TwinOpt-Pro - Plattform für die Prognose und Betriebsoptimierung von Trinkwasserversorgungs-Systemen

Projektziele

Wesentliche Zielstellung im Projekt ist die Entwicklung einer Plattform zur robusten Echtzeit- Trinkwasser-Betriebsoptimierung, basierend auf einem Digitalen Zwilling des Trinkwasser-Netzes, einer Prognose-Toolbox und Optimierungs-Tools. Im Projekt wird die neuartige Plattform exemplarisch anhand von zwei Use Cases angewandt und evaluiert werden:

▪ Use Case 1: Energetische Optimierung als Beitrag zur Klimaneutralität: maximierte Nutzung regenerativ erzeugten Stroms

▪ Use Case 2: Optimierung der Trinkwassergewinnung und -aufbereitung (Wasserenthärtung): Bedarfsgerechte Wasseraufbereitung und damit Minimierung des Einsatzes von Chemikalien.

Diese Use Cases werden anhand der Trinkwasser-Infrastruktur von Bühl (Baden) prototypisch realisiert. Anhand der Fernwasserversorgung Thüringen wird per Simulation untersucht, welches Potential bei der Anwendung der neuartigen Plattform für Use Case 1 dort gegeben ist (Optimierung des Pumpeneinsatzes unter Nutzung regenerativen Stroms).

Projektergebnisse des IOSB

Aufbau einer digitalen Plattform für die Verarbeitung von Daten aus Trinkwassernetzen:

• Konnektoren für die Einbindung von vielfältigen Datenquellen, die für Trinkwassernetze relevant sind, u.a. Live-Betrieb, Wetter, Strommarkt, Hausstationen, Quellschüttungen und Pegelmessungen
• Verarbeitung der Datenströme in Echtzeit durch eine Event-basierte Datenverarbeitung
• Ausführung der Plattform als verteilte Service-Orientierte-Architektur in einem Kubernetes Cluster
• Performante Verfügbarbarkeit von historischen Daten für Datenanalysen, Monitoring und Reports

Flexible Prognose-Toolbox vereinfacht den Prozess vom Training bis zur Bereitstellung von ML-Modellen:

• Workflows unterstützen beim Training sowie der Evaluierung und dem Ausrollen von neuen ML-Modellen für die Prognose von Zeitreihendaten
• Helm-Chart das häufig verwendete ML-Tools über den gesamten Workflow-Prozess zusammenfasst (z.B. Jupyter Notebooks, MLflow und InfluxDB) und diese über eine zentrale Einstiegswebseite zugänglich macht und in wenigen Schritten in einem Kubernetes Cluster ausgeführt werden kann
• Einfacher Zugriff auf GPU-Ressourcen im Kubernetes Cluster
• Einfaches Deployment der trainierten ML-Modell mit MageAI
• Monitoring und Evaluierung der Prognosen mit Grafana