Intelligente kloakker: Prognose- og model-baseret styring af renseanlæg, overløb, mv. Workshop Nationalt VandTestCenter 1. September 214 Ferskvandscenteret Silkeborg Lektor, PhD (st@civil.aau.dk) Institut for Byggeri og Anlæg Aalborg Universitet 1
Anvendelse af prognose-baseret styring - Omstilling fra tørvejrs- til regnvejrsdrift på renseanlæg - Prognose for overløb - Styring af overløb/bassiner - Energioptimering af pumper (smartgrid) - Prognose for oversvømmelse - Tørvejrsprognose (drift) 2
Koncept System observationer Flow/vandstand/overløb/ Input: Regnmåler/Radar/vejrmodel Regnprognose Afstrømningsmodel Styring/beslutning Output: Flow/vandstand/ Fyldningsgrad/aflastning/ 3
Vejrradar i Danmark 4
Vejrradar, eksempel 5
Radar data - Radardata kalibreres op i mod regnmålere (Mean Field Bias Adjustment) - Realtid eller på historiske data - Stedslig opløsning: 2 x 2 km 2 (CAPPI) - Tidslig opløsning: 1 min 14 12 R 2 =.8 Daily radar accumulation (mm) 1 8 6 4 2 2 4 6 8 1 12 14 Daily gauge accumulation (mm) 6
Radar nowcast - Ekstrapolation af observeret radarregn baseret på krydskorrelation mellem radarbilleder - Metode: CO-TREC - Prognosehorisont: 2 timer Observation Nowcast model 7
Vejrmodeller DMI-HIRLAM-S5 - Tidslig opløsning : 1 time - Prognosehorisont: 1-24 timer DMI-HIRLAM S-5
Systemer i nuværende drift Prognosticering af indløbsvandføring til renseanlæg - Renseanlæg Lynetten - Renseanlæg Vest Aalborg - Damhusåen renseanlæg - Tønder renseanlæg -. Prognosticering af flow, vandstand, overløb, mv. i afløbsystemer - Frejlev -. 9
Modellering af indløbsvandføring til Lynetten - Opland: 77 km 2 (3 % befæstet) - 5. PE - Regndrift (ATS drift) igangsættes når indløbsvandføringen overstiger 4.7 m 3 /s - Radar: DMI Stevns - Afstrømningsmodel: WaterAspects (Krüger) - Modellen autokalibreres efter flowobservationer i realtid - Det forventes at prognosen kan forbedre rensningen under regn signifikant 1
Event 6: 18 January 212 Rain Radar gauges obs. Radar nowcast NWP model forecast Leadtime h h 1 h 2 h 1 h 2 h 6 h 12 h 24 h Mean accum. (mm) 8.6 7.3 7. 3.5 8.4 9. 9. 8.8 8.6 11
Flow forecast results - Event 4: 1-12 October 211 12 1 8 6 4 2 Measured Radar observed Radar nowcast 1 h Radar nowcast 2 h Mean rain gauge accum.: 8.5 mm Mean obs. radar accum.: 9.1 mm 1-1-211 : 11-1-211 : 12-1-211 : UTC 12 1 8 6 4 2 Measured Weather model 6 h Weather model 12 h Weather model 24 h 1-1-211 : 11-1-211 : 12-1-211 : UTC 12
Flow forecast results - Event 6: 21 24 January 212 12 1 8 6 4 2 Measured Radar observed Radar nowcast 1 h Radar nowcast 2 h Mean rain gauge accum.: 8.6 mm Mean obs. radar accum.: 7.3 mm 21-1-212 : 22-1-212 : 23-1-212 : 24-1-212 : UTC 12 1 8 6 4 2 Measured Weather model 6 h Weather model 12 h Weather model 24 h 21-1-212 : 22-1-212 : 23-1-212 : 24-1-212 : UTC 13
Renseanlægget Lynetten - Foreløbige resultater: > 2 % reduktion af by-pass under regn. Observed radar Flow forecast Observed radar Observed radar Flow forecast Flow forecast 14
Aalborg Renseanlæg Vest Eksempel: - 4 dage med ca. 25 mm regn Observed radar Flow forecast Flow forecast 15
Realtidsmodellering af afløbssystemet i Frejlev - 8 ha - 4 % befæstet - 2 PE - Radar: DMI Sindal - Afstrømningsmodel: MOUSE/MIKE URBAN - Modellen autokalibreres efter flowobservationer i realtid
Eksempel I.8.6.4.2 Flow meter Ø3 mm : 3: 6: 9: 12: 15: 18: Flow meter Ø1 mm.3.2.1 Obs. Optim. model Forecast 3 min. Forecast 6 min. Forecast 12 min. : 3: 6: 9: 12: 15: 18:.25.2.15.1.5 Overflow vol. (leadtime min): 592 m 3 Overflow vol. (leadtime 3 min): 64 m 3 Overflow vol. (leadtime 6 min): m 3 Overflow vol. (leadtime 12 min): m 3 Combined Sewer overflow : 3: 6: 9: 12: 15: 18: Event no. 1, 12-Nov-21
Eksempel 2.8.6.4.2 Flow meter Ø3 mm 3: 6: 9: 12: 15: 18: 21:.12.1.8.6.4.2 Flow meter Ø1 mm Obs. Optim. model Forecast 3 min. Forecast 6 min. Forecast 12 min. 3: 6: 9: 12: 15: 18: 21:.1.8.6.4 Overflow vol. (leadtime min): m 3 Overflow vol. (leadtime 3 min): m 3 Overflow vol. (leadtime 6 min): m 3 Overflow vol. (leadtime 12 min): m 3 Combined Sewer overflow.2 3: 6: 9: 12: 15: 18: 21: Event no. 36, 17-Jan-212 18
Eksempel 3 - Systemet viser potentiale for vejrradarprognose-baseret modellering af overløb, vandstande, oversvømmelse, flow, styring og regulering.8.6.4.2.4.3.2.1 Flow meter Ø3 mm 3: 6: 9: 12: 15: 18: 21: Flow meter Ø1 mm Obs. Optim. model Forecast 3 min. Forecast 6 min. Forecast 12 min. 3: 6: 9: 12: 15: 18: 21:.25.2.15.1.5 Overflow vol. (leadtime min): 676 m 3 Overflow vol. (leadtime 3 min): 638 m 3 Overflow vol. (leadtime 6 min): 663 m 3 Overflow vol. (leadtime 12 min): 855 m 3 Combined Sewer overflow 3: 6: 9: 12: 15: 18: 21: Event no. 46, 7-Jun-212 19
Potentiale for prognose-baseret modellering af afløbssystemer - Kan spare anlægskroner ved at udnytte systemernes kapacitet bedre - Kan reducere antal overløb og overløbsmængder - Kan bidrage med information om systemernes belastning i realtid - Kan forbedre rensning på renseanlæg under regn ved tidligere igangsætning af regndrift - Kan på sigt give advarsler i forbindelse med regnbetingede oversvømmelser - Kan på sigt spare energi ved et pumpe mere intelligent 2
Hvad har vi brug for? - Gode målinger i afløbssystemerne i realtid (vandføring, niveau, pumpeydelser, overløbsregistreringer) - Godt og tæt netværk af regnmålere (enten SVK eller SRO) - Gode radardata (lokal radar eller DMI) - Gode, men simple, modeller 21
Intelligente kloakker: Prognose- og model-baseret styring af renseanlæg, overløb, mv. Workshop Nationalt VandTestCenter 1. September 214 Ferskvandscenteret Silkeborg Lektor, PhD (st@civil.aau.dk) Institut for Byggeri og Anlæg Aalborg Universitet 22