Maskininlärning för minskat läckage på Örbyfältet
Örbyfältet och Örbyverket utgör tillsammans ett teknisk komplicerat system som bidrar till säkrad dricksvattendistribution.
Det övergripande målet för detta projekt var att undersöka om maskinlärning kan användas för att minska vattenförluster på Örbyfältet. Att minska förlusterna är viktigt både ur miljö- och hållbarhetsperspektiv samt för att minska kostnaderna som vattenförlusterna medför. Utöver detta har projektet som syfte att öka kunskapsnivån kring maskinlärning inom vattensektorn samt att visa på hur man kan arbeta med maskininlrning ur både ett utvecklings – och driftsperspektiv.
Ur ett tekniskt perspektiv innefattade projektet två huvuddelar: Förbrukningsprognoser för dricksvatten (30 dagar fram i tiden samt högupplöst för 12 timmar fram i tiden) samt att undersöka om maskininlärning kan användas för att optimera driftsstrategier gällande pumpning och nivåer i fältet. Att skapa och utvärdera en korrekt prognosmodell för dricksvattenförbrukning har många andra användningsområden och kan vara till stor nytta för flera VA-verksamheter. En förbrukningsprognos kan exempelvis användas för att upptäcka avvikelser och identifiera läckor i dricksvattendistributionsnätet (genom att jämföra förväntad förbrukning med den faktiska), samt bidra till en mer säker dricksvattenproduktion och -distribution.
Resultaten visar att vi framgångsrikt kan förutse vattenförbrukningen för de kommande 28 dagarna på dygnsnivå och för 12 timmar på timnivå inom cirka 2-3 % felmarginal. Vi har utvärderat flera variabler för att undersöka vilka av dem som kan förbättra en maskininlärningsprognos. Vi kom fram till att olika algoritmer svarar olika på skilda variabler. Även om viss förbättring kan ses när vissa variabler inkluderas, kunde ett tillräckligt gott resultat uppnås genom att använda historiska data för vattenförbrukning. Detta möjliggör enklare implementering av det framtagna resultatet. För optimering av driftsstrategier gällande pumpning och nivåer bedömdes att inte tillräcklig mängd högupplösta data fanns tillgängligt för att motivera mer arbete inom ämnet. Utöver detta innefattar rapporteringen om projektet en omfattande beskrivning av maskininlärning och data science samt vad man bör tänka på när man tillämpar dessa tekniker. Vår förhoppning är att det färdiga resultatet ska kunna användas som ett referensverk för fler tillämpningar inom svensk vattensektor.
