Kalibrierung eines Simulationsmodells einer Abwasserbehand lungsanlage

HINTERGRUND DER ERFINDUNG

Gebiet der Erfindung

Die vorliegende Erfindung betrifft ein automatisiertes Ver fahren zur Ermittlung von Kalibrierungswerten für Parameter eines Simulationsmodells einer Abwasserbehandlungsanlage, ein System zur Ausführung des Verfahrens, ein Computerprogramm produkt und ein computerlesbares Medium. Die Erfindung kann insbesondere zur Kalibrierung eines Activated Sludge Models (ASM) verwendet werden.

Beschreibung des Stands der Technik

Kläranlagen sind komplexe verfahrenstechnische Anlagen, in denen viele komplexe Prozesse für die Wasseraufbereitung ab laufen. Durch diese Prozesse wird aus ankommendem Abwasser mit unterschiedlicher Zusammensetzung aufbereitetes Wasser mit garantierten Qualitätsmaßen am Ausgang der Kläranlage.

Der aufwändigste Aufbereitungsteil findet im Belebungsbecken statt, wobei mit großem Energieaufwand Sauerstoff eingetragen wird und unter Verwendung von organischem Belebungsschlamm die Stickstoffanteile im Abwasser reduziert werden. Dafür ist ein gutes Prozessverständnis nötig. Hierzu kann Simulation eingesetzt werden, welche auf die Activated Sludge Model (ASM) Modellierung [Mogens, Henze; Gujer Willi; Mino Takashi; van Loosdrecht Mark (2000) . Activated sludge models ASM1,

ASM2 , ASM2d and ASM3. London: IWA Publishing. ISBN 1-900222- 24-8.] aufsetzt, von der verschiedene Varianten existieren.

Um Simulationen zur Beschreibung oder Vorhersage des Prozess verhaltens im Belebungsbecken zu verwenden, müssen die Model le erst basierend auf Messdaten kalibriert werden. Dies ist ein aufwendiges Vorgehen, da die Modelle viele Konzentratio nen (beim ASM1 z.B. 13 verschiedene Konzentrationen) und vie le kinematische und stöchiometrische Parameter beinhalten.

Die Konzentrationen der im Modell abgebildeten Stoffe sind in der Regel nicht alle direkt messbar; existieren Messwerte, liegen sie gewöhnlich in verschiedenen Zeitskalen vor: so gibt es Sensoren für Sauerstoff und für die Stickstoffverbin dungen, die kontinuierlich die jeweiligen Konzentrationen messen, wohingegen die Schlammanteile oft erst in Laborunter suchungen festgestellt werden können.

Für eine Kalibrierung des ASM Modells bedeutet dies einen ho hen Aufwand, hohes Prozessverständnis und viel Zeit.

Von J. Seibert et al . (Multi-criteria calibration of a con- ceptual runoff model using a genetic algorithm, HYDROLOGY AND EARTH SYSTEM SCIENCES, Bd. 4, Nr. 2, 1. Januar 2000 (2000-01- 01), Seiten 215-224, XP055607585, DOI : 10.5194/hess-4-215- 2000) ist eine Kalibration mehrerer Outputvariablen eines Mo dels zur Simulation von Prozessen bekannt.

Von Raduly et al . (Artificial neural networks for rapid WWTP performance evaluation: Methodology and case study,

ENVIRONMENTAL MODELLING & SOFTWARE, ELSEVIER,

AMSTERDAM, NL, Bd. 22, Nr. 8, 3. April 2007 (2007-04-03),

Seiten 1208-1216, XP022015742, ISSN: 1364-8152, DOI:

10.1016/J.ENVSOFT .2006.07.003) ist eine Methode zur Bewertung der Funktion von Abwasseranlagen bekannt.

ZUSAMMENFASSUNG DER ERFINDUNG

Die Aufgabe der Erfindung besteht darin, eine Lösung zur Ver besserung des Stands der Technik bereitzustellen, die zur Ka librierung des ASM Modells eingesetzt werden kann.

Die Erfindung ergibt sich aus den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Weiterbildungen und Ausgestaltungen sind Gegenstand der abhängigen Ansprüche. Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung.

Ein Aspekt der Erfindung besteht darin, ein automatisiertes Verfahren zur Ermittlung von Kalibrierungswerten für kinema tische und stöchiometrische Parameter eines Simulationsmo dells einer Abwasserbehandlungsanlage mittels Klassifikati onsalgorithmus bereitzustellen, wobei der Klassifikationsal gorithmus trainiert wurde, gemessenen Beobachtungszeitreihen Parameterkombinationen zuzuordnen .

Die Erfindung kann in verschiedene Arten von Abwasserbehand lungsanlage oder auch als Kläranlagen bezeichenbar, Anwendung finden. Darunter zum Beispiel: Isolierte Tanks, bei denen zur Kalibrierung Zu- und Abflüsse abgestellt werden; Becken mit mehreren Zonen, welche durch Hintereinanderschalten verschie dener Einzelbecken modelliert werden, bei denen noch ein Stofftransport durch das System angeboten wird; Systeme, bei denen ein Zufluss existiert; und Systeme mit Rezirkulation .

Die Erfindung beansprucht ein automatisiertes Verfahren zur Ermittlung von Kalibrierungswerten für Parameter eines Simu lationsmodells einer Abwasserbehandlungsanlage. Das Verfahren weist die folgenden Schritte auf:

- Bereitstellen von Anfangswerten der Parameter, wobei die Anfangswerte der Parameter diskrete Werte sind und jeweils eine obere Schranke und eine untere Schranke aufweisen,

- Bestimmen von diskreten Simulationszeitreihen durch das Simulationsmodell für Parameterkombinationen über eine vorgebbare Zeitspanne, wobei die Parameterkombinationen Kombinationen der Anfangswerte der Parameter darstellen,

- Trainieren eines Klassifikationsalgorithmus mit den Simu lationszeitreihen und den zugehörigen Parameterkombinatio nen derart, dass unbekannte Simulationszeitreihen bekann ten Parameterkombinationen zuordenbar sind,

- Messen von Beobachtungswerten über die Zeitspanne

- Eingabe der Beobachtungszeitreihe in den Klassifikations algorithmus, und - Ermittlung einer zu der Beobachtungszeitreihe passenden Parameterkombination als Kalibrierungswerte für die Para meter des Simulationsmodells durch den trainierten Klassi fikationsalgorithmus .

Dabei sind die Parameter kinematische und stöchiometrische Parameter wie beispielsweise mögliche Konzentrationen von beispielsweise Sauerstoff, Stickstoffverbindungen wie Nitrate und Nitride, Klärschlamm und mögliche Reaktionsgeschwindig keiten. Die Anfangswerte der Parameter werden in realisti schen Bereichen bereitgestellt. Die obere und untere Schranke kann auch als Grenzwert und/ oder Schwellwert bezeichnet wer den .

Dabei stellen bei dem Trainieren bzw. bei dem Initialisieren des Klassifikationsalgorithmus unterschiedliche Parameterkom bination unterschiedliche Klassen dar bzw. unterschiedliche Parameterkombination entsprechen unterschiedlichen Klassen. Außerdem stellen bei dem Trainieren bzw. bei dem Initialisie ren des Klassifikationsalgorithmus die Simulationszeitreihen die Eingangswerte des Klassifikationsalgorithmus dar.

Die gemessenen Beobachtungswerte stellen eine messbare Aus wahl der Parameter dar. Die Abtastrate der Beobachtungszeit reihe entspricht dabei der Abtastrate der Simulationszeitrei he .

In einer weiteren Ausgestaltung können die Parameter Stoff konzentrationen und/ oder Reaktionsgeschwindigkeiten und/ o- der Verläufe von StoffZufuhren in der Abwasserbehandlungsan lage sind.

Zum Lernen bzw. zum Trainieren oder Initialisieren des Klas sifikationsalgorithmus werden hierzu die möglichen Anfangs werte der Parameter (mögliche Verfahrensparameter: Stoffkon- zentrationen und/ oder Reaktionsgeschwindigkeiten) in sinn vollen Bereichen diskretisiert . Außerdem werden ggf. Verläufe für SauerstoffZufuhren und Zuflüsse ebenfalls diskretisiert bereitgestellt. Dann wird für jeden Satz das ASM über einen festen Zeitraum simuliert. So werden Simulationszeitreihen erstellt. Die Simulationszeitreihen der Werte, die sich ein fach messen lassen, werden anschließend den Anfangswerten der Parameter oder Kombinationen aus diesen zugeordnet. Die An fangswerte der Parameter oder deren Kombinationen stellen die Klassen des Klassifikationsalgorithmus und die Simulations zeitreihen die Eingangsdaten dar. Der Klassifikationsalgo rithmus wird mit den Klassen und Eingangsdaten trainiert.

Ein Rechenkern oder eine Recheneinheit verwendet nun zeitli che Verläufe von Eingangsdaten zum Beispiel Beobachtungszeit reihe über einen Kalibrierungszeitraum und klassifiziert die se entsprechend dem Verfahren. Dadurch lassen sich Kalibrie rungswerte für die Parameter des Simulationsmodells bestim men .

Die genaue Umsetzung erfolgt nach dem folgenden Ansatz:

Initialisierungsphase :

1) Bestimme für alle Anfangswerte der Parameter einen Gültig keitsbereich durch eine obere und untere Schranke,

2) Diskretisiere den Raum der Anfangswerte der Parameter und simuliere für jede Kombination der Diskretisierungswerte das Simulationsmodell über eine Zeitspanne, und

3) Lerne einen Klassifizierungsalgorithmus, wobei die Simula tionszeitreihen der in der Realität messbaren Größen im defi nierten Zeitraum mit einer definierten Abtastrate die Ein gangswerte oder Eingangsdaten, und die Anfangswerte der Para meter die Klassifizierungswerte bzw. Klassen sind.

Auswertephase :

1) Messe die Beobachtungswerte über denselben definierten Zeitraum wie die Simulationszeitreihen,

2) Extrahiere aus den Beobachtungswerten eine Zeitreihe, die die Abtastrate wie die Simulationszeitreihen hat, und

3) Werte den Klassifizierungsalgorithmus für die gemessenen Beobachtungswerte aus. Ergebnis sind die Kalibrierungswerte für die Parameter des Simulationsmodells der Abwasserbehand lungsanlage .

In einer weiteren Ausgestaltung können einer Parameterkombi nation mehrere korrespondierenden Simulationszeitreihen zuge wiesen werden, welche im Bereich eines Systemrauschens vonei nander abweichen.

Das hat den Vorteil, dass zur Verbesserung des Verfahrens zu einer Klasse/ einem Satz Anfangswerte der Parameter auch ver schiedene Eingangsdatensätze für die Klassifikation/ Simula tionszeitreihen zugeordnet werden können, die sich darin un terscheiden, dass sowohl die Anfangswerte der Parameter, wie auch die Simulationsdaten mit einem Rauschen versehen werden, um Messunsicherheiten auszugleichen.

In einer weiteren Ausgestaltung weist jede Parameterkombina tion, jeden Anfangsparameter genau einmal auf.

In einer weiteren Ausgestaltung ist das Simulationsmodell ein Activated Sludge Model (ASM) und enthält Massenbilanzen und/ oder ein hydraulisches Modell für einen Wassertransport.

In einer weiteren Ausgestaltung ist der Klassifikationsalgo rithmus als neuronales Netz ausgebildet ist.

Als Alternativlösung kommen auch Kalibrierungsverfahren in Frage, die auf mathematischer Optimierung beruhen. Allerdings benötigen diese Optimierungen lange Rechenzeiten.

Die Erfindung beansprucht außerdem ein System aufweisend eine Recheneinheit (auch als Rechenkern bezeichenbar) , wobei die Recheneinheit ausgebildet ist, ein Verfahren nach einem der vorhergehenden Ansprüche auszuführen. Das System weist min destens eine Sensoreinheit auf, die ausgebildet ist, Beobach tungswerte zu ermitteln. Das hat den Vorteil, dass darüber hinaus zum Verfahren eine Recheneinheit gehört, welche entweder direkt in dem System (auch als Automatisierungssystem bezeichenbar) oder in einer Cloudlösung (z.B. als Mindsphere App) an das System (z. B. ein Supervisory Control and Data Acquisition (SCADA) System) bzw. die Beobachtungswerte und die resultierenden Beobach tungszeitreihen (oder auch als Messwerte bezeichenbar) ange koppelt ist.

Der Rechenkern dieser Lösung bzw. dieser Erfindung wird mit Zeitreihen der (Online-) Beobachtungswerten bzw. Beobach tungszeitreihe gefüttert. Basierend auf diesen Online- Beobachtungszeitreihen berechnet der Rechenkern Kalibrie rungsdaten bzw. Kalibrierungswerte, welche dann als Input für Simulationen zur Vorhersage des Anlageverhaltens der Abwas serbehandlungsanlage verwendet werden können.

Hinter dem Rechenkern verbirgt sich die Verwendung eines ler nenden Verfahrens bzw. eines Klassifizierungsalgorithmus, wie z.B. eines neuronalen Netzes zur Klassifizierung.

In einer weiteren Ausgestaltung ist die Recheneinheit in ei ner Cloud ausgebildet.

Dies hat den Vorteil, dass das Verfahren über eine Sensorein heit zum Messen von relevanten Stoffkonzentrationen (z.B. Sauerstoff oder Stickstoffverbindungen sowie Durchfluss) ver fügt, welche in der Kläranlage/ Abwasserbehandlungsanlage fest installiert ist.

Die Erfindung beansprucht außerdem ein Computerprogrammpro dukt, umfassend ein Computerprogramm, wobei das Computerpro gramm in eine Speichereinrichtung einer Recheneinheit ladbar ist, wobei mit dem Computerprogramm die Schritte eines erfin dungsgemäßen Verfahrens ausgeführt werden, wenn das Computer programm auf der erfindungsgemäßen Recheneinheit ausgeführt wird . Die Erfindung beansprucht außerdem ein computerlesbares Medi um, auf welchem ein Computerprogramm gespeichert ist, wobei das Computerprogramm in eine Speichereinrichtung einer Re cheneinheit ladbar ist, wobei mit dem Computerprogramm die Schritte eines erfindungsgemäßen Verfahrens ausgeführt wer den, wenn das Computerprogramm auf der erfindungsgemäßen Re cheneinheit ausgeführt wird.

Zusammenfasend kann gesagt werden, dass der wesentliche As pekt der Erfindung darin liegt, dass eine Gesamtlösung aus Sensorik sowie einer Cloudlösung zur Kalibrierung des Bele bungsbeckens einer Abwasserbehandlungsanlage für den Endan wender angeboten wird, während bisherige Ansätze, stark auf Erfahrung und reinem Ausprobieren

durch Experten beruhten.

KURZE BESCHRE IBUNG DER ZE ICHNUNGEN

Die Besonderheiten und Vorteile der Erfindung werden aus den nachfolgenden Erläuterungen mehrerer Ausführungsbeispiele an hand von schematischen Zeichnungen ersichtlich.

Es zeigen

Fig. 1 ein Verfahrensdiagramm und

Fig. 2 ein Blockschaltbild.

DE TAILLIERTE BESCHRE IBUNG DER ERFINDUNG

Fig. 1 zeigt ein Diagramm des erfindungsgemäßen Verfahrens. Das Verfahren beinhaltet die folgenden Schritte:

- Bereitstellen von Anfangswerten der Parameter 8, wobei die Anfangswerte der Parameter 8 diskrete Werte sind und je weils eine obere Schranke und eine untere Schranke aufwei- sen, - Bestimmen von diskreten Simulationszeitreihen 9 durch das Simulationsmodell für Parameterkombinationen 81 über eine vorgebbare Zeitspanne T, wobei die Parameterkombinationen 81 Kombinationen der Anfangswerte der Parameter 8 darstel len,

- Trainieren eines Klassifikationsalgorithmus 6 mit den Si mulationszeitreihen 9 und den zugehörigen Parameterkombi nationen 81 derart, dass mit dem trainierten Klassifikati onsalgorithmus 61 unbekannte Simulationszeitreihen, d.h. später gemessene Beobachtungszeitreihen 5, bekannten Para meterkombinationen 81 zuordenbar sind,

- Messen von Beobachtungswerten 5 in- oder außerhalb einer Abwasserbehandlungsanlage (nur in Fig. 2 dargestellt) über die Zeitspanne T,

- Eingabe der Beobachtungszeitreihe 51 in den trainierten Klassifikationsalgorithmus 61, und

- Ermittlung einer zu der Beobachtungszeitreihe 51 passenden Parameterkombination 81 als Kalibrierungswerte 7 für die Parameter des Simulationsmodells durch den trainierten Klassifikationsalgorithmus 61.

Fig. 2 zeigt ein Blockschaltbild eines Systems 2 aufweisend eine Recheneinheit 3 (auch als Rechenkern bezeichenbar) und eine Sensoreinheit 4. Die Recheneinheit 3 ist ausgebildet, ein erfindungsgemäßes Verfahren auszuführen. Die Sensorein heit 4 ist ausgebildet (Online-) Beobachtungswerte 5 in- oder außerhalb einer Abwasserbehandlungsanlage 1 zu ermitteln.

Die Recheneinheit 3 dieser Lösung bzw. dieser Erfindung wird mit Zeitreihen der Online-Beobachtungswerten 51 bzw. Beobach tungszeitreihe 51 gefüttert. Basierend auf diesen Beobach tungszeitreihe 51 berechnet die Recheneinheit 3 Kalibrie rungsdaten 7 bzw. Kalibrierungswerte 7, welche dann als Input für Simulationen zur Vorhersage des Anlageverhaltens der Ab wasserbehandlungsanlage verwendet werden können. Hinter der Recheneinheit 3 verbirgt sich die Verwendung eines lernenden Verfahrens 6 bzw. eines Klassifizierungsalgorithmus 6 wie z.B. eines neuronalen Netzes zur Klassifizierung. Die Recheneinheit 3 ist entweder wie in Fig. 2 dargestellt, di- rekt im System 2 (auch als Automatisierungssystem 2 bezei- chenbar) oder in einer Cloudlösung (z.B. als Mindsphere App) an das System (zum Beispiel ein Supervisory Control and Data Acquisition (SCADA) System 2) bzw. die Beobachtungswerte 5 angekoppelt .

Obwohl die Erfindung im Detail durch die Ausführungsbeispiele näher illustriert und beschrieben wurde, ist die Erfindung durch die offenbarten Beispiele nicht eingeschränkt und ande re Variationen können vom Fachmann daraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.