Zum Hauptinhalt springen

Regelung von Kläranlagen

Entwicklung einer Reinforcement Learning Struktur für die Regelung von Kläranlagen

Hansewassser:

Hansewasser kümmert sich um die Abwasserentsorgung der Stadt Bremen und betreibt mit der Kläranlage Seehausen eine der größten Kläranlagen in Norddeutschland. Täglich werden in der Kläranlage Seehausen 130.000 Kubikmeter Abwasser gereinigt. Durch die Reinigung werden 95% des Phosphors, 84% der Stickstoffverbindungen und 99% der Kohlenstoffverbindungen aus dem Abwasser entfernt. Ein stabiler und automatisierter Kontrollprozess stellt die Einhaltung der strengsten Wasserverschmutzungsvorschriften sicher.

Das Belüftungssystem für das Belebtschlammverfahren:


Das typische Belebtschlammverfahren besteht aus Belebungsbecken, Absetzbecken und dem Schlammrücklaufsystem, mit dem Ziel, organische Abwasserbestandteile sowie die Nährstoffe Stickstoff und Phosphor zu entfernen.


Das Belüftungssystem im Belebtschlammverfahren verbraucht mindestens 50 % der gesamten Energie in einer Kläranlage. Eine präzise Steuerung der Belüftung ist ein entscheidender Punkt, um die Betriebseffizienz zu verbessern und die Energieverschwendung zu verringern. Am Boden des Belebungsbeckens wird Druckluft in Form von feinen Blasen durch Luftdiffusionsvorrichtungen in das Abwasser gepumpt. Das Belüftungssystem hält eine bestimmte Konzentration an gelöstem Sauerstoff im Abwasser aufrecht. Außerdem wird die Flüssigkeit aufgewirbelt, so dass sich die Partikel in einem Schwebezustand befinden, was die Qualität der Zirkulation verbessert.

Ziel des Projekts:


Das Belebtschlammverfahren wird mit dem Ziel optimiert, den Energieverbrauch zu senken und die betriebliche Effizienz zu verbessern.


Da die Kläranlage komplex und nichtlinear ist, wird an einer Strategie des verstärkten Lernens geforscht, um das aerobe Volumen zu steuern.


Zunächst wird ein dynamisches Modell simuliert, um das Verhalten des Abwasserbehandlungsprozesses vorherzusagen und Daten zu Wasserqualitätsparametern (z. B. gelöster Sauerstoff, Phosphat, Nitrat, Ammonium) zu sammeln.


Dann wird ein Fuzzy-System entwickelt, um das Vorwissen in eine Reihe von Beschränkungen (Netztopologie) umzuwandeln und so den Suchraum für die Optimierung zu verkleinern.


Schließlich wird die Strategie des verstärkten Lernens eingesetzt, um die Beziehungen zwischen den Prozessbedingungen, den Lachgasemissionen und dem Energieverbrauch zu erlernen und auf der Grundlage der vorhergesagten zukünftigen Zustände und Sensordaten optimale Steuerungseinstellungen für die Kläranlage vorzuschlagen.

Aktualisiert von: Redaktion