Pro­jekt­auswahl

Kurz­fristige Leistungs­prognose bei Lauf­kraftwerken - Teil 1: Entwicklung

VERBUND Energy4Business GmbH

Beim öster­rei­chi­schen Was­ser­kraft­werks­be­treiber Verbund wird für die Leis­tungs­pro­gnose von Lauf­kraft­werken ein kon­zep­tu­elles, räumlich ver­teiltes hydro­lo­gi­sches Modell mit nach­ge­schal­tetem hydro­dy­na­mi­schem Modul ope­rativ ein­ge­setzt. Spe­ziell bei stark an- sowie abfal­lenden Durch­flüssen und daraus resul­tie­renden Leis­tungs­ver­läufen wurde noch Ver­bes­se­rungs­po­tential identifiziert.

An den Lauf­kraft­werken Braunau-Simbach (Inn), Aschach (Donau) und Grei­fen­stein (Donau) wurde daher das Potential von Machine Learning Ver­fahren bei der kurz­fris­tigen Leis­tungs­pro­gnose (bis 4 h) in fünf hydro­lo­gisch inter­es­santen Zeit­fenstern ermittelt. Als Input für die Machine Learning Modelle wurden gemessene Abfluss- und Leis­tungs­werte von stromauf lie­genden Lauf­kraft­werken und Pegeln herangezogen.

Die mit Machine Learning erzielten Ergeb­nisse sind viel­ver­spre­chend und sollen bei Verbund nach einer Eva­lu­ie­rungs­phase in die ope­rative Planung über­nommen werden. Die Doku­men­tation des Pro­jekts erfolgte im Rahmen eines ÖWAV-Fach­ar­tikels, welcher open-access der Öffent­lichkeit zur Ver­fügung steht. Link zum Artikel

Kurz­fristige Leistungs­prognose bei Lauf­kraftwerken - Teil 2: Operativbetrieb

VERBUND Energy4Business GmbH

Auf­bauend auf dem Vor­projekt (siehe obige Referenz) wurde der ent­wi­ckelte Ansatz auf die gesamte öster­rei­chische Donau-Lauf­kraft­werks­kette (10 Kraft­werke: Jochen­stein, Aschach, Ottensheim-Wil­hering, Abwinden-Asten, Wallsee-Mit­ter­kirchen, Ybbs-Per­senbeug, Melk, Alten­wörth, Grei­fen­stein, Freu­denau | mittlere Gesamt­leistung ca. 1500 MW) sowie auf alle Inn-Grenz­lauf­kraft­werke (7 Kraft­werke: Ober­audorf, Nussdorf, Braunau-Simbach, Ering-Frau­en­stein, Egglfing-Obernberg, Schärding-Neuhaus, Passau-Ingling | mittlere Gesamt­leistung ca. 350 MW) erweitert.

Anders als beim Vor­projekt wird nicht die Leistung von ein­zelnen Kraft­werken, sondern die Gesamt­leistung aller 10 bzw. 7 Lauf­kraft­werke pro­gnos­ti­ziert. Diese Vor­gangs­weise führte neben einer schnel­leren Pro­jekt­durch­führung auch zu Vor­teilen bei der Initia­li­sierung einer Pro­gnose. Vor der Modell­er­stellung erfolgte eine Auf­be­reitung der zur Ver­fügung gestellten Zeit­reihen. Die erstellte Anwendung zur peri­odi­schen Gene­rierung der Pro­gnosen im ope­ra­tiven Betrieb beinhaltet auch Checks gegenüber feh­lenden oder unrea­lis­ti­schen Ein­gangs­werten. In diesem Fall wird auto­ma­tisch auf ein Back-up Modell gewechselt. In einer unab­hän­gigen Test­pe­riode haben die beiden Pro­gno­se­mo­delle für die Donau als auch den Inn eine hohe Genau­igkeit gezeigt.

Öster­reichweit flä­chen­de­ckende Vor­hersage von Abflusskennwerten

Uni­ver­sität für Boden­kultur Wien (BOKU), Institut für Hydro­bio­logie und Gewässermanagement

Im Rahmen des Pro­jekts aquaZoom, beauf­tragt vom Euro­päi­schen Meeres- und Fische­rei­fonds sowie dem österr. Minis­terium BMLRT, wurde das Potential für Aqua­kultur-Durch­fluss­an­lagen öster­reichweit flä­chen­de­ckend eruiert. Abfluss­kenn­werte stellen nicht nur bei Aqua­kultur-Durch­fluss­an­lagen eine zen­trale Pla­nungs­grundlage dar. Sofern ein Abfluss­pegel mit ent­spre­chend langer Beob­ach­tungs­zeit­reihe in unmit­tel­barer Nähe zum Inter­es­sens­gebiet liegt, gestaltet sich die Berechnung der Abfluss­kenn­werte unkom­pli­ziert. Da die Anzahl an Pegel­sta­tionen aus res­sour­cen­tech­ni­schen Gründen aber limi­tiert ist, wurden wir von bas­eflow AI mit der Vor­hersage von sechs ver­schie­denen Abfluss­kenn­werten für die rund 8000 öster­rei­chi­schen Ober­flä­chen­was­ser­körper unter Angabe des Unsi­cher­heits­grades beauftragt.

Machine Learning Ver­fahren haben schon in ver­schie­densten hydro­lo­gi­schen Anwen­dungen oftmals deut­liche Ver­bes­se­rungen gegenüber kon­ven­tio­nellen Methoden ermög­licht. Daher haben wir nach initialen Tests von meh­reren Modellen den Algo­rithmus XGBoost (eXtreme Gra­dient Boosting) für die Vor­hersage der Abfluss­kenn­werte her­an­ge­zogen. Die Unsi­cher­heiten der Vor­her­sagen wurden zusätzlich mit Quantile Random Forests (QRF) quan­ti­fi­ziert. Neben den Daten von allen öffentlich ver­füg­baren Abfluss­pegeln sowohl aus Öster­reich als auch dessen hydro­lo­gi­schen Ober­lieger-Regionen haben wir zudem mit rund 90 Prä­dik­toren eine außer­ge­wöhnlich hohe Anzahl an (Ein­zugs­ge­biets-) Eigen­schaften für das Training der Modelle verwendet.

Die ange­wandten Modelle erzielten mit einer mitt­leren Abwei­chung von etwa 20% zwi­schen Modell­vor­her­sagen und Beob­ach­tungen in als unbe­ob­achtet behan­delten Ein­zugs­ge­bieten eine hohe Güte. Selbst lokale arti­fi­zielle Cha­rak­te­ristika wie zB. die Nie­der­was­ser­auf­höhung durch große Was­ser­speicher oder Beein­flus­sungen durch Über­lei­tungen wurden bei der Vor­hersage abge­bildet. Eine detail­lierte Doku­men­tation wurde im Rahmen eines ÖWAV-Fach­ar­tikels ver­fasst. Link zum Artikel. Der Auf­trag­geber hat zudem zuge­stimmt, dass die vor­her­ge­sagten Abfluss­kenn­werte samt Unsi­cher­heitsgrad der Öffent­lichkeit kos­tenlos zur Ver­fügung gestellt werden. Link zum Datensatz

„Die Zusam­men­arbeit mit bas­eflow AI solu­tions GmbH war sehr erfolg­reich und angenehm. Die pro­fes­sio­nelle und lösungs­ori­en­tierte Bear­beitung seitens bas­eflow AI führte genau zu den Ergeb­nissen, die wir benötigt haben.“

Dr. Florian Borg­wardt (Senior Scientist)

Analyse einer Kette an Regenrückhaltebecken

IBL Zivil­tech­niker GmbH

Im Ein­zugs­gebiet eines Gewässers in Amstetten / NÖ sind vier Regen­rück­hal­te­becken errichtet worden. Bei den Hoch­was­ser­er­eig­nissen 2020 sowie 2021 haben die beiden im Unterlauf plat­zierten und in Serie geschal­teten Rück­hal­te­becken im Ver­gleich zu den beiden im Mit­tellauf gele­genen Rück­hal­te­becken ein signi­fikant abwei­chendes Ver­halten auf­ge­wiesen. Im Rahmen einer detail­lierten hydro­lo­gi­schen Model­lierung sowie einer sys­te­ma­ti­schen Analyse von Mess­daten konnten die Ursachen dafür eruiert werden.

Auf­bauend auf den Erkennt­nissen des ersten Teils wurden bau­liche und steue­rungs­tech­nische Maß­nahmen zur Opti­mierung der Rück­hal­te­becken ausgearbeitet.

EFAS Abfluss­pro­gnosen

via donau – Öster­rei­chische Was­ser­straßen-Gesell­schaft mbH

Mit dem pan­eu­ro­päi­schen Hoch­was­ser­warn­system EFAS (European Flood Awa­reness System, räum­liche Abde­ckung 5000 x 4750 km, Link) stehen den EFAS Partnern unter anderem Abfluss­vor­her­sagen für die ope­ra­tio­nelle Anwendung zur Ver­fügung. Die Abfluss­vor­her­sagen werden dabei 2x täglich initia­li­siert und weisen Pro­gno­se­ho­ri­zonte von +10 Tage (meteor. Forcing ECMWF) bzw. +7 Tage (DWD) mit einer Abstufung von jeweils 6 Stunden auf. Die Bereit­stellung der EFAS Pro­gnosen erfolgt mittels binärem Datei­format (NetCDF oder GRIB).

via­donau unter­sucht die Mög­lichkeit zur internen Wei­ter­ver­wendung von EFAS. Wir wurden daher mit fol­genden Leis­tungen beauf­tragt: 1) Auto­ma­ti­sierter Bezug der EFAS Roh­daten für den rele­vanten räum­lichen Aus­schnitt sowie die letzten 4 Jahre mittels API. 2) Extra­hierung und Auf­be­reitung der Abfluss­vor­her­sagen mit jeweils 40 (ECMWF) bzw. 28 (DWD) Pro­gno­se­stufen pro Initia­li­sie­rungs­zeit­punkt für zwei Standorte. Dieser Schritt erfolgte per Algo­rithmus unter Ein­bindung von Checks bzgl. Daten­voll­stän­digkeit. 3) Erstellung von Aus­ga­be­files mit einem für via­donau pas­senden Format.

Meteo­ro­lo­gische Pro­gnosen für Gebäudeautomation

STIWA AMS GmbH

Im Rahmen des Clean Energy Hackathon haben wir für STIWA ein Konzept zur kon­ti­nu­ier­lichen Ein­bindung von metero­ro­lo­gi­schen Pro­gno­se­daten in die Gebäu­de­steuerung aus­ge­ar­beitet. Damit wird die Mög­lichkeit eröffnet die Gebäu­de­au­to­mation auf meh­reren Ebenen zu opti­mieren. Bei­spiels­weise kann damit die Heizung / Kühlung des Gebäudes effi­zi­enter geregelt sowie ein akku­ra­teres Peak Shifting der Anlagen erzielt werden.

Workshop zu Machine Learning in der Hydrologie

Digital Engi­neering – Verein zur Ver­netzung und För­derung von Digi­ta­li­sierung im Ingenieurswesen

Der Verein „Digital Engi­neering“ ver­an­staltet all­jährlich ein Boot Camp zur Wei­ter­bildung von jungen Ingenieur*innen auf dem Gebiet von Data Science und Earth Obser­vation. Wir wurden zur Durch­führung eines Work­shops über Machine Learning in der Hydro­logie ein­ge­laden. Dieser Workshop beinhaltete sowohl theo­re­tische als auch prak­tische Ele­mente, wobei die Teil­nehmer mittels einem vor­be­rei­teten Jupy­terLab gefordert waren die Vor­hersage von Was­ser­tem­pe­ra­turen eines öster­rei­chi­schen Gewässers mit Machine Learning Ver­fahren zu optimieren.

„Die Gründer von bas­eflow AI solu­tions lei­teten beim Digital Engi­neering Bootcamp 2022 einen Workshop zum Thema Machine Learning in der Hydro­logie. Die kom­plexe The­matik wurde in Begleitung zahl­reicher Übungen ver­ständlich erklärt, wodurch die hohen Erwar­tungen unserer Teilnehmer*innen über­troffen wurden. Wir danken Moritz und Christoph für ihr großes Enga­gement und hoffen diese bei unserem nächsten Bootcamp wieder begrüßen zu dürfen.“

Oliver Konold, BSc (Ver­eins­prä­sident)

Workshop zu Machine Learning bei der Abflussvorhersage

via donau – Öster­rei­chische Was­ser­straßen-Gesell­schaft mbH

Machine Learning (ML) Modelle haben gegenüber pro­zess­ba­sierten Modellen den Vorteil, dass sie durch ihre modell­in­terne struk­tu­relle Fle­xi­bi­lität und daraus folgend ihrer Eigen­schaft zur Gene­ra­li­sierung und zum Transfer von gelernten Mustern kom­plexe Zusam­men­hänge, Struk­turen und Muster in Daten sehr gut abbilden können. Diese Fle­xi­bi­lität kann bei einer Reihe von hydro­lo­gi­schen Pro­blem­stel­lungen zu klaren Ver­bes­se­rungen führen.

Zur Erwei­terung des fir­men­in­ternen Ver­ständ­nisses bei via­donau wurden zwei Work­shops zu den Themen 1) theo­re­ti­scher Hin­ter­grund zu ML, 2) Anwen­dungs­mög­lich­keiten von ML bei der Abfluss­vor­hersage, und 3) der­zei­tiger Stand der For­schung durchgeführt.

Publi­ka­tionen

Max Preiml, Christoph Klingler, Hubert Holzmann, Petr Licht­neger, Christine Sin­delar, Helmut Habersack (2024): Opti­mierung der Klaus­wehr­ordnung des Mondsees, Teil I – Hydraulik. Öster­rei­chische Wasser- und Abfall­wirt­schaft, 76(3), 182-192, Link

Christoph Klingler, Max Preiml, Helmut Habersack, Hubert Holzmann (2024): Opti­mierung der Klaus­wehr­ordnung des Mondsees, Teil II – Hydro­logie. Öster­rei­chische Wasser- und Abfall­wirt­schaft, 76(3), 193-202, Link

Wei Zhi, Christoph Klingler, Jiangtao Liu, Li Li (2023): Wide­spread deoxy­genation in warming rivers. Nature Climate Change, 1758-6798, Link (nur für per­sön­lichen Gebrauch)

Hanna Zeit­fogel, Moritz Feigl, Karsten Schulz (2023): Soil infor­mation on a regional scale: Two machine learning based approaches for pre­dicting satu­rated hydraulic con­duc­tivity. Geo­derma, 116418, Link

Moritz Feigl (2022): Machine Learning in Hydro­lo­gical Modeling. Dis­ser­tation, Institut für Hydro­logie und Was­ser­wirt­schaft, Uni­ver­sität für Boden­kultur Wien, 211p, Link

Moritz Feigl, Ben­jamin Roesky, Mathew Herrn­egger, Karsten Schulz, Masaki Hayashi (2022): Learning from mistakes – Assessing the per­for­mance and uncer­tainty in process-based models. Hydro­lo­gical Pro­cesses, 36(2), e14515, Link

Moritz Feigl, Stephan Thober, Robert Schweppe, Mathew Herrn­egger, Luis Sama­niego, Karsten Schulz (2022): Auto­matic Regio­na­lization of Model Para­meters for Hydro­lo­gical Models. Water Resources Research, 58(12), e2022WR031966, Link

Christoph Klingler, Moritz Feigl, Florian Borg­wardt, Carina Seliger, Stefan Schmutz, Mathew Herrn­egger (2022): Vor­hersage von hydro­lo­gi­schen Abfluss­kenn­werten in unbe­ob­ach­teten Ein­zugs­ge­bieten mit Machine Learning. Öster­rei­chische Wasser- und Abfall­wirt­schaft, 74(11), 469-485, Link

Christoph Klingler, Moritz Feigl, Thomas Lins­bichler, Simon Frey, Karsten Schulz (2022): Potenzial von Machine Learning bei der kurz­fris­tigen Leis­tungs­pro­gnose innerhalb einer Lauf­kraft­werks­kette. Öster­rei­chische Wasser- und Abfall­wirt­schaft, 74(5), 224-240, Link

Paul Omonge, Moritz Feigl, Luke Olang, Karsten Schulz, Mathew Herrn­egger (2022): Eva­luation of satellite pre­ci­pi­tation pro­ducts for water allo­cation studies in the Sio-Malaba-Mala­ki­si­river basin of East Africa. Journal of Hydrology: Regional Studies, 39, 100983, Link

Hanna Zeit­fogel, Moritz Feigl, Karsten Schulz (2022): Öster­reich­weite Regio­na­li­sierung boden­hy­drau­li­scher Eigen­schaften. Öster­rei­chische Wasser- und Abfall­wirt­schaft, 74(3), 166-178, Link

Moritz Feigl, Katharina Lebied­zinski, Mathew Herrn­egger, Karsten Schulz (2021): Machine-learning methods for stream water tem­pe­rature pre­diction. Hydrology and Earth System Sci­ences, 25(5), 2951-2977, Link

Moritz Feigl, Mathew Herrn­egger, Robert Schweppe, Stephan Thober, Daniel Klotz, Luis Sama­niego, Karsten Schulz (2021): Regio­na­li­sierung hydro­lo­gi­scher Modelle mit Function Space Opti­mization. Öster­rei­chische Wasser- und Abfall­wirt­schaft, 73(7), 281-294, Link

Moritz Feigl, Katharina Lebied­zinski, Mathew Herrn­egger, Karsten Schulz (2021): Vor­hersage der Fließ­ge­wäs­ser­tem­pe­ra­turen in öster­rei­chi­schen Ein­zugs­ge­bieten mittels Machine Learning-Ver­fahren. Öster­rei­chische Wasser- und Abfall­wirt­schaft, 73(7), 308-328, Link

Christoph Klingler, Karsten Schulz, Mathew Herrn­egger (2021): LamaH-CE: LArge-SaMple DAta for Hydrology and Envi­ron­mental Sci­ences for Central Europe. Earth System Science Data, 13(9), 4529-4565, Link

Christoph Klingler, Karsten Schulz, Mathew Herrn­egger (2021): LamaH | Large-Sample Data for Hydrology: Big data für die Hydro­logie und Umwelt­wis­sen­schaften. Öster­rei­chische Wasser- und Abfall­wirt­schaft, 73(7), 244-269, Link

Johannes Peter Koren, Sebastian Hafner, Moritz Feigl, Christoph Baum­gartner (2021): Sys­te­matic ana­lysis and com­pa­rison of com­mercial seizure-detection software. Epi­lepsia, 62(2), 426-438, Link

Moritz Feigl, Mathew Herrn­egger, Daniel Klotz, Karsten Schulz (2020): Function Space Opti­mization: A sym­bolic regression method for esti­mating para­meter transfer func­tions for hydro­lo­gical models. Water Resources Research, 56(10), e2020WR027385, Link

Christoph Klingler, Mat­thias Bern­hardt, Johannes, Wesemann, Karsten Schulz, Mathew, Herrn­egger (2020): Lokale hydro­lo­gische Model­lierung mit glo­balen, alter­na­tiven Daten­sätzen. Hydro­logie und Was­ser­be­wirt­schaftung, 64(4), 166-187, Link

Michael Weber, Moritz Feigl, Karsten Schulz, Mat­thias Bern­hardt (2020): On the Ability of LIDAR Snow Depth Mea­su­re­ments to Determine or Eva­luate the HRU Dis­cretization in a Land Surface Model. Hydrology, 7(2), 20, Link

Ste­fanie Brezina, Moritz Feigl, Tanja Gum­pen­berger, Ricarda Stau­dinger, Andreas Baierl, Andrea Gsur (2020): Genome-wide asso­ciation study of germline copy number varia­tions reveals an asso­ciation with pro­state cancer aggres­si­veness. Muta­ge­nesis, 35(3), 283-290, Link

Mat­thias Bern­hardt, Stefan Härer, Moritz Feigl, Karsten Schulz (2018): Der Wert Alpiner For­schungs­ein­zugs­ge­biete im Bereich der Fern­erkundung, der Schnee­de­cken­mo­del­lierung und der lokalen Kli­ma­mo­del­lierung. Öster­rei­chische Wasser- und Abfall­wirt­schaft, 70(9), 515-528, Link

Vor­träge

Moritz Feigl, Christoph Klingler (2024): KI in der Was­ser­wirt­schaft – Kurze Ein­führung und Anwen­dungs­bei­spiele aus der Praxis. 7. Get-tog­ether der Jungen Was­ser­wirt­schaft im Österr. Wasser- und Abfall­wirt­schafts­verband (ÖWAV), Wien

Moritz Feigl (2023): Öster­reich­weite Vor­hersage von Nie­der­was­ser­kenn­werten mittels Machine Learning. Vor­stands­sitzung der Österr. Gesell­schaft für Hydro­logie (ÖGH), Wenn das Wasser knapp wird – Wis­sen­schaft trifft Praxis, Wien

Moritz Feigl, Christoph Klingler (2022): Machine Learning in der Hydro­logie. Workshop für Digital Engi­neering – Verein zur Ver­netzung und För­derung von Digi­ta­li­sierung im Inge­nieurs­wesen, Hirschwang an der Rax

Max Preiml, Christoph Klingler (2022): Simu­lation des Was­ser­rück­halts in Seen zur Reduktion des Hoch­was­ser­ri­sikos – Bei­spiel Mondsee. DRD22 – Dis­aster Research Days, Innsbruck

Moritz Feigl (2022): AI and machine learning in hydro­lo­gical sci­ences. BOKU Big Data Day, Wien

Moritz Feigl, Robert Schweppe, Stephan Thober, Mathew Herrn­egger, Luis Sama­niego, Karsten Schulz (2021): Catchment to model space mapping – learning transfer func­tions from data by sym­bolic regression. EGU2021 – European Geo­sci­ences Union General Assembly, Link

Christoph Klingler, Fre­derik Kratzert, Karsten Schulz, Mathew Herr­egger (2021): LamaH: Large-sample Data for Hydrology in Central Europe. EGU2021 – European Geo­sci­ences Union General Assembly, Link

Moritz Feigl, Ben­jamin Roesky, Mathew Herrn­egger, Karsten Schulz, Masaki Hayashi (2021): Learning from mistakes – Assessing the per­for­mance and uncer­tainty in process-based models. KGML21 – 2nd Workshop on Know­ledge Guided Machine Learning, Link

Ben­jamin Roesky, Moritz Feigl, Mathew Herrn­egger, Karsten Schulz, Masaki Hayashi (2021): Learning from mistakes – Assessing the per­for­mance and uncer­tainty in process-based models. EGU2021 – European Geo­sci­ences Union General Assembly, Link

Hanna Zeit­fogel, Moritz Feigl, Karsten Schulz (2021): Varia­bility across scales – exploring methods for pre­dicting soil pro­perties from mul­tiple sources. EGU2021 – European Geo­sci­ences Union General Assembly, Link

Fre­derik Kratzert, Daniel Klotz, Martin Gauch, Christoph Klingler, Grey Nearing, Sepp Hoch­reiter (2021): Large-scale river network modeling using Graph Neural Net­works. EGU2021 – European Geo­sci­ences Union General Assembly, Link

Moritz Feigl, Robert Schweppe, Stephan Thober, Mathew Herrn­egger, Luis Sama­niego, Karsten Schulz (2020): Auto­matic Esti­mation of Para­meter Transfer Func­tions for Dis­tri­buted Hydro­lo­gical Models – Function Space Opti­mization Applied on the mHM Model. AGU2020 – Ame­rican Geo­phy­sical Union Fall Meeting, Link

Moritz Feigl, Stephan Thober, Mathew Herrn­egger, Luis Sama­niego, Karsten Schulz (2020): Auto­matic esti­mation of para­meter transfer func­tions for dis­tri­buted hydro­lo­gical models – a case study with the mHM model. EGU2020 – European Geo­sci­ences Union General Assembly, Link

Moritz Feigl, Mathew Herrn­egger, Daniel Klotz, Karsten Schulz (2019): Function Space Opti­mization (FSO): A novel method for esti­mating para­meter transfer func­tions for hydro­lo­gical models. AGU2019 – Ame­rican Geo­phy­sical Union Fall Meeting, Link

Inter­views

Moritz Feigl (2022): bas​eflow​.ai: App­lying Machine Learning in Hydrology. Aus­trian AI Podcast by Manuel Pasieka, Link zum Podcast

Daten­sätze

Christoph Klingler, Moritz Feigl, Florian Borg­wardt, Mathew Herrn­egger (2022): Pre­diction of runoff cha­rac­te­ristics in ung­auged basins in Central Europe with machine learning – files. Version 1.0, Zenodo, Link

Christoph Klingler, Fre­derik Kratzert, Karsten Schulz, Mathew Herrn­egger (2021): LamaH-CE: LArge-SaMple DAta for Hydrology and Envi­ron­mental Sci­ences for Central Europe – files. Version 1.0, Zenodo, Link