The climate adaptation of our cities and the optimization of our technical systems with regards to weather sets high demands on the availability and the processing of weather data. The possibility to forecast disturbances of influent flow rate to wastewater treatment plants allow control systems counteract these disturbances before they have a harmful effect on the treatment processes. These forecasts can be made by different models A neural network models complex patterns between different data sets through a multi-layered structure containing a large amount of transformation functions. The aim of this project was to examine how the complex neural network performed compared with a simpler linear regression model when forecasting wastewater flow using high resolution X-band rain radar data. The study also investigated to what extent X-band rain radar data contributes to the performance of the model. The performance was evaluated at rain flow periods only. Wastewater flow data were provided by Avedøre wastewater treatment plant in Copenhagen operated by BIOFOS. The X-band rain radar data was provided by HOFOR. The neural network was developed by Informetics on the TensorFlow platform. This project concluded that the neural network and the linear regression model performed equally well at predicting when a rain flow period began. The neural network was more accurate at predicting the flow rate while the linear regression was better at approximating the accumulated flow over an entire rain flow period. Using additional rain data up to 30 km within the radar station location in comparison with using data only from within the catchment indicated a 20 to 30-minutes improvement of possible lead time. A conceivable lead time when forecasting the sewer flow to Avedøre wastewater treatment plant was estimated to be around 4 hours. / Det föreligger höga krav på tillgänglighet och bearbetning av väderdata för att kunna optimera tekniska system i förhållande till väder och klimat. Att kunna förutsäga ändrat inkommande flöde till avloppsreningsverk möjliggör för kontrollsystem att kunna motverka negativa konsekvenser på reningsprocesserna på grund av det ändrade flödet. X-band radardata kan användas för att prognoser av flöden med hjälp av olika modeller.Ett neuralt nätverk, reproducerar komplexa mönster mellan olika dataset genom en struktur med flera lager och en mängd överföringsfunktioner. Målsättningen med det här projektet var att utvärdera hur ett komplext neuralt nätverk presterar jämfört med en enklare regressionsmodell i att förutsäga avloppsflöde med hjälp av högupplöst X-band radardata. I projektet undersöktes också hur tillgång av olika radardata kunde bidra till modellens prestanda. Modellerna utvärderades endast under regnflödesperioder. Data över avloppsflödet som användes i projektet kom från Avedøre avloppsreningsverk i Köpenhamn. Reningsverket drivs av BIOFOS. Radardata kom från HOFOR. Det neurala nätverket som användes har utvecklats av Informetics på plattformen Tensorflow. Slutsatser som kunde dras i projektet var att det neurala nätverket och den linjär regressionsmodellen var lika bra på att förutsäga när en regnflödesperiod startade. Det neurala nätverket kunde förutsäga det momentana flödet bättre än regressionsmodellen, medan det omvända gällde för att uppskatta den totala flödesvolymen under en hel regnflödesperiod. Genom att använda ytterligare regndata, upp till 30 kilometer från radarstationen, jämfört med att endast använda data från avrinningsområdet kunde en 20–30 minuters förbättring av den möjliga prognostiden påvisas. En tänkbar prognostiden för att förutsäga avloppsflödet till Avedøre avloppsreningsverk visades ligga omkring 4 timmar.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:uu-442629 |
Date | January 2021 |
Creators | Wigertz, Fredrik |
Publisher | Uppsala universitet, Institutionen för informationsteknologi |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | UPTEC W, 1401-5765 ; 21012 |
Page generated in 0.0017 seconds