PROWAVE – PROaktive Steuerung von WAsserVErteilungssystemen
Projektdurchführung
Universität Duisburg-Essen
Institut für Wasserbau und Wasserwirtschaft
Universitätsstr. 15
45141 Essen
Zielsetzung
Klimatische Veränderungen beeinflussen die verfügbare Wassermenge und -qualität in Talsperren, was deutliche Auswirkungen auf die Sicherheit der Trinkwasserversorgung und auf die Ökosysteme der Stauseen und den Landschaftswasserhaushalt hat. Klimaprognosen deuten für Gebiete wie den Harz auf einen Anstieg von Niederschlägen im Winter und häufigere Trockenperioden im Sommer hin, was stärker schwankende Wasserstände bedeutet. Zur Anpassung im Management der Talsperren und deren Ökosystemen mangelt es jedoch oft an präzisen Vorhersagen und den nötigen Instrumenten, um risikobasierte Entscheidungen über notwendige dynamische Betriebsstrategien zu treffen. Vor diesem Hintergrund soll im Rahmen des Projekts ein vorhersagebasiertes, mengen- und gütegewichtetes Entscheidungsunterstützungssystem für Talsperren entwickelt werden, welches auf datengetriebenen Modellen basiert und am Beispiel des Systems der Harzwasserwerke implementiert wird.
Das Projekt konzentriert sich darauf, durch die Nutzung moderner Technologien und Methoden der Künstlichen Intelligenz (KI), wie LSTM-Netzwerke (Long Short-Term Memory) und Ensemble-Methoden, zuverlässige Vorhersagen des Wasserbedarfs und -dargebots zu erstellen. Diese Vorhersagen werden in ein hydrodynamisches Optimierungsmodell integriert, um eine flexible und belastbare Entscheidungsunterstützung im Ereignisfall zu ermöglichen. Hierdurch sollen die verschiedenen Bewirtschaftungsziele wie Hochwasserschutz, Versorgungssicherheit, Ökosystemleistungen, Landschaftswasserhaushalt und Energieerzeugung bestmöglich erfüllt werden. Die Kombination von Echtzeit-Sensoren, Open-Source-Datensätzen und fortschrittlichen Datenanalyse-Tools ermöglicht es, komplexe und dynamische Prozesse zu simulieren und in Echtzeit Informationen bereitzustellen. Im Sinne der nachhaltigen Klimawandelanpassung werden so proaktive Maßnahmen zur Unterstützung der Versorgungssicherheit, des Hochwasserschutzes sowie des Landschaftswasserhaushaltes ermöglicht.
Die Implementierung des Demonstrators im System der Harzwasserwerke soll die Vorteile einer proaktiven Steuerung demonstrieren und eine multikriterielle Bewertung im Vergleich zu herkömmlichen Methoden ermöglichen. Der Fokus liegt nicht nur auf einem hohen Technology Readiness Level, sondern auch auf der Handhabung von Unsicherheiten und der Berücksichtigung verschiedener Vorhersagehorizonte. Diese sind für die verschiedensten wasserwirtschaftlichen Zielsetzungen von entscheidender Bedeutung.
Arbeitsschritte
Das Projekt umfasst zur Entwicklung des Machine Learning (ML)-basierten Demonstrators drei Hauptarbeitspakete (APs), um die Prognose von Wasserbedarf und Zufluss und eine Echtzeitoptimierung der Talsperrensteuerung zu ermöglichen.
AP1: Wasserbedarfsmodellierung und -vorhersage unter der Leitung der Universität Duisburg-Essen (UDE) fokussiert sich auf die Prognose des Wasserbedarfs für verschiedene Vorhersagehorizonte. Dies umfasst die Definition relevanter Daten, Qualitätssicherung historischer Sensordaten, Entwicklung spezifischer Anforderungen an die Modelle und Erstellung der Prognosemodelle unter Berücksichtigung von Unsicherheiten. Ziel ist es, zuverlässige Vorhersagen des Wasserbedarfs zu generieren, um fundierte Steuerungsentscheidungen vor dem Hintergrund der Versorgungssicherheit treffen zu können.
AP2: Hydrologische Modellierung und -vorhersage konzentriert sich unter UDE-Leitung auf die Entwicklung von LSTM-Netzwerken (Long Short-Term Memory) zur Vorhersage von Hochwasser- und Dürreperioden. Der Aufbau und das Training erfolgt hier basierend auf verschiedenen öffentlich zugängliche Datenquellen wie beispielsweise CAMELS-Daten und beschränkt sich nicht nur auf das Projektgebiet, um ein möglichst allgemeines hydrologisches Verständnis zu erzeugen. Die Modelle werden auf ihre Vorhersagegüte evaluiert, wobei ein Schwerpunkt auch hier auf der Quantifizierung von Unsicherheiten liegt, um risikobasierte Entscheidungsfindung zu ermöglichen.
AP3: Echtzeitoptimierung wird von KISTERS AG geleitet und umfasst die Implementierung eines Optimierungsmodells, das über ein intelligentes Integrations- und Visualisierungswerkzeug Daten validiert und verwaltet. Dieses Modell integriert die Vorhersagen aus AP1 und AP2, um basierend hierauf die Bewirtschaftung der Talsperren zu optimieren. Multikriterielle Bewirtschaftungsziele sollen so auf kurz- und langfristige Sicht bestmöglich erfüllt werden. Das System wird abschließend getestet und für den operationellen Einsatz vorbereitet.
Die Kooperation zwischen den Partnern UDE, KISTERS und den Harzwasserwerken ermöglicht eine effektive Arbeitsteilung, bei der die UDE sich auf die wissenschaftliche Analyse und Modellentwicklung konzentriert, während KISTERS AG die technologische Umsetzung und Integration der Modelle in ein operationelles System übernimmt. Ziel ist es, durch die Verbindung von wissenschaftlicher Forschung und technologischer Anwendung die Klimawandelresilienz von Wasserversorgungssystemen zu erhöhen.
Ergebnisse
Im bisherigen Projektverlauf wurden in allen Arbeitspaketen wichtige Fortschritte erzielt, die als methodische Grundlage für das Gesamtprojekt dienen.
In AP1 (Wasserbedarfsmodellierung) wurden Zeitreihen der Trinkwasserabgabe der Harzwasserwerke GmbH an den Talsperren gesichtet und analysiert. Die Abgabezeitreihen weisen deutliche saisonale Muster auf – erhöhte Abgaben im Sommer, reduzierte im Winter – ergänzt um kurzfristige wetter- und bedarfsbedingte Schwankungen. Die LSTM-Architektur wurde um betriebliche Randbedingungen sowie saisonale und wochentagsabhängige Eingangsvariablen erweitert. Erste Ergebnisse zeigen, dass die Modelle die Abgabedynamik gut erfassen; eine systematische Validierung folgt.
In AP2 (hydrologische Modellierung) wurde eine umfassende Datenbasis für fünf Zuflusspegel (Rote Klippe, Riefensbeek, Margarethenklippe, Gitterkopf, Altenauel I) erstellt und verschiedene Prognosemodelle trainiert: LSTM-Modelle (UDE), HBV (KISTERS) und HydroForecast (Upstream Tech). Mittels Mixture Density Networks werden Vorhersageunsicherheiten als Wahrscheinlichkeitsverteilungen der KI-Modelle quantifiziert. Eine Regionalisierung durch Multi-Basin-Training auf dem CAMELS-DE-Datensatz (1.582 EZG) mit anschließendem Finetuning auf die Harz-Einzugsgebiete steigerte die Vorhersagegüte signifikant, insbesondere bei Extremereignissen. Die Modellarchitektur wurde auf das Sequential Forecast LSTM umgestellt, welches den distribution shift zwischen Reanalysedaten (Training) und Live-Wettervorhersagen (Betrieb) durch eine zweiphasige Struktur adressiert. Die Modelle laufen operativ in der KISTERS Datasphere mit täglich aktualisierten Vorhersagen über dynamical.org (u. a. ECMWF IFS, NOAA GFS, ICON D2) für einen 10-Tage-Horizont. Alle drei Modellansätze liefern parallel Vorhersagen und werden anhand eines mehrdimensionalen Bewertungsansatzes verglichen.
In AP3 (Echtzeitoptimierung) wurden RTO-Modelle für alle Talsperren inkl. des Nordharzverbundsystems in KISTERS RTO aufgebaut. Die Modelle arbeiten im Optimierungsmodus mit definierten Bewirtschaftungszielen; als Erweiterung wird die stochastische Mehrzieloptimierung unter Nutzung probabilistischer Vorhersagen vorbereitet. Ergänzende Abschlussarbeiten lieferten eine Systemanalyse des Verbundsystems sowie Szenarien zur Wasserbedarfsentwicklung.
Öffentlichkeitsarbeit
Die Projektergebnisse wurden auf Fachveranstaltungen, in Publikationen und über Projektworkshops der Fachöffentlichkeit vorgestellt.
Veranstaltungen:
– 1. Projektworkshop (Nov. 2024, HWW Hildesheim) mit u.a. Teilnehmenden vom Ruhrverband, Wupperverband, BfG, NLWKN, Deltares, WSV, TU Braunschweig.
– 2. Projektworkshop (Jan. 2026, Ruhrverband Essen) mit Roundtables zu Prognoseunsicherheit, hybridem ML-Betrieb und IT-Sicherheit.
Vorträge:
– Johnen, G. (2025): Deep Learning zur Abschätzung von Prognoseunsicherheiten. 55. IWASA, Aachen.
Poster:
– Johnen, G. et al. (2025): Forecasting Reservoir Inflows Using Regionally Trained and Finetuned LSTM Models. EGU General Assembly, Wien (DOI: 10.5194/egusphere-egu25-2761).
– Johnen, G., Nistahl, P., Brum, M. & Niemann, A. (2026): Wie gut sind KI-Abflussvorhersagen im echten Betrieb? Tag der Hydrologie, Kassel.
Publikationen:
– Johnen, G., Niemann, A., Nistahl, P. & Hutwalker, A. (2025): Deep Learning zur Optimierung der Trinkwasserversorgung aus Talsperren. Wasser und Abfall, 27(5), 12–17.
Fazit
Nach zwei Dritteln der Laufzeit hat PROWAVE wesentliche Grundlagen für eine proaktive Talsperrensteuerung geschaffen und die Methoden erfolgreich in den operativen Betrieb überführt. LSTM-Modelle steigern die Prognosegenauigkeit deutlich und ermöglichen erstmals eine intrinsische Unsicherheitsabschätzung von sowohl Modellunsicherheit als auch Eingabeunsicherheit durch die operativ aufbearbeiteten Wetterprognosen. Die parallele Nutzung konventioneller Modelle sichert die Interpretierbarkeit und Validierung der Modelle und verhindert den Einsatz von KI als isolierte Black Box. Mit dem Sequential Forecast LSTM wurde der distribution shift beim Übergang in den Forecast-Betrieb adressiert. Die Regionalisierung mittels CAMELS-DE verbesserte die Modellgüte bei Extremereignissen erheblich. Alle Modelle laufen operativ in der KISTERS Datasphere mit tagesaktuellen Wettervorhersagen; die RTO-Optimierungsmodelle sind für alle Talsperren bereitgestellt. Zwei Workshops bestätigten: Vertrauen, Einfachheit und Fallback-Strategien sind die zentralen Erfolgsfaktoren für die Akzeptanz. Für die Restlaufzeit bis 03/2027 stehen der Shadow-Mode-Pilot im Parallelbetrieb bei den HWW, die Erweiterung des Vorhersagehorizonts auf ≥30 Tage, die Übertragung der Regionalisierung auf operative Modelle sowie die stochastische Mehrzieloptimierung unter Einbeziehung von Wasserqualität & -quantität im Fokus.