MPC optimerer styringen af renseanlæg

af Krüger

Se virksomhedsprofil  

Det er et nyt trin opad på digitaliseringsstigen, når styringen af renseanlæg ved hjælp af modelgenkendelse vælger den bedste løsning, INDEN vandet når hen til renseanlægget. Målet er overordnet at optimere processerne i realtid, samtidig med at andre parametre kan op eller nedprioriteres – for eksempel energiforbrug til beluftning, emission af lattergas eller økonomi. Det forudsætter, at driftsafdelingen på forhånd træffer nogle valg. Hvis man satser på den lavest mulige ammoniumudledning eller lavest mulige lattergasudledning, så taster man den løsning ind i MPCmodellen. Man kan også vælge at indtaste strømprisen, sådan at anlægget styres ud fra lavest mulig energiudgift.

"En MPCmodel kan forudsige, hvad der sker om to timer. Det giver driftsfolkene tid til nå at handle smart ud fra de anbefalinger, modellen giver. Det overordnede mål er at optimere processerne i realtid, så biologien kører så optimalt som muligt ved hjælp af rigtig mange data og algoritmer", siger Peter Stentoft, der er Data Scientist and Software Developer hos Krüger. Han har været med til at udvikle MPC-modellen, der bygger på metoder fra machine learning.

"MPC-styringen bliver for tiden afprøvet på flere renseanlæg i Danmark. Det gælder blandt andet renseanlæggene i Nørre Snede og Brande, der siden starten af 2022 har haft det installeret oven på Krügers styringssystem Hubgrade, som IkastBrande Spildevand i forvejen benytter. Foreløbig har vi kørt simuleringer, men har endnu ikke valideret i fuld skala. Men vi kan se, at driftssikkerheden er stor, og det kører stabilt. Vi har ikke set nedbrud på anlæggene i Nr. Snede og Brande, hvor vi prøver det hele af", siger Peter Stentoft.

Ikast-Brande Spildevand tester MPC-modellen
“MPC-styringen på Nr. Snede renseanlæg bruger målinger hvert 2. minut og gør brug af mindst 1000 målinger. Det gør den, fordi den hele tiden lærer af, hvordan det specifikke renseanlæg opfører sig. Det sker ved hjælp af machine learning og tidsrække analyse på basis af anlæggets hidtidige opførsel. Det er virkelig godt, at vi kan tage miljø og økonomi hensyn samtidig. Vi har altid haft miljøbriller på som driftsfolk – vi skal rense bedst muligt,” siger Henrik Mathiesen, der er driftsassistent hos Ikast Brande Spildevand.

Han fortsætter:

"Men der ER jo økonomi i at drive et renseanlæg. Brugen af energi og udledning af lattergas har betydning for vores påvirkning af klimaet og er med til at vi når vores målsætning om energi og klimaneutralitet."

Gode resultater og fortsat udvikling
På renseanlæggene i Nr. Snede og Brande kigger man et til to døgn tilbage og bruger alle de data, anlægget har. MPC-modellen bliver så brugt til at se på, hvad der sker, når beluftningen foregår samt andre påvirkninger, som man laver i Hubgrade styringen.

I stedet for at sætte en masse regler op i Hubgrade kan vi køre optimering hele tiden. Vi har prioriteret beluftning først, fordi den står for 50-55% af strømforbruget på et renseanlæg. Snart vil vi også kunne indregne den lavest mulige lattergasudledning. Indtil videre bygger det dog på eksisterende godkendte modeller for lattergas, der ikke er særligt nøjagtige. Her arbejder vi i Krüger på at udvikle noget bedre, siger Peter Stentoft.

Der er også indbygget regnstyring i MPC'en. Ideen er, at når det regner meget, vil man gå efter at overholde udledningskravene, og strømforbrug kommer i anden række. Ved store regnmængder kommer der et ”first flush” ind med en masse stof (ammonium), der skal fjernes hurtigt. Man vil også bygge DMI's forecast ind i signalet, i forhold til at vurdere om styringen skal gå i regnmode eller ej. Det er endnu ikke med, fordi det kræver MPCstyring af efterklaringstanken. Den har Krüger pt. under udvikling.

Peter Stentoft tilføjer, at der fortsat er ting, der skal tilpasses, men det er naturligt i en testfase. For eksempel blev man på renseanlægget i Nr. Snede pludselig overrasket af en stor stofmængde på 25.000 PE, hvor renseanlægget er lavet til 9.000 PE. Det viste sig at være en pludselig udledning fra en eller flere industrivirksomheder. Det betød, at man ikke kunne belufte tilstrækkeligt til at slå ammonium ned. MPC-modellen var ikke indstillet til at prioritere mellem ammonium og den totale mængde kvælstof. Derfor lagde algoritmerne sig på en mellemting uden at prioritere. Her gik man så ind og ændrede på indstillingerne.

MPC er en form for digital tvilling
Model Predictive Control (MPC) er ifølge Peter Stentoft en model af noget fysisk, hvor man tester, hvad der sker, når man gør forskellige ting. Modellen lærer fra de data, der opsamles på for eksempel et renseanlæg – derfor er det en form for digital tvilling. Vi kører en optimeringsalgoritme på modellen.

Det vil sige, at vi har en model af anlægget og ser på, hvordan det reagerer på styringspåvirkninger. Algoritmerne kører måske 1020.000 scenarier af anlægget igennem på den digitale tvilling på en server i cyberspace og vælger så den strategi, der fungerer bedst blandt de tusindvis af scenarier. Det er kun den udvalgte bedste styringsstrategi, som vi afprøver fysisk på selve anlægget, siger Peter Stentoft.

Alle scenarier – eller forecasts rækker 34 timer frem. Forecasting er afhængig af, hvordan anlægget bliver styret. Det hele kører automatisk, og driftsfolk kommer ikke ind over, ud over at de taster ind, hvad strømmen koster, hvilke udledningskrav og hvilke udledningsafgifter (pr kg kvælstof og pr kg fosfor man udleder), der på anlægget. Dertil indstiller de også min. og max. krav til faselængder for beluftningen.

Denne artikel er oprindeligt bragt i magasinet Spildevand maj 2022