Projektauswahl
Kurzfristige Leistungsprognose bei Laufkraftwerken - Teil 1: Entwicklung
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
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
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
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
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
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
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
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), Link
Christoph Klingler, Max Preiml, Helmut Habersack, Hubert Holzmann (2024): Optimierung der Klauswehrordnung des Mondsees, Teil II – Hydrologie. Österreichische Wasser- und Abfallwirtschaft, 76(3), 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 (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): baseflow.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