Data science voor waterschappen: twee praktijkcases

We zijn met verschillende waterschappen in gesprek over kansrijke toepassingen van data science. Met succes, want op twee plaatsen heeft dat inmiddels geleid tot concrete cases. Een korte samenvatting van deze nog lopende projecten.

Case 
Voorspellen van stikstofconcentraties in effluent

Opdrachtgever: Hoogheemraadschap Stichtse Rijnlanden

Data scientist: Arjan Bontsema

De uitdaging: De concentratie stikstof in het effluent van RWZI’s mag niet te hoog zijn, omdat dit schadelijk is voor het milieu. Daarom gelden wettelijke lozingsnormen voor een aantal stoffen, waaronder stikstof. De uitdaging is hier zover mogelijk onder te blijven en piekconcentraties waar mogelijk af te vlakken.

Het zuiveren van stikstof (ammonium en nitraat) uit afvalwater is een biologisch proces dat tijd nodig heeft. De stoffen moeten door bacteriën worden afgebroken. Tijdens extreme neerslag is die tijd korter, omdat de buffercapaciteit in de riolering gering is en de verblijftijd van het water in de RWZI daardoor korter dan bij droog weer. De concentraties stikstof in het effluent zijn tijdens en direct na zo’n bui daardoor vaak hoger dan gemiddeld. In droge perioden (ongeveer 80 procent van de tijd) kan dit gecompenseerd worden om op jaarbasis niet boven de norm uit te komen.

Data science toepassing: Om de jaarlijkse norm voor stikstof te halen is inzicht nodig in het zuiveringsproces. Voor de RWZI in Zeist maken we een voorspelmodel dat de stikstofconcentratie tot zes uur vooruit kan voorspellen op basis van verschillende parameters (o.a. aanvoerdebiet, weersomstandigheden, sensordata over zuurstof en temperatuur uit het zuiveringsproces). Dit model wordt getraind op grote en zeer gevarieerde hoeveelheden data en is zelflerend: naar verloop van tijd zal het steeds nauwkeuriger kunnen voorspellen. Daarnaast neemt het onderlinge verbanden tussen alle parameters mee in specifieke omstandigheden. Het gaat dus niet uit van relatief simpele ‘als, dan’ aannames, maar leert uit de feiten.

De maatschappelijke impact: Het doel is om aan de hand van de voorspelde concentraties stikstof in effluent inzicht te verschaffen in de effecten van bufferen bij droog weer. Op basis hiervan kan gestuurd worden op een gelijkmatigere instroom van water, waardoor de concentraties op jaarbasis geminimaliseerd kunnen worden. Dit is niet alleen beter voor het milieu en flora & fauna, maar heeft ook een positief (indirect) effect op de kwaliteit van ongezuiverd drinkwater. Extra bijvangst kan daarnaast zijn dat een gelijkmatiger proces ook een positieve invloed heeft op energieverbruik en onderhoudsbehoefte van installaties.

Huidige stand van zaken: Op dit moment zijn we bezig met de analyse en opschoning van aangeleverde datasets, waarna we starten met het bouwen en trainen van het model. De verwachte oplevering is gedurende de zomer van 2018.

Case 
Op uurbasis voorspellen aanvoerdebiet

Opdrachtgever: Waterschap Vechtstromen

Data scientist: Inske Groenen

De uitdaging: Waterschappen staan voor de uitdaging het energieverbruik van installaties terug te dringen. Een manier om dit te bewerkstelligen is het realiseren van een zo gelijkmatig mogelijk zuiveringsproces. Op dit moment staat het effluent gelijk aan het aanvoerdebiet: de hoeveelheid water die de RWZI inkomt, gaat er op hetzelfde moment ook uit. Dat heeft grote pieken qua energieverbruik tot gevolg. Soms zijn dat onoverkomelijke pieken, want tijdens (hevige) neerslag kun je niet anders dan op volle toeren draaien. Maar soms ook onnodige pieken die je in tijden van droogte prima had kunnen afvlakken. De uitdaging is om aan de hand van nauwkeurig voorspelde aanvoerdebieten op ieder moment van de dag bufferingsmogelijkheden van het systeem optimaal te benutten.

Data science toepassing: In de eerste fase van dit project hebben we een machine learning model ontwikkeld dat het aanvoerdebiet (inkomende water) tot 3 uur vooruit kan voorspellen voor de RWZI’s in Losser en Oldenzaal. Hierin is zowel historische data van de RWZI’s meegenomen, als KNMI neerslagdata en Vitens-data over drinkwaterverbruik. Dat model zijn we op dit moment aan het uitbreiden om de nauwkeurigheid ervan te verbeteren. We voegen over een langere tijdshistorie neerslagdata en Vitens-data toe, breiden het model uit met grondwaterstanden en rivierstanden en nemen ook actuele weersvoorspellingen van Buienradar mee. Hiermee gaan we twee modellen ontwikkelen, een feedforward neural network en recurrent neural network, om het aanvoerdebiet nauwkeuriger en verder vooruit (tot 24 uur) te kunnen voorspellen. Vervolgens zal vergeleken worden welke van de twee modellen het beste resultaat levert.

De maatschappelijke impact: Vanuit het inzicht in aanvoerdebiet kan worden onderzocht hoe reëel het is om water te bufferen (in samenwerking met de gemeenten) of in aangelegde buffertanks. Deze worden nu alleen gebruikt tijdens grote neerslagpieken, maar zouden ook in tijden van droogte kunnen worden gebruikt om installaties gelijkmatiger te kunnen laten draaien. Dit heeft zowel een positief effect op energieverbruik als op de onderhoudsbehoefte van pompen en zuiveringen, omdat je installaties in de meest optimale frequentie kunt laten draaien. Daardoor kunnen investeringen mogelijk langer worden uitgesteld. Daarnaast willen we als extra laatste stap de relatie leggen tussen sensordata uit het zuiveringsproces en het voorspelde aanvoerdebiet, om ook hierin mogelijkheden voor optimalisaties te ontdekken.

Huidige stand van zaken: Op dit moment is alle data binnen en opgeschoond. We zijn nu bezig met de eerste analyseplots, waarna we, met deze inzichten als basis, zullen werken aan het feed forward neural network en recurrent neural network. Verwachte oplevering is in de zomer van 2018.

 

One thought on “Data science voor waterschappen: twee praktijkcases

  1. Pingback: Digitale transformatie bij waterschappen - Ynformed

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *