Bedre styring skal fjerne ammonium

Machine learning skal hjælpe VandCenter Syd med at reducere udledningen af ammonium fra Odenses største renseanlæg ved Ejby Mølle

TEMA: VDATA VDRONERVAI AUTOMATION

TEKST: JESPER WITH / FOTO: VANDCENTER SYD

Hos Vandcenter Syd satser man på machine learning for at minimere antallet og størrelsen af forhøjede ammoniumværdier. Målet er at kunne modtage varslinger tids nok til, at man kan nå at reagere, inden pludselige høje udledninger af ammonium opstår. Ammonium er naturligt forekommende ioner, der binder sig til ilt, og det kan medvirke til at forårsage iltsvind i vandmiljøer. Vi overvåger bevægelserne i udledningen af ammonium på vores kontrolskærme. Vi har de her peaks, der viser, at udledningen pludselig stiger voldsomt.

Dem vil vi gerne bekæmpe, så de bliver gjort fladere. Peaks viser, at vi sender mere ammonium end ønsket ud i recipienten fra vores renseanlæg. Her kan en machine learningmodel hjælpe os ved at sende et forvarsel, når vi bevæger os mod et peak, som kommer tids nok til, at vi kan handle på det, siger Søren Eriksen, der er proceskonsulent hos

Vandcenter Syd.

Selskabet har indgået et samarbejde med ITfirmaet Kapacity om at udvikle et modelværktøj, der benytter machine learning til at løse udfordringen med peaks i ammoniumudledninger. Modellen kigger på de mange indsamlede data fra forskellige målepunkter og ved at bruge machine learning lærer den af, hvad der er sket. Den kan således forudse, hvordan spildevandets sammensætning vil være – primært med fokus på ammonium – når det begynder at regne. Den laver så en model af, hvordan flowet vil opføre sig. Ud fra de mange data, modellen har modtaget fra flowmålere og ammoniumanalysatorer, kigger den på hældningen på kurven, fordi den viser, hvor hurtigt vandmængden stiger. På basis af, hvad den har lært af de opsamlede data fra i dag og et år tilbage, kan den så beregne, hvad der vil ske. Hvis den ikke gør noget, kommer der et peak. Den sender derfor et forvarsel – med 15 minutters interval. Det betyder, at vi ved, at der snart kommer et peak, og så stiller vi om til regnstyring, forklarer Søren Eriksen.

Han understreger, at flowet skal være over et vist niveau, før der sker en praktisk ændring. Hvis forvarslet kommer for sent, opstår der alligevel et peak. Og det KAN ske, at regnvandet kommer så hurtigt eller er så kraftigt, at man reelt ikke kan gøre noget. Så må vi bare tage imod. Det kan nogle gange medføre overløb enten i systemet eller på renseanlægget. Helt undgå overløb kan vi ikke, men vi reducerer antallet ved den nye og bedre styring, siger han.

Bliver stadig dygtigere

Renseanlæggets styring reagerer på forvarslet ved at sende det såkaldte first flush ind i regntanke (en slags lagertank), som man skal sørge for er tomme i forvejen. Machine learning anbefaler at flytte vandet over i tankene i starten af regnvejret, når der er et peak af en vis højde. Dermed flader peakene ud. Regntankene bliver fyldt op på et tidspunkt, men oftest vil man kunne køre med normal rensning inden da, fordi regnvejret er aftaget eller standset. Regntankene bliver så tømt løbende og sendt gennem de biologiske processer i takt med, at der er plads i systemet. Machine learningmodellen er god til ud fra alle de opsamlede data at sortere i data og udvælge de vigtigste. Kapacity har så lagt tillægsprogrammer oveni modellen, der skal forudsige, hvordan det kommer til at se ud. Næste skridt er, at modellen skal handle ud fra kriterier, vi har stillet op.

Modellen lærer hele tiden på basis af nye data, og den bliver stadig dygtigere og dermed bedre til at forudse udviklingen. Det gør det nemmere for os at styre os igennem regnmængderne, og der opstår færre ammonium peaks, siger Søren Eriksen.

Machine learning skal hjælpe VandCenter Syd med at reducere udledningen af ammonium.