Možnosti využití digitalizace a AI v distribuci a úpravě pitné vody

Úvod

Pokud se podíváme na zásobování vodou v širším kontextu, vidíme souvislost s množstvím dostupné surové vody a klimatickými údaji, což je důležité pro strategické plánování. S postupující klimatickou změnou se problémy, které jsme dříve považovali za kuriozity z jiných klimatických oblastí, začínají dotýkat i nás ve střední Evropě. Například v oblasti snižování ztrát vody může být důležitější bilance mezi potřebou vody a dostupným množstvím surové vody než finanční efektivita odstraňování ztrát.

V našich podmínkách je hlavní motivací pro digitalizaci a inteligentní řízení zvyšování efektivity systémů, zlepšování kvality služeb a zvyšování kontroly nad celým systémem od akumulace surové vody, přes její úpravu a distribuci až po čištění odpadních vod a navracení použité vody přírodě.

Příklad z Valencie

V posledních letech zažívá vodárenství významný rozvoj IT systémů. Největší pokrok v oboru je nyní dosahován právě díky datovým systémům, které sbírají a unifikují data vodárenských společností a provozují specializované aplikace pro vyšší efektivitu a kontrolu majetku. Příkladem je Valencie, kde společnost Global Omnium začala zpracovávat data již na přelomu tisíciletí. Po analýze dospěla k závěru, že tato oblast přesahuje možnosti běžného provozovatele, a proto založila společnost Idrica. Idrica kombinuje znalosti z provozování vodovodů s odborností v IT, řízení, automatizaci, analýze a zpracování dat a umělé inteligenci. Výsledkem je ucelená a unifikovaná datová platforma, která je škálovatelná a široce použitelná. Tento systém není omezen na jeden konkrétní vodovod, ale dokáže pracovat s daty z prakticky jakékoli vodárenské soustavy. Základním kamenem jsou samotná data. Klíčem je schopnost zpracovávat jakákoli vstupní data, což znamená, že systém je nezávislý na dodavateli zařízení a poskytovateli dat. Tato data, sbíraná z různých systémů a v různých formách, jsou následně unifikována do jednotné databáze, tzv. „data lake“. Tento krok je zásadní, protože zajišťuje, že ke stejným datům mohou přistupovat různé moduly a uživatelé, kteří uvidí vždy stejné hodnoty. Tím se eliminuje riziko záměn jednotek, nesrovnalostí v bilančních obdobích a různých interpretací názvů stejných objektů v rámci jednoho provozovaného souboru majetku.

Jakmile jsou data unifikována, je možné nad nimi provozovat specializované aplikace. To lze dobře demonstrovat na využití dat ze smart meteringu. Tyto údaje jsou primárně využívány k fakturaci. Dalším příkladem využití těchto dat může být zlepšování služeb, kdy můžeme zákazníka informovat o jeho spotřebě, mimořádném odběru nebo poruše na vnitřní instalaci. Zároveň je možné strojově analyzovat odběr zákazníka a určit, zda se jedná o domácnost, restauraci nebo třeba průmysl. Toto začlenění umožňuje detekovat změny v chování, které mohou signalizovat poruchu na vnitřních rozvodech nebo pokus o nelegální odběr vody. Propojení dat ze smart meteringu s GISem a dalšími měřidly na síti otevírá cestu k tvorbě fyzických i virtuálních DMA (district measured area – měrné okrsky) a bilancování dodávky a spotřeby vody v nich. DMA jsou silným nástrojem pro bilancování, detekci a lokalizaci případných úniků vody z distribuční soustavy.

Další úrovní využití dat je nasazení hydraulického modelu, který v kombinaci s živými daty pomáhá detekovat anomálie a poskytuje silný nástroj pro tzv. „what-if“ (co-když) scénáře. Tento model umožňuje simulovat různé provozní zásahy a okamžitě vidět jejich dopady na síť – změny proudění a tlaků v síti a například zobrazit, kteří zákazníci budou konkrétním krokem zasaženi. Dalším krokem je propojení se zákaznickým systémem, který automaticky informuje pouze zasažené zákazníky o plánovaném výpadku zásobování vodou. Tyto naplánované zásahy na síti lze dále předávat výjezdové skupině, která dostane elektronicky pracovní úkol. Po jeho splnění provede záznam o zásahu přímo na místě. Ten pak putuje zpět do systému a je například pracovníkem GIS využit k aktualizaci databáze o nový objekt nebo zpřesnění stávajících geografických dat.

Obrázek 1: Příklad uživatelského rozhraní modulu pro bilancování DMA

Kromě výše popsaného existuje mnoho dalších modulů. Například je možné plánovat obnovu infrastruktury podle jejího stáří, četnosti poruch, nákladů nebo prioritizace dle zákazníků. Samostatnou kapitolou je zajištění kvality vody při její výrobě a distribuci. Lze modelovat různé kvalitativní parametry v síti, míchání vod z různých zdrojů nebo dobu zdržení vody v systému, což může sloužit jako jeden z parametrů pro řízení celé sítě.

Z hlediska aplikace umělé inteligence jsou v současnosti jsou nejpoužívanější aplikace v oblasti hledání ztrát vody a výroby pitné vody, respektive její kvality. Moduly na bázi umělé inteligence se dokáží naučit určité vzorce chování a replikovat je v podobě predikce budoucího vývoje nebo chování při určitých událostech. Toto lze využít jako tzv. digitální dvojče. Praktické využití se nabízí již zmíněné oblasti hledání ztrát, kde digitální dvojče predikuje chování soustavy. Pokud je realita jiná než predikce, znamená to, že se vyskytla anomálie, například porucha, a dochází k úniku vody. Simulací různých scénářů dokáže digitální dvojče poměrně přesně, v závislosti na přesnosti vstupních dat, lokalizovat místo a velikost úniku. V oblasti kvality lze vytvořit model, který předpovídá kvalitu surové vody podle jejího průtoku nebo počasí. Dále je možné vytvořit virtuální kopii některého z procesů, například koagulace, nebo filtrace, a model využít pro řízení systému, který autonomně volí správné dávky koagulantu na základě omezených informací o vstupující surové vodě, nebo řídí délky filtračních cyklů a praní filtrů.

Příklad z Trieru

V současnosti je hojně diskutovaným tématem energetika, náklady na energie a budoucí energetická neutralita vodárenských společností. Tato otázka je nyní probírána zejména z pohledu čištění odpadních vod, ale na příkladu německého města Trier si můžeme ukázat, že energetiku vodního hospodářství lze vnímat jako jeden celek, v jehož rámci se lze energetické neutralitě velmi přiblížit.

Město Trier leží v jihozápadním Německu ve spolkové zemi Porýní-Falc a je jedním ze zakládajících členů Landwerke Eifel, která spojuje zásobování zhruba 250 000 obyvatel s roční spotřebou cca 21 milionů m³ a 100 km trubních rozvodů. Cesta k energetické neutralitě začala v oblasti čištění odpadních vod, optimalizací čistírny pomocí digitálního dvojčete. Další krok vedl do oblasti pitné vody. Po instalaci obnovitelných zdrojů elektrické energie dosahoval provoz poměrně dobré energetické bilance, kdy si dokázal sám vyrobit prakticky veškerou potřebnou elektrickou energii. Elektrická energie je ze vyráběna především pomocí vodních a solárních elektráren. Dalším důležitým krokem k dosažení vysoké soběstačnosti bylo snížení ztrát vody na 5 %. Pitná voda byla čerpána z níže položených zdrojů do oblastí položených až o 400 m výše, což si vyžádalo mnoho energie na čerpání. Snížením ztrát vody klesla potřeba čerpání, a v kombinaci s připojením dalších zdrojů bylo dokonce dosaženo stavu, kdy je možné ze zdrojů položených výše zásobovat níže položené oblasti a místo ztráty energie na čerpání je elektrická energie v distribuční soustavě naopak vyráběna.

Problém však nastával v okamžité bilanci, kdy byla velká část energie dodávána do energetické soustavy a v jiném období byla energie zpět nakupována. Rozdíl v ceně činil cca 0,2 EUR/kWh, což představovalo roční náklady přibližně 100 000 EUR. Hlavní příčinou bylo využití solární energie, jejíž produkce ne vždy koresponduje s její spotřebou. Pro odstranění tohoto problému je možné se na zásobu vody ve vodojemech dívat také jako na uloženou energii. Pro optimalizaci energetické bilance byl pak společností Xylem vyvinut softwarový nástroj, který autonomně řídí zásobování vodou v celé oblasti. Nasazený systém vyhodnocuje několik kritérií a na jejich základě optimalizuje čerpání. Klíčovou částí systému je vyhodnocení aktuální spotřeby energie a pomocí neuronové sítě (AI) predikce potřeby vody v následujícím období. Současně systém vyhodnocuje predikci ceny elektrické energie a předpověď počasí, respektive odhad produkce solární energie. Kombinací těchto údajů systém nalézá optimální způsob plnění vodojemů tak, že objem nakupované energie je pouze cca 10 % z celkové spotřeby, tedy že 90 % potřebné elektrické energie si společnost dokáže vyrobit sama z obnovitelných zdrojů a tuto energii okamžitě přímo spotřebovat.

Obrázek 2: Zjednodušené schéma se znázorněním zdrojů a spotřebičů elektrické energie

Další úrovní optimalizace je využívání zdrojů. Prioritu mají podzemní zdroje vody, které jsou kvalitnější a méně náročné na úpravu a povrchové zdroje slouží především k vykrývání špičkové spotřeby. Z hlediska energetického je u jednotlivých zdrojů vyhodnocována nejen náročnost jejich úpravy, ale i náročnost čerpání vody z nich. Pokud je v podzemním zdroji méně vody, respektive hladina spodní vody je níže, a je potřeba ji čerpat z větší hloubky, energetická náročnost čerpání stoupá. Klíčovým parametrem není jen samotná spotřeba elektrické energie, ale cena výroby vody z jednotlivých zdrojů. Na základě nákladovosti výroby z jednotlivých zdrojů systém prioritizuje různé zdroje vody různých společností sdružených ve spolku. Celý systém pracuje se základním obdobím predikce na příštích 24 hodin s členěním do 15minutových intervalů, ve kterých je cílem dosažení energetické neutrality. Náklady nejsou jedinou prioritou. Důležité je především zajištění bezpečného trvalého zásobování a kvality. V oblasti kvality je důležitým faktorem stáří vody v soustavě, které nesmí překročit předem definované meze. Celý systém je tak velmi komplexní a sofistikovaný, nicméně finanční i nefinanční benefity jsou značné.

Závěr

Využití dat, datových modelů a aplikací využívajících umělou inteligenci pro analýzu dat a predikci budoucího vývoje nám umožňuje propojit různá data, někdy i zdánlivě nesouvisející, a poskytuje velmi přesný přehled o chování celých systémů. Na základě unifikace dat je zajištěno, že jednotlivé úseky vodárenských společností mluví o stejných číslech a stejnou řečí. IT a AI systémy nejsou náhradou zaměstnanců a pracovní síly, ale silnými nástroji, které usnadňují práci a poskytují informace potřebné pro rozhodování od technických provozních opatření, přes bilancování a optimalizaci ekonomiky, až po strategické plánování obnovy infrastruktury a zajištění zdrojů vody v dlouhodobém horizontu.