Zukunftssichere Wasserversorgung durch KI

Agile Lösungen für eine resiliente Infrastruktur

© arneaw – stock.adobe.com

Eine stabile Trinkwasserversorgung ist die Basis unseres Zusammenlebens. Auf mögliche durch den Klimawandel ausgelöste Extremereignisse können die deutschen Wasserversorger aber aktuell nur bedingt reagieren – ihre in der Regel passiven Netzwerke sind zu unflexibel. Die Lösung sind aktive Steuerungssysteme, die sich dynamisch an die Bedarfs- und Angebotslage anpassen lassen. Dafür müssen die noch passiven Netze mit aktiven Elementen wie z.B. Druckreglern, Pumpensteuerungen und Ventilen ausgestattet werden. So kann das Netz zukünftig agil gesteuert werden.  

Um diese Transformation so einfach und günstig wie möglich durchführen zu können, muss die kostspielige Installation aktiver Elemente so geplant werden, dass ihr Nutzen für die Netzsteuerung maximal ausfällt. D.h. Art der Elemente, ihre Lage und die Steuerungsoptionen müssen optimal aufeinander abgestimmt werden. Dafür braucht es mathematische Optimierung und KI. Zum einen, um die optimalen Standorte der Sensoren und Aktoren zu definieren, zum anderen um Wasserversorgungsnetze effizient steuern und im Bedarfsfall in Echtzeit dynamisch anpassen zu können. Hier kommen unsere Experten und Expertinnen ins Spiel.

© Wasserversorgung Rheinhessen-Pfalz GmbH
»aKtIv«ierung von Trinkwassernetzen: zusätzliche Sensoren liefern Daten, welche von einer KI in Steuerungsvorschläge für Aktoren verarbeitet werden – von der Entnahme aus einem Brunnen auf der linken Seite, über die Verarbeitung im Wasserwerk bis zur Versorgung von Haushalten, Industrie, Landwirtschaft und kritischer Infrastruktur.

Optimaler Zubau aktiver Elemente und bestmögliche Netzsteuerung


Im Forschungsprojekt »Agile Netzsteuerung zur Erhöhung der Resilienz der Kritischen Infrastruktur Wasserversorgung« untersucht Fraunhofer IIS, wie der Zustand und die Steuerung von Trinkwassernetzen in Optimierungsmodellen abgebildet werden können. Dabei werden Methoden der gemischt-ganzzahligen nichtlinearen Optimierung eingesetzt. Anhand historischer und prognostizierter Daten, die das Alfred-Wegener-Institut des Helmholtz-Zentrums für Polar- und Meeresforschung (AWI) bereitstellt, werden für bestehende Netze der »Wasserversorgung Rheinhessen-Pfalz GmbH« die optimalen Standorte der zusätzlich notwendigen Aktoren und Sensoren bestimmt. So kann der Versorger auch im Extremfall den Wasserbedarf seiner Kunden abdecken. Die Resilienz seines Netzes steigt. Weitere Projektpartner wie die TH Lübeck führen im zweiten Schritt die notwendigen Installationen durch.

Zusätzlich entwickelt Fraunhofer IIS Optimierungsmodelle, die die beste Netzsteuerung für einen bestimmten Zeithorizont festlegen. Diese Modelle werden anschließend in einem von Projektpartner isatech koordinierten digitalen Zwilling implementiert, welcher der Leitwarte des Wasserversorgers als Entscheidungshilfesystem dient. Eine Echtzeitanwendung soll die Praxistauglichkeit und den Optimierungsgrad der entwickelten Verfahren in realen Wasserversorgungsszenarien demonstrieren. Das Projekt verfolgt einen ganzheitlichen Ansatz, der neben der technischen Machbarkeit auch ethische (IZEW), juristische (IDEW) und wirtschaftliche (RWTH) Aspekte berücksichtigt.

Das könnte Sie auch interessieren

 

Forschungsfeld

KI-basierte Bedarfsprognosen für Logistik, Handel und Verkehr

Wir bringen KI-basierte Bedarfsprognosen in der Logistik, dem Handel und der Produktion in die Anwendung, um Vorhersagen zu verbessern und Prognose-Unsicherheiten zu quantifizieren.

 

Herzsichere Städte durch KI-basierte Standortoptimierung von Defibrillatoren

Das Ziel im Forschungsprojekt »HerzKISO« ist, eine faire und flächendeckende Verfügbarkeit von Defibrillatoren sicherzustellen, um möglichst vielen Bürgerinnen und Bürgern Zugang zu einem lebensrettenden Gerät zu ermöglichen. 

 

Optimierte Betriebssteuerung von Wärmenetzen mittels KI

Im Projekt BeStWärmKI gilt es, die Wärme- und Energieeffizienz von Wärmenetzen erheblich zu steigern. Hierfür wird ein innovatives und vorausschauendes Verfahren entwickelt, das physikalisches Wissen mit Künstlicher Intelligenz kombiniert, um die Betriebssteuerung im Wärmenetz zu verbessern und die Energieeffizienz zu steigern.