo de la tuberíaQj, s). Al final de cada
iteración del algoritmo de optimización, los datos simulados se pasan a la optimización
modelo. La ecuación objetiva (2) se utiliza para evaluar la idoneidad de los multiplicadores de demanda nodales. El
algoritmo de optimización calibra los multiplicadores de demanda sobre la base de la aptitud obtenida. El simulador
hidráulico funciona en modo de estado estable.
Agua 2017, 8, 593 4 de 16

El algoritmo PSO [23], el modelo de optimización y el esquema de optimización de simulación de la

Figura 2 se implementaron en C / C ++. El código fuente del paquete de software EPANET en C y el kit de
herramientas de programación [24] fueron utilizados. Las limitaciones del problema de optimización fueron
resueltas por EPANET. El algoritmo de optimización se interconectó con EPANET utilizando el módulo de
interfaz desarrollado en [25].
La simulación se llevó a cabo definiendo tiempos de eventos discretos que definieron la transición de estados
en el sistema. Un algoritmo evolutivo como PSO genera una población de soluciones potenciales que se utilizan para
ejecutar el sistema, y la idoneidad de cada solución se evalúa mediante la ecuación (2). Un discreto
hora del evento T0 se elige como el tiempo que tarda cada solución potencial del algoritmo de optimización en ejecutar el
sistema. Los parámetros de cada solución potencial son un conjunto de multiplicadores de demanda que se actualizan
al final de cada iteración. Los parámetros de cada solución potencial se pasan al solucionador hidráulico
durante la fase de inicialización para evaluar la aptitud. La inicialización adecuada asegura que la idoneidad de
cada solución potencial se evalúe con las mismas condiciones iniciales. Después de una simulación
tiempo igual a T1 = Nuevo Testamento0, dónde está norte es el tamaño de la población, se evalúa la aptitud de cada conjunto de
multiplicadores de demanda y el algoritmo de optimización vuelve a calibrar los multiplicadores de demanda. El hidraulico
Solver evalúa los valores de referencia (valores medidos) para el algoritmo de optimización un paso de tiempo
adelante, es decir, en t = (k - 1)T1. En este documento, un tiempo de evento discreto de T0 = Se utilizó 0,01 s. Las demandas de
agua nodal para cada paso de tiempo durante el período de consumo de 24 h se estiman utilizando la demanda
multiplicadores, que se utilizan para calcular la demanda real mediante la ecuación (3). Los multiplicadores de demanda se
definen en el rango continuo como se muestra en la Figura1. Para aumentar la velocidad de convergencia del proceso de
estimación, el rango del multiplicador de demanda se convierte en el rango discreto con incrementos escalonados. Se
utilizaron tamaños de paso de 0,01 y 0,05 y se compararon los resultados. Se utilizó un esquema de codificación de números
enteros, para el cual se utilizaron las partículas de PSO para buscar el índice óptimo en el rango definido. Debido a que el
movimiento de las partículas de PSO durante el proceso de búsqueda es continuo, la posición de la partícula se redondeó al
número entero más cercano. La posición de la partícula corresponde a un índice de matriz
donde se almacena el multiplicador de demanda real.

1,6

1.4

1.2
Multiplicadores de la demanda de agua

1.0

0,8

0,6

0.4
Residencial
0,2 Comercial
Industrial
0.0
0 2 4 6 8 10 12 14 dieciséis 18 20 22 24
Hora del reloj (H)

Figura 1. Curvas de demanda para diferentes tipos de usuarios en un período de 24 h.

Agua 2017, 8, 593 5 de 16

mk-1* D 0
Demanda nodal Hidráulico
perfil Simulador

H soy , Q j, m t = (k -1)T 1

H,esQ j, s
Modelo de optimización
Hidráulico
Min J =∑ H - Hsoy+∑Qes j, m - Q j, s t = kT1 Simulador
I j

Decisión me,*k D 0
variables

metro
e, k
Multiplicador de demanda Actualizar nodal
estimados demandas

t = kT0 Inicialización

Generación de demanda
escenarios multiplicadores

Figura 2. Metodología para la estimación de la demanda de agua mediante un algoritmo de optimización.

3.4. Selección de ubicaciones de colocación de sensores

Las ubicaciones de ubicación del sensor se seleccionan sobre la base de la sensibilidad al cambio en el
Demanda de agua. La matriz de sensibilidad [26] es expresado como  

∂metro 1 ∂metro
1
···
∂ F1 ∂ Fnorte  
   
S=   . ··· . (4)
∂metronorte ∂metronorte
···
∂ F1 ∂ Fnorte

donde cada elemento sij mide el efecto del cambio en la demanda nodal F j en la medida metroI en un enlace de tubería o
nodo seleccionado. La matriz de sensibilidad se ha utilizado para seleccionar las ubicaciones de ubicación de los sensores.
para la detección de fugas en [27,28].
Se utiliza un cambio simulado en la demanda de agua en todos los nodos para generar una matriz de
sensibilidad de flujo de tubería y una matriz de sensibilidad de cabeza nodal. En cada paso se considera un cambio en
la demanda nodal de 1,5 litros por segundo (LPS) en los dos nodos de cada enlace de tubería. Las ubicaciones de
medición se clasifican de acuerdo con la variación de las mediciones en cada ubicación. Las mejores ubicaciones para
colocar sensores son aquellas que experimentan la mayor variabilidad en las mediciones como resultado del cambio
en la demanda nodal. Este enfoque simple se utilizó en este estudio para seleccionar las ubicaciones de medición en
una red real con una gran cantidad de tuberías y nodos.

4. Resultados de la simulación y discusión

Se realizaron experimentos de simulación utilizando tres estudios de caso. Se utilizó una pequeña red de agua
que consta de 9 nodos, 12 tuberías, 1 bomba y 1 tanque para realizar los experimentos de simulación en los estudios
de caso I y II. La red está disponible en EPANET como ejemplo “Net1.net” [21]. La red de agua fue como se muestra en
la Figura3. El estudio de caso I considera la estimación de la demanda de agua utilizando únicamente mediciones de
sensores de presión, mientras que el estudio de caso II considera las mediciones de sensores de presión y de flujo.
Todos los nodos de la red Net1 comparten los mismos multiplicadores de demanda por hora, pero cada nodo tiene
una demanda base definida de forma independiente. El estudio de caso III considera una red de tamaño mediano
que representa el funcionamiento de una red de distribución de agua real. Los estudios de caso utilizaron el
algoritmo de optimización para estimar las demandas nodales por hora para cada hora en un período de 24 h.
Agua 2017, 8, 593 6 de 16

Tanque Tanque

7 7

1 2 3 1 2 3
1 2 3 4 1 2 3 4

Bomba Bomba
Ource Ource
8 9 10 8 9 10

5 4 6 5 7 5 4 6 5 7

11 12 11 12

8 6 9 8 6 9

(a) (B)

Figura 3. Red de distribución de agua para estudios de caso: (a) estudio de caso I, y (B) estudio de caso II.

4.1. Estudio de caso I: Estimación de las demandas nodales con mediciones de sensores de presión de cabeza

Las ubicaciones de ubicación de los sensores se identificaron mediante una búsqueda exhaustiva. Las pruebas
se realizaron partiendo de un caso ideal donde se colocaron sensores de presión en todos los nodos. Luego, los
sensores se redujeron secuencialmente mientras se observaba el rendimiento. Los resultados iniciales mostraron
que el consumo de agua en el nodo 2 no se podía estimar con precisión sin colocar un sensor de presión en el nodo.
2. El nodo 2 fue el nodo de origen que suministró toda la red. No se seleccionó el nodo 1 para la colocación del sensor
porque no había consumo de agua en el nodo. Por lo tanto, un sensor se colocó permanentemente en el nodo 2,
mientras que los sensores en las otras ubicaciones se eliminaron secuencialmente. Se obtuvieron buenos resultados
con solo dos sensores colocados en los nodos 2 y 8.
Para evaluar la idoneidad de las ubicaciones identificadas, se generó la matriz de sensibilidad de la cabeza nodal
de la red y se utilizó la varianza de cada fila para clasificar los nodos. Los resultados de la clasificación de sensibilidad
de la cabeza nodal se muestran en la Figura4. La cabeza de presión en el nodo 9 fue la más sensible, mientras que la
del nodo 3 fue la menos sensible. Los resultados mostraron que se requería un mayor juicio de ingeniería para
seleccionar las ubicaciones, ya que ambos nodos 8 y 9 estaban conectados al mismo enlace de tubería. Los nodos 2 y
5 también compartieron un enlace de tubería común. También se observó que el nodo 1 tenía demanda cero. Por lo
tanto, los nodos 2 y 8 eran buenos lugares para colocar los sensores de presión.

0,018

0,016
9

0,014

8
0,012

0,010
Diferencia

0,008

0,006

0,004
1 5
0,002 2
7 6 4 3
0.000
0 1 2 3 4 5 6 7 8 9
Rango de nodo

Figura 4. Cabeza nodal sensibilidad para la red Net1.

Los parámetros de inicialización de PSO para el los casos de estudio se dan en la Tabla 1. La primera simulación
El experimento se llevó a cabo utilizando incrementos de 0,05 pasos para codificar los multiplicadores de demanda. Los
multiplicadores de la demanda se encuentran en el rango de 0 a 2,0. Debido a la naturaleza estocástica del proceso de
optimización, se promediaron las estimaciones de demanda nodal de 30 ejecuciones de simulación y se utilizaron para la
comparación. Las demandas nodales estimadas para los nodos 2, 4, 6 y 9 utilizando un paso multiplicador de demanda
Agua 2017, 8, 593 7 de 16

se muestran incrementos de 0.05 Figura 5. En la Tabla se muestra un resumen de los valores promedio estimados y reales de
las demandas de agua para el período de 24 h.2. Los resultados en la tabla3 se convirtieron a galones por minuto (GPM) para
facilitar la comparación. Los resultados se compararon con los informados en [17] utilizando un modelo de algoritmo
genético (GA). Las demandas base para los nodos 7, 8 y 9 en el modelo GA fueron diferentes a las del modelo utilizado en
este documento. La estimación se realizó en [17] utilizando tres sensores de presión colocados en los nodos 4, 6 y 8 y con un
incremento de paso del multiplicador de demanda de 0,02. Los resultados en la tabla2
muestran que las demandas estimadas para los nodos 3, 6 y 7 eran comparables, mientras que el modelo PSO dio mejores
resultados en todos los demás nodos. Los resultados obtenidos en este trabajo muestran que la colocación de un sensor de
presión en el nodo fuente contribuye a una mejora en la demanda estimada de agua. Los resultados obtenidos de 30 (prueba
de optimización independiente) ejecuciones en este estudio se comparan con los obtenidos en 100 ejecuciones del modelo
GA [17]. Por tanto, es necesario realizar más análisis de la sensibilidad del error de estimación en el número de ejecuciones
de optimización utilizadas para obtener la demanda media. Un gran número de ejecuciones de optimización aumenta el
tiempo de cálculo. Es necesario un tiempo de cálculo reducido para el control y la supervisión en línea casi en tiempo real de
los sistemas de distribución de agua.

Tabla 1. Estudio de caso I y II: Inicialización de parámetros de optimización de enjambre de partículas (PSO).

Parámetro Valor

Población (PAG) 50
Número de iteraciones (NORTE) 100
Factor de inercia (wmax, wmin) 0,5, 0,05
Tasa social (C1) 0,9
Tasa cognitiva (C2) 2.5

Tabla 2. Caso I: demandas nodales estimadas (litros por segundo, LPS).

Nodo Real Estimado % Error

2 9.46 9.44 0,2

3 9.46 8.24 12,9
4 6.31 6,49 2,7
5 9.46 9.55 0,1
6 12,62 13.40 6.2
7 9.46 8.58 9.3
8 6.31 6,35 0,6
9 6.31 6.17 2.2

Tabla 3. Caso I: Comparación de las demandas nodales estimadas (galones por minuto — GPM) usando partículas
optimización de enjambre (PSO) y el algoritmo genético (GA).

Nodo Real Estimado (PSO) Estimado (GA) % De error (PSO) % De error (GA)

2 150 149,60 118,67 0,2 20,9

3 150 130,59 131,45 12,9 12,4
4 100 102,85 93.15 2,7 6,9
5 150 151,35 164.15 0,1 9.43
6 200 / (150) 212,36 140,58 6.2 6.3
7 150 / (300) 135,97 (327,15) 9.3 9.1
8 100 / (50) 100,63 (50,34) 0,6 0,7
9 100 / (50) 97,78 (35,90) 2.2 28,2
Agua 2017, 8, 593 8 de 16

12

dieciséis Demanda en el nodo 2 Demanda en el nodo 4

10
14

12
8

Demandas (LPS)
Demandas (LPS)

10

6
8

6 4
Estimado Estimado
Real Real
4
2

0 2 4 6 8 10 12 14 dieciséis 18 20 22 24 0 2 4 6 8 10 12 14 dieciséis 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

(a) (B)
22 12
Demanda en el nodo 6 Demanda en el nodo 9
20

18 10

dieciséis

8
14
Demandas (LPS)

Demandas (LPS)
12
6
10

8
4
6
Estimado Estimado
4
Real 2 Real
2

0 0

0 2 4 6 8 10 12 14 dieciséis 18 20 22 24 0 2 4 6 8 10 12 14 dieciséis 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

(C) (D)

Figura 5. Caso I: Estimación de la demanda en los nodos (a) 2, (B) 4, (C) 6 y (D) 9.

El segundo experimento de simulación se llevó a cabo agregando ruido a las demandas nodales utilizadas para
generar los valores medidos. Se añadió ruido blanco gaussiano con una media cero y una varianza de 0,1 a los
multiplicadores de demanda nodal por hora. El escenario de multiplicadores de demanda con ruido se muestra en la Figura6.
El propósito de agregar ruido fue investigar la sensibilidad de estimar la demanda de agua a la incertidumbre en el
incremento escalonado de los multiplicadores de demanda. Se compararon los resultados obtenidos usando incrementos de
paso de 0.05 y 0.01. Una resolución de 0.05 resultó en un único espacio de búsqueda de multiplicador de demanda nodal de
40, mientras que el de 0.01 resultó en un espacio de búsqueda de 200. Se promediaron las estimaciones de demanda nodal
de 30 ejecuciones de simulación y se usaron para comparación. Las demandas nodales estimadas para los nodos 2, 4, 6 y 9
se muestran en la Figura7. En la Tabla se muestra un resumen de los valores estimados y reales de las demandas de agua
para el período de 24 h.4. Los valores están altamente correlacionados con
R = 0.981 y R = 0.991 para ∆ = 0.05 y ∆ = 0,01, respectivamente. Por lo tanto, no hubo una diferencia significativa en las
estimaciones de demanda de agua determinadas usando un incremento escalonado de 0.05 o 0.01 cuando los valores
discretos de los multiplicadores de demanda tenían una incertidumbre de±0,1.

Cuadro 4. Caso I: demandas nodales estimadas (litros por segundo, LPS).

Nodo Real Estimado (∆ = 0,05) % Error Estimado (∆ = 0,01) % Error

2 9.39 9.33 0,3 9.37 0,2

3 9.39 8.58 8,6 8,75 6,8
4 6.26 6,39 2.1 6,43 2,7
5 9.39 9,75 3.8 9.57 1,9
6 12.53 12,87 2,7 13.10 4.5
7 9.39 8,65 7,9 8.57 8,7
8 6.26 6.22 0,6 6.30 0,6
9 6.26 6.17 1.4 6.15 1,7
Agua 2017, 8, 593 9 de 16

1.8

1,6 Valores con ruido blanco

Valores actuales

1.4

1.2

Multiplicador de demanda
1.0

0,8

0,6

0.4

0,2

0.0
0 2 4 6 8 10 12 14 dieciséis 18 20 22 24

Hora del reloj (H)

Figura 6. Multiplicadores de demanda nodal con ruido blanco añadido.

12
dieciséis Demanda en el nodo 2 Demanda en el nodo 4

10
14

12
8

Demandas (LPS)
Demandas (LPS)

10
6
8

6 4
Estimado (∆ =0.01) Estimado (∆ =0.01)
Real Real
4
Estimado (∆ =0,05) 2 Estimado (∆ =0,05)

2
0 2 4 6 8 10 12 14 dieciséis 18 20 22 24 0 2 4 6 8 10 12 14 dieciséis 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

(a) (B)
22 12
Demanda en el nodo 6 Demanda en el nodo 9
20

18 10

dieciséis

8
14
Demandas (LPS)

Demandas (LPS)

12
6
10

8
4
6
Estimado (∆ = 0.01) Estimado (∆ = 0.01)
4 2
Real Real
2 Estimado (∆ = 0,05) Estimado (∆ = 0,05)

0 0
0 2 4 6 8 10 12 14 dieciséis 18 20 22 24 0 2 4 6 8 10 12 14 dieciséis 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

(C) (D)

Figura 7. Caso I: Estimación de la demanda de agua con resoluciones de multiplicador de demanda de ∆ = 0.05 y
∆ = 0.01 en los nodos (a) 2, (B) 4, (C) 6 y (D) 9.

4.2. Estudio de caso II: Estimación de las demandas nodales con mediciones de sensores de flujo y sensores de presión

Los experimentos de simulación en este estudio de caso se llevaron a cabo colocando un sensor de presión en el nodo
2 y sensores de flujo en las tuberías 7 y 11. Se seleccionó la tubería 7 porque suministraba el nodo 3, que tenía el margen de
error más alto, como se muestra en la Tabla 4.
Para evaluar la idoneidad de las ubicaciones identificadas, se generó la matriz de sensibilidad de la tasa de flujo de la
tubería de la red y se utilizó la varianza de cada fila para clasificar los enlaces de tubería. Los resultados de la clasificación de
sensibilidad de la tasa de flujo de la tubería son los que se muestran en la Figura8. El caudal de la tubería en la tubería 9 fue
el más sensible, mientras que el de la tubería 6 fue el menos sensible. Los resultados también muestran que se requirió un
mayor juicio de ingeniería para seleccionar las ubicaciones, ya que los enlaces de tubería 2, 7 y 9 estaban conectados al nodo
3.
Agua 2017, 8, 593 10 de 16

0,18

0,16 9

0,14

0,12

0,10 2 7

Diferencia
0,08 4 11

0,06
3 5 12 1
0,04

10 8
0,02 6

0,00
0 1 2 3 4 5 6 7 8 9 10 11 12
Rango de enlace de tubería

Figura 8. Sensibilidad de la tasa de flujo de la tubería para la red Net1.

Se utilizó ruido blanco gaussiano para agregar una incertidumbre de medición igual a ±10% del valor medido. En las
simulaciones se utilizó un incremento del paso del multiplicador de demanda de 0,05.
En las Tablas se proporciona un resumen de las estimaciones de demanda nodal promediadas y las estimaciones de
flujo de tubería. 5 y 6. Las cabezas de presión nodal estimadas promediadas se muestran en la Figura9. Las tasas de flujo de la
tubería fueron más sensibles a la variación en las demandas nodales, en comparación con las cabezas de presión. Los
caudales estimados para las tuberías 2, 5, 6 y 7 se muestran en la Figura10 y los caudales estimados para las tuberías 3, 8,
10 y 11 se muestran en la Figura 11. Se puede observar a partir de los resultados en la Tabla6 y figuras 10 y 11
que las tuberías con tasas de flujo bajas, por ejemplo, las tuberías 3, 5 y 6, tenían el margen de error más alto durante
la estimación. Los resultados muestran que estas fueron las tuberías con mayor sensibilidad a los cambios en la
demanda de agua. Las tasas de fl ujo de tubería promedio de 24 h de la Tabla6 muestran que la tubería 5 tenía una
tasa de flujo promedio estimada de 7.57 L / s con un error de 0.5%. Sin embargo, los fl ujos horarios en la Figura10b
muestran que la tasa de flujo estimada de la tubería 5 tenía una correlación de R = 0,567 con los valores reales. La
tasa de flujo de la tubería 6 tuvo un error de estimación promedio de 8.3% y una correlación deR = 0,721 entre los
valores estimados por hora y los valores reales. Por tanto, se concluye que el coeficiente de correlación entre los
valores reales y estimados es una mejor medida de la calidad de la estimación, especialmente en tuberías con
caudales bajos.

Cuadro 5. Caso II: demandas nodales estimadas (litros por segundo — LPS) con mediciones inciertas.

Nodo Real Estimado % Error

2 9.39 9.59 2.1
3 9.39 9.42 0,3
4 6.26 5.77 7,9
5 9.39 8,78 6.5
6 12.53 13.08 4.4
7 9.39 9,75 3.8
8 6.26 6,50 3,7
9 6.26 5,99 4.4

Cuadro 6. Caso II: Flujos de tubería estimados (litros por segundo — LPS) con mediciones inciertas.

Tubo Real Estimado % Error

1 117,75 117,73 0.0
2 77,62 77,74 0,2
3 8.22 7,95 3.2
4 12.11 12.55 3.6
5 7.54 7.57 0,5
6 2,81 2,58 8.3
7 -48,44 -48,85 0,9
8 30,68 30.40 0,9
9 11.52 11.52 0.0
10 1,91 2.18 13,9
11 9.12 9.07 0,5
12 3,49 3,41 2.2
Agua 2017, 8, 593 11 de 16

308

306
Real
Estimado
304

302

Cabeza de presión (m)

R=1

300

298

296

294

1 2 3 4 5 6 7 8 9

Número de nodo

Figura 9. Caso II: Cargas de presión nodal estimadas utilizando medidas inciertas.

90 12

Flujo en la tubería 2 Flujo en la tubería 5

R = 0,995 R = 0,567
10

85

8
Estimado Flujo de tubería (LPS)
Flujo de tubería (LPS)

Real
80
6

4
75
Estimado
Real
2

70

0 2 4 6 8 10 12 14 dieciséis 18 20 22 24 0 2 4 6 8 10 12 14 dieciséis 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

(a) (B)
5
0
Flujo en la tubería 6
Flujo en la tubería 7
R = 0,721 - 10
R = 0,996
4
- 20

- 30

3
Flujo de tubería (LPS)

- 40
Flujo de tubería (LPS)

- 50

2
- 60

- 70
Estimado Estimado
1 - 80
Real Real
- 90

0 - 100

0 2 4 6 8 10 12 14 dieciséis 18 20 22 24 0 2 4 6 8 10 12 14 dieciséis 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

(C) (D)

Figura 10. Caso II: Estimación de las tasas de flujo de tubería en tuberías (a) 2, (B) 5, (C) 6 y (D) 7 utilizando
medidas inciertas.
Agua 2017, 8, 593 12 de 16

dieciséis 36

Flujo en la tubería 3 Flujo en la tubería 8

14 R = 0,991 R = 0,983
34
12

10 32

Estimado

Flujo de tubería (LPS)

Flujo de tubería (LPS)

8
Real
30
6

4 28

2 Estimado
26 Real
0

-2 24

0 2 4 6 8 10 12 14 dieciséis 18 20 22 24 0 2 4 6 8 10 12 14 dieciséis 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

(a) (B)
10 dieciséis

Flujo en la tubería 10 Flujo en la tubería 11

8 R = 0,982 R = 0,995
14

6
12

4
Flujo de tubería (LPS)

Flujo de tubería (LPS)

10
2

8
0
Estimado Estimado
Real 6 Real
-2

-4 4
0 2 4 6 8 10 12 14 dieciséis 18 20 22 24 0 2 4 6 8 10 12 14 dieciséis 18 20 22 24

Hora del reloj (H) Hora del reloj (H)

(C) (D)

Figura 11. Caso II: Estimación de las tasas de flujo de tubería en tuberías (a) 3, (B) 8, (C) 10 y (D) 11 utilizando
medidas inciertas.

Las demandas nodales estimadas en el caso II tuvieron un margen de error máximo de 7,9% en el nodo 4,
mientras que las estimadas en el caso I tuvieron un error máximo de 12,9% en el nodo 3. El error de estimación en el
nodo 3 se redujo a 1,3% en el caso II. Esto podría atribuirse al sensor de flujo colocado en la tubería 7 en el caso II.
Por lo tanto, se concluye que la utilización de sensores de presión y de flujo mejora los resultados generales
obtenidos durante la estimación.

4.3. Estudio de caso III: Estimación de la demanda de agua en una red de agua más grande

El tercer caso de estudio considera una red de agua mediana que consta de 40 tuberías, 35 nodos, 1 estación de
bombeo y 1 tanque de agua. La red está disponible en EPANET como ejemplo “Net2.net” [21]. La estación de bombeo
se modeló como un nodo con una demanda negativa utilizando el perfil de demanda proporcionado. Los datos de la
red modelaron el funcionamiento de una red real. La demanda de agua de cada nodo se definió de forma
independiente y el consumo de agua representó una combinación de diferentes tipos de usuarios. El diseño de la red
se muestra en la Figura12.
En este caso de estudio, el algoritmo PSO se inicializó para ejecutarse con una población de 100 y 500
iteraciones. Se utilizó un rango de multiplicador de demanda de 0 a 4,0 con un incremento de paso de 0,02. El límite
superior del rango del multiplicador de demanda se eligió analizando las demandas de la base nodal y los datos del
perfil de demanda proporcionados.
La matriz de sensibilidad se utilizó para seleccionar las ubicaciones para colocar los sensores de flujo y presión. Los resultados
de la clasificación de sensibilidad de la velocidad de flujo de la tubería y la cabeza nodal se muestran en las Figuras13 y 14,
respectivamente. Los resultados muestran que la presión de las cabezas nodales más cercanas a la estación de bombeo fue más
sensible al cambio en la demanda de agua. Las tasas de flujo de los enlaces de tuberías también fueron generalmente más sensibles al
cambio en la demanda de agua, en comparación con las cabezas nodales. Considerando un caso en
Agua 2017, 8, 593 13 de 16

qué tres sensores de presión y seis sensores de flujo estaban disponibles para la colocación, los nodos 3, 6 y 10 y
Se seleccionaron los eslabones de tubería 13, 14, 15, 27, 28 y 30.

36
41
27
29 34 28
32
31 40
38
31
39 30
29 30
25
28
Tanque 23
26
24 34
36
17 27 33
18 19 17 35
20 18 20 25 22
15 15
32 14 22 23 24
14
37 21 dieciséis dieciséis
13
19 21
13
12
12
11
11
9
9
4 7
5
4 5 7 8
6
3 2 8
3 6
2 10
1 10

1 Bomba
estación

Figura 12. Caso III: Agua red de distribución.

0,020

1 3 2
4 5
0,016

6
0,012
Diferencia

0,008
10 8 7
9
0,004 11

12 33 32 13 22 19
0.000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Rango de nodo

Figura 13. Sensibilidad de la cabeza nodal para la red Net2.

Agua 2017, 8, 593 14 de 16

0,8 13
27 12
0,7 26 11
28 9
15
0,6
30
14
0,5 31 7
22 32
6

Diferencia
0.4

0,3
17
0,2
19
34 8 2 5 20
0,1

0.00 2 4 6 8 10 12 14 dieciséis 18 20 22
Rango de enlace de tubería

Figura 14. Sensibilidad de la tasa de flujo de la tubería para la red Net2.

Los resultados de la demanda de agua promedio estimada para un período de 24 h se muestran en las Figuras.
15 y dieciséis. Los resultados muestran que los nodos con una demanda de agua de menos de 0.3 LPS, por ejemplo,
los nodos 7, 32, 33 y 35, tenían errores de estimación de más del 40%. El promedio del error de estimación para los
valores reales fue 15.0%, mientras que el error promedio de estimación de los valores absolutos fue
22,4%. El error de estimación de los valores reales fue menor porque los errores negativos y positivos se compensan
entre sí. El error medio de estimación de la demanda en [17] fue del 14,7% para la misma red. El mayor error de
estimación de la demanda en este estudio fue del 56,2% en el nodo 32. La demanda media del nodo 32 fue de 0,1 LPS.
Sin embargo, Figura15 muestra que el error de estimación absoluto en el nodo 32 no fue significativo. Los resultados
muestran que los nodos con baja demanda de agua tuvieron una alta contribución al error general de estimación de
la demanda de agua.
El proceso de estimación de 500 iteraciones se ejecuta en tiempo real de 62 s en una computadora de 2.6 GHz
con 4 GB de memoria. Por lo tanto, se requiere más investigación para reducir los errores de estimación y mejorar el
tiempo de cálculo. El modelo de simulación de procesos propuesto es adecuado para implementar y comparar el
rendimiento de algoritmos evolutivos en la estimación de la demanda de agua. El trabajo futuro de este estudio
implica incorporar un algoritmo de colocación de sensores en el modelo de simulación de proceso desarrollado para
evaluar la sensibilidad de las ubicaciones de colocación de sensores en el agua.
errores de estimación de la demanda.

Error absoluto
2,25 Valor estimado

2,00

1,75

1,50
Demanda de agua (LPS)

1,25

1,00

0,75

0,50

0,25

0,00 5 10 15 20 25 30 35
Número de nodo

Figura 15. Caso III: Demanda estimada de agua nodal y error absoluto.
Agua 2017, 8, 593 15 de 16

60

50

Error en la demanda de agua estimada (%)

40

30

20

10

0 5 10 15 20 25 30 35
Número de nodo

Figura 16. Caso III: Error absoluto (%) en las demandas de agua nodales estimadas.

5. Conclusiones

Como resultado de limitaciones presupuestarias y físicas, existe la necesidad de estimar la demanda de agua en las
redes de distribución de agua a partir de un número limitado de sensores. Se formuló e implementó un modelo de
simulación de proceso detallado para la estimación de la demanda de agua utilizando el algoritmo PSO. Las demandas de
agua nodal y los caudales de las tuberías se estimaron cuando el número de parámetros estimados era mayor que el número
de valores medidos. La demanda de agua en cada nodo se determinó utilizando el algoritmo PSO para identificar un
multiplicador de demanda nodal correspondiente. Los multiplicadores de demanda nodal se codificaron con diferentes
tamaños de paso. Las ubicaciones de ubicación de los sensores se seleccionaron mediante un análisis de la sensibilidad de
las cabezas nodales medidas y los caudales de las tuberías al cambio en la demanda de agua. Los resultados muestran que
se pueden determinar resultados precisos utilizando mediciones de sensores de un número limitado de ubicaciones. Los
resultados también muestran que la demanda de agua estimada no es sensible a una incertidumbre de
±0,1 en valores discretos del multiplicador de demanda o un ±10% de incertidumbre en los parámetros medidos. Se requiere
más investigación para abordar el problema de incorporar un algoritmo de ubicación de sensor en el modelo de simulación
de proceso desarrollado para evaluar la sensibilidad de las ubicaciones de ubicación de sensor en los errores de estimación
de la demanda de agua.

Expresiones de gratitud: Los autores desean agradecer al Consejo de Investigaciones Científicas e Industriales (CSIR) de
Sudáfrica por su apoyo financiero.

Contribuciones de autor: Lawrence K. Letting e Yskandar Hamam concibieron y diseñaron los experimentos; Lawrence K.
Letting desarrolló el código del algoritmo en C ++ y realizó los experimentos de simulación; Adnan M. Abu-Mahfouz
contribuyó al análisis e interpretación de los resultados. El manuscrito fue escrito por Lawrence K. Letting con la contribución
de todos los coautores.

Conflictos de interés: Los autores declaran no tener ningún conflicto de intereses.

Referencias

1. Della Giustina, D .; Pau, M .; Pegoraro, PA; Ponci, F .; Sulis, S. Estimación del estado del sistema de distribución eléctrica:
problemas y desafíos de la medición.IEEE Instrum. Meas. revista2014, 17, 36–42.
2. Sarrate, R .; Blesa, J .; Nejjari, F .; Quevedo, J. Colocación de sensores para detección y localización de fugas en redes de
distribución de agua.Water Sci. Technol. Suministro de agua2014, 14, 795–803.
3. Eliades, D .; Kyriakou, M .; Polycarpou, M. Colocación de sensores en sistemas de distribución de agua mediante el kit de
herramientas S-PLACE.Procedia Eng. 2014, 70, 602–611.
4. Pourali, M .; Mosleh, A. Un método de optimización de la colocación de sensores funcionales para el monitoreo de la salud de los sistemas
de energía. En Actas de la Reunión Anual de la Sociedad de Aplicaciones Industriales (IAS) IEEE 2012, Las Vegas, NV, EE. UU., 7-11 de
octubre de 2012; págs. 1-10.
5. Antunes, CH; Dolores, M. Ubicación de sensores en redes de distribución de agua para detectar eventos de
contaminación: un enfoque multiobjetivo basado en NSGA-II. En Actas del Congreso IEEE 2016 sobre Computación
Evolutiva (CEC), Vancouver, BC, Canadá, 24-29 de julio de 2016; págs. 1093–1099.
Agua 2017, 8, 593 16 de 16

6. Schal, S .; Bryson, LS; Ormsbee, LE Un procedimiento simplificado para la orientación de la ubicación del sensor para pequeñas empresas de servicios

públicos.En t. J. Crit. Infraestructura.2016, 12, 195–212.

7. Jung, D .; Choi, YH; Kim, JH Agrupación de nodos óptimos para la estimación de la demanda del sistema de distribución de agua.
Agua 2016, 8, 160.
8. Qin, T .; Boccelli, DL Agrupación de nodos de demanda de agua por similitud entre rutas de flujo en sistemas de distribución de
agua.J. Water Resour. Plan. Manag.2017, 143, 04017033.
9. Preis, A .; Allen, M .; Whittle, AJ Modelado hidráulico en línea de un sistema de distribución de agua en Singapur. En
Proceedings of the Water Distribution Systems Analysis 2010, Tucson, AZ, EE. UU., 12-15 de septiembre de 2010; págs.
1336-1348.
10. Ribeiro, L .; Sousa, J .; Marques, AS; Simões, NE Localización de fugas con soporte de algoritmo trustrank.Agua
2015, 7, 1378–1401.
11. Andersen, JH; Powell, RS Técnica de estimación de estado implícita para el monitoreo de redes de agua.Agua Urbana
2000, 2, 123–130.
12. Bargiela, A. Monitoreo en línea de redes de distribución de agua. Doctor. Tesis, Universidad de Durham, Durham, Reino Unido,
1984.
13. Arsene, CT; Gabrys, B. Estimación mixta de estado de simulación de sistemas de distribución de agua basada en un estimador de estado
de flujos de bucle de mínimos cuadrados.Apl. Matemáticas. Modelo.2014, 38, 599–619.
14. Jung, D .; Lansey, K. Detección de ráfagas en el sistema de distribución de agua mediante un filtro Kalman no lineal.J. Water
Resour. Plan. Manag.2014, 141, 04014070.
15. Xie, X .; Zhang, H .; Hou, D. Enfoque bayesiano para la estimación conjunta de la demanda y la rugosidad en los
sistemas de distribución de agua.J. Water Resour. Plan. Manag.2017, 143, 04017034.
dieciséis. Hutton, CJ; Kapelan, Z .; Vamvakeridou-Lyroudia, L .; Savic, DA Estimación de la demanda en tiempo real en sistemas de
distribución de agua en condiciones de incertidumbre. En Actas de la WDSA 2012: 14ª Conferencia de Análisis de Sistemas de
Distribución de Agua, Adelaide, Australia, 24-27 de septiembre de 2012; pag. 1374.
17. Do, NC; Simpson, AR; Deuerlein, JW; Piller, O. Calibración de multiplicadores de demanda de agua en sistemas de
distribución de agua mediante algoritmos genéticos.J. Water Resour. Plan. Manag.2016, 142, 04016044.
18. Preis, A .; Whittle, AJ; Ostfeld, A .; Perelman, L. Técnica de estimación del estado hidráulico eficiente utilizando modelos
reducidos de redes de agua urbanas.J. Water Resour. Plan. Manag.2010, 137, 343–351.
19. Sanz, G .; Pérez, R. Análisis de sensibilidad para el diseño de muestreo y calibración de la demanda en redes de distribución de
agua mediante la descomposición de valores singulares.J. Water Resour. Plan. Manag.2015, 141, 04015020. Davidson, J .;
20. Bouchart, FC Ajuste de las demandas nodales en modelos de redes de distribución de agua en tiempo real restringidos por
SCADA.J. Hydraul. Ing.2006, 132, 102-110. Rossman, L.Epanet 2: Manual de uso; Agencia de Protección Ambiental de EE. UU.,
21. Oficina de Investigación y Desarrollo, Laboratorio Nacional de Investigación de Gestión de Riesgos: Washington, DC, EE. UU.,
2000.
22. Kang, D .; Lansey, K. Estimación de la demanda en tiempo real y análisis de límites de confianza para sistemas de distribución
de agua.J. Hydraul. Ing.2009, 135, 825–837.
23. Kennedy, J .; Eberhart, R. Optimización del enjambre de partículas. En Actas de la Conferencia Internacional IEEE sobre Redes
Neuronales, Perth, Australia, 27 de noviembre a 1 de diciembre de 1995; Volumen 4, págs. 1942-1948. Rossman, LA El juego de
24. herramientas del programador de EPANET para el análisis de sistemas de distribución de agua. EnWRPMD'99: Preparándose
para el siglo XXI; Sociedad Estadounidense de Ingenieros Civiles: Nueva York, NY, EE. UU., 1999; págs. 1-10. Letting, L .; Hamam,
25. Y .; Adnan, AM Una interfaz para acoplar algoritmos de optimización con EPANET en plataformas de simulación de eventos
discretos. En Proceedings of the IEEE 15th International Conference of Industrial Informatics, Emden, Alemania, 24-26 de julio
de 2017.
26. Pudar, RS; Liggett, JA Fugas en redes de tuberías.J. Hydraul. Ing.1992, 118, 1031-1046.
27. Pérez, R .; Puig, V .; Pascual, J .; Quevedo, J .; Landeros, E .; Peralta, A. Metodología para el aislamiento de fugas mediante análisis
de sensibilidad a la presión en redes de distribución de agua.Control Ing. Pract.2011, 19, 1157-1167. Casillas, MV; Puig, V .;
28. Garza-Castanón, LE; Rosich, A. Colocación óptima del sensor para la ubicación de fugas en redes de distribución de agua
mediante algoritmos genéticos.Sensores 2013, 13, 14984–15005.

©c 2017 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de acceso
abierto distribuido bajo los términos y condiciones de la licencia Creative Commons Attribution (CC
BY) (http://creativecommons.org/licenses/by/4.0/).