Nationalt befæstelseskort ved hjælp af Machine Learning og geografiske data
Morten Revsbæk, Scalgo
Indlæggets fokus vil være på brugen af Machine Learning i udviklingen af Scalgo’s services. Morten vil give en kort introduktion til det nationale befæstelseskort og vandoplandsværktøj, samt give indblik i hvordan AI og Machine Learning har bidraget hertil. Herudover diskuterer mulighederne i at kombinere Machine Learning med geografiske data, til gavn for vandbranchen.
Peter Stentoft, Krüger
Hvordan kan udviklingen i digitale tvillinger understøtte den digitale transformation, som pågår i forsyningerne i dag, og hvordan hjælper det forsyningerne til øget effektivisering. Skal der skabes et nyt miljø for at nå dertil, og er ’plejer’ død i denne sammenhæng?
Spildevandskomiteens skrifter
Ida Bülow Gregersen, DTU Environment
Hvad har vi af værktøjer i Spildevandskomitéens skrifter, når regnvandshåndtering på terræn, i LAR-anlæg og andre kreative løsninger skal dimensioneres, når de i kombination bruges som afløbs-/afledningssystem i byerne?
11:20
Machine Learning i rådgivningen – et redskab i værktøjskassen
Torben Bach, NIRAS
Med fokus på konkrete eksempler fra rådgivningsopgaver samt udviklings- og demonstrations projekter, vil Torben give indblik i hvordan Machine Learning anvendes som redskab i rådgivningen. Herudover diskutere, hvordan teknologien påvirker rådgivningen og hvad man bør være opmærksom på, når man tilbyder Machine Learning som rådgiver.
Hvordan kan-man-håndtere-usikkerhederne-i-forhold-til-at-dimensionere-investe...EVAnetDenmark
Toke Sloth Madsen, HOFOR, Jan Høybye og Birgit Paludan
I forbindelse med planlægning og dimensionering af tunnelsystemerne i Storkøbenhavn foretages en analyse af usikkerheder på designregn, afstrømning samt tunnelstrækningernes forventede kapacitet. Formålet er at dimensionere med et kendt sikkerhedsniveau og dokumentere pålideligheden/sikkerheden af de planlagte løsninger.
Arbejdet er baseret på anbefalingerne i SVK skrift 27.
I projektet udvikles, testes og demonstreres nye metoder, der kan forbedre det dynamiske regn input til afløbstekniske modelberegninger i det nuværende og fremtidige klima
Microsoft Next 2014 - Insights session 4 - Fra erfaringsbaseret til videns ba...Microsoft
Microsoft Next 2014 - Insights session 4 - Fra erfaringsbaseret til videns baseret produktion, salg og udvikling, v. Adam Brun, Funktionsleder, AffaldVarme Aarhus, Århus Kommune
Dataanvendelse i en vandforsyning dataanvendelse i en vandforsyningEVAnetDenmark
Vandmænd og datakvalitet
Projektingeniør, Kurt Brinkmann, Århus Vand A/S
Hvilke krav stiller en ”vandmand” til kvalitet og dokumentation af data
i en vandforsyning ?
HACCP certifi cering – hvad betyder det for vandforsyningen fra
ledningsregistering til vandhanen hos forbrugeren ?
Måledata, kvalitetssikring og opbygning af hydraulisk modeller
Nationalt befæstelseskort ved hjælp af Machine Learning og geografiske data
Morten Revsbæk, Scalgo
Indlæggets fokus vil være på brugen af Machine Learning i udviklingen af Scalgo’s services. Morten vil give en kort introduktion til det nationale befæstelseskort og vandoplandsværktøj, samt give indblik i hvordan AI og Machine Learning har bidraget hertil. Herudover diskuterer mulighederne i at kombinere Machine Learning med geografiske data, til gavn for vandbranchen.
Peter Stentoft, Krüger
Hvordan kan udviklingen i digitale tvillinger understøtte den digitale transformation, som pågår i forsyningerne i dag, og hvordan hjælper det forsyningerne til øget effektivisering. Skal der skabes et nyt miljø for at nå dertil, og er ’plejer’ død i denne sammenhæng?
Spildevandskomiteens skrifter
Ida Bülow Gregersen, DTU Environment
Hvad har vi af værktøjer i Spildevandskomitéens skrifter, når regnvandshåndtering på terræn, i LAR-anlæg og andre kreative løsninger skal dimensioneres, når de i kombination bruges som afløbs-/afledningssystem i byerne?
11:20
Machine Learning i rådgivningen – et redskab i værktøjskassen
Torben Bach, NIRAS
Med fokus på konkrete eksempler fra rådgivningsopgaver samt udviklings- og demonstrations projekter, vil Torben give indblik i hvordan Machine Learning anvendes som redskab i rådgivningen. Herudover diskutere, hvordan teknologien påvirker rådgivningen og hvad man bør være opmærksom på, når man tilbyder Machine Learning som rådgiver.
Hvordan kan-man-håndtere-usikkerhederne-i-forhold-til-at-dimensionere-investe...EVAnetDenmark
Toke Sloth Madsen, HOFOR, Jan Høybye og Birgit Paludan
I forbindelse med planlægning og dimensionering af tunnelsystemerne i Storkøbenhavn foretages en analyse af usikkerheder på designregn, afstrømning samt tunnelstrækningernes forventede kapacitet. Formålet er at dimensionere med et kendt sikkerhedsniveau og dokumentere pålideligheden/sikkerheden af de planlagte løsninger.
Arbejdet er baseret på anbefalingerne i SVK skrift 27.
I projektet udvikles, testes og demonstreres nye metoder, der kan forbedre det dynamiske regn input til afløbstekniske modelberegninger i det nuværende og fremtidige klima
Microsoft Next 2014 - Insights session 4 - Fra erfaringsbaseret til videns ba...Microsoft
Microsoft Next 2014 - Insights session 4 - Fra erfaringsbaseret til videns baseret produktion, salg og udvikling, v. Adam Brun, Funktionsleder, AffaldVarme Aarhus, Århus Kommune
Dataanvendelse i en vandforsyning dataanvendelse i en vandforsyningEVAnetDenmark
Vandmænd og datakvalitet
Projektingeniør, Kurt Brinkmann, Århus Vand A/S
Hvilke krav stiller en ”vandmand” til kvalitet og dokumentation af data
i en vandforsyning ?
HACCP certifi cering – hvad betyder det for vandforsyningen fra
ledningsregistering til vandhanen hos forbrugeren ?
Måledata, kvalitetssikring og opbygning af hydraulisk modeller
Samstyringsprojektet i Aarhus
Lene Bassø, Aarhus Vand A/S
Samstyring af afløbssystem og renseanlæg opbygges på to niveauer, henholdsvis et simpelt niveau (regelbaseret styring) og et avanceret niveau (model-prediktiv styring). Den regelbaserede styring baseres på styringsstrategier, som er fastlagt ud fra typiske nedbørsmønstre. I den avancerede styring indhentes online nedbørsinformation fra kommunens vejrradar, og ud fra disse kan der laves en prognose samt online modelberegninger for oplandet
Mere information-fra-data-med-kunstig-intelligensEVAnetDenmark
Mere information fra data med kunstig intelligens: konkrete eksempler fra afløbssystemer
Morten Grum, WaterZerv
Datadrevne modeller og machine learning byder på mange nye muligheder for bedre indsigt, prioritering og optimering i både drift og planlægning. Vi præsenterer, hvordan automatiserede datadrevne modeller benyttes til beregning af kilder til afløbssystemet samt hvordan neurale netværk bruges til at detektere dårlige data. Desuden giver vi en mundsmag på et nyt udviklingssamarbejde med DTU Miljø og Bochum kommune, hvor vi med deep learning kombinerer data og klassisk hydraulik for at styrke klimatilpasningen og reducere overløb.
2. Hvad kan smart meter-data
bruges til?
Foredrag i Ingeniørforeningen IDA
Ingeniørhuset i København den 1/9-2015
Ved Anders Niemann, Sektionsleder,
Teknologisk Institut, Aarhus
3. 2002 Maskiningeniør, IHA, Aarhus
2004 Mediko-ingeniør, AU
2010 Ph.d. fra Sundhedsvidenskabeligt fakultet, AU
Computational Fluid Dynamics simulation of a-v fistulas
2010 Konsulent, Center for Installation og kalibrering, Teknologisk Institut
Kalibrering af flowmålere (fra 500 m³/h til 1 ml/h)
Test og analyse af flow og flowmålere via deltagelse i nationale og internationale
projekter
Projektleder for EUDP-projekt
Bearbejdning, test og analyse af data (Big-data) fra Energimålere i et fjernvarmenetværk
2015 Sektionsleder, Teknologisk Institut
Vand- og luftflow-laboratorier
Personlig introduktion
3
4. Et Smart Grid er et moderne energinetværk,
der bruger informations- og
kommunikationsteknologi til automatisk at
indsamle information omkring forsyningers og
kunders adfærd og reagere hensigtsmæssigt
på baggrund af denne information.
Hvor formålet er at forbedre effektiviteten,
driftssikkerheden, økonomien og
bæredygtigheden ved produktion, distribution
og forbrug af energi.
SMART GRID-Definition
4
7. 78 smart meters (energimålere) installeret i 2 forskellige
testområder
65 husstandsmålere
9 målere i omløbsskabe
4 målere i to blandeskabe til de to områder
Testområderne
Område 1: parcelhuse fra 1955 – 65 (radiatorer)
Område 2: Parcelhuse fra 1998 – 99 (gulvvarme)
Data bliver logget på minutbasis
Data fra før og efter forskellige driftsoptimeringer
IT-Værtøjer:
TERMIS®: Numerisk værktøj til hydraulisk og termodynamisk
modellering og simulering af bl.a. tryk, temperatur og energi i
forsyningsnettet for både frem- og returløb
Matlab®: Matematik- og programmeringssoftware
Projektforudsætninger
7
8. For at udnytte og inkorporere vedvarende
energikilder, overskudsvarme eller for at
driftsoptimere et eksisterende
fjernvarmesystem på en optimal måde
kræves et nøje kendskab til de forskellige
driftsparametre og til dynamikken i
forsyningssystemet.
At kunne anvende data fra Smart Meters til at
få kendskab til de forskellige driftsparametre
og dynamikken i fjernvarmenettet blandt
andet forbrugsmønstre.
At anvendelse af Smart Meters med
minutbaseret datalogning kan være med til at
udvikle og afprøve tidsligt højtopløselige
modelleringsstrategier for driftsoptimering og
analysere driftsforhold og forbrugsmønstre.
Fjernvarme Smart Grid:
- Udfordringer og visioner
8
9. Datamængde og –anvendelighed ?
9
Hvad skal vi med alle de data?
Datalinjer (records) fra 1 måler:
Dag: 1440 records
Måned: 43920 records
År: 525600 records
Datalinjer fra 78 målere ≈ 41 mio. records
Excel: ~1 mio. datalinjer
Hvor mange data (hvor meget information)
skal der til?
Logningsinterval pr. minut, pr. time ??
Hvordan skal vi analysere og behandle dem?
Af hvem og til hvad kan resultaterne
anvendes?
10. Visualisering
Forbrug af varme-energi
Gennemsnitlig fjernvarmeafkøling
Hvornår der er forbrug
Benchmarking – anonymiseret
sammenligning med andre kunder
Driftsoptimering:
Forbrugsvisualisering
Kundevejledning
Bedre kendskab til forbrugsmønstre
bedre produktionsplanlægning
bedre drift af distributionsnettet
Inkorporering af VE-kilder
Sol, vind etc.
Anvendelse af de mange data
10
11. At udvikle håndterings-, modellerings- og
analyseværktøjer
Verifikation af målerdata for at sikre kvaliteten af inputdata
til videre analyser.
Etablere en simuleringsmodel og –metode i TERMIS
baseret på validerede minutdata.
Analysere og estimere usikkerheden på outputtet fra
TERMIS
Udvikle værktøjer og metoder til at analysere
driftsoptimeringer og logningsintervallets indflydelse på
resultaterne.
Projekts hovedformål
11
12. Fjernvarme-distributionsnettet
12
tfrem = 75 °C
tretur = 35 °C
Pvarme = Δt∙c∙Qmasse
Omløb/shunt
tfrem = 60 °C
tretur= 20 °C
tfrem = 20 °C
tretur= 60 °C
Energi til opvarmning:
Afkøling af fjernvarme-
vandet
Energiforbrug (fjernvarme):
• Rumopvarmning (langvarig, konstant og
vejrafhængigt)
• Varmt brugsvand (kort tidskonstant,
vejruafhængigt)
tfrem = 70 °C
Pvarme = ∑pforbrug+ ∑pvarmetab
Ptotal = Pvarme+ Ppumpe
Ppumpe =
𝑄∙Δ𝑝 𝑡𝑜𝑡
η
13. Testområde 2
Dataflow
- Håndtering af data
13
Rå-datalager
(Oracle)
Data-udstilling
(MS-SQL-server)
Dataoverføring/
datavalidering
Vejr- og SRO-
data
Efter-
bearbejdningVisualisering Evaluering
Resultater
MS-SQL-
server
Dataanalyse
Testområde 1
Dataopsamling
Smart meters
Smart meters
17. Målerdata – Nøjagtighed
- Afregningsmåler kontra datalogger
17
𝜀 𝐸 = ± 𝜀 𝐹 + 𝜀 𝐷 + 𝜀 𝑐 [%]
Aritmetisk sum (worst case) : 100 % Konfidens
Sumkvadrat (kvadrattet af varianser): 95 % Konfidens
𝑈 𝐸 = ±2 𝑢1
2 + 𝑢2
2 + 𝑢3
2 = ±2
𝜀 𝐹
3
2
+
𝜀 𝐷
3
2
+
𝜀 𝑐
3
2
[%]
-𝜀 𝐸 𝜀 𝐸
½a
PDF
μ
𝑢 =
ε 𝐸
3
58 % af PDF
1 std afv. (u )
μ
95 % af PDF
2 std afv. (u )
PDF
−𝜀 𝐸(N) = -2μ 𝜀 𝐸(N) = 2μ
18. Databehandling og validering af data
18
Rå-datalager
(Oracle)
Data-udstilling
(MS-SQL-server)
Dataoverføring/
databehandling
Dataopsamling
Interpolering Validering
19. TID
Målernr.
1
Interpolerede data
Databehandling og validering af data
19
Interpolering
i = 1i =N-1
TID
Forbrug
X Y
X
Y
𝑾𝒊 = 𝟏 −
𝒊
𝑵
Vægtning af hvert punkt afhængigt
af hvor langt det er fra hullet:
Vægtet gennemsnit =
𝑥𝑊
𝑊
𝒙𝒊 = 𝒅𝒂𝒕𝒂 𝒑𝒖𝒏𝒌𝒕𝒆𝒓
20. • Flow [m³/s]
• Temperatur [°C] (frem og retur)
• Varmetab [w/m]
• Tryktab [Pa/m] eller [Pa]
• Flow [m³/s]
• Temperatur [°C] (frem og retur)
• Effekt [W]
• Samlet energi [kWh] og
vandforbrug [m³]
• Differenstemperatur (afkøling)
Fjernvarme-distributionsnettet
- beregningsparametre
20
21. Inputdata
Målerdata: Tryk, temperatur, effekt, flow…
Output:
Fx varmetab, tryktab, temperatur...
Usikkerheder på input:
Fx effekt (flow, differenstemperatur, …)
21
Analyse og estimering af usikkerheden på
outputtet fra TERMIS®
OutputTERMIS
(Simuleringsværktøj)
InputInput: ±2 %
22. Analyseparametre for nettes driftstilstand: før- og eftersituation:
Fremløbstemperatur
Returtemperaturen
Afkølingen hos individuelle kunder
Ændringer i forbrugsmønster hos individuelle kunder
Ændringer i varmetab fra rør
Ændring af tryktab i nettet
Samtidighedsfaktoren
Samtidighedsfaktoren som analysemetode
Til tjek af nettes driftsstatus før og efter driftsoptimeringer (hypotese)
Til tjek af logningsintervallets betydning for resultatet (skalering/overføring)
Driftsoptimeringer og logningsinterval
- Værktøjer og metoder
22
Vejr- eller graddagsafhængig
24. 0 200 400 600 800 1.000 1.200 1.400
FORBRUG
TID [MINUTTER]
Individuelle forbrug
Meter 2
Meter 1
Meter 3
Kilde: EUDP-projekt: Driftsoptimering af Smart Grid-fjernvarmesystemer for lavtemperatur
Samtidighedsfaktor (målt)
24
max
max
max
25. Samtidighedsfaktor (målt)
25
0 200 400 600 800 1000 1200 1400 1600
FORBRUG
TID [MINUTTER]
Totalforbrug (summeret)
Meter 2
Meter 1
Meter 3
Totalforbrug
Kilde: EUDP-projekt: Driftsoptimering af Smart Grid-fjernvarmesystemer for lavtemperatur
max
26. Samtidighedsfaktor (målt)
26
𝑆 =
𝑀𝑎𝑥𝑖𝑚𝑎𝑙𝑣æ𝑟𝑑𝑖𝑒𝑛 𝑎𝑓 𝑡𝑜𝑡𝑎𝑙𝑓𝑜𝑟𝑏𝑟𝑢𝑔
𝑆𝑢𝑚𝑚𝑒𝑛 𝑎𝑓 𝑚𝑎𝑥𝑖𝑚𝑎𝑙𝑣æ𝑟𝑑𝑖𝑒𝑟𝑛𝑒 𝑓𝑜𝑟 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑒𝑙𝑙𝑒 𝑓𝑜𝑟𝑏𝑟𝑢𝑔
=
𝑚𝑎𝑥( 𝑖=𝑛 𝑀𝑒𝑡𝑒𝑟 𝑖)
𝑖=𝑛 𝑚𝑎𝑥(𝑀𝑒𝑡𝑒𝑟 𝑖)
0 200 400 600 800 1000 1200 1400
FORBRUG
TID [MINUTTER]
Individuelle forbrug
Meter 2
Meter 1
Meter 3max
max
max
0 200 400 600 800 1000 1200 1400
TID [MINUTTER]
Totalforbrug (summerede indv.)
Meter 2
Meter 1
Meter 3
Total forbrug
max
27. Samtidighedsfaktor
- Målt vs. teoretisk
27
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
1,00
0 10 20 30 40 50 60 70
SAMTIDIGHEDSFAKTOR
ANTAL MÅLERE
Samtidighedsfaktor: Teoretisk og målt
Tilslutningseffekten
Varmtvandsbehov
Minutbaseret data
Timebaseret data
Varme ståbi
Varme ståbi
Målt: timeværdi
Målt: minutværdi
28. Målerdata minut- kontra timeværdier
28
0 200 400 600 800 1000 1200 1400
FORBRUG
TID [MINUTTER]
Målerdata
Minutdata
Timedata
31. Sænkning af middelfremløbstemperaturen
Ændring af forbrugsmønster
Dårligere afkøling hos kunderne
Returtemperaturstigning
Forøget pumpeeffekt
Mindsket varmetab
Opsætning af nye fjernvarmeunits hos kunder og fintuning af anlæg
Bedre afkøling af fjernvarmevandet = returtemperatur
Mindre flow
Omkostning for forbruger/fjernvarmeforsyning
Driftsoptimering
- Forventninger
31
32. 32
Pointen er ikke, at der skal installeres
fjernvarme-smart meters med minut-aflæsning
alle steder, men at udvikle validerede og
verificerede analyse- og optimeringsværktøjer,
der kan udnytte data fra de smart meters med
lavere samplingsfrekvens, der allerede er
installeret eller planlægges at blive installeret.