Model-free pressure control in water distribution networks Contrôle de la pression sans modèle dans les réseau de distribution d'eau

Management of water distribution networks (WDNs) is critical for the security of water resources. Climate variability increases the need to properly manage the available resources. A significant amount of water is lost in water supply systems in South Africa, and the quantity of these losses depends mostly on the pressure in the system. Therefore, pressure control in WDNs is one of the interventions commonly employed to improve the reliability and sustainability of the water supply. Excessive pressure in water supply systems (WSSs) increases water loss and pipe breakages, and the need for frequent repairs. On the other hand, inadequate pressure could lead to inward flows (infections) into the system and/or non-delivery of water to the end-user. This could lead to ill-health for the end-user and to socio-economic issues in the society.In general, the pressure control problem is addressed by installing pressure-reducing valves (PRVs) in WDNs and determining their appropriate settings. Various approaches have been proposed to determine the appropriate settings. Classical, optimal and advanced control schemes have been used. These methods rely on the accuracy of a model in order to precisely control a real WDN. Therefore, any variation between the parameters of a model and a real WDN could render a control scheme useless.This research project now proposes the utilisation of the reinforcement learning (RL) technique to control node pressures in WDNs. An emulator-based quadratic approximation of the hydraulic simulation is used as an environment interacting with the RL agent. From these interactions, the RL agent receives the data on current pressures and then proposes appropriate control settings of the PRVs. The performance of the proposed scheme is compared with the conventional optimisation scheme that is commonly used for simulation cases. The results show that the proposed scheme can achieve the desired results, when compared to the benchmark optimisation procedure. However, unlike the optimisation procedure, the proposed scheme achieved the results without the numerical solution of the WDNs. Therefore, this scheme could be applicable in situations where the model of a network is not well defined. La gestion des réseaux de distribution d'eau (WDN) est essentielle pour la sécurité des ressources en eau. La variabilité climatique augmente la nécessité de gérer correctement les ressources disponibles. Une quantité importante d'eau est perdue dans les systèmes d'approvisionnement en eau en Afrique du Sud, et la quantité de ces pertes dépend principalement de la pression dans le système. Par conséquent, le contrôle de la pression dans les WDN est l'une des interventions couramment utilisées pour améliorer la fiabilité et la durabilité de l'approvisionnement en eau. Une pression excessive dans les systèmes d'approvisionnement en eau (WSS) augmente les pertes d'eau et les ruptures de canalisations, ainsi que le besoin de réparations fréquentes. D'un autre côté, une pression inadéquate pourrait entraîner des flux entrants (infections) dans le système et/ou une non-livraison d'eau à l'utilisateur final. Cela pourrait entraîner une mauvaise santé pour l'utilisateur final et des problèmes socio-économiques dans la société.En général, le problème de contrôle de la pression est résolu en installant des vannes de réduction de pression (PRV) dans les WDN et en déterminant leurs réglages appropriés. Diverses approches ont été proposées pour déterminer les paramètres appropriés. Des schémas de contrôle classiques, optimaux et avancés ont été utilisés. Ces méthodes reposent sur la précision d'un modèle afin de contrôler précisément un WDN réel. Par conséquent, toute variation entre les paramètres d'un modèle et d'un WDN réel pourrait rendre un schéma de contrôle inutile.Ce projet de recherche propose maintenant l'utilisation de la technique d'apprentissage par renforcement (RL) pour contrôler les pressions sur les nœuds dans les WDN. Une approximation quadratique basée sur un émulateur de la simulation hydraulique est utilisée comme environnement interagissant avec l'agent RL. A partir de ces interactions, l'agent RL reçoit les données sur les pressions actuelles et propose ensuite les réglages de contrôle appropriés des PRV. Les performances du schéma proposé sont comparées au schéma d'optimisation conventionnel qui est couramment utilisé pour les cas de simulation. Les résultats montrent que le schéma proposé peut atteindre les résultats souhaités, par rapport à la procédure d'optimisation de référence. Cependant, contrairement à la procédure d'optimisation, le schéma proposé a atteint les résultats sans la solution numérique des WDN. Par conséquent, ce schéma pourrait être applicable dans des situations où le modèle d'un réseau n'est pas bien défini.