Využití neuronových sítí při minimalizaci nákladů na elektrickou energii při provozu vodovodů

Úvod

V souvislosti s energetickou krizí, která začala v roce 2022, se do popředí dostala problematika energetické náročnosti provozu vodárenské infrastruktury. K minimalizaci nákladů vedou různé cesty – v první řadě by to měla být snaha minimalizovat samotnou spotřebu elektrické energie a s ní spojené fixní a variabilní náklady. Fixními jsou zejména náklady spojené s rezervovaným příkonem. Jako druhý pilíř řešení se nabízí částečné pokrytí spotřeby elektrické energie vlastní výrobou v areálech provozovatele. Na rozdíl od čistíren nemáme na vodárenských objektech možnost pokrytí provozu pomocí kogeneračních jednotek na bioplyn, nabízí se ale časté využití fotovoltaických elektráren, případně i samotné energie vody – např. MVE Police nad Metují nebo vodojem Jesenice. Třetí možností je využití spotového trhu s elektřinou. V takovém případě je ale klíčové přesunout spotřebu elektrické energie v čase z období s vyššími cenami do cenově výhodnějších období v rámci dne, tedy přesunout v rámci technických možností objem výroby a přepravy vody v čase.

Vliv ceny elektřiny na výši vodného

Různé energie se na provozních nákladech promítnutých do vodného podílejí přibližně z 25 %. Z celkové výše vodného pak tvoří náklady na energie „jen“ okolo 7 %. [1] V roce 2021 se dle benchmarkingu MZe ve III. skupině provozovatelů¹ vodovodů promítaly energie do výše vodného v rozsahu cca 1,00 až 2,40 Kč/m³. V V. skupině provozovatelů byl rozsah větší – od 0,70 do cca 2,60 Kč/m³. S nárůstem cen za dodávku v roce 2022 a 2023 se pojily zvýšené výdaje – tyto ještě MZe nezveřejnilo. [2]

Předpověď spotřeby vody

Přístupy mohou být rozdílné – od prostého využití dlouhodobě vypozorovaných grafů spotřeby až po využití metod „umělé inteligence“ – různých druhů neuronových sítí. Krátkodobé předpovědi spotřeby pitné vody v zásobované oblasti mají zásadní význam pro efektivní řízení vodních zdrojů a rozhodování v případě energetické optimalizace. Pro tento účel byly v zahraničí zkoumány různé modely neuronových sítí, včetně umělých neuronových sítí (ANN), waveletových umělých neuronových sítí a neuronových sítí s dlouhou krátkodobou pamětí (LSTM). [3, 4] Bylo zjištěno, že tyto modely jsou účinné při krátkodobém předpovídání potřeby vody, zejména při zohlednění dalších faktorů – např. meteorologických podmínek. [5, 6]

Konkrétně sítě LSTM prokázaly vynikající výkon při zachycování dynamiky časové řady spotřeby vody, snížily časovou náročnost výpočtů a poskytly lepší výsledky než jiné modely, jako je autoregresní integrovaný klouzavý průměr (ARIMA), regrese s podpůrnými vektory (SVR) a tradiční modely neuronových sítí. [6, 7]

Možnost zapojení fotovoltaiky

I predikce výroby elektřiny z fotovoltaické elektrárny je možná a zapojitelná do procesu optimalizace. Zde hraje hlavní roli způsob využití vyprodukované elektřiny. Prvotní rozhodnutí spočívá v tom, zda vyprodukovaná elektřina bude primárně spotřebovávána ve vodárenském objektu a až případné přebytky zobchodujeme do sítě, nebo zda veškerá vyprodukovaná elektřina bude dodána do sítě. Zde rozhoduje průměrný zisk z prodané kWh versus nákupní cena pro vodárenský objekt v době, kdy FVE produkuje a my jsme schopni tuto elektřinu spotřebovat. Toto rozhodnutí je učiněno před pořízením FVE – buď je připojena jako samostatná výrobna, nebo jako vnořená výrobna do odběrného místa – viz Obr. 1.

Obr. 1 Možnosti implementace FVE

V případě, že je výrobna vnořená a její produkce je primárně využívána pro provoz vodárenského objektu, má význam provádět predikci výroby elektrické energie – tato energie se pak do modelu genetického algoritmu vloží s nulovou cenou, neb je dostupná „zdarma“. Na trhu jsou již pro krátkodobou predikci výroby FVE nástroje – např. od UCEEB ČVUT.

Problematika rezervovaného příkonu

Ať už je odběrné místo vodárenského objektu připojeno k síti NN nebo VN, musí energetik řešit problematiku rezervovaného příkonu. Při připojení pomocí sítě nízkého napětí je to hodnota hlavního jističe, u odběrného místa připojeného do sítě vysokého napětí se jedná o hodnotu čtvrthodinového maxima. Za její překročení jsou udělovány pokuty – z tohoto důvodu jsou na takových objektech regulátory čtvrthodinového maxima. Pomocí analýzy dostupných dat (např. z analyzátoru sítě a z dalších zařízení) je možné ověřit vhodnost nasmlouvaného příkonu a případně odhalit možné způsoby jeho dalšího snížení. Hodnota rezervovaného příkonu pak navíc vstupuje jako jedna z okrajových podmínek do optimalizačního genetického algoritmu.

Proces optimalizace

Vzhledem k rozsahu optimalizační úlohy provozu skupinového vodovodu je nereálné řešení deterministické. Jako vhodná se jeví některá z metaheuristických metod, například metoda genetických algoritmů.

Obr. 2 Vývojový diagram genetického algoritmu [8]

V takovém případě bude jedinec tvořen N-násobkem 24 nul a jedniček – nula značí neběžící čerpadlo/strojní zařízení v dané obchodní hodině, jednička značí jeho běh. N je zde počet čerpadel. Pro přehlednost je vhodné generovat jedince ve formě matice, nikoli vektoru – každý řádek pak odpovídá stavům jednoho čerpadla v průběhu plánovacího období – 24 hodin následujícího dne. Účelovou funkcí je pak cena spotřebované energie + různé formy tzv. penalizace – např. nedodržení požadovaných minimálních a maximálních hladin ve vodojemech. Vývojový diagram na Obr. 2 poskytuje náhled na samotný proces optimalizace. Nejdříve je vytvořena náhodná prvotní generace výše popsaných jedinců. Každému je přiřazena hodnota účelové funkce. Na základě její hodnoty jsou vybráni vhodní rodiče další generace (jedinci s nízkou hodnotou UF). Nová populace je vytvořena křížením a mutací těchto rodičů a jejím jedincům je přiřazena hodnota UF. Pokud je splněna předem daná podmínka ukončení algoritmu (maximální počet generací, nalezení uspokojivého řešení), je vybrán nejlepší jedinec. Pokud ne, cyklus výběru rodičů a jejich křížení se opakuje.

Vstupem tohoto optimalizačního algoritmu pak jsou výstupe z predikce spotřeby vody v kroku jedné hodiny, dále spotové ceny elektřiny (a případné distribuční poplatky v případě budoucího zavedení SMART grids a nějaké formy zvýhodnění řízených odběrů), výkony jednotlivých čerpadel, objemy a požadované krajní hladiny ve vodojemech a další okrajové podmínky.

Po nalezení optimálního jedince by tento byl automaticky zanesen do SCADA systému tak, aby řízení probíhalo samostatně. Nadále by v systému SCADA zůstaly zachovány bezpečnostní mechanismy, které se v těchto systémech z pohledu řízení již nacházejí – vypínání čerpadel při dosažení maximálních hladin v akumulacích, náběhy čerpadel a úpraven na maximální výkon při poklesu pod stanovené hladiny atd.

Případová studie

Míra úspory záleží vždy na dané konkrétní lokalitě. V rámci pilotního ověření byla zkoušena lokalita jednoduchého spotřebiště s jedním VDJ a jednou ČS – vodu přebírá ze skupinového vodovodu. Průměrná denní doba běhu ČS je 3 hodiny. V roce 2023 bylo možné při využití spotových cen včetně poplatku zprostředkovateli dosáhnout obchodní ceny 2030 Kč/MWh (bez distribučních poplatků a stálých plateb). Oproti tomu zasmluvněná obchodní cena elektřiny pro daný rok u dodavatele byla 4300 Kč/MWh. Využití spotových cen mohlo uspořit při optimalizaci běhu přes 50 % nákladů.

Graf 1 Historie vývoje ceny na SPOT trhu dle OTE – přepočteno denním kurzem ČNB – dle [9–12]

Jiná situace je u velkých vodárenských objektů a jejich skupin, kde míra využití je vyšší – zde není možné využít jen pár hodin s nejnižší cenou a úloha získává na komplexnosti, zvláště u oblastních a skupinových vodovodů s mnoha sériově zapojenými ČS a vodojemy. Rozdíl úspory pomocí spotového trhu s optimalizací a bez ní je okolo 5–7 %. Je nutné zde ovšem varovat před rizikovostí spotového trhu – viz situace v roce 2022, kdy průměrná cena elektřiny na spotovém trhu dosáhla 6186 Kč/MWh. Oproti tomu ale situace let 2021 (2516 Kč/MWh) a 2023 (2609 Kč/MWh) ukazuje na volatilitu ceny elektřiny na spotovém trhu v důsledku mezinárodní situace – viz Graf 1. [9, 10, 11]

Závěr

Příspěvek jasně ukazuje na potenciál využití neuronových sítí a optimalizačních algoritmů při minimalizaci nákladů na elektrickou energii při provozu vodovodů. Tyto technologie nabízejí sofistikované a efektivní metody pro predikci spotřeby vody a výroby elektřiny z fotovoltaických elektráren. To nám následně umožňuje přesnější plánování a strategie využití zdrojů.

Případová studie demonstruje, že využití spotových cen elektřiny a optimalizace běhu čerpadel může výrazně snížit náklady na energii. Nicméně, je důležité brát v úvahu i rizika spojená se spotovým trhem, jak ukázala volatilita cen elektřiny v minulých letech. Studie byla představena na konferenci Voda 2023 v Litomyšli, článek byl poté krácen a upraven pro portál TZB-info.

Citace

1. PRAŽSKÉ VODOVODY A KANALIZACE. Cena vodného a stočného. Online. Dostupné z:
   https://www.pvk.cz/zakaznici/cena/. [cit. 2024-02-15].
2. MINISTERSTVO ZEMĚDĚLSTVÍ ČR. Benchmarking VaK. Online. Dostupné z:
   https://eagri.cz/public/portal/mze/voda/vodovody-a-kanalizace/benchmarking-vak. [cit. 2024-02-02].
3. TIWARI, Mukesh K. a ADAMOWSKI, Jan. Urban water demand forecasting and uncertainty assessment using ensemble wavelet-bootstrap-neural network models. Online. Water Resources Research. 2013, roč. 49, č. 10, s. 6486-6507. ISSN 00431397. Dostupné z: https://doi.org/10.1002/wrcr.20517. [cit. 2024-01-24].
4. MENAPACE, Andrea; ZANFEI, Ariele a RIGHETTI, Maurizio. Tuning ANN Hyperparameters for Forecasting Drinking Water Demand. Online. Applied Sciences. 2021, roč. 11, č. 9, s. 6486-6507. ISSN 2076-3417. Dostupné z:
   https://doi.org/10.3390/app11094290. [cit. 2024-02-03].
5. FARAH, Elias; ABDALLAH, Amani; SHAHROUR, Isam; SHAHROUR, I.; XIE, X.-Y. et al. Prediction of water consumption using Artificial Neural Networks modelling (ANN). Online. MATEC Web of Conferences. 2019, roč. 295, č. 9, s. 6486–6507. ISSN 2261-236X. Dostupné z: https://doi.org/10.1051/matecconf/201929501004. [cit. 2024-02-05].
6. PACCHIN, E.; GAGLIARDI, F.; ALVISI, S.; FRANCHINI, M.; XIE, X.-Y. et al. A Comparison of Short-Term Water Demand Forecasting Models. Online. Water Resources Management. 2019, roč. 33, č. 4, s. 1481-1497. ISSN 0920-4741. Dostupné z: https://doi.org/10.1007/s11269-019-02213-y. [cit. 2024-01-28].
7. FIRAT, Mahmut; YURDUSEV, Mehmet Ali; TURAN, Mustafa Erkan; FRANCHINI, M.; XIE, X.-Y. et al. Evaluation of Artificial Neural Network Techniques for Municipal Water Consumption Modeling. Online. Water Resources Management. 2009, roč. 23, č. 4, s. 617-632. ISSN 0920-4741. Dostupné z: https://doi.org/10.1007/s11269-008-9291-3. [cit. 2024-01-28].
8. KOPECKÝ, Pavel. Genetické algoritmy a jejich možné použití k optimalizaci budov. Online. Vytápění, větrání, instalace. 2010, roč. 19, č. 2, s. 100-104. Dostupné z: https://www.stpcr.cz/?download=articles/vvi-2010-02_s100.pdf. [cit. 2024-02-05].
9. OPERÁTOR TRHU S ENERGIEMI. Roční zpráva 2021. Online. 2022. Dostupné z:
   https://www.ote-cr.cz/cs/statistika/rocni-zprava?date=2021-01-01. [cit. 2024-02-15].
10. OPERÁTOR TRHU S ENERGIEMI. Roční zpráva 2022. Online. 2023. Dostupné z:
    https://www.ote-cr.cz/cs/statistika/rocni-zprava?date=2022-01-01. [cit. 2024-02-15].
11. OPERÁTOR TRHU S ENERGIEMI. Roční zpráva 2023. Online. 2024. Dostupné z:
    https://www.ote-cr.cz/cs/statistika/rocni-zprava?date=2023-01-01. [cit. 2024-02-15].
12. OPERÁTOR TRHU S ENERGIEMI. Roční zpráva 2024. Online. 2024. Dostupné z:
    https://www.ote-cr.cz/cs/statistika/rocni-zprava?date=2024-01-01. [cit. 2024-02-15].

Poznámky

¹ Provozovatelé vodovodů jsou pro účely benchmarkingu MZe rozděleni do 7 skupin dle objemu fakturované vody (I. skupina > 30 mil. m³/rok až VII. skupina < 0,012 mil. m³/rok) ... Zpět