PROWAVE PROaktive Steuerung von WAsserVErteilungssystemen
Projektträger
Universität Duisburg-Essen Institut für Wasserbau und WasserwirtschaftUniversitätsstr. 15
45141 Essen
Telefon: +49 201 183 2225
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.