Efektywność energetyczna z udziałem sieci neuronowych w Wodociągach Miasta Krakowa SA

Nowoczesne podejście do efektywności energetycznej

Lata 90. XX w. w Polsce przyniosły intensywny rozwój automatyki. Uwolnienie rynku, dostęp do zachodnich technologii i rosnąca konkurencyjność doprowadziły do wdrożenia nowoczesnych systemów sterowania w wielu sektorach przemysłu. Coraz więcej przedsiębiorstw zaczęło stosować wydajne i bardziej niezawodne struktury sterowania liniami produkcyjnymi i wszelkiego rodzaju obiektami, w tym oddalonymi, rozproszonymi i bezobsługowymi. Proces modernizacji rozpoczęły również przedsiębiorstwa wodociągowe, gdzie nowe systemy zarządzania wodą i ściekami stopniowo zastępowały starsze technologie.

W Wodociągach Miasta Krakowa SA początkowo stosowano lokalne rozwiązania, następnie amerykańskie sterowniki PLC, by w nowym stuleciu skupić się na niemieckich sterownikach Siemens, systematycznie zwiększając liczbę układów sterowania. Efektem modernizacji były wzrost jakości uzdatnianej wody, sprawniejsze przesyłanie jej do odbiorców, efektywniejsze oczyszczanie ścieków oraz skuteczniejsze usuwanie awarii.

Dzięki połączonej strukturze monitorowania i sterowania dużą liczbą urządzeń obecnie możliwe jest nie tylko szybkie wykrywanie awarii w czasie rzeczywistym, ale także ich predykcja. Dane technologiczne gromadzone w systemach informatycznych służą do modelowania matematycznego i wspierają optymalizację pracy sieci wodociągowej i kanalizacyjnej Krakowa. Przez zaawansowane systemy automatyki uzyskiwane są oszczędności energetyczne w sterowaniu pompami.

Modernizacja całych układów w Wodociągach Miasta Krakowa SA umożliwiła nowoczesne podejście do problemu efektywności energetycznej. Przykładem mogą być magistrale transportujące wodę, w których często występują nadwyżki ciśnienia, co tradycyjnie regulowano przez zasuwy lub reduktory. W Krakowie zastosowano innowacyjne podejście – zamontowano turbiny wodne do odzysku energii z nadmiarowego ciśnienia. Energia otrzymana w ten sposób jest zużywana na potrzeby własne lub sprzedawana do sieci energetycznej. Inny przykład to wykorzystywanie biogazu, produktu ubocznego oczyszczania ścieków, do zasilania kogeneratorów i turbin gazowych oczyszczalni, co znacząco zmniejsza zapotrzebowanie na energię z zewnętrz.

W sprawie zwiększania efektywności energetycznej produkcji i ciągów technologicznych spółka nie powiedziała ostatniego słowa, wręcz przeciwnie, gdyż zwraca się teraz w kierunku sieci neuronowych – nowoczesnej technologii sztucznej inteligencji (AI), która umożliwia inteligentne zarządzanie systemami wod.-kan., otwierając zupełnie nowe możliwości.

Automatyka systemów wod.-kan. ze wsparciem AI 

Nowoczesne technologie sterowania systemami wod.-kan. obejmują układy proste, działające w trybie 1/0 (załącz / wyłącz), gdzie decyzje sterowania podejmowane są na podstawie osiągnięcia wartości granicznej, układy złożone, stosujące regulatory PID do płynnego sterowania wydajnością urządzeń w zależności od odchylenia wartości od zadanej, oraz układy adaptacyjne, wykorzystujące sztuczną inteligencję (sieci neuronowe) do dynamicznej optymalizacji parametrów pracy urządzeń na podstawie analizy wielu zmiennych.

Sieci neuronowe to modele matematyczne inspirowane strukturą i działaniem ludzkiego mózgu. Składają się z neuronów (węzłów) połączonych warstwami, które przetwarzają dane wejściowe i generują wyniki na podstawie nauki ze zbioru danych. Główne typy sieci neuronowych obejmują sieci jednokierunkowe (feedforward neural networks – FNN) – to najprostsza struktura, gdzie dane przechodzą tylko w jednym kierunku, sieci rekurencyjne (recurrent neural networks – RNN), stosowane w analizie czasowej i sekwencyjnej, sieci konwolucyjne (convolutional neural networks – CNN), wykorzystywane głównie w analizie obrazu, oraz sieci głębokie (deep neural networks – DNN), zawierające wiele warstw i stosowane w skomplikowanych zadaniach analitycznych. W instalacjach wod.-kan. najczęściej stosuje się sieci neuronowe typu FNN lub RNN do analizy danych w czasie rzeczywistym.

Instalacja systemu opartego na sieciach neuronowych wymaga kilku etapów. Zaczyna się od zebrania danych, czyli analizy historycznych danych dotyczących przepływu, ciśnienia i pracy urządzeń. Na tej podstawie dokonuje się wyboru odpowiedniej architektury sieci neuronowej – model musi być dostosowany do specyficznych potrzeb. Kolejny etap to trening modelu – sieć jest uczona na podstawie historycznych danych, a później testowana w rzeczywistych warunkach. Następnie odbywa się implementacja w systemie SCADA, tak aby model był zintegrowany z systemem sterowania przedsiębiorstwa wodociągowego. Odtąd sieć neuronowa jest stale aktualizowana w miarę pojawiania się nowych danych oraz monitorowana.

Połączenie technologii, która w pierwszej fazie popełnia błędy, z obiektem technologicznym, który nie toleruje błędów

Przepompownia ścieków w oczyszczalni Płaszów w Krakowie odpowiada za transport ścieków do bioreaktorów. Ma cztery pompy o różnej mocy i czerpnię o pojemności 200 m³. Jej zadaniem jest praca ciągła, aby uniknąć przelewu.

„Do niedawna pracą pomp sterował regulator PID – na podstawie poziomu w czerpni ustawiał ich wydajność. Do sterowania brany był jedynie jeden parametr. Utrzymując zadany poziom, często dochodziło do takiego ustawienia parametrów pomp, że pracowały nieefektywnie mechanicznie i energetycznie. PID skupiał się na utrzymaniu określonego poziomu, ale nie uwzględniał efektywności energetycznej. Często włączał za dużo pomp, co powodowało niepotrzebne zużycie energii. Jedna pompa o dużej mocy mogłaby działać wydajniej niż kilka pracujących jednocześnie na niskich obrotach. Poza tym sterowanie było ślepe na inne ważne zewnętrzne czynniki, jak gradient przyrostu przepływu w pompowniach pierwszego stopnia, opady deszczu, pora dnia lub dzień tygodnia. Algorytm nie reagował odpowiednio wcześnie na zagrożenia. Jeżeli nie było niepokojących oznak przyrostu przepływu, to układ utrzymywał wyższy poziom w czerpni. Wtedy wysokość podnoszenia ścieków jest zredukowana. Problem z regulatorem PID jest taki, że nie jest on stworzony do sterowania tak wieloma różnorodnymi parametrami wejściowymi i wyjściowymi” – wyjaśnił Władysław Dzik, kierownik Grupy Robót ds. Automatyki w Wodociągach Miasta Krakowa SA, która zrealizowała projekt wdrożenia AI w tej przepompowni.

Zaprojektowano nowy system sterowania, oparty na sieciach neuronowych. Wykorzystano metodę uczenia nadzorowanego, w której system analizuje dane wejściowe, takie jak poziom ścieków, przepływy i temperatura, aby sterować pracą pomp. Sieć składa się z czterech warstw, gdzie wejścia to dane o pompach i warunkach pracy, a wyjścia to wydajności pomp. Dzięki temu system uwzględnia więcej czynników niż klasyczny PID, co pozwala na oszczędniejszą i skuteczniejszą pracę.

Dane do nauki pochodziły z działającego systemu SCADA. Sieć była uczona na zbiorach danych i testowana na rzeczywistej instalacji. Podzielono dane na zestawy uczący (80%) i testowy (20%). System stopniowo poprawiał swoje działanie, redukując błędy. 

Po nauczeniu sieci i uzyskaniu satysfakcjonujących rezultatów wprowadzono dane ze zbioru walidacyjnego w celu sprawdzenia poprawności działania sieci. Rycina powyżej pokazuje wycinek już dobranej struktury sieci i jej uczenia. Aby uzyskać zadowalające efekty, trzeba wielu korekt i zmian. Dotyczy to licznych zmian w liczbie neuronów w warstwie ukrytej, konieczności przeprowadzenia ponownego uczenia przy zmianie początkowej wartości wag, sposobu wyliczania błędu, regulowania wagami przez wprowadzenie dodatkowych współczynników typu β (wagi określające wpływ zmiennych niezależnych na zmienną zależną) i η (współczynnik uczenia).

Po udanej fazie nauki sieci neuronowej została wprowadzona do rzeczywistego układu sterowania. W przypadku przekroczenia ustalonych progów alarmowych podczas pracy sieci sterownik natychmiast przełącza układ na pracę przez regulator PID. Po ustabilizowaniu poziomu ścieków i gdy minie ustalony czas sterowanie automatycznie przełącza się na sieci neuronowe.

Nowy system sterowania optymalizuje pracę pomp, zapobiega wyciekom i suchobiegom, a także zmniejsza zużycie energii o ok. 33 MWh w skali miesiąca. „Należy podkreślić, że takie wyzwanie nie było dotychczas podejmowane w branży wod.-kan. Realizacja projektu trwała dłużej, niż zakładano na początku – wszystkie problemy rozwiązywane były bezpośrednio na żywym organizmie, bo przecież obiekt ciągle pracował i nie można było zaburzyć przebiegu procesu technologicznego. Trzeba również pamiętać, że pierwsze prace odbywały się zaraz na początku pandemii, co dodatkowo utrudniało ich przebieg. Jednak opłacało się podjąć to wyzwanie. Udowodniliśmy, że nową technologię w postaci sieci neuronowych, która w pierwszej fazie popełnia błędy, można połączyć z wymagającym obiektem technologicznym, który nie toleruje błędów. Wydawać by się mogło, że oszczędności są na niskim poziomie, ale i obiekt jest niezbyt wielki. Gdyby zastosować to rozwiązanie na większą skalę, to i uzyski z efektywności energetycznej będą większe” – podkreślił Władysław Dzik.

Układ sterowania działa od połowy lipca 2022 r. w sposób stabilny i przyczynia się do oszczędności energii elektrycznej szacowanej na 8%, co przelicza się na oszczędność ok. 200 MWh/r. Można to też przeliczyć na ograniczenie emisji CO₂ do atmosfery. Według danych Krajowego Ośrodka Bilansowania i Zarządzania Emisjami przy produkcji 1 kW energii elektrycznej z węgla emituje się 758 g CO₂. Zatem dzięki zastosowanym rozwiązaniom redukcja emisji do atmosfery wynosi prawie 152 t CO₂ rocznie.

Perspektywy rozwoju zastosowań sieci neuronowych w przedsiębiorstwach wodociągowych

Oprócz Wodociągów Miasta Krakowa SA także Miejskie Przedsiębiorstwo Wodociągów i Kanalizacji SA we Wrocławiu wykorzystuje sztuczną inteligencję do monitorowania jakości wody w sieci wodociągowej i przewidywania awarii instalacji suszenia osadu pościekowego. Tym samym Kraków i Wrocław znajdują się w gronie zaawansowanych technologicznie miast na całym świecie, w których AI wdrożono w przedsiębiorstwach wod.-kan. Z podobnych rozwiązań korzysta już np. Singapur (Public Utilities Board – wykorzystanie sieci neuronowych do przewidywania jakości wody i optymalizacji procesów uzdatniania), Los Angeles (Los Angeles Department of Water and Power – sieci neuronowe do predykcji zapotrzebowania na wodę i dostosowywania ciśnienia w sieci), Barcelona (Aigües de Barcelona – zastosowanie AI do monitorowania strat wody w sieci i minimalizacji wycieków).

Liczba takich miast będzie szybko rosła, podobnie jak obszary wykorzystania sieci neuronowych w spółkach wodociągowych. Obecne kierunki rozwoju to predykcyjne zarządzanie infrastrukturą, czyli prognozowanie zużycia sieci i optymalizacja jej konserwacji, samoregulujące się systemy sterowania – wodociągi będą mogły dynamicznie dostosowywać parametry działania bez konieczności interwencji człowieka, integracja z IoT – inteligentne czujniki i urządzenia IoT dostarczą jeszcze dokładniejszych danych do analizy, optymalizacji zużycia wody – przewidywanie zapotrzebowania na wodę w czasie rzeczywistym pozwoli ograniczyć straty, zastosowanie technologii deep learning – bardziej zaawansowane sieci neuronowe będą mogły samodzielnie wykrywać i analizować anomalie w pracy systemów. A to dopiero początek.

Sztuczna inteligencja ma ogromny potencjał w optymalizacji procesów technologicznych. Dzięki AI przedsiębiorstwa wodociągowe mogą znacząco zmniejszyć zużycie energii, poprawić jakość usług i ograniczyć negatywny wpływ na środowisko. Rozwój tej technologii w przyszłości umożliwi jeszcze bardziej efektywne i inteligentne zarządzanie infrastrukturą wod.-kan.

https://wodociagi.krakow.pl/