Met de installatie van de slimme watermeter hopen waterbedrijven (eventuele) risico’s accurater te kunnen bepalen en beheersmaatregelen gerichter te formuleren. Waterbedrijf Brabant Water heeft bij een aantal afnemers in Veldhoven zo’n slimme watermeter geïnstalleerd die de monitoring van de drinkwatertemperatuur mogelijk maakt. In dit TKI Watertechnologie-project hebben KWR, Brabant Water en Nelen & Schuurmans onderzocht of de temperatuur aan de tap is te voorspellen met machine learning in combinatie met gegevens over het weer en de stedelijke omgeving. Het blijkt mogelijk de minimumdrinkwatertemperatuur van afzonderlijke huishoudens te voorspellen met een nauwkeurigheid van ongeveer 0,5 oC. Van de onderzochte omgevingsfactoren zijn de zonnestraling, buitentemperatuur, zonneschijnduur en bewolkingsgraad de belangrijkste bepalende factoren.
Nieuw type meter en machine learning
Fris drinkwater is belangrijk voor het comfort en de gezondheid van de klant. Onderzoek maakt aannemelijk dat klimaatverandering en toenemende verstedelijking in de toekomst zullen volgens KWR en Brabant Water leiden tot meer temperatuuroverschrijdingen van drinkwater in het distributienet als er geen actie wordt ondernomen. Waterbedrijf Brabant Water heeft bij een aantal klanten een nieuw type watermeter geïnstalleerd, waarmee dagelijks de minimumtemperatuur van het drinkwater bij de klant wordt gemeten. Toepassing van dergelijke watermeters op grote schaal biedt kansen om de drinkwatertemperatuur in het leidingnet en de invloedfactoren op overschrijdingen inzichtelijk te maken en hot spots en hun oorzaken op te sporen. In dit onderzoek zijn machine-learning-technieken ingezet om verbanden te herkennen tussen de watertemperaturen die zijn gemeten bij negen huishoudens in Veldhoven en gegevens over het weer, het leidingnet en de stedelijke omgeving.
Nauwkeurige voorspellingen
Om de temperatuur aan de tap voor een groter distributiegebied in detail te monitoren, is het nodig het sensornetwerk uit te breiden naar een uitgebreidere set aan watermeters over een divers gebied en meerdere jaren. Dit biedt een goed startpunt om een aantal vervolgvragen te onderzoeken met machine learning technieken. Onderzoekers van Brabant Water en KWR zijn vooral benieuwd met welke nauwkeurigheid een dynamische kaart van de drinkwatertemperatuur is te maken. Daarnaast onderzoeken zij of er voorspellingen zijn te doen op locaties waar geen temperatuurmetingen voorhanden zijn en welke sensordichtheid en meetperiode hiervoor nodig zijn. Bij opschaling naar grotere hoeveelheden data is te verwachten dat de kwaliteit van de voorspellingen met machine learning zal toenemen.
