なぜAIによる異常検知が必要か
水道の無収水率（作った水のうち料金回収できない比率）は、日本平均で約6%、東南アジアでは25〜40%にのぼります。その主な原因は漏水と不正使用ですが、どちらも手動での発見は極めて困難です。
検知対象の異常パターン
| 異常種別 | 特徴的なパターン | 検知手法 |
|---|---|---|
| 漏水 | 深夜の継続的微小流量 | Isolation Forest |
| バースト漏水 | 急激な流量増加 | ルールベース+ML |
| 不正使用 | 検針期間の消費量逆転 | 統計的異常検知 |
| メーター故障 | 連続した同一値 | パターンマッチング |
Isolation Forestによる漏水検知
import numpy as np
from sklearn.ensemble import IsolationForest
# 深夜（2時〜4時）の流量データで学習
nighttime_flows = df[df['hour'].between(2, 4)][['flow_lpm']].values
model = IsolationForest(
contamination=0.03, # 異常データの想定割合
n_estimators=100,
random_state=42
)
model.fit(nighttime_flows)
# 異常スコアを計算（-1 = 異常）
df['anomaly_score'] = model.predict(df[['flow_lpm']].values)
ANSOL導入事例（西日本某水道事業者）
- 管理メーター数：12万点
- 導入前漏水検知率：38%（定期巡回による）
- 導入後漏水検知率：91%
- 年間水損失削減量：約280万m³
- 削減コスト試算：約4.2億円/年
今後の展望
ANSOLでは、衛星SAR（合成開口レーダー）データとの融合による地中漏水の事前検知システムを2026年度中にリリース予定です。