Analysis, prediction and clustering of residential water demand by proper orthogonal decomposition

In the last decades, urbanization, population growth and climate change brought to an increase in water demand. In such a contest, the development of a series of Water Demand Management Strategies has become increasingly important. The effectiveness of water demand management strategies relies on understanding of water consumers’ behavior along with their consumption habits and routines. This work proposes both a descriptive and a predictive approach aiming at analyze and predict user consumption behavior, starting from a synthetically generated dataset. We first perform eigenbehavior analysis, i.e, principal components representing recurrent water consumption behaviors. Then we test Proper Orthogonal Decomposition performances as model order reduction method and also to predict general consumption behaviors. As a last thing, we perform a clustering procedure which allows grouping users according to their consumption similarities. The approaches are tested on a synthetically generated water consumption dataset, which consist of 250 users belonging to 5 consumption classes. Numerical results show that these procedures provide useful and concise information which allow the identification of water consumption profiles, thus revealing good support to managers in designing customized WDMS.

Negli ultimi decenni, l'urbanizzazione, la crescita della popolazione e il cambiamento climatico hanno portato ad un aumento della domanda di acqua. In tale contesto, lo sviluppo di una serie di strategie di gestione della domanda idrica (WDMS) è diventato sempre più importante. L'efficacia di queste strategie si basa sulla comprensione del comportamento dei consumatori d'acqua e delle loro routine e abitudini di consumo. Questo lavoro propone sia un approccio descrittivo che un approccio predittivo che mirano ad analizzare e prevedere il comportamento di consumo degli utenti, a partire da un set di dati generato sinteticamente. Per prima cosa eseguiamo l’analisi degli “eigenbehavior”, cioè le componenti principali che rappresentano i comportamenti ricorrenti di consumo di acqua. Quindi testiamo la Decomposizione Ortogonale Propria come metodo di riduzione dell’ordine del modello e anche per prevedere i comportamenti di consumo generale. Come ultima cosa, eseguiamo una procedura di clustering che consente di raggruppare gli utenti in base alle somiglianze nei consumi di acqua. Questi metodi sono stati testati su un dataset, sinteticamente generato, contenente i consumo idrici degli utenti, composto da 250 utenti appartenenti a 5 classi di consumo differenti. I risultati numerici mostrano che queste procedure forniscono informazioni utili e concise che consentono l'identificazione dei profili di consumo idrico, rivelandosi quindi un valido supporto ai manager nella progettazione di WDMS personalizzate.