Digitalisierung und Vernetzung der technischen Infrastrukturen

Digitale Lösungen werden in der Wasserwirtschaft einerseits für Mess- und Analyseprozesse und andererseits für die Anlagensteuerung sowohl in der Trinkwasserversorgung als auch in der Abwasserentsorgung eingesetzt, wobei der Nutzungsgrad zwischen den im Infrastruktursystem Wasser tätigen Unternehmen stark variiert [1]. Unterschiede mit Blick auf den Digitalisierungsgrad zeigen sich auch nach Wertschöpfungsstufen und Aufgaben: Während die Trinkwasserverteilung und die Abwasserbehandlung in den meisten Unternehmen hochautomatisiert gesteuert wird [2][1], erfolgt die Überwachung der Wasserqualität häufig manuell. Proben werden per Hand entnommen und zeitlich entkoppelt im Labor analysiert [3]. Gleichzeitig werden digitale Lösungen in vielen Unternehmen auch für verbesserte Datenmanagement- und Verwaltungsprozesse sowie Kundendienstleistungen eingesetzt [1]. Angesichts der wachsenden Datenmengen steigt die Anzahl der Wasserversorgungsunternehmen, die cloudbasierte Lösungen einsetzen [4]. Durch das Bestreben nach umfassenderen Analysen und Überwachung der Anlagen steigt die Konvergenz von IT und OT, sprich die Integration von Informationstechnologie (IT) und Betriebstechnologie (Operational Technology, OT) [5][1].

Auch wenn die häufig noch analog erfassten Betriebsdaten zunehmend aggregiert, integriert und archiviert werden und mit der Nationalen Wasserstrategie Ziele zum Aufbau einer integrierten Infrastruktur formuliert wurden, sind die meisten Datenbestände noch stark fragmentiert, lückenhaft und wenig standardisiert [6]. Selbst Daten zu Wasserentnahmen werden nicht überall in Deutschland gleichermaßen erfasst [7]. Daten fehlen deswegen an Granularität (Datengrafik). Dadurch können fortschrittliche Analysemethoden und ein umfassendes datengestütztes Umweltmonitoring für wasserwirtschaftliche und politische Entscheidungen noch nicht systematisch umgesetzt werden [8].

Systeme zur Überwachung der Wasserqualität in Echtzeit werden für das Monitoring von Oberflächengewässern und Grundwasser [9], aber auch für die Überwachung der Wasserqualität in Trinkwasserverteilnetzen entwickelt. Allerdings ist die Datendichte in manchen Regionen zu gering, um detaillierte Modelle zu erzeugen und Parameter mit hoher Variabilität zu überwachen. Die dezentrale Datenhaltung, das Fehlen von Datenschnittstellen sowie von günstigen und verlässlichen Sensortechnologien mit langen Akkulaufzeiten und weiträumiger Funkübertragung stellen zentrale Hindernisse dar [1]. Perspektivisch könnten Sensoren und Systeme zur Echtzeit-Datenanalyse direkt an der Infrastruktur (z. B. Pumpstationen, Leitungen) an Bedeutung gewinnen, um schnelle Reaktionszeiten zu ermöglichen und die zentralen Systeme zu entlasten. Um Sensoren für verschiedenste Anwendungen über das gesamte Versorgungsgebiet kostengünstig und energieeffizient einzusetzen, könnten sogenannte LoRaWAN-Netze ausgebaut werden. Diese speziellen Funknetze ermöglichen es, Sensorsignale auch durch dicke Betonwände und weiträumig zu übertragen. Vielerorts ist LoRaWAN schon verfügbar oder die Installation ist in Planung [1].

Digitale Lösungen verbessern auch die Fähigkeit, Wasserangebot und -nachfrage in Echtzeit vorherzusagen. Sowohl das Monitoring des Wasserdargebots als auch die Prognosefähigkeit z. B. von Extremwetterereignissen (z. B. Starkregen, Monitoring von Dürre) gewinnen an Präzision [10][11]. Dabei spielen neue Überwachungsmöglichkeiten durch satellitengestützte hochaufgelöste Fernerkundung und fortschrittliche [12] KI eine zentrale Rolle. Sowohl Erdobservationssatelliten als zunehmend auch Forschungsdrohnen sammeln große Mengen an umweltbezogenen Daten [13], die mit Informationen aus Bodensensoren kombiniert werden können [3]. Die großen Datenbestände können dann mithilfe von Künstlicher Intelligenz immer stärker automatisch und in Echtzeit verarbeitet, übertragen und visualisiert werden [3]. Für eine genauere Prognose der Wassernachfrage wären die Zuverlässigkeit, die Echtzeitfähigkeit und die Kosten digitaler Sensoren zu verbessern und die Dichte von Sensornetzen zu erhöhen [1].

Große Erwartungen werden in ein verbessertes Monitoring und die Entscheidungsunterstützung in Echtzeit gesetzt [1]. Adaptive Steuerungssysteme, die zum Ziel haben, Anlagen an variable Wassernachfrage bzw. Abwasseranfall unter Berücksichtigung von Witterungs- und Klimaveränderungen semi-automatisch anzupassen, gewinnen in der Wasserwirtschaft entsprechend an Bedeutung [1]. Perspektivisch könnten einzelne Pumpwerke und Wasseraufbereitungsanlagen mit KI-gestützten Steuerungssystemen versehen werden, um die Effizienz und Anpassungsfähigkeit bei Schwankungen in der Nachfrage oder klimatischen Bedingungen zu erhöhen [14]. In der Abwasserwirtschaft nehmen die integrierte Überwachung und adaptive Echtzeitsteuerung von Kläranlagen und Kanal- und Regenwassernetzen zu [8]. Ziel ist es, vor allem Regenwasserausleitungen und Mischwasserüberläufe aus dem Kanalnetz in die Gewässer zu reduzieren. Bisher wurde die Echtzeitsimulation zur optimalen Bewirtschaftung von Speicherräumen im Kanalnetz vor allem im Rahmen von Forschungsprojekten in einzelnen Städten implementiert, zum Beispiel in Freiburg [15].

Die vorausschauende Wartung der Infrastrukturen wird zunehmend digital unterstützt. An Bedeutung gewinnen die Zustandserfassung von Infrastrukturen mittels Sensoren, die Fernwartung und die Auswertung großer Datenmengen mittels KI. Systeme zur automatischen Erkennung von Geräteausfällen und Leckagen werden zunehmend entwickelt, eingesetzt und erprobt [2]. Virtual- und Augmented-Reality-Tools werden pilothaft zu Schulungs- und Wartungszwecken eingesetzt, z. B. zur Visualisierung unterirdischer Leitungsnetze oder zur Bedienung komplexer Anlagen [16]. In einzelnen Städten werden digitale Abbilder des Trinkwasser- oder des Kanalnetzes entwickelt, um lange unentdeckte Leckagen zu identifizieren [17] oder die Inspektion und Reinigung zu automatisieren [18]. Eine breite Anwendung von Systemen zur vorausschauenden Instandhaltung der wasserwirtschaftlichen Infrastruktur, die sowohl aus historischen Daten als auch aus Echtzeitdaten lernt, scheitert allerdings bislang häufig an unzureichender IT-Infrastruktur, Datenverfügbarkeit sowie mangelnden Kompetenzen und Ressourcen [19].