SE1450161A1

SE1450161A1 - System and procedure for optimizing operation of a water network

Info

Publication number: SE1450161A1
Application number: SE1450161A
Authority: SE
Inventors: Frederik Blank; Guido Sand; Ralf Lenz
Original assignee: Abb Technology Ag
Priority date: 2011-11-16
Filing date: 2012-08-13
Publication date: 2014-04-14
Also published as: DK201470104A; DE112012003487T5; NO20140362A1; NO347239B1; WO2013026731A1

Abstract

System för att optimera drift av ett vattennätverk vilket innefattar åtminstone en datalagringsenhet (23) för att lagra en hydraulisk modell såväl som åtminstone en driftbegränsning hos vattennätverket (17), varvid den hydrauliska modellen representerar beroendet hos toppar och flöden i vattennätverket av ett drifttillstånd hos åtminstone en styrenhet (20) hos vattennätverket och av en förväntad vattenefterfrågan, åtminstone en bearbetningsenhet vilken inkluderar en optimeringsenhet (OP), varvid optimeringsenheten är anpassad att generera åtminstone en driftkonfigurationsinformation för den åtminstone ena styrenheten genom att minimera en målfunktion hos ett optimeringsproblem, varvid optimeringsproblemet är baserat på den hydrauliska modellen, åtminstone ett utmatningsgränssnitt (18) för att bringa den åtminstone ena driftkonfigurationsinformationen till den åtminstone ena styrenheten. För att kunna driva vattennätverket med en reducerad nedre nivågräns hos en vattenlageranläggning, inkluderar den åtminstone ena bearbetningsenheten dessutom en scenariogenereringsenhet (SG) för att generera en begränsad uppsättning av scenarion i form av möjliga realiseringar över tiden av den förväntade vattenefterfrågan och/eller av drifttillståndet och/eller särdrag hos den åtminstone ena styrenheten och/eller av åtminstone en parameter hos den hydrauliska modellen, varvid den begränsade uppsättningen av scenarion är baserad på sannolikhetsinformation av osäkerheten hos dessa variabler. Optimeringsenheten är anpassad att minimera målfunktionen hos optimeringsproblemet genom att utföra stokastisk optimering, varvid optimeringsproblemet dessutom tar hänsyn till målfunktionen för att representera åtminstone en oönskad sidoeffekt av att driva den åtminstone ena styrenheten, den åtminstone ena driftbegränsningen och den begränsade uppsättningen av scenarion.(Fig. 4)System for optimizing operation of a water network which comprises at least one data storage unit (23) for storing a hydraulic model as well as at least one operating limitation of the water network (17), wherein the hydraulic model represents the dependence of peaks and flows in the water network on an operating condition of at least a control unit (20) of the water network and of an expected water demand, at least one processing unit which includes an optimization unit (OP), wherein the optimization unit is adapted to generate at least one operation configuration information for the at least one control unit by minimizing an objective function of an optimization problem, wherein the optimization problem is based on the hydraulic model, at least one output interface (18) for bringing the at least one operating configuration information to the at least one controller. In order to operate the water network with a reduced lower level limit of a water storage facility, the at least one processing unit additionally includes a scenario generation unit (SG) to generate a limited set of scenarios in the form of possible realizations over time of the expected water demand and/or of the operating state and /or characteristics of the at least one control unit and/or of at least one parameter of the hydraulic model, the limited set of scenarios being based on probabilistic information of the uncertainty of these variables. The optimizer is adapted to minimize the objective function of the optimization problem by performing stochastic optimization, wherein the optimization problem further considers the objective function to represent at least one undesirable side effect of operating the at least one controller, the at least one operating constraint, and the limited set of scenarios. (Fig. 4)

Description

10 Det övre diagrammet i Fig. 1a visar ett driftförfarande för ett vat- tennätverk så som det utförs idag: vattenverk försöker att an- passa nätverksplaneringen så att vattennivåerna 1 i vattenlager- anläggningarna, även kallade vattenlagertoppar, hålls mellan övre gränser 2 och nedre gränser 3. De övre och nedre gränser- na är markerade som streckade linjer i Fig. la. Ändring av vat- tennivån 1 mellan dessa gränser styrs i beroende av vattenför- brukningen i nätverket genom konfigurationen hos pumpsystemet och genom en direktförbindning av vattenlagernivån med pump- styrsystemet: om vattennivån är nära den nedre gränsen, slås pumpar automatiskt på för att öka vattenlagernivån. Då vattenni- vån är tillräckligt hög slås pumparna av. Antalet pumpar som slås på samtidigt visas i det nedre diagrammet i Fig. la. 10 The upper diagram in Fig. 1a shows an operating method for a water tin networks as they are performed today: waterworks are trying to adapt the network planning so that the water levels 1 in the water storage the facilities, also called water storage peaks, are kept between upper limits 2 and lower limits 3. The upper and lower limits na are marked as dashed lines in Fig. 1a. Change of water the level 1 between these limits is controlled depending on the the use in the network through the configuration of the pump system and by a direct connection of the water storage level with the pump control system: if the water level is close to the lower limit, switch off automatically pumps on to increase the water stock level. When the water the floor is high enough, the pumps are switched off. The number of pumps being switched at the same time is shown in the lower diagram in Fig. 1a.

Det nuvarande driftförfarandet fokuserar således på att upprätt- hålla höga vattennivåer i vattenlagren för att uppfylla kundefter- frågan vid varje tidpunkt, varvid kundefterfrågan är föremål för osäkerhet. För att hantera denna osäkerhet i efterfrågan sätter vattenverken artificiellt höga nedre gränser för lagertoppgränser- na, upp till 80% av fyllnadskapaciteten, för att upprätthålla höga vattennivåer i Iageranläggningarna. På detta sätt finns tillräckligt med vatten i lageranläggningarna för att täcka efterfrågan även i fallet av oväntade förändringar i efterfrågan. Detta tillvägagångs- sätt leder emellertid till en ökning i driftkostnader på grund av den fordrade högre pumpkapaciteten.The current operating procedure thus focuses on establishing maintain high water levels in the water reservoirs to meet customer the question at any given time, whereby customer demand is subject to uncertainty. To deal with this uncertainty in demand sets waterworks artificially high lower limits for storage peak limits na, up to 80% of the filling capacity, to maintain high water levels in the storage facilities. In this way there is enough with water in the storage facilities to cover demand also in the case of unexpected changes in demand. This approach However, this leads to an increase in operating costs due to the required higher pump capacity.

Detta tillvägagångssätt försummar dessutom möjliga fördelar av att lägligt skifta fyllnadsoperationerna, t ex när energitarifferna är låga, eller av att driva pumpar för att transportera vattnet genom nätverket med reducerad hastighet eller vid deras effektivitets- punkt, vilket kan uppnås genom att lagra vattnet, när det inte be- hövs, i lageranläggningar, såsom lagertankar.This approach also neglects the potential benefits of to timely change the filling operations, eg when the energy tariffs are low, or by driving pumps to transport the water through network at reduced speed or at their efficiency point, which can be achieved by storing the water, when it is not raised, in storage facilities, such as storage tanks.

Generellt är optimering av vattennätverksdrift fastställning av driftinformation att ta hänsyn till medan samtidigt generera styr- signalerna för åtminstone en av styrenheterna hos nätverket, varvid styrenheterna vanligen är pumpar, ventiler inom nätverket, såväl som styrenheter som styr inflödet och/eller utflödet hos vat- tenlager och styr ett eller flera källflöden hos vattennätverket.In general, optimization of water network operation is the determination of operational information to take into account while at the same time generating the signals for at least one of the controllers of the network, the control units usually being pumps, valves within the network, as well as control units that control the inflow and / or outflow of ten store and controls one or more source flows at the water network.

Driftinformationen för styrenheterna fastställs så att nätverks- driftkostnaderna, såsom energiförbrukningskostnader, minimeras under samtidigt tillfredsställande av vattenefterfrågan, minimum- och/eller maximumtryck eller flödesnivàer i vattenrören hos nät- verket såväl som andra driftbegränsningar hos vattennätverket.The operating information of the control units is determined so that the operating costs, such as energy consumption costs, are minimized while simultaneously satisfying water demand, minimum and / or maximum pressure or flow levels in the water pipes of the the plant as well as other operational restrictions of the water network.

Förfaranden för att optimera driften av vattenfördelningsnätverk beskrivs i WO2011/O92012 A2, såväl som i "Combined Energy and Pressure Management in Water Distribution Systems", av P.Procedures for optimizing the operation of water distribution networks described in WO2011 / O92012 A2, as well as in "Combined Energy and Pressure Management in Water Distribution Systems ", by P.

Skworcow et al., Proc. World Environmental and Water Re- sources Congress 2009, Great Rivers, sid. 709-718, och i "Opti- mization Models for Operative Planning in Drinking Water Net- works” av J. Burgschweiger et al., ZlB-Report 04-48, Konrad- Zuse-Zentrum für lnformationstechnik, Berlin (2004). Optime- ringsförfarandena är baserade på deterministiska hydrauliska el- ler speciellt anpassade deterministiska modeller som represente- rar de fysiska egenskaperna hos vattenfördelningsnätverket. Ba- serat på dessa modeller används optimeringsalgoritmer för att generera optimerade styrdons-driftscheman och parametrar över en speciell tidshorisont, t ex 24 timmar, vilka tar hänsyn till skif- tande energitariffer, tidsvarierande efterfrågan och möjliga lager- kapaciteter över denna tidshorisont. Hänsynstagande till den full- ständiga optimeringshorisonten möjliggör att till fullo utnyttja la- gerkapaciteter i vattennätverket, att skifta pump- eller energiom- fattande operationer till tider med låga energitariffer och att driva pumpar med energieffektiv hastighet även om efterfrågan är högre än mängden pumpat vatten.Skworcow et al., Proc. World Environmental and Water Re- sources Congress 2009, Great Rivers, p. 709-718, and in "Opti- mization Models for Operative Planning in Drinking Water Net- works ”by J. Burgschweiger et al., ZlB-Report 04-48, Konrad- Zuse-Zentrum für lnformationstechnik, Berlin (2004). Optimal- procedures are based on deterministic hydraulic specially adapted deterministic models representing the physical characteristics of the water distribution network. Ba- based on these models, optimization algorithms are used to generate optimized actuator operating schedules and parameters above a special time horizon, such as 24 hours, which take into account energy tariffs, time-varying demand and possible inventory capacities over this time horizon. Taking into account the full The constant optimization horizon makes it possible to make full use of capacity in the water network, to change pump or energy taking operations at times with low energy tariffs and operating pumps with energy-efficient speed even if the demand is higher than the amount of water pumped.

Driften av vattennätverk är tyvärr väldigt komplex och påverkad av många osäkerheter. Osäkerheter är exempelvis skiftande vat- tenefterfrågan över tiden såväl som skiftande parametrar såsom pumpeffektiviteter eller skillnader mellan modellen hos vatten- nätverket och den verkliga processen. Osäkerheterna i efterfrå- gan gör en förutsägelse som behövs för de optimala styrdons- schemana, för t ex pumpar, ventiler, lagertankar, källor, svår och påverkar kvaliteten av optimeringsresultatet. Osäkerheterna kan faktiskt även leda till olämpligheter eller oönskat systembete- ende.The operation of water networks is unfortunately very complex and affected of many uncertainties. Uncertainties are, for example, changing water demand over time as well as varying parameters such as pump efficiencies or differences between the water the network and the real process. The uncertainties in demand makes a prediction needed for the optimal control devices schemes, for eg pumps, valves, storage tanks, sources, difficult and affects the quality of the optimization result. The uncertainties can in fact also lead to inadequacies or undesirable system behavior end.

Diagrammet till vänster i Fig. 1b visar ett exempel för en förut- sagd vattenefterfrågetrend 5, förutsagd vid OhOO för nästkom- mande 24 timmar. Den förutsagda vattenefterfrågetrenden 5 är den mörkare av de två kurvorna med heldragna linjer. Diagram- met till höger i Fig. 1b visar den resulterande optimerade vatten- nivåtrenden 6 i en vattenlageranläggning, speciellt en vattentank, som den är förväntad för den förutsagda vattenefterfrågan 5 vid tillämpning av optimerade styrdonsscheman beräknade vid OhOO för nästkommande 24 timmar. Här är det igen den mörkare av de två kurvorna med heldragna linjer. Optimeringen av styrdons- schemana är, i exemplet hos Fig. 1b, baserad på kända deter- ministiska optimeringsalgoritmer. I det fall att den verkliga efter- frågan varierar och skiljer sig från den förutsagda - vilket nästan säkerligen kommer att ske vid någon tidpunkt, t ex på grund av ökade utomhustemperaturer eller på grund av ett Vattenförbru- kande sportevenemang - kan den nedre eller övre gränsen hos vattenlagertanken under- eller överskridas. Den nedre och övre gränsen för vattennivån i vattentanken visas som streckade linjer i diagrammet på höger sida av Fig. 1b. I exemplet hos Fig. 1b, beräknas optimerade styrdonsscheman vid OhOO för den förut- sagda efterfrågekurvan 5 och tillämpas för nästkommande 24 timmar. Den ljusare av de två kurvorna i diagrammet på vänster sida av Fig. 1b visualiserar efterfrågan som verklig efterfrågerea- lisering 6. Vilket kan ses är den verkliga efterfrågan 6 högre än den förväntade efterfrågan 5 i ungefär sex timmar, mellan ca 6h00 och mitt på dagen. Som resultat underskrider den verkliga vattennivån 8 i vattenlageranläggningen den accepterade nedre gränsen betydligt. Då underskridandet går för långt, kan trycket bli för lågt åtminstone i delar av vattennätverket. En mekanism för att övervinna korsandet av den nedre gränsen, t ex genom att automatiskt slå på en pump i vattenlageranläggningen, kan inte- greras i optimeringsalgoritmen men skulle potentiellt resultera i reducerade energibesparingar. I värsta fall skulle det även kunna leda till högre energiförbrukning än utan någon optimering alls. I allmänhet måste underskridande av den nedre gränsen vara tillå- tet i optimeringsalgoritmen för att lämpligt lösa optimeringspro- blemet. För att ta hänsyn till detta är det känt att implementera en mildring av nedre nivågränser. Detta görs genom att introdu- cera slackvariabler. I gensvar straffas de i målfunktionen att op- timeras för att undvika deras användning. Det händer emellertid ganska ofta att den optimala deterministiska lösningen kräver underskridande av den nedre vattennivågränsen under beräkning av en godtycklig efterfrågan. Oftast är detta inte styrbart i förväg, då det ej kan förutsägas hur långt underskridandet kommer att gå vid användning av en deterministisk modell.The diagram on the left in Fig. 1b shows an example of a said water demand trend 5, predicted at OHOO for the next 24 hours. The predicted water demand trend 5 is the darker of the two curves with solid lines. Chart- to the right in Fig. 1b shows the resulting optimized water level trend 6 in a water storage facility, in particular a water tank, as it is expected for the predicted water demand 5 at application of optimized actuator schemes calculated at OhOO for the next 24 hours. Here it is again the darker of them two curves with solid lines. The optimization of steering gear The diagrams are, in the example of Fig. 1b, based on known determinants. ministerial optimization algorithms. In the event that the actual the question varies and differs from the predicted - which almost certainly will happen at some point, for example due to increased outdoor temperatures or due to a water consumption known sporting events - can the lower or upper limit of the water storage tank is below or exceeded. The lower and upper the limit of the water level in the water tank is shown as dashed lines in the diagram on the right side of Fig. 1b. In the example of Fig. 1b, optimized actuator schemes are calculated at the OOO for the said demand curve 5 and is applied to the next 24 hours. The brighter of the two curves in the diagram on the left side of Fig. 1b visualizes the demand as real demand response lization 6. As can be seen, the real demand 6 is higher than the expected demand 5 for about six hours, between approx 6:00 and in the middle of the day. As a result, it falls short of the real water level 8 in the water storage facility the accepted lower border significantly. When the undershoot goes too far, the pressure can become too low at least in parts of the water network. A mechanism to overcome the crossing of the lower limit, for example by automatically switch on a pump in the water storage system, integrated into the optimization algorithm but would potentially result in reduced energy savings. In the worst case, it could even lead to higher energy consumption than without any optimization at all. IN In general, lowering the lower limit must be permissible. in the optimization algorithm to appropriately solve the optimization blemet. To take this into account, it is known to implement a softening of lower level limits. This is done by introducing cera slack variables. In response, they are punished in the target function for timed to avoid their use. It does happen, however quite often that the optimal deterministic solution requires lowering of the lower water level limit under calculation of an arbitrary demand. Usually this is not controllable in advance, as it is not possible to predict how far the undercutting will go when using a deterministic model.

För att övervinna denna situation samlar existerande lösningar som samverkar med ett styrsystem eller ett SCADA- (Supervisory Control and Data Acquisition) system verklig nätverksdriftsdata och räknar om optimerade styrdonsscheman eller larmgränsin- ställningar för att anpassa sig till den nya situationen i nätverket.To overcome this situation, gather existing solutions which cooperates with a control system or a SCADA (Supervisory) Control and Data Acquisition) system real network operation data and recalculates optimized controller schemes or alarm limit positions to adapt to the new situation in the network.

Omräkningen utförs baserat på ett periodiskt tidsschema, t ex varje timme, eller baserat på händelser, såsom korsandet av övre eller nedre gränser. l lösningsformuleringen hos optimeringsalgo- ritmerna inkluderas högsäkerhetsmarginaler för parametrarna att optimeras för att övervinna dessa problem och för att säkerställa leverans enligt kundefterfrågan vid varje tidpunkt även under skiftande förhållanden. Återigen resulterar detta i ett mer konser- vativt tillvägagångssätt för hur vattennätverket ska drivas och manövreras. l fallet av händelsebaserade omräkningar, kan om- räkningarna bli nödvändiga att utföras förhållandevis ofta, vilket resulterar i frekventa korrigeringar hos styrdonsschemana och således i betydande styrdonsaktiviteter. Till slut kan energibe- sparingarna vara mindre än jämfört med den ovan beskrivna op- timeringen utan någon anpassning till nätverkssituationen.The conversion is performed based on a periodic schedule, e.g. every hour, or based on events, such as the crossing of the upper or lower limits. in the solution formulation of optimization algorithms the rhythms include high safety margins for the parameters that optimized to overcome these problems and to ensure delivery according to customer demand at any time also during changing conditions. Again, this results in a more concerted proactive approach to how the water network is to be operated and maneuvered. In the case of event-based recalculations, the bills become necessary to be performed relatively often, which results in frequent adjustments to the actuator diagrams and thus in significant actuator activities. Finally, energy the savings are smaller than compared to the above-described timing without any adaptation to the network situation.

Deterministiska modelleringsstrategier har nackdelen att de end- ast kan ta hänsyn till modelleringsosäkerheter och driftosäker- heter på ett väldigt begränsat vis. Detta kan resultera i olämpliga eller oönskade optimeringslösningar vid tillämpning på verklig- heten.Deterministic modeling strategies have the disadvantage that they can take into account modeling uncertainties and operational uncertainties in a very limited way. This can result in inappropriate or unwanted optimization solutions when applied to real called.

Ett ändamål med den föreliggande uppfinningen är att presentera ett system och förfarande för att optimera drift av ett vattennät- verk, med vilka de konservativa tillvägagångssätten beskrivna ovan övervinns för att undvika de artificiellt höga gränserna för vattennivåerna i lageranläggningarna, t ex för att reducera speci- ellt den nedre nivågränsen, medan samtidigt reducera risken för att få slut på vatten.An object of the present invention is to present a system and method for optimizing the operation of a water works, with which the conservative approaches are described above is overcome to avoid the artificially high limits of water levels in storage facilities, for example to reduce the lower level limit, while reducing the risk of to run out of water.

Enligt uppfinningen inkluderar den åtminstone ena bearbetnings- enheten dessutom en scenariogenereringsenhet för att generera en begränsad uppsättning av scenarion i form av möjliga reali- seringar över tiden av den förväntade vattenefterfrågan och/eller av drifttillståndet hos den åtminstone ena styrenheten och/eller av åtminstone en parameter hos den hydrauliska modellen, var- vid den begränsade uppsättningen av scenarion är baserad på sannolikhetsinformation av osäkerheten hos den förväntade vat- tenefterfrågan, drifttillståndet respektive den åtminstone ena pa- rametern, och optimeringsenheten är anpassad att minimera en målfunktion hos optimeringsproblemet genom att utföra sto- kastisk optimering, varvid optimeringsproblemet tar hänsyn till mälfunktionen för att representera åtminstone en oönskad sidoef- fekt av att driva den åtminstone ena styrenheten, den åtminstone ena driftbegränsningen och den begränsade uppsättningen av scenarion i form av scenariobaserade optimeringsmodeller.According to the invention, the at least one processing unit includes the unit also has a scenario generating unit for generating a limited set of scenarios in the form of possible realities over time of the expected water demand and / or of the operating condition of the at least one control unit and / or of at least one parameter of the hydraulic model, at the limited set of scenarios is based on probability information of the uncertainty of the expected water demand, the operating license and the at least one the parameter, and the optimizer is adapted to minimize one objective function of the optimization problem by performing caste optimization, taking into account the optimization problem measuring function to represent at least one undesirable side effect effect of operating the at least one control unit, the at least one one operating constraint and the limited set of scenario in the form of scenario-based optimization models.

Enligt uppfinningen formuleras och löses optimeringsproblemet, vilket direkt tar hänsyn till beskrivbara modell- och driftosäker- heter, varigenom det säkerställs att definierade gränser och ef- terfrågan möts. Detta tillåter även en övergripande bättre kost- nadseffektiv lösning än vid användning av en deterministisk mo- dell som bas. Speciellt då det kan säkerställas att den nedre ni- vågränsen hos en vattenlageranläggning inte kraftigt under- skrids, kan den nedre nivågränsen säkert ställas in till en lägre nrva.According to the invention, the optimization problem is formulated and solved, which directly takes into account descriptive model and operational thereby ensuring that defined limits and the question is met. This also allows for an overall better cost effective solution than when using a deterministic dell as bass. Especially when it can be ensured that the lower the water limit of a water storage facility is not significantly skid, the lower level limit can be safely set to a lower one nrva.

Osäkerheterna beskrivs för något av följande: o mätta signaler, speciellt inmatningar eller störningar för den hydrauliska modellen, såsom vattenefterfrågan, o drifttillstånd och/eller särdrag hos styrenheterna, såsom ef- fektivitetskurvor, t ex pumpeffektivitetskurvor, och o modelleringsparametrar, t ex rörytråhetskoefficienter.The uncertainties are described for one of the following: o saturated signals, especially inputs or disturbances for it hydraulic model, such as water demand, o operating conditions and / or characteristics of the control units, such as efficiency curves, such as pump efficiency curves, and o modeling parameters, eg tube roughness coefficients.

Ytterligare osäkerheter kan definieras. Exempelvis kan i det fall då ytterligare inmatningsinformation till optimeringsproblemet, såsom elektricitetstariffer eller vattenkällkostnader, inte är känd i förväg för nästa optimeringstidshorisont, vilken i exemplet som beskrivs nedan är nästkommande 24 timmar, sådan information även inkluderas i optimeringsproblemet i form av osäkerheter i stället för ytterligare deterministisk inmatning. l en första utföringsform av uppfinningen är scenariogenere- ringsenheten anpassad att tillämpa en successiv scenarioreduce- ringsteknik för att bunta ihop liknande scenarion för att reducera beräknlngsansträngningen för optimeringsenheten under bear- betning av de resulterande scenariobaserade optimeringsmo- dellerna. l en annan utföringsform är scenariogenereringsenheten anpas- sad att generera den begränsade uppsättningen av scenarion genom att bilda ett övre scenario och ett nedre scenario, vilka definierar området av möjliga realiseringar över tiden för åt- minstone ett av de ovan nämnda värdena eller parametrarna vilka är föremål för osäkerhet. Detta är ett avsevärt enkelt tillvä- gagångssätt för de fall då endast lite information om osäkerhet- erna och sannolikheterna existerar. l en specifik utföringsform är scenariogenereringsenheten an- passad att representera osäkerheterna genom en stokastisk pro- cess, varvid varje stokastisk process definieras på ett underlig- gande kontinuerligt sannolikhetsrum över en tidshorisont med begränsad varaktighet, varigenom en explicit representation av osäkerheterna genereras.Additional uncertainties can be defined. For example, in that case then additional input information to the optimization problem, such as electricity tariffs or water source costs, are not known in advance for the next optimization time horizon, which in the example as described below is the next 24 hours, such information also included in the optimization problem in the form of uncertainties in instead of further deterministic input. In a first embodiment of the invention, scenario generation adapted to apply a successive scenario reduction ring technology to bundle similar scenarios to reduce the calculation effort of the optimizer during processing processing of the resulting scenario-based optimization modes the parts. In another embodiment, the scenario generation unit is adapted. sad to generate the limited set of scenarios by forming an upper scenario and a lower scenario, which defines the area of possible realizations over time for at least one of the above values or parameters which are subject to uncertainty. This is a relatively simple approach in cases where only a little information on uncertainty and the probabilities exist. In a specific embodiment, the scenario generation unit is used suited to represent the uncertainties through a stochastic process, each stochastic process being defined in a continuous probability space over a time horizon with limited duration, whereby an explicit representation of the uncertainties are generated.

I ytterligare en utföringsform är scenariogenereringsenheten an- passad att generera den begränsade uppsättningen av scenarion genom att härleda osäkerheterna från mätdata hos vattennätver- ket. Alternativt skulle osäkerhetsdata kunna läsas från en lag- ringsenhet eller matas in av en operatör till systemet och därige- nom till scenariogenereringsenheten.In a further embodiment, the scenario generation unit is used suitable for generating the limited set of scenarios by deriving the uncertainties from measurement data of water networks ket. Alternatively, uncertainty data could be read from a legal unit or entered by an operator into the system and thereby nom to the scenario generation unit.

Scenariogenereringsenheten skulle dessutom kunna vara anpas- sad att tillhandahålla den begränsade uppsättningen av scen- arion i form av ett scenarioträd för grafisk visualisering. Scena- rioträdet skulle sedan kunna anpassas ytterligare av en operatör, innan det används för att generera optimeringsproblemet för op- timeringsenheten.In addition, the scenario generation unit could be adapted provided the limited set of scenarios arion in the form of a scenario tree for graphic visualization. Stage- the rio tree could then be further adapted by an operator, before it is used to generate the optimization problem for the timer.

I en speciell utföringsform speglar målfunktionen resulterande energiförbrukning och/eller vatteninflöde från en källa när den åtminstone ena styrenheten drivs.In a special embodiment, the target function reflects the resultant energy consumption and / or water inflow from a source when it at least one control unit is operated.

I denna speciella utföringsform skulle optimeringsenheten dessu- tom kunna vara anpassad att ta hänsyn till skiftande tariffer för energi och för vatten från källan.In this particular embodiment, the optimization unit would also even be able to be adapted to take into account varying tariffs for energy and for water from the source.

I ytterligare en utföringsform är optimeringsproblemet formulerat som en begränsad diskretisering av en scenariobaserad sto- kastisk tvåstegs-programmeringsmodell.In another embodiment, the optimization problem is formulated as a limited discretion of a scenario-based castic two-stage programming model.

Den hydrauliska modellen kan vara baserad på en beskrivning av topologin hos vattennätverket, vilken innefattar en noduppsätt- ning och en kantuppsättning, varvid noduppsättningen består av Iagringsnoder, förbindningsnoder, vattenefterfrågenoder och källnoder och varvid kantuppsättningen representerar vattenrör, pumpar och ventiler.The hydraulic model may be based on a description of the topology of the water network, which includes a node set and an edge set, the node set consisting of Storage nodes, connecting nodes, water demand nodes and source nodes and wherein the edge set represents water pipes, pumps and valves.

I det fallet bildas den hydrauliska modellen sedan genom till- ståndsekvationer, vilka representerar beroendet hos det tidsbe- roende tillståndet hos vattennätverket av den åtminstone ena driftkonfigurationsinformationen hos den åtminstone ena styren- heten och av den förväntade vattenefterfrågan och varvid det tidsberoende tillståndet består av toppar i noderna hos nodupp- sättningen och flöden längs kanterna hos kantuppsättningen.In that case, the hydraulic model is then formed by state equations, which represent the dependence of the time depending on the state of the water network of the at least one the operating configuration information of the at least one controller and of the expected water demand and thereby the time-dependent state consists of peaks in the nodes of the node the settlement and flows along the edges of the edge set.

För att explicit ta hänsyn till skiftningar hos en nedre nivågräns hos en vattenlageranläggning, kan den åtminstone ena bearbet- ningsenheten dessutom innefatta en nivåanpassningsenhet vil- ken är anpassad att uppskatta och att bringa till optimeringsen- heten som ytterligare inmatning till optimerlngsproblemet ett be- roende mellan en minskning av den nedre nivågränsen och en grad till vilken den åtminstone ena oönskade sidoeffekten redu- ceras under samtidigt hållande av den åtminstone ena driftbe- gränsningen.To explicitly take into account shifts at a lower level limit of a water storage facility, the at least one in addition, include a level adjustment unit which is adapted to appreciate and to bring about the optimization as an additional input to the optimization problem a between a decrease in the lower level limit and a degree to which the at least one undesirable side effect is reduced while maintaining at least one operating condition the boundary.

Dessutom kan nivåkonfigurationsenheten vara anpassad att upp- skatta och att bringa till optimeringsenheten som ytterligare in- matning till optimeringsproblemet ett beroende mellan reduce- ringen av den oönskade sidoeffekten och en risk för vattenlager- anläggningen att nå en kritisk vattennivå, varvid den kritiska vat- tennivån kan indikera att vattenlageranläggningen är på väg att torka ut eller att den når en vattennivå som ej längre är tillräcklig för att tillhandahålla tillräckligt tryck för att transportera vattnet genom vattenrören.In addition, the level configuration unit can be adapted to tax and to bring to the optimization unit as further input supply to the optimization problem a dependency between the undesirable side effect and a risk of water storage the facility to reach a critical water level, whereby the critical the tin level may indicate that the water storage facility is about to dry out or that it reaches a water level that is no longer sufficient to provide sufficient pressure to transport the water through the water pipes.

I en annan speciell utföringsform är scenariogenereringsenheten anpassad att bringa den begränsade uppsättningen av scenarion till en beslutsstödenhet, varvid beslutsstödenheten är anpassad att evaluera för en identifierad potentiell orsak till ett fel i vatten- nätverket en motsvarande påverkan på vattennätverket, vid hän- synstagande till den begränsade uppsättningen av scenarion.In another special embodiment is the scenario generation unit adapted to bring the limited set of scenarios to a decision support unit, the decision support unit being adapted to evaluate for an identified potential cause of a fault in the water the network has a corresponding impact on the water network, taking into account the limited set of scenarios.

Uppfinningen och dess utföringsformer kommer även att tydliggö- ras från exemplen beskrivna nedan i samband med de bifogade ritningarna, vilka illustrerar: Fig. 1a, b driftdiagram av vattenlageranläggningar som är kända från teknikområdet, Fig. 2 ett scenarioträd för en parameter P, Fig. 3 osäkerheter hos en parameter M modellerad genom tre scenarion, Fig. 4 ett system för att optimera drift av ett vattennätverk, Fig. 5 en jämförelse mellan optimering utan och med mo- dellerade osäkerheter, Fig. 6 exempel av utmatningar genererade genom en nivåanpassningsenhet.The invention and its embodiments will also be clarified. from the examples described below in connection with the accompanying the drawings, which illustrate: Fig. 1a, b operating diagram of water storage facilities which is known from the art, Fig. 2 a scenario tree for a parameter P, Fig. 3 uncertainties of a parameter M modeled through three scenarios, Fig. 4 a system for optimizing the operation of a water network, Fig. 5 a comparison between optimization without and with divided uncertainties, Fig. 6 shows examples of outputs generated by a level adjustment unit.

Som förklarats ovan är uppfinningens huvudidé följande: istället för att endast formulera ett optimeringsproblem så som görs med deterministiska modelleringstillvägagångssätt, modelleras osä- kerheterna i de olika parametrarna hos den hydrauliska modellen hos vattennätverket som en begränsad uppsättning av möjliga realiseringar av en respektive parameter P över tiden, vilket le- der till scenariobaserade optimeringsmodeller. Varje scenario re- presenterar en möjlig parameterrealisering över tiden, dvs var vid en viss tidpunkt i framtiden ett visst värde antas för respektive parameter P med en specifik sannolikhet m1... wf, vilket leder till ett så kallat scenarioträd, som visas i Fig. 2.As explained above, the main idea of the invention is as follows: instead to formulate only an optimization problem as is done with deterministic modeling approaches, in the various parameters of the hydraulic model of the water network as a limited set of possible realizations of a respective parameter P over time, which scenario-based optimization models. Each scenario is re- presents a possible parameter realization over time, ie was at at a certain time in the future a certain value is assumed for each parameter P with a specific probability m1 ... wf, which leads to a so-called scenario tree, shown in Fig. 2.

Varje väg från roten till ett av dess löv stämmer överens med ett scenario. Noderna motsvarar speciella tidpunkter t{O, T}, då beslut c(t) fattas.Each path from the root to one of its leaves corresponds to one scenario. The nodes correspond to special times t {O, T}, then decision c (t) is made.

Optimeringsproblemet kan exempelvis lösas genom tillämpning av stokastiska tvåstegs-programmerings- (2SSP) tekniker.The optimization problem can be solved, for example, through application of stochastic two-stage programming (2SSP) techniques.

I många situationer finns endast ofullständig information om den underliggande sannolikhetsfördelningen tillgänglig. Scenarioge- nereringen baseras då mestadels på användning av historiska 11 data att använda för uppskattnings-, simulerings- och urvalstek- niker, eller snarare att inkludera kunskapen hos en erfaren nät- verksoperatör.In many situations, there is only incomplete information about it underlying probability distribution available. Scenario- the generation is then mostly based on the use of historical 11 data to be used for estimation, simulation and sampling or rather to include the knowledge of an experienced network plant operator.

Beräkningsansträngningen för att lösa scenariobaserade optime- ringsmodeller beror starkt av antalet modellerade scenarion. En kompromiss mellan precisionen hos uppskattningen och modell- storleken, vilken ökar exponentiellt med antalet scenarion, måste således tas hänsyn till. Tillämpning av speciella scenarioreduce- ringstekniker är till hjälp för att reducera beräkningstid. l en utfö- ringsform av uppfinningen är idén därför att reducera antalet scenarioträdnoder genom att bunta ihop liknande scenarion. l ex- tremfallet skulle den begränsade uppsättningen av möjliga para- meterrealiseringar, dvs den begränsade uppsättningen av scen- arion, exempelvis kunna reduceras till endast två scenarion, ett nedre och ett övre scenario, varvid vart och ett av de två scen- ariona eller kurvorna representerar kurvan från den nedre re- spektive övre halvan av alla kurvor, med den högsta sannolikhet- en.The computational effort to solve scenario-based optimization models strongly depend on the number of modeled scenarios. One compromise between the precision of the estimate and the model the size, which increases exponentially with the number of scenarios, must thus taken into account. Application of special scenario reductions ring techniques are helpful in reducing computation time. in an execution embodiment of the invention, the idea is therefore to reduce the number scenario tree nodes by bundling similar scenarios. l ex- In this case, the limited set of possible meter realizations, ie the limited set of scenarios arion, for example, can be reduced to only two scenarios, one lower and an upper scenario, with each of the two scenarios ariona or the curves represent the curve from the lower respectively the upper half of all curves, with the highest probability one.

Att ta hänsyn till osäkerheter i optimeringsproblemformuleringen leder till mer robust driftkonfigurationsinformation för den åt- minstone ena styrenheten då olämpligheter hos lösningar lättare kan undvikas. På lång sikt resulterar det även i större kostnads- besparingar då säkerhetsmarginalerna för de övre och nedre gränserna för vattennivåerna, nödvändiga idag på grund av de- terministiska problemformuleringar, kan reduceras.To take into account uncertainties in the optimization problem formulation leads to more robust operating configuration information for the at least one control unit then inadequacies of solutions easier can be avoided. In the long run, this also results in greater cost savings then the safety margins for the upper and lower limits on water levels, necessary today due to the terminist problem formulations, can be reduced.

Driftkonfigurationsinformationen för den åtminstone ena styren- heten kan vara en/ett av ø ett styrdonsschema i form av en tidsserie av drifttillstånd hos den åtminstone ena styrenheten, eller o en uppslagstabell av driftinstruktioner för generering av en styrsignal för den åtminstone ena styrenheten, varvid drift- instruktionerna definieras i beroende av den aktuella tid- punkten och/eller det aktuella tillståndet hos vattennätver- ket, eller 12 o en uppsättning parametrar, vilka inkluderar exempelvis mi- nimum- och/eller maximumvärden för styrsignalerna att ge- nereras för den åtminstone ena styrenheten.The operating configuration information for the at least one controller can be one of ø a control device diagram in the form of a time series of operating conditions in the at least one control unit, or o a look-up table of operating instructions for generating a control signal for the at least one control unit, the operating the instructions are defined depending on the current point and / or the current state of the water network ket, or 12 o a set of parameters, which include, for example, minimum and / or maximum values for the control signals to be for the at least one control unit.

I det följande beskrivs ett exempel för ett stokastiskt tillväga- gångssätt för att optimera ett vattennätverk under osäkerheter mer detaljerat för exemplet av att modellera osäkerheten för vat- tenefterfrågan.The following is an example of a stochastic approach. approach to optimizing a water network under uncertainties in more detail for the example of modeling the uncertainty of water demand.

Det första steget är att modellera vattennätverkets struktur och dynamik.The first step is to model the structure of the water network and dynamics.

Uppgiften för vattenförsörjningssystem är att transportera och fördela den fordrade mängden vatten med den krävda kvaliteten vid rätt tidpunkt till angivna konsumenter, eller lager eller vatten- behandlingsanläggningar. Råvatten matas in i nätverket vid käl- lor, såsom grundvatten eller ytvatten, som floder eller sjöar. Om nödvändigt får råvattnet en kemisk behandling. Efteråt lagras an- tingen det rena vattnet i små lageranläggningar som är belägna direkt vid källorna, eller pumpas in i nätverket. Pumpar förmedlar vattnet genom rör genom att höja topparna vid speciella platser för att övervinna höjdskillnader och för att kompensera topp- minskningar i rören, vilka orsakas av friktionsförluster. Antalet individuella pumpar som slås på i en pumpstation beskrivs ge- nom en diskret beslutsvariabel. Den kan anta alla heltalsvärden mellan sin nedre gräns av noll och sin övre gräns vilken definie- ras genom det maximala antalet pumpar i den pumpstationen.The task of water supply systems is to transport and distribute the required amount of water with the required quality at the right time to specified consumers, or stocks or water treatment facilities. Raw water is fed into the network at the source such as groundwater or surface water, such as rivers or lakes. If necessarily, the raw water receives a chemical treatment. Afterwards, the things the clean water in small storage facilities that are located directly at the sources, or pumped into the network. Pumps convey the water through pipes by raising the peaks at special places to overcome height differences and to compensate for reductions in the pipes, which are caused by friction losses. The number individual pumps that are switched on in a pump station are described nom a discrete decision variable. It can assume all integer values between its lower limit of zero and its upper limit which defines through the maximum number of pumps in that pumping station.

Ventiler är nätverkselement för att styra flöden och toppar. De kan strypas till olika grader för att styra rörelsen hos vatten ge- nom rör. Särskild uppmärksamhet måste ges till lageranläggning- arna, eftersom de är de enda nätverkselement som tillhandahål- ler en buffert mellan nätverksinflöde och utflöde. De frånkopplar olika vattennätverkspartier och gör systemet flexibelt, och tillåter således olika möjliga driftstrategier. 13 Vattennätverkstopologin beskrivs genom en graf G = (N, E), var- vid N står för en noduppsättning och E står för en kantuppsätt- ning.Valves are network elements for controlling flows and peaks. The can be throttled to different degrees to control the movement of water nom tube. Particular attention must be paid to storage facilities because they are the only network elements provided by the smiles a buffer between network inflow and outflow. They disconnect different water network lots and makes the system flexible, and allows thus different possible operating strategies. 13 The water network topology is described by a graph G = (N, E), where at N stands for a node set and E stands for an edge set ning.

Noduppsättningen N = Nm U Non U Ndn U Ngn består av lagernoder Nm, förbindningsnoder Nm, vattenefterfrågenoder Ndn och källno- der Nsn, och kantuppsättningen E = Epr U Epu U Eva omfattar eller representerar vattenrör (Epl), pumpar (Epu) och ventiler (Eva).The node set N = Nm U Non U Ndn U Ngn consists of layer nodes Nm, connecting nodes Nm, water demand nodes Ndn and source nodes der Nsn, and the edge set E = Epr U Epu U Eva includes or represents water pipes (Epl), pumps (Epu) and valves (Eva).

Det fysiska tids t beroende tillståndet y(t) hos nätverket består av toppar i noderna och flöden längs kanterna. Tillståndet y(t) till- fredsställer ett system av differentialalgebraiska ekvationer (DAEs) vilket inkluderar bibehållandelagar av Kirchhoff-typ, icke- linjära topp-flöde-förhållanden hos pumpar, ventiler och rör, och den temporala förändringsgraden hos vattenlagernivåer i lager- anläggningarna på grund av flöden.The physical time t dependent state y (t) of the network consists of peaks in the nodes and flows along the edges. The state y (t) is pacifies a system of differential algebraic equations (DAEs) which includes Kirchhoff-type, non- linear peak flow conditions of pumps, valves and pipes, and the temporal rate of change of water stock levels in the stock the facilities due to flows.

De differentialalgebraiska ekvationerna påverkas genom styr- och beslutsvariablerna c(t), av vilka några är integrerade, vilka representerar nätverksdriftkonfigurationen för pumparna, venti- lerna och källflödena, dvs driftkonfigurationsinformationen för styrenheterna, speciellt styrdonschemana. Vidare fastställer vat- tenefterfrågan §(t) utflödet hos systemet.The differential algebraic equations are affected by and the decision variables c (t), some of which are integrated, which represents the network operating configuration of the pumps, and the source flows, ie the operating configuration information for the control units, especially the actuator diagrams. Furthermore, water demand (§) the outflow of the system.

Formellt kan tillståndsekvationerna F, dvs systemet av DAEs, skrivas som F(C(ï), y(t), S/(f), š(f)) = 0, Vi E [0,T] (1), varvid y(t) är den första tidsderivatan hos nätverkstillståndet y(t).Formally, the state equations F, i.e. the system of DAEs, written as F (C (ï), y (t), S / (f), š (f)) = 0, Vi E [0, T] (1), wherein y (t) is the first time derivative of the network state y (t).

Formuleringen av optimeringsproblemet inkluderar målfunktionen CD, tillståndsekvationerna F, och driftbegränsningar G, av vilka några är enkla gränser.The formulation of the optimization problem includes the goal function CD, state equations F, and operating constraints G, of which some are simple boundaries.

Målfunktionen = (CDpu + Cbsn) som ska minimeras består av drift- kostnader, såsom pumpenergikostnader ﬁbpu och källflödeskost- nader Cbsn vilka uppkommer under tidshorisonten T. 14 Begränsningarna G begränsar tillståndet hos systemet till dess praktiska driftområde, såsom kravet att pumparna arbetar i det fysiska området av positiv toppökning.The target function = (CDpu + Cbsn) to be minimized consists of operational costs, such as pump energy costs ﬁ bpu and source flow costs nder Cbsn which arise during the time horizon T. 14 Restrictions G limit the state of the system until then practical operating range, such as the requirement that the pumps operate in it physical area of positive peak increase.

Driftplaneringsproblemet och därigenom optimeringsproblemet är då fgﬂynﬂﬂay) (2), med förbehåll för F(C(f), y('f)- YO), i (0) = 0, Vi E [QT] tillståndsekvation (3) och Gmm' ya» so' Vt E [OI] begränsningar (4).The operational planning problem and thereby the optimization problem is then fg ﬂ yn ﬂﬂ ay) (2), subject to F (C (f), y ('f) - YO), i (0) = 0, Vi E [QT] state equation (3) and Gmm 'ya »so' Vt E [OI] constraints (4).

Den optimala lösningen hos beslutsvariablerna c(t) är svaret som användaren, dvs vattenverket, måste implementera i det verkliga tekniska systemet.The optimal solution of the decision variables c (t) is the answer as the user, ie the waterworks, must implement in the real technical system.

Generellt diskretiseras DAE-systemet på ett fixerat temporalt rut- nät, och styr- och beslutsvariablerna c(t) väljs att vara styckvis konstanta, vilket omvandlar optimeringsproblemet till ett dyna- miskt bland-heltals-icke-linjärt-programmerings-problem (Mixed lnteger NonLinear Programming (MINLP) problem).In general, the DAE system is discretized on a fixed temporal route network, and the control and decision variables c (t) are selected to be piecewise constant, which converts the optimization problem into a dynamic mixed-integer-non-linear-programming-problem (Mixed lnteger NonLinear Programming (MINLP) problem).

Den blandade heltalskomponenten är beroende av samexistens med kontinuerliga och diskreta pumpvariabler. Den icke-linjära delen innefattar målfunktionen och topp-flöde-förhållandena_ Be- roende av den numeriska lösaren och dess underliggande algo- ritm, är glatta funktioner starkt önskade, speciellt vid tillämpning av derivata-baserade optimeringsmetoder.The mixed integer component is dependent on coexistence with continuous and discrete pump variables. The non-linear the part includes the target function and the peak flow conditions. depending on the numerical solver and its underlying algorithm. rhythm, smooth functions are highly desired, especially when applied of derivative-based optimization methods.

Rådande praxis i vattennätverksdriftplanering är att lösa optime- ringsproblemet för en fast efterfrågan §(t), vanligen den förvän- tade efterfrågan, vilket gör optimeringen deterministisk.Current practice in water network operation planning is to solve optimization the problem of fixed demand § (t), usually the expected increased demand, which makes optimization deterministic.

Enligt uppfinningen tillämpas istället stokastisk optimering vilket gör det möjligt att ta hänsyn till modellerings- och efterfrågeosä- kerheter. Generellt förlitar sig en allmän praxis för att korrigera slumpmässiga störningar i dynamiska processer på tillämpningen av en så kallad rörlig horisont. Under förutsättning att sannolik- hetsinformation av osäkerhetsdatan är tillgänglig, tar stokastiska modeller ett steg framåt genom att uttryckligen inkludera denna stokastiska information vid framtida händelser. Beslutsprocessen blir förutsägande istället för att endast reagera på tidigare vat- tenefterfrågerealiseringar. Därför krävs en stokastisk process som beskriver de slumpmässiga vattenefterfrågehändelserna, att uppstå inom deras sannolikhet. Den stokastiska processen för den slumpmässiga vattenefterfrågan 'i = ê' med tenn] definieras på något underliggande kontinuerligt sannolikhetsrum, vilket bland annat är en funktion av den ovan beskrivna uppsättningen av tillståndsekvationer F och av en sannolikhetsfördelning P, och varvid T är varaktigheten hos tidshorisonten.According to the invention, stochastic optimization is applied instead, which makes it possible to take into account modeling and demand cereals. Generally, a general practice relies on correction random disturbances in dynamic processes on the application of a so-called moving horizon. Provided that probable safety information of the uncertainty data is available, takes stochastic models a step forward by explicitly including this stochastic information on future events. The decision process becomes predictive instead of only reacting to previous water tene demand realizations. Therefore, a stochastic process is required which describes the random water demand events, that occur within their probability. The stochastic process for the random water demand 'i = ê' with tin] is defined on any underlying continuous probability space, which among other things is a function of the set described above of state equations F and of a probability distribution P, and where T is the duration of the time horizon.

Bevisligen leder den explicita representationen av osäkerhet ge- nom en stokastisk process till en vinning av information över ti- den. Denna ytterligare modellerade information ökar komplexite- ten hos optimeringsmodellen, vilket resulterar i storskaliga sto- kastiska program. De flesta lösningsförfaranden för sådana stor- skaliga program baseras på uppskattning genom en diskret tids- stokastisk process, varvid il tar värden i RS (för te {0""T}), där S 2=|Ndn| anger antalet efterfrågenoder. De stokastiska variablerna šl blir observerade direkt innan tiden t och šo antas vara känt vid t = O. Så den diskreta tidsstokastiska processen är en samling av slumpmässiga variabler ¿=(šo, MÅT) i RST.Evidently, the explicit representation of uncertainty leads to through a stochastic process to a gain of information over time the. This further modeled information increases the complexity of the optimization model, which results in large-scale casting programs. Most solution procedures for such scalable programs are based on estimation through a discrete stochastic process, where il takes values in RS (for te {0 "" T}), where S 2 = | Ndn | indicates the number of demand nodes. The stochastic variables šl are observed immediately before the time t and šo are assumed to be known at t = O. So the discrete time stochastic process is a collection of random variables ¿= (šo, DIMENSIONS) in RST.

Dessutom modelleras, för att erhålla ett numeriskt lätthanterligt optimeringsproblem, osäkerhet i vattenefterfrågan som en be- gränsad uppsättning av möjliga efterfrågerealiseringar över tiden, vilket leder till scenariobaserade optimeringsmodeller. Detta be- tyder att en diskret uppskattning av den underliggande sannolik- hetsfördelningen övervägs, given genom ett begränsat sannolik- hetsrum, vilket bland annat är en funktion av speciella scenarion w,- med j = 1,...,r. Varje scenario representerar en möjlig vat- 16 tenefterfrågerealisering av framtiden och uppstår med sannolik- heten "Ni 2 O. Det hela sammantaget håller de modellerade scen- Éfrwj =1 ariona H , vid antagande att ett av scenariona kommer att ske i verkligheten.In addition, modeled, to obtain a numerically easy to handle optimization problems, uncertainty in water demand as a limited set of possible demand realizations over time, leading to scenario-based optimization models. This suggests that a discrete estimate of the underlying probability probability distribution is considered, given by a limited probability room, which is, among other things, a function of special scenarios w, - med j = 1, ..., r. Each scenario represents a possible 16 demand realization of the future and arises with probability "Ni 2 O. All in all, the modeled scenes Éfrwj = 1 ariona H, assuming that one of the scenarios will happen in reality.

Alla modellerade scenarion Q = {w1,..., wf} kan representeras i form av ett scenarioträd, som visas i Fig. 2. Varje väg från roten till ett av dess löv stämmer överens med ett scenario. Noderna motsvarar speciella tidpunkter få {0- Ü där beslut c(t) fattas, dvs där vissa styrdonsåtgärder utförs. Kanterna avgränsar de osäkra vattenefterfrågevariablerna_ Scenarioträdet avgrenas för varje modellerad efterfrågerealisering i varje få {0, Tl För att överensstämma med notationen hos den stokastiska processen š, märker varje scenario Wi GQ en möjlig vattenefterfrågereali- sering §~1=(¿~11=---~¿wﬂ), varvid f-»ikavser det j-te scenariot för tidspe- rioden k.All modeled scenarios Q = {w1, ..., wf} can be represented in form of a scenario tree, as shown in Fig. 2. Each path from the root to one of its leaves corresponds to a scenario. The nodes corresponds to special times few {0- Ü where decision c (t) is made, ie where certain actuator measures are performed. They border the edges uncertain water demand variables_ The scenario tree is branched off for each modeled demand realization in each get {0, Tl To conform to the notation of the stochastic process š, each scenario Wi GQ notices a possible water demand reali- § ~ 1 = (¿~ 11 = --- ~ ¿w ﬂ), whereby f- »ikavser den j-te scenario för tidspe- rioden k.

Då resultaten av det verkliga underliggande problemet är av stort intresse är genereringen av ett sådant scenarioträd en viktig uppgift. Det huvudsakliga målet består av en lämplig representat- ion av den underliggande sannolikhetsfördelningen av §, ef- tersom det optimala värdet och den optimala lösningen beror av de valda scenariona. Vid många tillämpningar finns endast ofull- ständig information om den underliggande sannolikhetsfördel- ningen tillgänglig. Scenariogenereringen baseras då mestadels på användning av historiska data att använda vid uppskattnings-, simulerings- och urvalstekniker, eller snarare att inkludera kun- skapen hos en erfaren nätverksoperatör.Then the results of the real underlying problem are of great interest, the generation of such a scenario tree is an important one task. The main objective is to have an appropriate ion of the underlying probability distribution of §, ef- because the optimal value and the optimal solution depend on of selected scenarios. In many applications there are only incomplete constant information on the underlying probability distribution available. The scenario generation is then mostly based on the use of historical data to be used in estimating, simulation and selection techniques, or rather to include customer with an experienced network operator.

I allmänhet kan fyra olika uppskattningstyper av den sanna san- nolikhetsfördelningen P genom en begränsad scenariouppsätt- ning särskiljas med avseende på graden av tillgänglig informat- ion: full kunskap om P, känd parametrisk familj, urvalsinformation och låg informationsnivå. Om endast lite information existerar vilken är baserad på observerad data, är bildande av övre och nedre scenarion typiska urval, som visas i Fig. 3. Det övre sce- 17 nariot 10 och det nedre scenariot 11 definierar då området av möjliga efterfrågerealiseringar och tillhandahåller gränser för det optimala värdet hos optimeringsproblemet. Därtill kan ett för- väntningsvärdescenario, betecknat med 9, genereras, vilket kan vara scenariot med den för närvarande högsta sannolikheten.In general, four different types of estimates of the true the probability distribution P through a limited scenario set- differentiated in terms of the degree of information available ion: full knowledge of P, known parametric family, selection information and low level of information. If only a little information exists which is based on observed data, is the formation of upper and the lower scenario typical selection, as shown in Fig. 3. The upper scenario 17 nariot 10 and the lower scenario 11 then define the area of possible realizations of demand and provides limits for it optimal value of the optimization problem. In addition, a expectation value scenario, denoted by 9, is generated, which can be the scenario with the currently highest probability.

Beräkningsansträngningen för att lösa scenariobaserade optime- ringsmodeller beror starkt av antalet modellerade scenarion. En kompromiss mellan precisionen hos uppskattningen och modell- storleken, vilken ökar exponentiellt med antalet scenarion, måste således tas hänsyn till. Det är en allmän praxis att tillämpa spe- ciella scenarioreduceringstekniker medan fortfarande lämpliga uppskattningar representeras. Dessa metodiker är baserade på tillämpning av successiv scenarioreducering.The computational effort to solve scenario-based optimization models strongly depend on the number of modeled scenarios. One compromise between the precision of the estimate and the model the size, which increases exponentially with the number of scenarios, must thus taken into account. It is common practice to apply special scenario reduction techniques while still appropriate estimates are represented. These methodologies are based on application of successive scenario reduction.

Idén är att reducera antalet scenarioträdnoder genom att bunta ihop liknande scenarion. De reducerade träden och originalträdet kommer sedan att jämföras genom ett visst avstånd av sannolik- hetsmått. Nya sannolikheter tillsätts sedan till det reducerade trädet så att den nya sannolikhetsmätningen är närmast den ini- tiala fördelningen i termer av ett naturligt avståndsmått.The idea is to reduce the number of scenario tree nodes by bundling together similar scenarios. The reduced trees and the original tree will then be compared by a certain distance of probability measures. New probabilities are then added to the reduced one tree so that the new probability measurement is closest to the the distribution in terms of a natural distance measure.

Ett annat viktigt faktum baseras på robustheten hos det optimala målvärdet och optimala lösningen beträffande de använda scen- ariona. Robusthet är önskad, dvs, små störningar hos scenariona och motsvarande sannolikheter bör som mest resultera i små ändringar hos det optimala målvärdet och optimala lösningen.Another important fact is based on the robustness of the optimum the target value and the optimal solution regarding the used ariona. Robustness is desired, ie, small disturbances in the scenarios and corresponding probabilities should at most result in small ones changes in the optimal target value and the optimal solution.

Som beskrivits ovan tillhandahålls att sannolikhetsinformation av osäkerheten hos vattenefterfrågan är tillgänglig och stokastiska optimeringsmetoder kan användas för att utnyttja denna. Det sto- kastiska optimeringsproblemet skall sedan minimera en målfunkt- ion CD, vilken speciellt tar hänsyn till förväntade driftkostnader, varvid minimeringen är förbehållen kravet att den erhållna drift- konfigurationsinformationen för styrenheterna är lämplig för alla vattenefterfrågerealiseringar. 18 Som också förklarats ovan modelleras osäkerhet i vattenefterfrå- gan som en begränsad uppsättning av möjliga efterfrågereali- seringar vilket leder till så kallade scenariobaserade optime- ringsmodeller för att erhålla ett numeriskt lätthanterligt optime- ringsproblem.As described above, it is provided that probability information of the uncertainty of water demand is accessible and stochastic optimization methods can be used to take advantage of this. It stood the casting optimization problem should then minimize a target function ion CD, which pays particular attention to expected operating costs, the minimization being reserved for the requirement that the the configuration information for the controllers is suitable for everyone water demand realizations. 18 As also explained above, uncertainty in water demand is modeled as a limited set of possible demand realities leading to so-called scenario-based optimization models to obtain a numerically easy-to-handle optimizer ring problem.

Förutom att ta hänsyn till den osäkra efterfrågestrukturen, som beskrivits ovan, utnyttjar stokastisk tvåstegs-programmering (ZSSP) faktumet att endast en del av besluten, vilka är här-och- nu-besluten x, så kallade förstastegsbeslut, måste fattas innan efterfrågan kan observeras. Detta är känt under termen icke- anticiperbarhet (nonanticipativity).In addition to taking into account the uncertain demand structure, which described above, uses stochastic two-step programming (ZSSP) the fact that only some of the decisions, which are here-and-there nu-decisions x, so-called first-step decisions, must be made before demand can be observed. This is known by the term non- anticipation (nonanticipativity).

De återstående styrvariablerna, vilka är tillflyktsåtgärder z, så kallade andrastegsbeslut, måste fixeras endast senare i tiden när en del av efterfrågan redan har observerats.The remaining control variables, which are refuge measures z, so called second-step decisions, must be fixed only later in the time when some of the demand has already been observed.

Allmänt leder detta till flerstegs-stokastisk programmering. Här begränsar vi uppmärksamheten til! det mer optimistiska tvåstegs- tillvägagångssättet där valet av tillflyktsåtgärder z baseras på fullständig kunskap om efterfrågerealiseringen å.In general, this leads to multi-stage stochastic programming. Here we limit our attention to! the more optimistic two-step the approach on which the choice of refuge measures z is based complete knowledge of the demand realization å.

Därefter kommer vi att beteckna 1:a- och 2:a-stegs-variablerna med x(t) respektive 20, ši(w)). Ett scenariobaserat optimeringspro- blem i form av en 2SSP-modellformulering, varvid tillflyktsåtgär- den definieras från tidpunkten i~ E (OI) framåt, lyder: <1> = ozssp = mini 2 Éffaj [Iføpu (xrmdf + ï«1>pu(z(f,¿,(wj)))df¶ +... , z~ T yz \ + 221% I an” >df + Im, >>dfU (5), förbehållet att 19 F(X(t), ZÜ, 5,1 = O, Vt 5 [0,T], VU),- E Q modenikheter Glxlll- lll f* (will) S O, V* E l°~T1~ Vwﬂ å Q modeilolikheier (7) 8S(X(l), Z(I, Ät SÅ, Vt G [0,T], VU),- E Q Variabemr-a-nser varvid °°2SSPär målfunktionen att minimeras, mi» är energiförbrukningskostnad i pumpstation pu och os" är källflödeskostnad.Then we will denote the 1st and 2nd step variables with x (t) and 20, ši (w)). A scenario-based optimization program in the form of a 2SSP model formulation, whereby refuge measures it is defined from the time in ~ E (OI) onwards, reads: <1> = ozssp = mini 2 Éffaj [Iføpu (xrmdf + ï «1> pu (z (f, ¿, (wj)))) df¶ + ... , z ~ T yz \ + 221% I an ”> df + Im, >> dfU (5), subject to 19 F (X (t), ZÜ, 5.1 = O, Vt 5 [0, T], VU), - E Q modifications Glxlll- lll f * (will) S O, V * E l ° ~ T1 ~ Vw ﬂ å Q modeilolikheier (7) 8S (X (l), Z (I, Eat SO, Vt G [0, T], VU), - E Q Variabemr-a-nser whereby °° 2SSPar the target function to be minimized, mi »is the energy consumption cost in pump station pu and os "is the source flow cost.

Energiförbrukningskostnaden “Dim tar hänsyn till bland annat pumpeffektiviteten. Pumpar omvandlar elektrisk energi till meka- nisk energi av vatten. Pumpeffektiviteten, kallad tråd-till-vatten- effektivitet, beskriver effektiviteten av denna omvandling. Den ökar med flödeshastigheten genom pumpen upp till en viss punkt, kallad toppeffektivitet, och avtar sedan med ytterligare sti- gande flödeshastighet.The energy consumption cost “Dim takes into account, among other things pump efficiency. Pumps convert electrical energy into mechanical economic energy of water. Pump efficiency, called wire-to-water efficiency, describes the efficiency of this conversion. The increases with the flow rate through the pump up to a certain point, called peak efficiency, and then decreases with further flow rate.

Källflödeskostnaden ”Sn speglar kostnaderna för tillförseln av vatten från vattenkällorna, såsom vattenbehandlingsanläggning- ar, avsaltningsanläggningar eller vattenreservoarer.Source flow cost “Sn reflects the cost of supply of water from water sources, such as water treatment plants desalination plants or water reservoirs.

Ytterligare kostnader vilka kan tas hänsyn till i målfunktionen °>2SSP kan vara så kallade straffkostnader för överträdelser av gränsförhållanden i vattenreservoarerna.Additional costs which can be taken into account in the goal function °> 2SSP can be so-called penalty costs for violations of boundary conditions in the water reservoirs.

Termen kostnad ska inte förstås endast i monetär bemärkelse, utan används för att representera nivån av oönskade sidoeffekter i allmänhet, vilka ska minimeras. Dessa oönskade sidoeffekter är i allmänhet förbundna med driften av styrenheterna, då någon styråtgärd kan resultera i åtminstone en av: producering av för mycket ljud eller koldioxid, användning av för mycket elektrisk energi, ökning av mängden dyrt vatten pumpat in i nätverket från en reservoar, eller uppnåelse av en oönskad frekvens och/eller amplitud hos styrdonsdriften själv. Alla dessa och fler oönskade sidoeffekter kan modelleras in i målfunktionen och därigenom in i optimeringsproblemet och undviks sedan så mycket som möjligt på grund av minimeringen av denna målfunktion.The term cost should not be understood only in a monetary sense, but is used to represent the level of unwanted side effects in general, which should be minimized. These unwanted side effects are generally associated with the operation of the control units, then any control action may result in at least one of: production of for too much noise or carbon dioxide, use of too much electricity energy, increasing the amount of expensive water pumped into the network from a reservoir, or the attainment of an undesirable frequency and / or amplitude of the actuator operation itself. All these and more unwanted side effects can be modeled into the target function and thereby into the optimization problem and then avoided as much as possible due to the minimization of this target function.

På grund av den begränsade diskretiseringen av den underlig- gande stokastiska processen, har ekvationerna (5) till (8) formen av en deterministisk optimeringsmodell. Följaktligen kallas den även för den motsvarande deterministiska ekvivalensen hos 2SSP-problemet. Fördelen med den deterministiska ekvivalensen består av dess bättre numeriska hanterbarhet genom undvikande av sannolikhetsintegraler.Due to the limited discretion of the underlying the stochastic process, equations (5) to (8) have the form of a deterministic optimization model. Consequently, it is called also for the corresponding deterministic equivalent of 2SSP problem. The advantage of deterministic equivalence consists of its better numerical manageability through avoidance of probability integrals.

Genom att använda exemplet av ett vattennätverk 17, som visas i Fig. 4, kan det förstås att 2SSP leder till mer kostnadseffektiv och robust vattennätverksdrift under tillhandahållande av säker- het hos vattentillförseln. Vattennätverket hos Fig. 4 består av vattenrör vilka sammanbinder följande driftelement: källor S, vari- från vatten flödar in i nätverket, konsumeringsenheter C, där vattnet lämnar nätverket, pumpar 20 för att höja topparna vid speciella platser för att övervinna höjdskillnader och att kompen- sera toppminskningar i rören, vattenlageranläggningar, såsom vattenreservoarer eller -tankar 21, för att tillhandahålla en buffert mellan nätverksinflöde och -utflöde och för att frånkoppla olika vattennätverkspartier, och olika typer av ventiler, som avbildas genom alla återstående element i nätverket 17, för att styra rö- relsen hos vatten genom rören och därigenom styra flöden och toppar, genom att strypa ventilerna i olika utsträckningar.Using the example of a water network 17, shown in Fig. 4, it can be understood that 2SSP leads to more cost-effective and robust water network operation while providing safe heat of the water supply. The water network of Fig. 4 consists of water pipes which connect the following operating elements: sources S, var- from water flows into the network, consumption units C, where the water leaves the network, pumps 20 to raise the peaks at special places to overcome height differences and to compensate sera top reductions in the pipes, water storage facilities, such as water reservoirs or tanks 21, to provide a buffer between network inflow and outflow and to disconnect different water network sections, and different types of valves, which are depicted through all the remaining elements of the network 17, to control the the flow of water through the pipes and thereby control the flows and peaks, by throttling the valves to varying degrees.

För att fastställa den potentiella vinsten av att lösa ett stokastiskt problem över att lösa ett motsvarande deterministiskt problem, i vilket den förväntade efterfrågan ersätter den osäkra efterfrågan, används värdet av den stokastiska lösningen (VSS). VSS är ett adekvat särdrag eftersom det indikerar hur väl den optimala lös- ningen hos en 2SSP-modell fungerar i förhållande till den deter- ministiska optimala lösningen inbäddad i ett ramverk med osäker efterfrågan.To determine the potential benefit of resolving a stochastic problem of solving a corresponding deterministic problem, in which the expected demand replaces the uncertain demand, the value of the stochastic solution (VSS) is used. VSS is one adequate feature as it indicates how well the optimal solution the operation of a 2SSP model works in relation to the ministerial optimal solution embedded in a framework of uncertain demand.

Strukturen av 2SSP-modeller säkerställer att 1:a-stegs-beslut endast är lämpliga, om en lämplig tillflyktsåtgärd existerar för varje kartlagt efterfrågescenario. Detta betyder att 1:a-stegs- variablerna beräknas för att göra modellen lämplig på lång sikt, 21 så att den optimala vattenlagernivåkursen ligger mellan de förut- bestämda gränserna. Följaktligen hålls vattennivåerna under kontroll i 2SSP.The structure of 2SSP models ensures that 1st-step decisions are only suitable, if a suitable refuge measure exists for each mapped demand scenario. This means that the 1st step the variables are calculated to make the model suitable for the long term, 21 so that the optimal water stock level rate is between the certain limits. Consequently, the water levels are kept below control in 2SSP.

Detta kan ses på vänster sida av Fig. 5 vilken visar den förvän- tade vattenlagernivån 14 och den resulterande verkliga vattenla- gernivån 15 för den stokastiska optimeringen av 2SSP-modellen hos ovan beskrivna vattennätverk. Både den förväntade och den resulterande verkliga vattenlagernivån 12 respektive 13 ligger mellan den övre och den nedre nivågränsen, avbildade som streckade linjer. Ytterligare experiment för arbiträra efterfrågere- aliseringar bekräftade lämplighet hos 2SSP, sålunda möjliggör- ande minskning av de nedre gränserna för vattenlagernivåerna i lageranläggningarna. Som en konsekvens fordras mindre pump- ning vilket resulterar i ytterligare kostnadsbesparingar. Å andra sidan är den motsvarande modellen, vilken är baserad på ett förväntat och inte ett osäkert efterfrågevärde, oanvändbar, vilket visar att ett optimalt deterministiskt schema för en förvån- tad efterfrågan inte nödvändigtvis är optimalt eller ens använd- bart för den verkliga efterfrågan. För att lämpligt driva vattennät- verken, var slackvariabler tvungna att införas och som en reakt- ion av en plötslig ökning i vattenefterfrågan, var till och med ett underskridande av den nedre nivågränsen tvunget att accepte- ras, vilket kan ses från den förväntade vattenlagernivån 12 och den resulterande verkliga vattenlagernivån 13 på vänster sida av Fig. 5. fastställdes att det håller , ytterligare illustrerande signifikansen hos stokastisk optimering för vattennätverksoperationer.This can be seen on the left side of Fig. 5 which shows the expected water stock level 14 and the resulting actual water stock level 15 for the stochastic optimization of the 2SSP model at the water networks described above. Both the expected and the resulting actual water stock levels 12 and 13, respectively between the upper and lower level boundary, depicted as dashed lines. Additional experiments for arbitrary demand alignments confirmed the suitability of 2SSP, thus enabling reduction of the lower limits of water stock levels in the storage facilities. As a consequence, less pumping is required. resulting in additional cost savings. On the other hand is the corresponding model, which is based at an expected and not an uncertain demand value, unusable, which shows that an optimal deterministic scheme for a surprising demand is not necessarily optimal or even user-friendly. for real demand. In order to properly operate water plants, slack variables had to be introduced and as a reaction ion of a sudden increase in water demand, was even one lowering of the lower level limit had to be accepted race, which can be seen from the expected water stock level 12 and the resulting actual water stock level 13 on the left side of Fig. 5. it was determined that it holds , further illustrating the significance of stochastic optimization for water network operations.

I allmänhet q72ssP << CDEEV optimala målvärdet En annan viktig aspekt hos det stokastiska tillvägagångssättet är beräkningsansträngningen. Modellstorleken hos 2SSP- modellerna ökar linjärt med antalet scenarion och beräkningsti- den indikerar kvadratisk tillväxt i förhållande till antalet scen- arion. Men även en grov uppskattning av den underliggande san- 22 nolikhetsfördelningen, vilken innefattar få scenarion tillhandahål- ler goda resultat i jämförelse med den deterministiska optime- ringen vid en måttlig ökning av beräkningskomplexitet. Ytterligare små störningar av de modellerade efterfrågescenariona leder endast till marginella skillnader i de optimala målvärdena eller i den optimala lösningen hos de stokastiska programmen.Generally q72ssP << CDEEV optimal target value Another important aspect of the stochastic approach is the calculation effort. Model size of 2SSP- the models increase linearly with the number of scenarios and calculation it indicates quadratic growth in relation to the number of arion. But also a rough estimate of the underlying 22 the probability distribution, which includes few scenarios good results in comparison with the deterministic optimistic in the event of a moderate increase in computational complexity. Further small disturbances of the modeled demand scenarios lead only to marginal differences in the optimal target values or in the optimal solution for the stochastic programs.

Fig. 4 visar ett exempel för ett system 16 för den stokastiska op- timeringen av drift av ett vattennätverk. Systemet 16 inkluderar en optimeringsenhet OP för att utföra den ovan beskrivna mini- meringen av målfunktionen för att generera åtminstone en drift- konfigurationsinformation, speciellt åtminstone ett styrdons- schema, vilket sedan utmatas till ett styrsystem CS för att tilläm- pas av den avsedda åtminstone ena styrenheten hos vattennät- verket 17 via ett utmatningsgränssnitt 18. Styrenheterna hos vat- tennätverket 17 är pumparna 20 för att höja topparna vid speci- ella platser inuti nätverket, pumparna och ventilerna vid vatten- Iageranläggningarna 21, och de olika typerna av ventiler inuti nätverket.Fig. 4 shows an example of a system 16 for the stochastic operation. the timing of operation of a water network. System 16 includes an optimization unit OP to perform the above-described the target function in order to generate at least one operational configuration information, in particular at least one control device schedule, which is then output to a CS control system to apply by the intended at least one control unit of the water network plant 17 via a discharge interface 18. The control units of the the tin network 17 are the pumps 20 for raising the peaks at specific locations within the network, the pumps and the valves at the water The storage facilities 21, and the different types of valves inside the network.

Systemet 16 inkluderar dessutom en scenariogenereringsenhet SG. Scenariogenereringsenheten SG är anordnad att generera scenarion w,- för den framtida vattenefterfrågan från osäkerheter för vattenefterfrågan härledda från verkliga data hos vattennät- verket, dvs från historisk mätdata MD, vilken inkluderar mätdata av vattenefterfrågan. Mätdatan MD lagras i en lagringsenhet 23 som tillhör systemet 16. Lagringsenheten 23 kan antingen vara ett ombytligt dataminne, exempelvis ett RAM, eller ett permanent dataminne.The system 16 also includes a scenario generation unit SG. The scenario generation unit SG is arranged to generate scenario w, - for the future water demand from uncertainties for water demand derived from actual data of water networks the work, ie from historical measurement data MD, which includes measurement data of water demand. The measurement data MD is stored in a storage unit 23 belonging to the system 16. The storage unit 23 can either be a replaceable data memory, such as a RAM, or a permanent one data memory.

Scenariona är antaganden för vattenefterfrågan i framtiden, var- vid den förväntade vattenefterfrågan varierar exempelvis bero- ende av tidpunkt på dagen, veckodagen eller tidpunkt på året.Scenarios are assumptions for water demand in the future, where with the expected water demand varies, for example, end of time of day, day of the week or time of year.

Följaktligen kan genom scenariogenereringsenheten SG hänsyn tas till dag-natt-variationer, större vattenefterfrågan under varma och soliga månader under året eller på grund av massevene- mang. Dessutom kan scenariogenereringsenheten SG ta hänsyn 23 till ytterligare information vilken implicit kan påverka vattenefter- frågan, såsom information om elektricitetstariffer ET och/eller om vattenkällkostnader WSC, vilken kan lagras i lagringsenheten 23 eller vilken kan matas in direkt till systemet av en operatör. Ytter- ligare sådan ytterligare information kan vara utomhustemperatu- rer, väderprognoser och information om offentliga massevene- mang. Förutom modelleringen av scenarion för vattenefterfrågan kan scenariogenereringsenheten SG exempelvis generera scen- arion för variationen i effektivitet hos vattenpumparna i vatten- nätverket. För detta ändamål kan pumpeffektivitetssärdrag lagras i lagringsenheten 23 och kan användas av scenariogenere- ringsenheten tillsammans med mätdata av driften av vattenpum- parna för att modellera framtida osäkerhet i vattenpumparnas ef- fektivitet.Consequently, through the scenario generation unit SG can take into account taken to day-night variations, greater water demand during hot and sunny months during the year or due to mass mang. In addition, the scenario generation unit SG can take into account 23 for additional information which may implicitly affect the question, such as information on electricity tariffs ET and / or on water source costs WSC, which can be stored in the storage unit 23 or which can be entered directly into the system by an operator. Outside- such additional information may be outdoor temperature weather forecasts and information on public mass events mang. In addition to modeling the scenario for water demand For example, the scenario generation unit SG can generate scenarios for the variation in the efficiency of the water pumps in the network. For this purpose, pump efficiency features can be stored in the storage unit 23 and can be used by scenario generators unit together with measurement data of the operation of the water pump to model future uncertainty in the water pumps' efficiency.

Den begränsade uppsättningen av scenarion för framtida vatten- efterfrågan, genererad av scenariogenereringsenheten SG, bringas sedan till optimeringsenheten OP, därvid den inmatas till optimeringsproblemet. Optimeringsproblemet tar dessutom hän- syn till en hydraulisk modell F hos vattennätverket 17 (se ekvat- ionerna (3) och (6)), åtminstone en driftbegränsning G (se ekvat- ionerna (4) och (7)) och åtminstone en målfunktion för att re- presentera en oönskad sidoeffekt U av att driva den åtminstone ena styrenheten, modellerad exempelvis som energiförbruk- ningskostnad Cbpu och källflödeskostnad Gm. Optimeringsproble- met kan dessutom även ta hänsyn till variationer i parametrar av vilka den åtminstone ena oönskade sidoeffekten beror, såsom variationer i elektricitetstariffer ET vilka påverkar energiförbruk- ningskostnaden CDp., och variationer i tariffer för vattenkällkostna- der WSC vilka påverkar källflödeskostnaden Cllsn. Optimeringsen- heten OP är följaktligen anpassad att erhålla respektive variat- ioner hos parametrar från lagringsenheten 23.The limited set of scenarios for future water demand, generated by the scenario generation unit SG, is then brought to the optimization unit OP, whereupon it is input to the optimization problem. The optimization problem also takes into account view of a hydraulic model F of the water network 17 (see ions (3) and (6)), at least one operating limit G (see equation ions (4) and (7)) and at least one target function for present an undesirable side effect U of driving it at least one control unit, modeled for example as energy consumption Cbpu and source flow cost Gm. Optimization problems In addition, the met can also take into account variations in parameters of on which the at least one undesirable side effect depends, such as variations in electricity tariffs ET which affect energy consumption CDp., and variations in tariffs for water source costs. der WSC which affect the source flow cost Cllsn. Optimization The unit OP is consequently adapted to obtain the respective ions of parameters from the storage unit 23.

Scenariona kan även presenteras via ett människa-maskin- gränssnitt för en operatör, vilken kan ändra dem enligt hans erfa- renhet. 24 I speciella utföringsformer är scenariogenereringsenheten SG anordnad att härleda övre och nedre scenarion, och - om nöd- vändigt - ett eller flera ytterligare förväntningsvärdescenarion.Scenarios can also be presented via a human-machine interface for an operator, who can change them according to his experience purity. 24 In special embodiments, the scenario generation unit is SG arranged to derive upper and lower scenarios, and - if necessary necessarily - one or more additional expected value scenarios.

Scenariogenereringsenheten SG kan vara anpassad att bringa vattenefterfrågescenariona till en grafisk display, för visualisering exempelvis i form av ett träd som i Fig. 2 eller i form av en tids- beroende graf som visar de övre och nedre scenariona såväl som förväntningsvärdescenariot som i Fig. 3 eller i någon annan lämplig grafisk form.The scenario generation unit SG can be adapted to bring the water demand scenarios to a graphic display, for visualization for example in the form of a tree as in Fig. 2 or in the form of a dependent graph showing the upper and lower scenarios as well the expected value scenario as in Fig. 3 or in another appropriate graphic form.

Systemet 16 inkluderar dessutom en nivåanpassningsenhet LA vilken är anpassad att fastställa ett beroende mellan en minsk- ning av en nedre nivågräns hos en vattenlageranläggning och en grad till vilken den åtminstone ena oönskade sidoeffekten U re- duceras under samtidigt hållande av den åtminstone ena driftbe- gränsningen G och att bringa till optimeringsenheten OP som en uppdaterad driftbegränsning G till optimeringsproblemet ett nytt värde för den nedre nivågränsen. Ett exempel av ett sådant be- roende avbildas i Fig. 6, där energibesparingar visas över en va- rierande nedre gräns. Energibesparingarna är i själva verket en inverterad oönskad effekt U i den betydelsen att den oönskade effekten är de monetära energikostnaderna. Ju högre energi- kostnader, desto lägre energibesparingar. Det streckskuggade området indikerar ett område där ingen av den åtminstone ena driftbegränsningen G kränks.The system 16 also includes a level adapter LA which is adapted to establish a dependency between a reduction a lower level limit of a water storage facility and a degree to which the at least one undesirable side effect U produced while maintaining the at least one operating condition the boundary G and to bring to the optimization unit OP as one updated operating limitation G to the optimization problem a new one value for the lower level limit. An example of such a depicted in Fig. 6, where energy savings are shown over a lower limit. The energy savings are in fact one inverted unwanted effect U in the sense that the unwanted the effect is the monetary energy costs. The higher the energy costs, the lower the energy savings. It streaked the area indicates an area where none of the at least one operating limitation G is violated.

Nlvåanpassningsenheten LA kan dessutom vara anpassad att fastställa det nya värdet för den nedre nivågränsen genom att dessutom ta hänsyn tili ett beroende mellan reduceringen av den oönskade sidoeffekten U och en risk för vattenlageranläggningen att nå en kritisk vattennivå. Ett exempel på ett sådant beroende visas i Fig. 7 som en risknivå över energibesparingar. Ju högre energibesparingar, desto högre är risken att nå den kritiska vat- tennivån. Baserat på ett sådant förhållande, kan ett optimum fin- nas vid en risknivå vilken operatören hos vattennätverket är villig att ta.The level adapter LA can also be adapted to determine the new value for the lower level limit by in addition, take into account a dependency between the reduction of it undesirable side effect U and a risk to the water storage facility to reach a critical water level. An example of such an addiction is shown in Fig. 7 as a risk level of energy savings. The higher energy savings, the higher the risk of reaching the critical water the tin level. Based on such a relationship, an optimum at a level of risk which the operator of the water network is willing to take.

De ovan nämnda beroendena kan fastställas i form av funktion- ella förhållanden, eller tabeller eller regelbaserade förhållanden.The above-mentioned dependencies can be determined in the form of conditions, or tables or rule-based conditions.

Ett annat element vilket kan inkluderas i systemet 16 är en be- slutsstödenhet DS. Beslutsstödenheten DS mottar från scenario- genereringsenheten SG den begränsade uppsättningen av scen- arion och använder den som inmatning för att evaluera för en identifierad potentiell orsak till fel i vattennätverket 17 en mot- svarande påverkan på vattennätverket 17.Another element which can be included in the system 16 is a final support unit DS. The decision support unit DS receives from the scenario generating unit SG the limited set of scenarios arion and use it as input to evaluate for one identified potential cause of failure of the water network 17 a counter- corresponding impact on the water network 17.

Ett förfarande som utförs av beslutsstödenheten kan inkludera stegen av att a) mottaga ett felmeddelande angivande ett problem i vattennät- verket 17; i b) fastställa från felmeddelandet en serie av potentiella orsaker till det meddelade felet; c) fastställa, för varje potentiell orsak, en uppskattad påverkan; d) samla ihop de uppskattade påverkningarna för varje potentiell orsak för att härleda en betydelseindikering för det meddelade felet.A procedure performed by the decision support unit may include the steps of that (a) receive an error message indicating a problem in the water works 17; in b) determine from the error message a series of potential causes to the reported error; c) determine, for each potential cause, an estimated impact; d) collect the estimated impacts for each potential reason for deriving a meaning indication for the message felet.

I detta förfarande inkluderar steget av att fastställa en uppskat- tad påverkan för varje potentiell orsak ett riskscenario med initi- ala nätverkstillstånd och antagna framtida nätverkstillstånd hos vattennätverket, varvid den begränsade uppsättningen av scen- arion används för att representera de framtida nätverkstillstån- den.In this procedure, the step of determining an estimate includes impact for each potential cause a risk scenario with ala network licenses and adopted future network licenses with water network, with the limited set of scenarios arion is used to represent the future network licenses the.

Utmatningen hos beslutsstödenheten DS, dvs betydelseindike- ringen, kan sedan användas av styrsystemet CS för att fastställa hur snabbt det meddelade felet kräver en respons och/eller en prioritet eller ordning i vilken en serie av meddelade fei bör age- ras pa.The output of the decision support unit DS, ie the significance ring, can then be used by the control system CS to determine how quickly the reported error requires a response and / or a priority or order in which a series of notified fei should be ras pa.

Claims

10 15 20 25 30 35 26 Patent claim

1. System for optimizing the operation of a water network which includes at least one data storage unit (23) for storing a hydraulic model (F) as well as at least one operating limitation (G) of the water network, the hydraulic model (F) representing the dependence of peaks and flows in the water network (17) of an operating state of at least one control unit (20) of the water network (17) and of an expected water demand (E, (t)), at least one processing unit which includes an optimization unit ( OP), the optimization unit (OP) being adapted to generate at least one operating configuration information (c (t)) for the at least one control unit (20) by minimizing a target function (CD) of an optimization problem, the optimization problem being based on the hydraulic model (F), at least one output interface (18) for bringing the at least one operating configuration information (c (t)) to the at least one control unit (20), characterized in that the at least one processing unit further includes a scenario generation unit (SG) for generating a limited set of scenarios (Q) in the form of possible realizations over time of the expected water demand (§ (t)) and / or of the operating condition; and / or features of the at least one control unit and / or of at least one parameter of the hydraulic model (F), the limited set of scenarios (Q) being based on probability information of the uncertainty of the expected water - the demand, the operating condition and / or the features of the at least one control unit and the at least one parameter of the hydraulic model, respectively, the optimization unit (OP) is adapted to minimize the target function (CD) of the optimization problem by performing stochastic optimization. 10 15 20 25 30 35 27 takes into account the target function (CD) to represent at least one undesirable side effect (U) of driving it towards at least one control unit, the at least one operating limit (G) and the limited set of scenarios (Q) -

The system of claim 1, wherein the scenario generation unit (SG) is adapted to apply a successive scenario reduction technique to bundle similar scenarios (wj).

A system according to any one of claims 1 or 2, wherein the scenario generation unit (SG) is adapted to generate the limited set of scenarios (Q) by constructing an upper scenario (10) and a lower scenario (11). , which define the area of possible realizations over time.

A system according to any one of the preceding claims, wherein the scenario generation unit (SG) is adapted to represent the uncertainties through a stochastic process (year), each stochastic process being defined on an underlying continuous probability space over a time horizon of limited duration. .

A system according to any one of the preceding claims, wherein the scenario generation unit (SG) is adapted to generate the limited set of scenarios (Q) by deriving the uncertainties from measurement data (MD) of the water network (17).

A system according to any one of the preceding claims, wherein the scenario generation unit (SG) is adapted to provide the limited set of scenarios (Q) in the form of a scenario tree (22) for graphical visualization.

A system according to any one of the preceding claims, wherein the target function (CD) reflects the resulting energy consumption (GJpU) and / or water inflow from a source (dbsn) when the at least one control unit (20) is operated. 10 15 20 25 30 35 28

The system of claim 7, wherein the optimization unit (OP) is adapted to take into account varying tariffs for energy (ET) and for water from the source (WSC).

A system according to any one of the preceding claims, wherein the target function (Cbzssp) is formulated as a limited discretion of a scenario-based stochastic two-stage programming model.

A system according to any one of the preceding claims, wherein the hydraulic model (F) is based on a description of the topology of the water network (17), which comprises a node set (N) and an edge set (E), the node set consisting of storage nodes (Nm), connecting nodes (Ngn), water demand nodes (Ndn) and source nodes (Ngn) and the edge set representing water pipes (Epl), pumps (Epu) and valves (Eva).

A system according to claim 10, wherein the hydraulic model (F) is formed by state equations which represent the dependence of the time-dependent state (y (t)) on the water network (17) on the operating state of the at least one control unit (20) and on the expected water demand (§ (t)) and wherein the time-dependent condition consists of peaks in the nodes of the node set (N) and flows along the edges of the edge set (E).

A system according to any one of the preceding claims, wherein the at least one processing unit further comprises a level adjusting unit (LA) which is adapted to determine a dependency between a reduction of a lower level limit (3) of a water storage facility. (21) and a degree to which the at least one undesirable side effect (U) is reduced while maintaining the at least one operating limitation (G) and bringing a new value to the optimization unit (OP) as an updated operating limitation to the optimization problem. the lower level limit (3). 10 15 20 25 30 35 29

A system according to claim 12, wherein the level adjusting unit (LA) is adapted to determine the new value of the lower level limit (3) by further taking into account a dependence between the reduction of the undesired side effect (U) and a risk for the water storage facility (21) to reach a critical water level.

A system according to any one of the preceding claims, wherein the scenario generation unit (SG) is adapted to bring the limited set of scenarios (Q) to a decision support unit (DSU), the decision support unit (DSU) being adapted to evaluate for an identified potential cause. to a fault in the water network (17) a corresponding impact on the water network, taking into account the limited set of scenarios (Q).

A method for optimizing the operation of a water network which comprises the steps of storing a hydraulic model (F) as well as at least one operating limitation (G) of the water network (17), the hydraulic model (F) representing the dependence. of peaks and flows in the water network (17) of an operating condition and / or feature of at least one control unit (20) of the water network and of an expected water demand (§ (t)), and generate at least one operating configuration information (c (t)) for the at least one control unit (20) by minimizing a target function (GD) of an optimization problem, the optimization problem being based on the hydraulic model (F), and bringing the at least one operating configuration information (c (t)) to the at least one the control unit (20), characterized by the steps of generating a limited set of scenarios (Q) in the form of possible realizations over time of the expected water demand (§ (t)) and / or of operating conditions and / or features of the at least one control unit and / or of at least one parameter of the hydraulic model (F), the limited set of scenarios (Q) being based on probability information of the uncertainty of the expected water demand, the operating condition and / or features of the at least one control unit and the at least one parameter of the hydraulic model, respectively, minimize the target function (CD) by performing stochastic optimization, the optimization problem also taking into account the target function (CD) to represent at least one undesirable side effect (U) of operating the at least one control unit (20), the at least one operating limitation (G) and the limited set of scenarios (Q).