project

Data uit slimme watermeters ingezet om hotspots in het leidingnet te voorspellen

Slimme watermeters helpen drinkwatertemperaturen in kaart te brengen

Expert(s):
dr. Joost van Summeren

  • Startdatum
    01 jan 2016
  • Einddatum
    31 dec 2017
  • Opdrachtgever
    TKI Watertechnologie
  • samenwerkingspartner(s)
    KWR, Brabant Water, Nelen & Schuurmans

Om fris en gezond drinkwater te garanderen in een toekomst met klimaatverandering en verstedelijking is het van belang te weten waar in het leidingnet “hotspots” in het drinkwater optreden, en waarom. Daarmee kunnen waterbedrijven (eventuele) risico’s accurater bepalen en beheersmaatregelen gerichter formuleren.

Technologie

Waterbedrijf Brabant Water heeft bij een aantal klanten een nieuw type watermeter geïnstalleerd, waarmee dagelijks de minimumtemperatuur van het drinkwater bij de klant wordt gemeten. In dit TKI Watertechnologie-project hebben KWR, Brabant Water en Nelen & Schuurmans met machine-learning-technieken onderzocht of er verbanden zijn te herkennen tussen de watertemperaturen die zijn gemeten bij 9 huishoudens in Veldhoven en gegevens over het weer, het leidingnet en de stedelijke omgeving.

Uitdaging

Fris drinkwater is belangrijk voor het comfort en de gezondheid van de klant. Onderzoek maakt aannemelijk dat klimaatverandering en toenemende verstedelijking in de toekomst zullen leiden tot meer temperatuuroverschrijdingen van drinkwater in het distributienet als er geen actie wordt ondernomen.

Oplossing

Toepassing van dergelijke watermeters op grote schaal biedt kansen om de drinkwatertemperatuur in het leidingnet en de invloedfactoren op overschrijdingen inzichtelijk te maken en hot spots en hun oorzaken op te sporen.

Met de gevolgde machine-learning-aanpak is de minimumdrinkwatertemperatuur van afzonderlijke huishoudens te voorspellen met een nauwkeurigheid van ongeveer 0,5oC. Van de onderzochte omgevingsfactoren zijn de zonnestraling, buitentemperatuur, zonneschijnduur en bewolkingsgraad de belangrijkste bepalende factoren. Om de temperatuur aan de tap voor een groter distributiegebied in detail te monitoren, is het nodig het sensornetwerk uit te breiden naar een uitgebreidere set aan watermeters over een divers gebied en meerdere jaren. Dit biedt een goed startpunt om een aantal vervolgvragen te onderzoeken met machine-learning-technieken. Met welke nauwkeurigheid is een dynamische kaart van de drinkwatertemperatuur te maken? Zijn voorspellingen te doen op locaties waar geen temperatuurmetingen voorhanden zijn? Welke sensordichtheid en meetperiode zijn hiervoor nodig?  Bij opschaling naar grotere hoeveelheden data is te verwachten dat de kwaliteit van de voorspellingen met machine learning zal toenemen: is een visualisatieplatform als Lizard geschikt om een hoge kwaliteit van informatievoorziening tot stand te brengen?

Gevolgde stappen om de machinelearning-analyse uit te voeren. Data zijn weergegeven met gele kaders, stappen zijn blauw gekaderd.