Toepassen van data-analyse in de afvalwaterketen

Transcriptie

1 Toepassen van data-analyse in de afvalwaterketen Dr. ir. Wouter Klein Wolterink 11 oktober 2018

2 2 Het idee Inzicht Data Optimalisatie Beheer

3 3 De praktijk Inzicht Data Valide data Informatie Optimalisatie Kennis Kennis Kennis Beheer

4 Routekaart gezamenlijk meetdatabeheer - waarom Samenwerking WBD en 15 gemeenten Midden- en West-Brabant Meetbeheer centraal organiseren: beperkte capaciteit en kennis individuele gemeenten kwaliteitsverbetering en kostenbesparing Handvatten gewenst voor onderwerpen inrichting en uitvoering -> routekaart 4

5 Routekaart gezamenlijk meetdatabeheer - informatievragen Startte met formuleren informatievragen: 1. overstortgebeurtenissen 2. (optimaal) gebruik bergingscapaciteit 3. niveaus in gemengd stelsel tijdens droogweer 4. draaiuren hemelwaterafvoergemaal (hwa-gemaal) tijdens droogweer 5. (extra) draaiuren droogweerafvoergemaal (dwa-gemaal) tijdens regenweer 6. aan- en afslagfrequentie gemalen 7. draaiuren per pomp per gebeurtenis 5

6 Routekaart gezamenlijk meetdatabeheer - routekaart 6

7 Routekaart gezamenlijk meetdatabeheer - datakwaliteit Vaststellen van de datakwaliteit t.o.v. vooraf vastgestelde eisen Tests (bij voorkeur geautomatiseerd) zijn de meetwaarden realistisch (binnen logische grenzen, veel/weinig variatie) treedt er een verloop in de meetwaarden op klopt dynamiek van de meetwaarden bij de omstandigheden (DWA of RWA) vertonen vergelijkbare meetlocaties onderling voldoende correlatie Keuze: datavalidatie nu op hoog niveau inrichten: bruikbaar voor alle huidige vragen en veel toekomstige 7

8 Routekaart gezamenlijk meetdatabeheer - conclusies Om de informatievragen te beantwoorden moet je de hele keten uitwerken Samenwerking van verschillende experts Informatievraag stelt eisen aan de datakwaliteit 8

9 KPI s transportsysteem WBL Inzicht en overzicht over functioneren transportsysteem: groeiend aantal te beheren gemalen (ook gemeenten) centrale regiekamer wanneer functioneert een gemaal goed? aantoonbaar maken van de afnameverplichting 9

10 KPI s transportsysteem WBL Aantoonbaar maken van de afnameverplichting, kernvragen: werkt het transportsysteem op dit moment goed genoeg? werkt het transportsysteem in de nabije toekomst goed genoeg? kan de prestatie van het transportsysteem nog verbeterd worden? Focus op pomp en leiding 10

11 KPI s transportsysteem WBL 11

12 KPI s transportsysteem WBL, toetsing KPI s Toetsing: datasets 7 rioolgemalen Venray perioden 2013, 2015 en 2016 gebruik Matlab Resultaten: uitspraken bruikbaarheid KPI s constateringen beschikbaarheid en correctheid data 12

13 Sturing stedelijke afvalwatersystemen Sturing, real-time control (RTC): continu aanpassen van de aansturing van een systeem ten opzichte van een vooraf gedefinieerd doel op basis van real time metingen Werkt het? Is de effectiviteit van RTC in stedelijk afvalwatersystemen te bepalen? evaluatie besluitvorming vooraf 13

14 Sturing stedelijke afvalwatersystemen 1 2 definieer doel definieer beoordelingsparameters Modelgedreven gebruik van data Belangrijkste factor optimalisatie: wérkelijk inzicht krijgen in functioneren van een system Zeer kritische blik op datakwaliteit 4 3 data gedreven verzamel, valideer en analyseer data 5 definieer omstandigheden in evaluatieperiode bepaal impact RTC onzekerheidsanalyse model gedreven bouw en valideer model, beoordeel data voor modellering 14

15 Sturing stedelijke afvalwatersystemen - datavalidatie 15

16 Sturing stedelijke afvalwatersystemen - toepassing Toegepast in twee praktijkcases RTC-regelingen afvalwatersysteem Eindhoven Berging op RWZI én in riolering beter benutten Winst in overstortvolume en ammonimupieken 16

17 PO riolering Utrecht Het centraal meetsysteem verzamelt data van het rioleringsstelsel in Utrecht Twee afstudeeronderzoeken naar predictief onderhoud (PO): 1. Sterk kennisgestuurd o.b.v. constructieanalyse 2. Sterk datagestuurd Historische data vanaf

18 18

19 PO riolering Utrecht - kennisgestuurd Voorspellend model wanneer kritieke storingen zullen optreden Voor district Europaplein Constructieanalyse bepaalt kritieke defecten & storingsmeldingen Gebruikte data: meet- & storingsdata van 5/2013 t/m 3/2018 Gericht toepassen van machine learning 19

20 PO riolering Utrecht - kennisgestuurd Constructiedetails bekend i.v.m. renovatie eindgemaal Constructie- en impactanalyse bepaalt welke storingen: - de meeste impact hebben; - we willen voorspellen. 20

21 PO riolering Utrecht - kennisgestuurd Resultaten: - Kans om correct een storing te voorspellen: 93 % - Overige 7 % kom je op de normale manier achter - Kans dat er incorrect een storing voorspeld wordt (monteur komt voor niks): < 0,1 % Belangrijkste factors: - in-bedrijfratio - verpompt 21

22 PO riolering Utrecht - datagestuurd Voorspellend model wanneer kritieke storingen zullen optreden Puur op basis van data Ongerichter toepassen van machine learning algoritme moet het zelf leren Hogere eisen aan data Veel data invalide Beschikbare data Bruikbare data Belangrijkste input ontbrak gemalen 13 gemalen (energieverbruik) 3000 types defecten 9 types defecten 12 variabelen 2 variabelen 22

23 PO riolering Utrecht - datagestuurd Resultaten: - Kans om correct een storing te voorspellen: % - Overige % kom je op de normale manier achter - Kans dat er incorrect een storing voorspeld wordt (monteur komt voor niks): % 23

24 PO riolering Utrecht - datagestuurd Conclusies Minder gericht toepassen van ML stelt meer eisen aan de data (kwalitatief en kwantitatief) De volledigheid en de kwaliteit v/d data was ontoereikend Belangrijke variabelen misten Ondanks alles toch een resultaat dat perspectief biedt Stel eisen aan je datainwinning 24

25 Conclusies Data is geen inzicht, en inzicht komt niet gratis Je moet altijd de hele keten doorlopen De uiteindelijke kwaliteit van je inzicht wordt bepaald door de data én de kennis die je in de keten stopt Stel eisen aan je data 25

26