Inflow forecasting is important when planning the use of water in a hydropower plant. The process of making forecasts is characterized by using knowledge from previous events and occurrences to make predictions about the future. Traditionally, inflow is predicted using hydrological models. The model developed by the Hydrologiska Byråns Vattenbalansavdelning (HBV model) is one of the most widely used hydrological models around the world. Machine learning is emerging as a potential alternative to the current HBV models but needs to be evaluated. This thesis investigates machine learning for inflow forecasting as a mixed qualitative and quantitative case study. Interviews with experts in various backgrounds within hydropower illustrated the key issues and opportunities for inflow forecasting accuracy and laid the foundation for the machine learning model created. The thesis found that the noise in the realised inflow data was one of the main factors which affected the quality of the machine learning inflow forecasts. Other notable factors were the precipitation data from the three closest weather stations. The interviews suggested that the noise in the realised inflow data could be due to faulty measurements. The interviews also provided examples of additional data such as snow quantity measurements and ground moisture levels which could be included in a machine learning model to improve inflow forecast performance. One proposed application for the machine learning model was as a complementary tool to the current HBV model to assist in making manual adjustments to the forecasts when considered necessary. The machine learning model achieved an average Mean Absolute Error (MAE) of 1.39 compared to 1.73 for a baseline forecast for inflow to the Lake Kymmen river system 1-7 days ahead over the period 2015-2019. For inflow to the Lake Kymmen river system 8-14 days ahead the machine learning model achieved an average MAE of 1.68 compared to 2.45 for a baseline forecast. The current HBV model in place had a lower average MAE than the machine learning model over the available comparison period of January 2018. / Tillrinningsprognostisering är viktig vid planeringen av vattenanvändningen i ett vattenkraftverk. Prognostiseringsprocessen går ut på att använda tidigare kunskap för att kunna göra prediktioner om framtiden. Traditionellt sett har tillrinningsprognostisering gjorts med hjälp av hydrologiska modeller. Hydrologiska Byråns Vattenbalansavdelning-modellen (HBV-modellen) är en av de mest använda hydrologiska modellerna och används världen över. Maskininlärning växer för tillfället fram som ett potentiellt alternativ till de nuvarande HBV-modellerna men behöver utvärderas. Det här examensarbetet använder en blandad kvalitativ och kvantitativ metod för att utforska maskininlärning för tillrinningsprognostisering i en fallstudie. Intervjuer med experter med olika bakgrund inom vattenkraft påtalade nyckelfrågor och möjligheter för precisering av tillrinningsprognostisering och lade grunden för den maskininlärningsmodell som skapades. Den här studien fann att brus i realiserade tillrinningsdata var en av huvudfaktorerna som påverkade kvaliteten i tillrinningsprognoserna av maskininlärningsmodellen. Andra nämnvärda faktorer var nederbördsdata från de tre närmaste väderstationerna. Intervjuerna antydde att bruset i realiserade tillrinningsdatana kan bero på felaktiga mätvärden. Intervjuerna bidrog också med exempel på ytterligare data som kan inkluderas i en maskininlärningsmodell för att förbättra tillrinningsprognoserna, såsom mätningar av snömängd och markvattennivåer. En föreslagen användning för maskininlärningsmodellen var som ett kompletterande verktyg till den nuvarande HBV-modellen för att underlätta manuella justeringar av prognoserna när det bedöms nödvändigt. Maskininlärningsmodellen åstadkom ett genomsnittligt Mean Absolute Error (MAE) på 1,39 jämfört med 1,73 för en referensprognos för tillrinningen till Kymmens sjösystem 1–7 dagar fram i tiden under perioden 2015–2019. För tillrinningen till Kymmens sjösystem 8–14 dagar fram i tiden åstadkom maskininlärningsmodellen ett genomsnittligt MAE på 1,68 jämfört med 2,45 för en referensprognos. Den nuvarande HBV-modellen hade ett lägre genomsnittligt MAE jämfört med maskininlärningsmodellen under den tillgängliga jämförelseperioden januari 2018.

I denna rapport undersöks hur mängden organiskt kol, TOC (Totalt organiskt kol), varierar i tid och rum i Mälarens avrinningsområde, samt vad det är som styr TOC-halten i Mälaren. Det är viktigt att förstå dynamiken hos TOC i Mälaren och i dess avrinningsområde eftersom ökat TOC i vattnet påverkar vattenkvaliteten och orsakar problem vid beredning av dricksvatten. TOC kan bland annat reagera med klor/UV-ljus och bilda cancerframkallande ämnen. Det kan också öka antal mikrober i vattnets distributionssystem. Arbetet omfattar analys av samband mellan elementen, transportberäkningar per ytenhet av elementen till Mälaren och en modelleringsansats för ett av avrinningsområdena. Rapporten innehåller även en jämförelse mellan de olika vattenföringsmodellerna samt uppmätt vattenföring för analys av eventuella systematiska skillnader mellan dessa som påverkar beräkningen av TOC och de andra elementens transport till Mälaren. Analysen av sambanden mellan variablerna TOC (mg/l), kaliumpermanganat förbrukning (KMnO4, mg/l), absorbans_F (F=filtrerad), järn (mg/l), mangan (mg/l) och SO4_IC (sulfat mätt med hjälp av jonkromatografi, mg/l), visade att vissa av dessa variabler är korrelerade med varandra. TOC mot KMnO4 och TOC mot absorbans_F hade de bästa anpassningarna med respektive R2- värden 0,65 och 0,59 och p-värden <0,001. Årsnederbörd är positivt korrelerad med TOC per ytenhet för Kolbäcksån med R2-värde 0,63 och p-värde <0,01, vilket innebär att sambandet är signifikant. Ökad årsnederbörd leder till ökad tillförsel av TOC till Mälaren. Det finns däremot inget signifikant samband mellan TOC-transport per ytenhet och årsmedeltemperatur. Arealflödesberäkningar tyder på att den största tillförseln av TOC- transport per ytenhet kommer från den nordöstra delen av Mälaren. Fyrisån står för den största tillförseln av TOC. Hydrologiska, kemiska och meteorologiska data inkluderades i modeller för att kunna skatta TOC-halten i Mälaren. Temperatur-, evapotranspirations- och nederbördsdata användes i en hydrologisk modell, HBV- modellen, för att simulera vattenföringen från avrinningsområdet. Sedan användes en processbaserad modell, INCA- C, som drivs av hydrologisk data och beräknade grundvattenbildning och markfuktighet för att simulera tidsmässiga mönster i TOC. Invariablerna till INCA-modellen, markfuktigheten och HER (grundvattenbildning), simulerades med hjälp av HBV- modellen. Dessa modeller tillämpades i Kolbäcksån (ett av Mälarens största avrinningsområden). Modelleringen av Kolbäcksåns TOC- halt resulterade i en modell som anpassade dynamiken mellan 1996 och 2009, men missar den mellan 2009 och juni 2010, med bäst anpassning mellan 2006 och 2008. R2- och NS värden som erhölls för modellen var 0,086 och -0,059. / In this report, it has been investigated how the amount of organic carbon, TOC, varies in time and space in the basin of Mälaren, and what controls the TOC content in the lake. It is important to understand the dynamics of the TOC in the lake and its catchment because increased TOC in the water affects water quality and causes problems in the preparation of drinking water. Particularly, it can react with chlorine / UV- light and form carcinogenic substances. It can also increase the number of microbes in water distribution systems. In addition the work includes analysis of the relation between water chemistry variables, annual fluxes calculations (g/m2/year) of element flows to the lake and a modeling approach to a watershed. Annual fluxes calculations (g/m2/year) indicate that the largest supply of TOC to the lake comes from the northeast of the lake. Fyrisån accounts for the largest input of TOC to the lake. The high TOC-flux is due to a small proportion of open water in the catchment. Hydrological, chemical and meteorological data have been included in models to estimate the TOC content in the Mälaren. Input data processing, especially precipitation data, has been an important part of the work as it affects the whole model. Temperature, evapotranspiration and precipitation data were used in a hydrological model, HBV model, to simulate the flow from the catchment area. Then a process-based model, INCA-C, operated by the hydrological data and soil moisture, has been used to simulate the temporal patterns in TOC. The input variables to INCA-C- model, soil moisture and HER (Hydrological effective rainfall), have been simulated using the HBV- model. Those models were applied in Kolbäcksån, one of the lake's largest catchments. The modeling of Kolbäcksån resulted in a model that captured the dynamics of a few periods of the whole time series. The modeling of Kolbäcksån TOC-concentration resulted in a model that captured the dynamics between 1996 and 2009, but misses it between 2009 and June 2010. R2 and NS values obtained for the model were 0.086 and -0.059, respectively.