Plateforme pour l’eau, le gaz et la chaleur
Ces dernières années, les effets du changement climatique sur l'approvisionnement en eau potable sont devenus visibles en de nombreux endroits. Alors que les phases très chaudes et sèches entraînent une baisse du débit des sources et du niveau des nappes phréatiques, les événements extrêmes de plus en plus intenses et fréquents, accompagnés de fortes précipitations, mettent en péril les infrastructures techniques. La planification anticipée de l'exploitation sur la base de prévisions de consommation et de disponibilité des ressources prend donc de plus en plus d'importance.
Une condition de base importante pour un approvisionnement sûr en eau potable réside dans la mise à disposition fiable d'énergie électrique, nécessaire pour différents processus comme le traitement et le transport par pompage. Ici aussi, la volatilité va continuer à augmenter dans les années à venir. Pour atteindre l'objectif de neutralité climatique, les sources d'énergie fossiles doivent être remplacées par des énergies renouvelables. Selon le type de production, la disponibilité est liée à une forte volatilité (énergie éolienne, énergie solaire) qui a un impact direct sur les prix dynamiques du marché de l'électricité.
Le projet de recherche TwinOptPRO, soutenu par le ministère fédéral allemand de l'éducation et de la recherche, s'inscrivait dans ce contexte tendu. L'une des questions centrales était la suivante: comment l'exploitation des pompes peut-elle être commandée de manière intelligente afin non seulement de réduire les coûts, mais aussi de contribuer à la transition énergétique? Nous allons maintenant présenter le procédé d'optimisation des processus développé dans le cadre du projet, qui repose sur les éléments de base que sont les prévisions, la simulation et l'optimisation, et qui permet de déterminer en temps réel un horaire pour une gestion optimisée en termes de coûts des réservoirs dans le système d'approvisionnement en eau potable.
L'idée de base consiste à découpler dans le temps la production et la consommation d'eau en exploitant le volume de stockage des réservoirs. D'un côté, il y a le système d'approvisionnement en eau avec ses consommateurs dont les besoins doivent être couverts par le fournisseur sans défaillance, ainsi que les stations de pompage et les installations de production d'eau. De l'autre côté, il y a le marché de l'énergie, avec une part croissante d'énergies renouvelables et la volatilité des prix qui en découle. Grâce à leur volume de stockage, les réservoirs et les citernes surélevées permettent de dissocier dans le temps la consommation d'eau du captage et du transport. Idéalement, le remplissage a toujours lieu lorsque le prix de l'énergie nécessaire à l'exploitation des pompes est le plus bas. La décision de faire fonctionner telle pompe à tel régime pendant la période de prévision, tout en respectant les restrictions, relève de l'optimisation.
Le projet a eu recours aux prix de l'électricité day-ahead. Ceux-ci sont fixés le jour précédent et permettent ainsi une planification prévisionnelle. Le moteur essentiel du prix de l'électricité est le mix énergétique respectif des sources d'énergie renouvelables et fossiles. La figure 1 représente la production de sources d'énergie renouvelables (surface verte) et fossiles (surface grise) ainsi que le prix de l'électricité en bourse day-ahead en Allemagne pour la semaine du 17 au 23 mars 2025. La volatilité y est clairement visible. Si une grande quantité d'énergie renouvelable est produite, le prix de l'électricité est faible et augmente à mesure que la part des énergies fossiles augmente. La base de la formation des prix est le principe du "merit order", selon lequel les centrales électriques sont utilisées pour couvrir les besoins dans l'ordre de leur prix proposé. Le prix est déterminé par la dernière centrale (la plus chère).
Les effets sont visibles sur le graphique. Alors que le 20 mars, le MWh coûtait 280 euros (très faible part d'énergie renouvelable), deux jours plus tard, le 22 mars, à la même heure, le prix n'était que de 60 euros/MWh, et à 13 heures, il était même négatif avec -15 euros/MWh. L'objectif d'une commande intelligente est de réagir par anticipation à ces fluctuations de prix et de remplir si possible les réservoirs avec des pompes lorsque le prix de l'électricité est bas, sans pour autant mettre en péril la sécurité de l'approvisionnement en eau potable et la mise à disposition d'eau d'extinction. Cela permet non seulement à l'exploitant d'économiser des coûts, mais contribue également à la transition énergétique.
La boîte à outils de prévision développée dans le projet de recherche TwinOptPRO permet d'établir des prévisions horaires des besoins en eau pour les 24 heures à venir. Si les données sont suffisantes, la boîte à outils peut également fournir des prévisions hebdomadaires. Ces prévisions servent de base à des mesures d'optimisation, comme les horaires de pompage mentionnés dans l'article, qui permettent de remplir les réservoirs surélevés de préférence lorsque les prix de l'électricité sont bas.
Les modèles intégrés de la boîte à outils de prévision utilisent les données de consommation du passé récent ainsi que les caractéristiques météorologiques, telles que les précipitations cumulées, les indicateurs de sécheresse ou les températures. Les effets du calendrier, tels que les différences entre les jours de la semaine, les week-ends et les jours fériés, sont également pris en compte. Des études menées sur des données de test dans le cadre du projet ont montré que ces données contextuelles supplémentaires peuvent améliorer considérablement la précision des prévisions.
Les réseaux Long Short-Term Memory (LSTM) [2], une méthode établie d'apprentissage automatique pour la prévision de séries temporelles, constituent le cœur de la boîte à outils. Les LSTM utilisés ici fournissent, outre les valeurs de prévision proprement dites, des estimations d'incertitude qui permettent de mieux évaluer la qualité des prévisions. Outre les modèles de prévision, la boîte à outils de prévision offre également des services supplémentaires tels qu'une base de données et la possibilité de créer des tableaux de bord. La fonctionnalité de la boîte à outils de prévision a été évaluée à l'aide de différents partenaires d'application et scénarios. La figure 2 montre à cet effet, à titre d'exemple, la prévision des besoins en eau d'une zone de consommation. Les résultats ont montré que les pics de consommation du matin et du soir en particulier peuvent être prévus de manière fiable, mais que la fiabilité des prévisions diminue légèrement pendant la période de midi. De plus, la précision des prévisions varie en fonction de la taille des zones de consommation: Alors que les grandes zones d'approvisionnement permettent des prévisions plus stables, la prévision de la demande est plus difficile dans les petites zones avec peu de consommateurs.
Dans le contexte du projet, le terme "jumeau numérique" désigne un modèle de simulation en ligne et en temps réel de l'ensemble du système d'approvisionnement en eau. La différence essentielle par rapport aux modèles de simulation traditionnels réside dans le fait qu'il y a un échange constant avec les données d'exploitation provenant du système de gestion ou d'autres sources. Une partie des données d'exploitation peut être reprise directement dans le modèle en tant que conditions limites, une autre partie sert de grandeurs surnuméraires pour vérifier la qualité du modèle en comparant la mesure et le résultat du calcul. Une autre partie des données de mesure est utilisée indirectement comme grandeurs de contrôle dans le modèle. Les mesures de débit dans une zone d'approvisionnement en sont un exemple : elles sont converties dans le modèle en facteurs de charge qui sont transmis aux différents nœuds de consommation. Pour de telles conversions et pour une représentation proche de la réalité des commandes et des régulations dans le cadre de l'exploitation automatisée, le logiciel de simulation SIR 3S® utilisé met à disposition le modèle de signal technique de régulation (voir fig. 3). Outre la saisie de l'État effectif actuel du système d'approvisionnement dans le cadre de simulations dites look-ahead, le jumeau numérique sert également à contrôler et à vérifier les horaires optimisés déterminés.
Le problème de la gestion optimale des réservoirs dans les réseaux d'eau potable (pour un aperçu de la tâche, voir par exemple [3]) est formulé comme un problème d'optimisation hiérarchique à deux niveaux: Au niveau inférieur, on traite le problème de la commande optimale des performances des pompes montées en parallèle dans les stations de pompage (problème d'optimisation locale). Au niveau supérieur, on traite le problème de la gestion des réservoirs à un coût optimal dans le temps sur la base de la commande des stations de pompage (problème d'optimisation global), qui dépend du problème d'optimisation local.
Pour résoudre ce problème, on identifie les composants essentiels dans le modèle de réseau du réseau d'approvisionnement en eau (jumeau numérique), on les traite avec des procédés appropriés et on les regroupe dans un modèle de remplacement (voir fig. 4):
Il s'agit des unités qui contrôlent le débit (entrant ou sortant) pour le remplissage des réservoirs et qui génèrent des coûts via leur consommation de puissance électrique et le prix de l'électricité en fonction du temps. La consommation de puissance électrique de la station de pompage pour un débit donné est la solution du problème d'optimisation local. Celui-ci est indépendant du temps et est résolu au préalable; la solution est ensuite disponible sous forme de table de recherche.
Ils sont les composants dépendant du temps; leur niveau de remplissage est limité par une valeur minimale et maximale. Les réservoirs sont traités explicitement dans le modèle de remplacement par des équations différentielles.
Le réseau représente ici le "reste" du modèle de réseau du réseau d'approvisionnement en eau, c'est-à -dire "tout" sans les stations de pompage ou les réservoirs. En supprimant les stations de pompage et les réservoirs, le modèle de réseau se décompose en différents sous-réseaux. Ceux-ci sont indépendants du temps et sont remplacés ici par des modèles Machine-Learning (ML; symboles en forme de nuage dans la fig. 4).
La décomposition du réseau en composants ou sous-problèmes et la combinaison de procédés appropriés pour résoudre ces sous-problèmes - table de recherche pour les stations de pompage, traitement mathématique explicite des réservoirs et remplacement des sous-réseaux hydrauliques par des modèles ML - constituent le fondement du modèle de remplacement pour résoudre le problème d'optimisation global (voir fig. 4). Le modèle de remplacement allie robustesse, précision et performance - la solution est utilisable en temps réel; une amélioration de la performance d'un facteur 105 par rapport au jumeau numérique a été obtenue.
L'optimisation globale détermine les débits à fournir par les stations de pompage en un pas de temps, de sorte que les coûts de pompage soient minimisés tout en tenant compte de toutes les restrictions. L'optimisation globale fournit des consignes de commande concrètes. Quelle pompe fonctionne à quel régime? L'essentiel est que tout se passe dans des limites sûres. Le réservoir ne doit jamais être trop vide. La qualité de l'eau n'est pas affectée. Et pourtant, on économise des coûts d'électricité et on contribue à l'optimisation énergétique de toute l'infrastructure d'approvisionnement.
L'épine dorsale technique centrale du système développé dans le cadre du projet TwinOptPRO est une plate-forme de données modulaire qui relie les différentes sources de données de l'approvisionnement en eau avec la boîte à outils de prévision, le jumeau numérique et l'optimisation (voir fig. 5). La plateforme est exploitée sur un cluster Kubernetes et mise sur une conteneurisation conséquente des services. L'avantage de cette solution est que tous les services peuvent être installés et mis à l'échelle de manière reproductible et, si nécessaire, être exploités dans un environnement cloud. Toutes les données de mesure et de prévision entrantes sont d'abord stockées dans une base de données en continu et distribuées via un modèle Publisher/Subscriber. Les services peuvent ainsi réagir presque sans retard aux nouvelles données. En outre, les flux de données sont mis en mémoire tampon pendant plusieurs jours, de sorte qu'il n'y a pas de perte de données en cas de panne temporaire de modules partiels. Pour le stockage et l'analyse à long terme, les données sont transférées en parallèle dans une base de données de séries chronologiques. La connexion des sources de données s'effectue via des interfaces et des protocoles standardisés et largement répandus, comme par exemple OPC UA pour les données d'exploitation. Des interfaces spécifiques telles que HTTP-API pour les données météorologiques et de prévision ou Websocket pour les données de consommation des capteurs LoRaWAN basés sur la technologie sans fil sont appelées par des scripts individuels.
L'environnement d'exécution MageAI est utilisé pour la mise en œuvre et l'exploitation des pipelines de données. Par exemple, le prétraitement des données et la génération de prévisions y sont configurés comme des pipelines réutilisables. MageAI met à disposition des composants intégrés pour Kafka, la planification, la surveillance et la notification en cas d'erreurs. Les procédures individuelles de ML et d'IA sont principalement mises en œuvre dans Python. Les modèles DeepAR décrits en détail dans [4] sont utilisés pour prévoir les variations journalières.
Pour la visualisation des états effectifs et des résultats de l'optimisation, un concept de tableau de bord double a été mis en œuvre, combinant un tableau de bord centré sur les données et un tableau de bord centré sur l'utilisateur. Le tableau de bord centré sur les données est basé sur Grafana et accède directement aux données stockées dans la base de données des séries chronologiques. Outre les grandeurs d'exploitation classiques, de nouvelles sources de données y sont visualisées, comme les prix du marché de l'électricité, les prévisions des variations journalières ainsi que les valeurs caractéristiques du jumeau numérique. Un accent particulier est mis sur la représentation des débits nocturnes, qui servent d'indicateur sensible des fuites. Dans une vue agrégée, les débits nocturnes sont comparés à une valeur seuil configurable, dont le dépassement permet de déclencher des alarmes et d'envoyer par exemple un e-mail aux gestionnaires de l'eau.
Le tableau de bord centré sur l'utilisateur s'oriente résolument vers le "schéma de l'approvisionnement en eau" des services municipaux (fig. 6). La représentation de l'ensemble du système hydraulique repose sur un graphique SVG (Scalable Vector Graphic), dans lequel les réservoirs, les conduites, les pompes et les zones d'approvisionnement sont modélisés sous forme d'éléments vectoriels évolutifs. Ces éléments sont associés à des données d'exploitation actuelles et à des prévisions: Les niveaux de remplissage des réservoirs surélevés sont mis en évidence par des couleurs, les évolutions prévisionnelles sont superposées, les directions d'écoulement et les débits le long des conduites sont visualisés. Une ligne de temps permet de naviguer sur un horizon de 24 heures dans le passé et le futur, un menu de calendrier permet de sélectionner la période d'observation.
La ville de Bühl, qui compte environ 30'000 habitants, des industries et des commerces, est située dans le sud-ouest de l'Allemagne, en bordure de la Forêt-Noire. L'approvisionnement en eau potable est assuré par un mélange d'eau provenant de deux usines d'eau souterraine et d'eau de source. Ces dernières années, suite aux étés chauds, le débit des sources a fortement diminué, ce qui a finalement donné l'impulsion au projet. La situation en altitude est remarquable. La zone d'approvisionnement s'étend de 128 m à 850 m d'altitude. En conséquence, le système est divisé en 17 zones de pression et l'exploitation est très complexe pour la taille du réseau d'eau.
Un modèle de simulation hydraulique complet était disponible en tant que jumeau numérique (fig. 3), qui a été agrégé sur les zones pertinentes pour l'optimisation. Le réseau agrégé a ensuite été décomposé en tronçons de transport individuels (fig. 4). Afin que le calcul hydraulique de ces tronçons, dont l'optimisation non linéaire a besoin en grand nombre, puisse être effectué en ligne, des modèles neuronaux de substitution ont été entraînés pour les différents sous-systèmes. Ces sous-systèmes sont caractérisés par trois symboles de nuages dans la figure 4. Ici, l'avantage est à nouveau que l'entraînement peut se faire hors ligne. En mode en ligne, les déclarations pertinentes pour l'optimisation sont disponibles en peu de temps dans le modèle de remplacement de l'IA. Dans ce cas, l'accélération mesurée était de 105 par rapport à une simulation déterministe. L'optimisation devient ainsi compatible avec le temps réel et peut être utilisée dans l'exploitation réelle.
À quoi ressemble maintenant un résultat d'optimisation? Pour l'horizon de prévision (ici 24 heures), les débits des différentes stations de pompage et les débits des régulateurs et des vannes d'étranglement sont indiqués sous forme de courbes temporelles. Les vitesses de rotation des différentes pompes en font partie. Pour les réservoirs, le niveau d'eau changeant est calculé. Les résultats de l'optimisation sont vérifiés par simulation et le respect de toutes les restrictions est contrôlé.
Pour la ville de Bühl, le procédé a été testé dans la simulation en tant que système d'assistance. Pendant plusieurs mois, les coûts énergétiques des pompes ont pu être réduits de plus de 30% par rapport au fonctionnement réel, sans aucune restriction de l'approvisionnement. Les services municipaux de Bühl ont commencé à mettre en œuvre des mesures pour une exploitation entièrement automatisée.
La figure 7 présente les économies possibles en pourcentage des coûts d'électricité par rapport aux coûts calculés à partir des données d'exploitation réelles.
Les résultats du projet ont montré qu'une gestion des réservoirs d'eau potable en fonction du prix de l'électricité est possible. La sécurité de l'approvisionnement et la qualité de l'eau restent garanties à tout moment. Les économies possibles sont de l'ordre d'un pourcentage à deux chiffres si le fournisseur utilise des prix dynamiques de l'électricité. Il convient de noter que l'exploitation optimisée en termes de coûts n'est pas équivalente à une exploitation optimisée en termes d'énergie. Alternativement, le procédé peut être utilisé pour déterminer la consommation d'énergie minimale en imposant des prix de l'électricité constants.
En plus des économies de coûts, la gestion optimisée des réservoirs d'eau potable décrite dans l'article contribue en outre à la transition énergétique. En effet, si les pompes sont exploitées lorsque l'électricité est disponible en abondance, ce sont surtout des énergies renouvelables qui sont utilisées.
Pour l'avenir, cela signifie que les fournisseurs d'eau peuvent non seulement économiser des coûts, mais aussi s'impliquer activement dans la gestion de la charge électrique. L'approvisionnement en eau potable devient ainsi une partie intégrante du système énergétique.
Les étapes respectivement nécessaires à la mise en œuvre dépendent de différentes conditions cadres. Il s'agit notamment de: La disponibilité (en ligne) des données, les tarifs de l'électricité, le personnel, le degré d'automatisation. Dans les grands systèmes d'approvisionnement avec une salle de contrôle occupée en permanence, la plateforme peut être utilisée comme système d'assistance qui calcule des propositions pour une exploitation optimisée, qui sont ensuite mises en œuvre manuellement par les opérateurs. Les possibilités d'exploitation entièrement automatisée et d'implémentation des solutions proposées dans les systèmes de commande locaux sont actuellement examinées par le SW Bühl. L'amélioration des possibilités de prévision du débit et de la consommation des sources doit également permettre d'optimiser le traitement de l'eau potable. L'objectif est de réduire l'utilisation de produits chimiques grâce à un traitement adapté aux besoins, ce qui permettrait en outre de réaliser des économies et de préserver l'environnement.
Â
[1] Fraunhofer-Institut für Solare Energiesysteme ISE (2025): Energy-Charts – Stromerzeugung und Strompreise in Deutschland. (Zugriff am 27.01.2026)
[2] Hochreiter, S.; Schmidhuber, J. (1997): Long Short-Term Memory, Neural Computation 9, 1735–1780.
[3] Mala-Jetmarova, H. et al. (2017): Lost in optimisation of water distribution systems? A literature review of system operation, Environmental Modelling & Software, Volume 93, Pages 209-254, ISSN 1364–8152
[4] Wunsch, A. et al. (2024): Urban Water Demand Forecasting Using DeepAR-Models as Part of the Battle of Water Demand Forecasting (BWDF). Eng. Proc. 69(1): 25.
Â
Ce travail a été financé par le ministère fédéral allemand de la recherche, de la technologie et de l'espace (BMFTR) dans le cadre du projet winOptPRO sous le numéro d'identification 02WQ1646. Les auteurs sont responsables du contenu de cette publication.
Avec l'abonnement en ligne, lisez le E-paper «AQUA & GAS» sur l'ordinateur, au téléphone et sur la tablette.
Avec l'abonnement en ligne, lisez le E-paper «Wasserspiegel» sur l'ordinateur, au téléphone et sur la tablette.
Kommentare (0)