Plattform für Wasser, Gas und Wärme
In den vergangenen Jahren wurden die Auswirkungen des Klimawandels auf die Trinkwasserversorgung vielerorts sichtbar. WĂ€hrend sehr heisse, trockene Phasen zu einem RĂŒckgang der QuellschĂŒttungen und des Grundwasserspiegels fĂŒhren, gefĂ€hrden die an IntensitĂ€t und HĂ€ufigkeit zunehmenden Extremereignisse mit hohen Niederschlagsmengen die technische Infrastruktur. Die vorausschauende Planung des Betriebs auf Basis von Prognosen fĂŒr Verbrauch und VerfĂŒgbarkeit der Ressourcen gewinnt dadurch zunehmend an Bedeutung.
Eine wichtige Grundvoraussetzung fĂŒr eine sichere Trinkwasserversorgung besteht in der zuverlĂ€ssigen Bereitstellung von elektrischer Energie, die fĂŒr unterschiedliche Prozesse wie Aufbereitung und Transport durch Pumpen benötigt wird. Auch hier nimmt die VolatilitĂ€t in den kommenden Jahren weiter zu. Um das Ziel der KlimaneutralitĂ€t zu erreichen, mĂŒssen fossile EnergietrĂ€ger durch regenerative Energien ersetzt werden. Je nach Art der Erzeugung ist die VerfĂŒgbarkeit mit einer hohen VolatilitĂ€t verbunden (Windkraft, Solarenergie), die sich direkt auf dynamische Preise am Strommarkt auswirkt.
In diesem Spannungsfeld war das vom deutschen Bundesministerium fĂŒr Bildung und Forschung geförderte Forschungsvorhaben TwinOptPRO angesiedelt. Eine zentrale Fragestellung war: Wie kann der Betrieb der Pumpen intelligent gesteuert werden, um nicht nur Kosten zu sparen, sondern auch einen Beitrag zur Energiewende zu leisten? Im Folgenden soll das im Rahmen des Vorhabens entwickelte Verfahren zur Prozessoptimierung vorgestellt werden, das auf den Grundbausteinen Prognosen, Simulation und Optimierung basiert, und mit dessen Hilfe in Echtzeit ein Fahrplan zur kostenoptimierten Bewirtschaftung der Reservoirs im Trinkwasserversorgungssystem ermittelt werden kann.
Die Grundidee besteht in einer zeitlichen Entkopplung von Wassergewinnung und -verbrauch durch Ausnutzung des Speichervolumens der Reservoirs. Auf der einen Seite stehen das Wasserversorgungssystem mit seinen Verbrauchern, deren Bedarf ohne Ausfall vom Versorger zu decken ist, sowie die Pumpstationen und Anlagen der Wassergewinnung. Auf der anderen Seite steht der Energiemarkt mit einem zunehmenden Anteil an erneuerbaren Energien und damit verbundenen volatilen Preisen. Die Reservoirs und HochbehĂ€lter ermöglichen es durch ihr Speichervolumen, den Wasserverbrauch zeitlich von Wassergewinnung und Transport zu entkoppeln. Idealerweise erfolgt die BefĂŒllung immer dann, wenn die Energiepreise fĂŒr den Betrieb der Pumpen am niedrigsten sind. Die Entscheidung, wann welche Pumpe mit welcher Drehzahl innerhalb des Prognosezeitraums zu fahren ist, unter gleichzeitiger Einhaltung von Restriktionen ist Aufgabe der Optimierung.
Im Vorhaben wurde auf Day-Ahead-Strompreise zurĂŒckgegriffen. Diese stehen am Tag vorher fest und ermöglichen damit die vorausschauende Planung. Wesentlicher Treiber des Strompreises ist der jeweilige Energiemix aus regenerativen und fossilen EnergietrĂ€gern. In Figur 1 sind die Produktion von regenerativen (grĂŒne FlĂ€che) und fossilen (graue FlĂ€che) EnergietrĂ€gern sowie der Day-Ahead-Börsenstrompreis in Deutschland fĂŒr die Woche vom 17.â23. MĂ€rz 2025 dargestellt. Die VolatilitĂ€t ist hier deutlich zu erkennen. Wird viel regenerative Energie produziert, ist der Strompreis niedrig und nimmt mit steigendem Anteil fossiler EnergietrĂ€ger zu. Die Grundlage fĂŒr die Preisbildung bildet das Merit-Order-Prinzip, nachdem die Kraftwerke zur Deckung des Bedarfs in der Reihenfolge ihres angebotenen Preises eingesetzt werden. Der Preis wird durch das letzte (teuerste) Kraftwerk bestimmt.
Die Auswirkungen sind im Chart zu erkennen. WĂ€hrend am 20. MĂ€rz die MWh 280 Euro kostete (sehr geringer Anteil regenerativer Energie), betrug der Preis zwei Tage spĂ€ter am 22. MĂ€rz zur selben Uhrzeit nur 60 Euro/MWh, um 13 Uhr war er mit â15 Euro/MWh sogar negativ. Ziel einer intelligenten Steuerung ist es, auf diese Preisschwankungen vorausschauend zu reagieren und die BehĂ€lter möglichst dann mit Pumpen zu fĂŒllen, wenn der Strompreis niedrig ist, ohne dabei die Sicherheit der Trinkwasserversorgung und die Bereitstellung von Löschwasser zu gefĂ€hrden. Das spart dem Betreiber nicht nur Kosten, sondern hilft auch der Energiewende.
Die im Forschungsprojekt TwinOptPRO entwickelte Prognose-Toolbox ermöglicht es, stĂŒndliche Wasserbedarfsprognosen fĂŒr die kommenden 24 Stunden zu erstellen. Bei ausreichender Datenlage kann die Toolbox auch wöchentlicheVorhersagen liefern. Diese Prognosen dienen als Grundlage fĂŒr Optimierungsmassnahmen, wie die im Artikel erwĂ€hnten PumpenfahrplĂ€ne, die es ermöglichen, HochbehĂ€lter vorzugsweise bei niedrigen Strompreisen zu befĂŒllen.
Die integrierten Modelle der Prognose-Toolbox nutzen Verbrauchsdaten der jĂŒngeren Vergangenheit sowie Wettermerkmale, wie beispielsweise kumulierte NiederschlĂ€ge, Trockenheitsindikatoren oder Temperaturen. Auch Kalendereffekte, wie Unterschiede zwischen Wochentagen, Wochenenden und Feiertagen, werden berĂŒcksichtigt. Untersuchungen an Testdaten im Projekt haben gezeigt, dass diese zusĂ€tzlichen Kontextdaten die Vorhersagegenauigkeit erheblich verbessern können.
Das HerzstĂŒck der Toolbox bilden Long Short-Term-Memory-Netzwerke (LSTM) [2], eine etablierte Methode des maschinellen Lernens fĂŒr die Vorhersage von Zeitreihen. Die hier genutzten LSTM liefern neben den eigentlich Prognosewerten auch UnsicherheitsabschĂ€tzungen, mit denen die QualitĂ€t der Vorhersagen besser bewertet werden kann. Neben den Vorhersagemodellen bietet die Prognose-Toolbox zudem zusĂ€tzliche Services wie eine Datenbank und die Möglichkeit zur Erstellung von Dashboards. Die FunktionalitĂ€t der Prognose-Toolbox wurde anhand von verschiedenen Anwendungspartnern und Szenarien evaluiert. Figur 2 zeigt hierzu beispielhaft die Wasserbedarfsprognose einer Verbrauchszone. Die Ergebnisse haben gezeigt, dass insbesondere die morgendlichen und abendlichen Verbrauchsspitzen zuverlĂ€ssig prognostiziert werden können, wĂ€hrend der Mittagszeit nimmt die VerlĂ€sslichkeit der Vorhersagen jedoch leicht ab. Zudem variiert die Vorhersagegenauigkeit mit der Grösse der Verbrauchszonen: WĂ€hrend grössere Versorgungsgebiete stabilere Vorhersagen ermöglichen, ist die Bedarfsprognose in kleineren Zonen mit wenigen Verbrauchern herausfordernder.
Unter dem Begriff «Digitaler Zwilling» wird im Projektzusammenhang ein echtzeitfĂ€higes Online-Simulationsmodell des gesamten Wasserversorgungssystems verstanden. Der wesentliche Unterschied zu herkömmlichen Simulationsmodellen besteht darin, dass ein stetiger Austausch mit Betriebsdaten aus dem Leitsystem oder anderen Quellen stattfindet. Ein Teil der Betriebsdaten kann direkt als Randbedingungen im Modell ĂŒbernommen werden, ein anderer Teil dient als ĂŒberzĂ€hlige Grössen der ĂberprĂŒfung der ModellgĂŒte durch einen Abgleich von Messung und Berechnungsergebnis. Ein weiterer Teil der Messdaten wird indirekt als Steuergrössen im Modell verwendet. Ein Beispiel hierfĂŒr sind Durchflussmessungen in eine Versorgungszone, die im Modell in Lastfaktoren umgerechnet werden, die an die unterschiedlichen Verbrauchsknoten ĂŒbertragen werden. FĂŒr derartige Umrechnungen und zur realitĂ€tsnahen Abbildung von Steuerungen und Regelungen im Rahmen des automatisierten Betriebs steht in der eingesetzten Simulationssoftware SIR 3SÂź das regelungstechnische Signalmodell zur VerfĂŒgung (s. Fig. 3). Der Digitale Zwilling dient neben der Erfassung des aktuellen Betriebszustandes des Versorgungssystems im Rahmen von sogenannten Look-Ahead-Simulationen auch zur PrĂŒfung und Verifizierung der ermittelten optimierten FahrplĂ€ne.
Die Aufgabe der optimalen BehĂ€lterbewirtschaftung in Trinkwassernetzen (fĂŒr einen Ăberblick zur Aufgabenstellung s. z.âB. [3]) wird als zweistufiges hierarchisches Optimierungsproblem formuliert: Auf der unteren Ebene wird das Problem der leistungsoptimalen Steuerung parallel geschalteter Pumpen in Pumpstationen behandelt (lokales Optimierungsproblem). Auf der oberen Ebene wird das Problem der zeitlich kostenoptimalen BehĂ€lterbewirtschaftung auf Basis der Steuerung der Pumpstationen behandelt (globales Optimierungsproblem), das vom lokalen Optimierungsproblem abhĂ€ngt.
Zur Lösung dieser Aufgabe werden die wesentlichen Komponenten im Netzmodell des Wasserversorgungsnetzes (Digitaler Zwilling) identifiziert, mit geeigneten Verfahren behandelt und zu einem Ersatzmodell zusammengefasst (s. Fig. 4):
Â
Sie sind die den Durchfluss (Zu- bzw. Abfluss) zur BehĂ€lterbefĂŒllung steuernden Einheiten, die ĂŒber ihren elektrischen Leistungsverbrauch und den zeitabhĂ€ngigen Strompreis Kosten verursachen. Dabei ist der elektrische Leistungsverbrauch der Pumpstation fĂŒr einen gegebenen Durchfluss die Lösung des lokalen Optimierungsproblems. Dieses ist zeitunabhĂ€ngig und wird im Vorfeld gelöst; die Lösung steht dann als Lookup-Tabelle zur VerfĂŒgung.
Sie sind die zeitabhĂ€ngigen Komponenten; ihr FĂŒllstand ist durch Minimal- und Maximalwert begrenzt. Die BehĂ€lter werden im Ersatzmodell explizit durch Differentialgleichungen behandelt.
Das Netz stellt hierbei den «Rest» des Netzmodells des Wasserversorgungsnetzes dar, d.âh. «alles» ohne Pumpstationen bzw. BehĂ€lter. Durch Entfernung von Pumpstationen und BehĂ€lter zerfĂ€llt das Netzmodell in einzelne Teilnetze. Diese sind zeitunabhĂ€ngig und werden hier durch Machine-Learningâ(ML)-Modelle (Wolkensymbole in Fig. 4) ersetzt.Â
Die Zerlegung des Netzes in Komponenten bzw. Teilprobleme und die Kombination geeigneter Verfahren zur Lösung dieser Teilprobleme â Lookup-Tabelle fĂŒr Pumpstationen, explizite mathematische Behandlung der BehĂ€lter und Ersetzung hydraulischer Teilnetze durch ML-Modelle â sind das Fundament des Ersatzmodells zur Lösung des globalen Optimierungsproblems (s. Fig. 4). Das Ersatzmodell vereint Robustheit, Genauigkeit und Performanz â die Lösung ist echtzeitfĂ€hig; es wurde eine Verbesserung der Performanz gegenĂŒber dem Digitalen Zwilling um einen Faktor 105 erreicht.
Die globale Optimierung ermittelt die in einem Zeitschritt von den Pumpstationen zu liefernden Fördermengen, so dass die Pumpstromkosten minimal werden bei gleichzeitiger BerĂŒcksichtigung sĂ€mtlicher Restriktionen. Die Gesamtoptimierung liefert konkrete Steuerungsvorgaben. Wann lĂ€uft welche Pumpe mit welcher Drehzahl? Das Entscheidende dabei: Alles passiert innerhalb sichererGrenzen. Das Reservoir darf niemals zu leer werden. Die WasserqualitĂ€t bleibt unangetastet. Und trotzdem werden Stromkosten eingespart und ein Beitrag zur energetischen Optimierung der gesamten Versorgungsinfrastruktur geleistet.
Zentrales technisches RĂŒckgrat des im Projekt TwinOptPRO entwickelten Systems ist eine modulare Datenplattform, die die unterschiedlichen Datenquellen der Wasserversorgung mit Prognose-Toolbox, Digitalem Zwilling und Optimierung verbindet (s. Fig. 5). Die Plattform wird auf einem Kubernetes-Cluster betrieben und setzt auf eine konsequente Containerisierung der Dienste. Vorteil hiervon ist, dass sich alle Dienste reproduzierbar installieren, skalieren und bei Bedarf auch in einer Cloud-Umgebung betreiben lassen. Alle eingehenden Mess- und Prognosedaten werden zunĂ€chst in einer Streaming-Datenbank abgelegt und ĂŒber ein Publisher/Subscriber-Modell verteilt. Damit können die Dienste nahezu verzögerungsfrei auf neue Daten reagieren. Zudem werden die Datenströme ĂŒber mehrere Tage gepuffert, sodass bei temporĂ€ren AusfĂ€llen von Teilmodulen kein Datenverlust entsteht. FĂŒr die langfristige Speicherung und Analyse werden die Daten parallel in eine Zeitreihendatenbank ĂŒberfĂŒhrt. Die Anbindung der Datenquellen erfolgt ĂŒber standardisierte, weit verbreitete Schnittstellen und Protokolle wie beispielsweise OPC UA fĂŒr Betriebsdaten. Spezifische Schnittstellen wie HTTP-API fĂŒr Wetter- und Prognosedaten oder Websocket-Schnittstellen fĂŒr Verbrauchsdaten von funkbasierten LoRaWAN-Sensoren werden ĂŒber individuelle Skripte abgerufen.
FĂŒr die Umsetzung und den Betrieb der Datenpipelines wird die AusfĂŒhrungsumgebung MageAI genutzt. Beispielsweise werden die Datenvorverarbeitung und die Erzeugung von Prognosen hier als wiederverwendbare Pipelines konfiguriert. MageAI stellt dafĂŒr integrierte Komponenten fĂŒr Kafka, Zeitplanung, Monitoring und Benachrichtigung bei Fehlern zur VerfĂŒgung. Individuelle ML- und KI-Verfahren werden ĂŒberwiegend in Python umgesetzt. Zur Prognose der TagesgĂ€nge werden die in [4] im Detail beschriebenen DeepAR-Modelle genutzt.
FĂŒr die Visualisierung der BetriebszustĂ€nde und Optimierungsergebnisse wurde ein duales Dashboard-Konzept umgesetzt, das ein datenzentriertes und ein nutzerzentriertes Dashboard kombiniert. Das datenzentrierte Dashboard basiert auf Grafana und greift direkt auf die in der Zeitreihendatenbank abgelegten Daten zu. Neben klassischen Betriebsgrössen werden hier auch neue Datenquellen visualisiert, etwa Strommarktpreise, Prognosen der TagesgĂ€nge sowie Kennwerte des Digitalen Zwillings. Ein besonderer Fokus liegt auf der Darstellung von NachtabflĂŒssen, die als sensibler Indikator fĂŒr Leckagen dienen. In einer aggregierten Ansicht werden die NachtdurchflĂŒsse mit einem konfigurierbaren Schwellwert verglichen, bei dessen Ăberschreitung Alarme ausgelöst und beispielsweise eine EâMail an die Wassermeister gesendet werden kann.
Das nutzerzentrierte Dashboard orientiert sich konsequent am «Schema der Wasserversorgung» der Stadtwerke (Fig. 6). Die Darstellung des hydraulischen Gesamtsystems basiert auf einer SVG-Grafik (Scalable Vector Graphic), in der BehĂ€lter, Leitungen, Pumpen und Versorgungszonen als skalierbare Vektorelemente modelliert sind. Diese Elemente werden mit aktuellen Betriebsdaten und Prognosen verknĂŒpft: FĂŒllstĂ€nde von HochbehĂ€ltern werden farblich hervorgehoben, prognostizierte VerlĂ€ufe ĂŒberlagert, Fliessrichtungen und Fördermengen entlang der Leitungen visualisiert. Eine Zeitleiste erlaubt die Navigation ĂŒber einen 24âStunden-Horizont in Vergangenheit und Zukunft, ein KalendermenĂŒ die Auswahl des Betrachtungszeitraums.
Die Stadt BĂŒhl mit ca. 30â000 Einwohnern, Industrie und Gewerbe liegt in SĂŒdwestdeutschland am Rande des Schwarzwalds. Die Trinkwasserversorgung erfolgt mit Mischwasser aus zwei Grundwasserwerken und Quellwasser. In den letzten Jahren sind im Zuge der heissen Sommer die QuellschĂŒttungen stark zurĂŒckgegangen, was letztendlich auch den Anstoss zum Projekt gegeben hat. Bemerkenswert ist die Höhenlage. Das Versorgungsgebiet erstreckt sich ĂŒber eine Höhe von 128âm bis 850âm. Dementsprechend ist das System in 17 Druckzonen untergliedert und der Betrieb fĂŒr die Grösse des Wassernetzes sehr komplex.
Als digitaler Zwilling (Fig. 3) stand ein umfangreiches hydraulisches Simulationsmodell zur VerfĂŒgung, das auf die fĂŒr die Optimierung relevanten Bereiche aggregiert wurde. Das aggregierte Netz wurde weiter in einzelne Transportstrecken zerlegt (Fig. 4). Um die hydraulische Berechnung dieser Strecken, die die nichtlineare Optimierung in grosser Anzahl benötigt, online-fĂ€hig zu machen, wurden fĂŒr die einzelnen Teilsystem neuronale Ersatzmodelle trainiert. Diese Teilsysteme sind in Figur 4 mit drei Wolkensymbolen gekennzeichnet. Hier bietet sich erneut der Vorteil, dass das Training offline erfolgen kann. Im Onlinebetrieb stehen die fĂŒr die Optimierung relevanten Aussagen im KI-Ersatzmodell in kurzer Zeit zur VerfĂŒgung. Die gemessene Beschleunigung betrug in diesem Fall 10â” im Vergleich zu einer deterministischen Simulation. Damit wird die Optimierung echtzeitfĂ€hig und kann im realen Betrieb eingesetzt werden.
Wie sieht nun ein Optimierungsergebnis aus? FĂŒr den Prognosehorizont (hier 24 Stunden) werden die Fördermengen der einzelnen Pumpstationen und DurchflĂŒsse von Reglern und Drosselschiebern als Zeitkurven angegeben. Dazu gehören die Drehzahlen der einzelnen Pumpen. FĂŒr die BehĂ€lter wird der sich Ă€ndernde Wasserstand berechnet. Die Optimierungsergebnisse werden durch Simulation verifiziert und auf Einhaltung sĂ€mtlicher Restriktionen geprĂŒft.
FĂŒr die Stadt BĂŒhl wurde das Verfahren in der Simulation als Assistenzsystem getestet. Ăber mehrere Monate konnten im Vergleich zum Realbetrieb die Energiekosten fĂŒr die Pumpen um ĂŒber 30 Prozent gesenkt werden â ohne jede EinschrĂ€nkung in der Versorgung. Die Stadtwerke BĂŒhl haben mit der Umsetzung von Massnahmen fĂŒr einen voll automatisierten Betrieb begonnen.
In Figur 7 sind die möglichen prozentualen Einsparungen von Stromkosten im Vergleich zu den aus den tatsÀchlichen Betriebsdaten errechneten Kosten dargestellt.
Die Ergebnisse des Projekts haben gezeigt, dass eine strompreisabhÀngige Bewirtschaftung von Trinkwasserreservoirs möglich ist. Die Versorgungssicherheit und die WasserqualitÀt bleiben dabei jederzeit gewÀhrleistet. Mögliche Einsparungen liegen im zweistelligen Prozentbereich, wenn der Versorger dynamische Strompreise verwendet. Zu beachten ist, dass der kostenoptimierte Betrieb nicht mit einem energieoptimierten Betrieb gleichzusetzen ist. Alternativ kann das Verfahren durch Vorgabe konstanter Strompreise auch zur Ermittlung des minimalen Energieverbrauchs eingesetzt werden.
Neben den Kosteneinsparungen leistet die im Beitrag beschriebene optimierte Bewirtschaftung von TrinkwasserbehĂ€ltern ausserdem einen Beitrag zur Energiewende. Denn wenn die Pumpen dann betrieben werden, wenn Strom im Ăberfluss vorhanden ist, werden vor allem erneuerbare Energien verwendet.
FĂŒr die Zukunft bedeutet das: Wasserversorger können nicht nur Kosten sparen, sondern sich auch aktiv in das Stromlastmanagement einbringen. Die Trinkwasserversorgung wird damit ein integraler Bestandteil des Energiesystems.
Die jeweils fĂŒr die Umsetzung erforderlichen Schritte hĂ€ngen von unterschiedlichen Rahmenbedingungen ab. Dazu zĂ€hlen: (Online-)VerfĂŒgbarkeit von Daten, Stromtarife, Personal, Grad der Automatisierung. In grossen Versorgungssystemen mit dauerhaft besetzter Leitwarte kann die Plattform als Assistenzsystem eingesetzt werden, das VorschlĂ€ge fĂŒr den optimierten Betrieb berechnet, die dann manuell von den Operateuren umgesetzt werden. Möglichkeiten fĂŒr den vollautomatisierte Betrieb und die Implementierungen der LösungsvorschlĂ€ge in lokalen Steuerungen werden derzeit von den SW BĂŒhl geprĂŒft. Als weiterer Ausblick sollen ausserdem die verbesserten Prognosemöglichkeiten fĂŒr QuellschĂŒttung und Verbrauch zu einer Optimierung der Trinkwasseraufbereitung eingesetzt werden. Ziel ist es, durch eine bedarfsgerechte Aufbereitung den Einsatz von Chemikalien zu reduzieren, wodurch zusĂ€tzlich Kosten gespart und die Umwelt geschont werden können.
Â
[1] Fraunhofer-Institut fĂŒr Solare Energiesysteme ISE (2025): Energy-Charts â Stromerzeugung und Strompreise in Deutschland. (Zugriff am 27.01.2026)
[2] Hochreiter, S.; Schmidhuber, J. (1997): Long Short-Term Memory, Neural Computation 9, 1735â1780.
[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 1364â8152
[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.
Diese Arbeit wurde durch das Deutsche Bundesministerium fĂŒr Forschung, Technologie und Raumfahrt (BMFTR) im Rahmen des Projekts winOptPRO unter dem Kennzeichen 02WQ1646 gefördert. Die Verantwortung fĂŒr den Inhalt dieser Veröffentlichung liegt bei den Autoren.
«AQUA & GAS» gibt es auch als E-Paper. Abonnenten, SVGW- und/oder VSA-Mitglieder haben Zugang zu allen Ausgaben von A&G.
Den «Wasserspiegel» gibt es auch als E-Paper. Im SVGW-Shop sind sämtliche bisher erschienenen Ausgaben frei zugänglich.
Kommentare (0)