PUFDO

Projektets formål:

Af de 16.393 (DANVA 2015) pumpestationer i det danske afløbssystem forefindes der flowmålinger i ca. 20-25%. Flowmålinger er i dag essentielle for en række analyser i både planlægning- og driftsfasen af afløbssystemer. Pumpestationer, der ikke fungerer optimalt, kan være en risiko for resten af systemet. Det er derfor essentielt at få mere viden om pumpestationerne og hvordan de påvirker resten af systemet.

Projektet går ud på at bruge kunstig intelligens (machine learning) til at estimere flowet i de resterende 75-80% pumpestationer, hvor der i dag kun logges pumpetid og energi. Dette påtænkes opnået vha. anvendelse af neurale netværk, der trænes på baggrund af hele systemet. PUFDO giver således mulighed for at kende flowet i mange pumpestationer hvilket giver bedre systemoverblik, forbedre mulighederne for detektering af anormaliteter, bedre lokalisering af uvedkommende vand, bedre grundlag for optimering af driftsrutiner og asset management.

Projektets output:

Projektets output er en udstilling igennem EnviDans portal af estimeret flow og pumpeydelser for alle pumpestationer, der ikke har installeret en flowmåler i oplandet til Holbæk Renseanlæg. Ved at data fra forsyningen og andre forsyninger er samlet på EnviDans portal gør at EnviDan i stand til at sammenholde data på tværs af forskellige datakilder i de enkelte forsyninger eller fra flere forsyninger. Altså mulighed for udfører Big Data analyser, her forstået som sammenstilling af mange forskelligartede store datasæt, fx ledningsregistrering, TV-inspektioner, driftsoplysninger, nedbør, realtids flow, spildevandsplan mv.

Datagrundlaget er gængs SRO-data som bl.a. driftsminutter pr. time, som gør det muligt at beregne flowet. Relationerne i netværket tiltænkes udnyttet således, at det er med til at minimere unøjagtigheden i flowestimeringen. Neurale netværk er en meget effektiv matematisk metode til at analysere komplekse data. Her bruges SRO-data i sig selv til at etablere en kompleks matematisk model af pumpernes funktion på baggrund af en træningsperiode.

Der trænes mod målt flow til renseanlægget og øvrige tilgængelige flowmålinger fx fra pumpestationer med flowmåler. Ved kontinuerligt at træne netværket er det muligt at identificere ændringer i pumpeydelsen på de enkelte pumpestationer og herigennem anormaliteter. En særlig egenskab, der er knyttet til neurale netværk er, at de er i stand til at “lære” af nye målinger. De neurale netværk bliver således “klogere” hele tiden, mens der kommer nye data ind i systemet.

Denne automatiske tilpasning gør, at nye driftsstrategier og pumpestyringer vil blive løbende indarbejdet i systemet. Kontinuerlig træning og udnyttelse af sammenhængende i netværket har vi ikke set implementeret før, for flow beregninger over flere pumpestationer. Det neurale netværk udnytter, at der er forskellige strømningstider fra de forskellige pumpestationer til renseanlægget samt, at der skal være massebalance over pumpestationerne. I det at neurale netværk selv finder sammenhænge i data, gør det let at tilføje flere input data, samt at overføre metoden til andre områder.