Fra big data til smart data: driftsoptimering med højopløste sektionsdata i vandforsyningen. En kort historie

Transkript

1 Fra big data til smart data: driftsoptimering med højopløste sektionsdata i vandforsyningen En kort historie Casestudie: Halsnæs Forsyning Jonas Kjeld Kirstein, jkir@env.dtu.dk 9. November 2016 Forsyning Drift? Vejleder: Klavs Høgh (NIRAS) Morten Borup (DTU Miljø) Martin Rygaard (DTU Miljø) Rådgiver Design Forbruger Pålidelig vandforsyning Målerdistrikt (DMA) Moralen af historien: Pålidelige forbrugsestimater = glade interessenter! 2/16 1

2 Casestudie: Halsnæs Forsyning Metode Main facts: Rå målerdata Maglehøj Reservoir 3 vandværker (WW) 2 højdebeholder Halsnæs Forbrugsdata 29 målerdistrikter (DMAs) Flow og tryk er målt ved indog udgange af højdebeholder, vandværker og DMAer. Op til mere end 2 års højopløste (1-min) flow- og trykmålinger i udvalgte DMAer. Evetofte WW Magleblik Reservoir Ølsted WW Kappelhøj WW Halsnæs overblik & forbrugsprofiler Ledningsnetmodellering MLR modellering 3/17 4/16 2

3 DMA Dagligt forbrug [m 3 /t] Dataopsamling DMA ikke oprettet: Data tilgængeligt: Ingen data tilgængeligt: Halsnæs Forbrugsanalyse Sommerhus Enkeltfamiliehus Rækkehus Industri Kombination Som forventet stor variabilitet i det daglige vandforbrug i sommerhuse og industri. 5/16 6/16 3

4 Timefaktor Ugentlig forbrugsprofil (sommerhus DMA) Timefaktorkurve for enkeltfamiliehuse Watertech/Miljøstyrelsen Halsnæs 3,0 2,5 2,0 1,5 1,0 0,5 0,0 7/16 Stor forskel i forbruget imellem hverdage og fridage. Det 5. og 95. percentil inddeler forbruget simpelt i et anormalt/normalt forbrug. 8/17 I dette eksempel har Miljøstyrelsens sammensatte profil en 70% højere timefaktor i hverdage. Forskelle er også blevet observeret i andre grupper (f.eks. sommerhuse) og disse påvirker redimensioneringen af netværket (potentielt økonomisk besparelse). 4

5 Vand fra kilde [%] Vand fra kilde [%] Ledningsnetmodellering Multipel lineær regression (MLR) Forskellige scenarier modelleres med og uden opdaterede forbrugskurver: Ikke nogle større forskelle i simuleret tryk og vandhastigheder grundet (for) store rørdimensioner. Forskelle i vandets oprindelse observeres: Hvad gør vi med hullerne i tidsserierne? Og hvordan vurderer vi om forbruget i en DMA er unormalt? Modellen formuleres som: Forbrug fra DMA 2 Forskellen mellem modelleret og observeret forbrug Y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x β p 1 x p 1 + ε 60 00:00 06:00 12:00 18:00 00:00 Tid (a) Kappelhøj vandværk fredag 0 00:00 06:00 12:00 18:00 00:00 Tid (b) Maglehøj højdebeholder fredag Forbrug modelleret i DMA 1 Forbrug fra DMA 3 Op til 20% forskel i hvor vandet stammer fra imellem modellerne. 9/16 10/16 5

6 Vandforbrug [m 3 /t] Gennemsnitlig forbrugertal i timen MLR eksempel Mobildatabruger vs. vandforbrug MD01 MD05 Kan mobildata bruges til at sige noget om hvor mange mennesker der befinder sig i et område? Data tilgængeligt: (a) 3G og 4G brugere i MD05 MD01 Ingen data tilgængeligt: MD03 MD02 MD03 MD04 MD05 MD04 MD06 (b) Vandforbrug i MD05 Temp. Regn 11/16 tid 12 6

7 Monitering af MD05 i realtid Konklusion Databehandling Det har været muligt at estimere vandforbruget og inddele det i et normalt og anormalt forbrug på en simpel måde. Timefaktorkurver De generede kurver for Halsnæs er meget forskellige fra dem i litteraturen. Ledningsnetmodellering Den modellerede oprindelse af vandet i Halsnæs er afhængig af forbrugsmønstre og kan ændre sig med op til 20 %. Multipel Lineær Regression Modellen kan bruges til at bekræfte et observeret eller manglende vandforbrug og indikere forbrugsmønstre udenfor de almindelige rammer. Det modellerede forbrug repræsenterer fint det observerede forbrug. Grænseværdierne er baseret på 5. og 95. percentilerne for det tilgængelige dataset. 13/16 14/16 7

8 Perspektivering Tak for opmærksomheden Nyt ph.d.-projekt i samarbejde med LEAKman projektet Fokus på dataindsamling og -analyse Stigende datamængder fra flowmetre, sensorer, SRO osv. hvad kan det bruges til? Lækagesøgning Kombinere hydrauliske modeller og flowdata SPØRGSMÅL? du kan også skrive til mig via jkir@env.dtu.dk Big data tilgang Hvordan kan intern og ekstern data bruges til at optimere og kalibrere modeller, overvåge vandkvalitet, optimere tryk, ved beredskab mm.? Anvendt litteratur: 1 Dansk Standard (1988). DS 442:1989 (rettet 2014-udgave). Dansk Ingeniørforenings norm for almene vandforsyningsanlæg. 2. udgave. 2 Watertech a/s (2005). Vandforbrug og forbrugsvariationer, Miljøprojekt nr. 998, Miljøstyrelsen. 3 Kirstein (2016). Using high-frequency data to optimize water supply operation. Master s thesis. Technical University of Denmark. 15/16 16/16 8