iWater

Hur säkrar och kontrollerar vi kvaliteten på vår viktigaste naturtillgång: rent vatten?

iWater

Hur säkrar och kontrollerar vi kvaliteten på vår viktigaste naturtillgång: rent vatten?

Utmaning

Dagens miljöövervakning av stadens vatten bygger till största del på manuell provtagning i fält, och analys i laboratorier. Detta ger inte en tillräckligt hög rumslig och tidsmässig upplösning för ett modernt och kostnadseffektivt åtgärdsarbete.

Ett av alla sätt medborgare nyttjar stadens vatten på är som badvatten. Staden behöver ur ett säkerhets- och hälsoperspektiv kunna tillgodose allmänheten med så uppdaterad information kring kvaliteten på detta vatten som möjligt. Att kunna mäta och informera allmänheten beträffande badvattenkvalitet i realtid är av yttersta vikt för att uppnå detta. I dagsläget är det svårt för medborgare i staden att tillgodogöra sig information om badvattenkvaliteten. Detta är dels för att data är svår att tyda, och dels för att provtagning och analys inte utförs tillräckligt ofta för att vara praktiskt användbar.

Bakterier i dricksvatten kan utgöra en potentiell risk för sjukdomar, vilket innebär att en kontinuerlig mätning och uppföljning är mycket viktig. Även om prover tas regelbundet kan en effektivare metod för detektion spara stora mängder pengar, och säkerställa att vårt dricksvatten har den bästa möjliga kvaliteten.

Genom att ta fram en molnbaserad sensorteknologi som identifierar förändringar i vattnet och analyserar resultaten automatiskt kan stora mängder data samlas in utan att ta personalresurser i anspråk. Nära realtidsuppdatering ger också en temporal upplösning som den konventionella miljöövervakningen inte kunnat uppnå hittills. Det ger en möjlighet att allokera resurser dit de gör större nytta och få bättre förståelse för dynamiken i stadens vatten.

Användandet av en IoT-plattform och algoritmer med AI-analys medför också att en multisensoranalys blir möjlig, vilket innebär att man så småningom kan skapa ett nät av sensorer som är kopplade till varandra. Detta skulle kunna användas för att spåra felkopplade avlopp och identifiera badplatser i riskzonen för kontaminering av bakterier. Även andra typer av analyser skulle kunna jämföras resultaten av vattenkvalitet, så som dagvattenföring, biltrafik, med mera. Genom att kombinera olika dataset skulle kunskapen öka om hur och när olika källor påverkar stadens vatten.

Genom att skapa en användarvänlig presentation av det data som samlas in kan informationen tillgängliggöras för såväl medborgare som förvaltningar och verksamheter inom staden. Detta ger medborgarna själva en möjlighet att förstå vattnets dynamik samt påverkanskällor och bedöma vattnets kvalitet. Detta skulle kunna avlasta tjänstepersoner som annars får svara på frågor under exempelvis högsäsonger för bad.

Genom att även använda denna teknologi i dricksvattennätet, kan föroreningar upptäckas snabbare, och tidigt varna för otjänligt vatten. Sensorer används redan i stor utsträckning inom dricksvattenproduktionen, men inte med samma trådlösa och automatiska utformning som det som testas inom iWater.

Projektet är inne i fas 2 och delfinansierad av Vinnova. Under sommaren färdigställdes IoT data pipeline plattformen från Ericsson, samt de algoritmer från KTH som ska testas. Under hösten 2019 påbörjas datainsamlingsfasen, som följs av verifikation och utvärdering av algoritmerna och datainsamlingen.  Linköping Universitets sensor är också redo att testas, och ska under hösten appliceras i nätet hos Tekniska Verken i Linköping.

Tekniska specificeringar och detaljer om arbetet:

Ericsson Research har bidragit med en IoT-baserad datalösning kallad “iWater Data Pipe”. Denna orkestrerar olika uppgifter så som datainsamling, -analys och -visualisering på ett organiserat sett. Alla dessa processer är automatiserade med en klicka-och-kör teknik för att kunna åstadkomma transformationen från rå-data till förståelig information, utan handpåläggning.

KTH har arbetat med fundamentalt ny maskininlärningsteori mellan nätverk, och har utvecklat praktiska maskininlärningsalgoritmer. Dessa använder återkommande neuronnät för iWater IoT nätverket. KTH har testat algoritmerna med tidigare insamlad data, och jobbar nu på att inkorporera koden i Erikssons iWater Data Pipe. KTH utvecklar också nya algoritmeter av samma typ för mätningar i dricksvattennätet, tillsammans med Linköpings Universitet.

Stockholms Universitet har bidragit till den geografiska planeringen av sensornätverket, vilka parametrar som ska mätas samt utvärderingen av historisk och realtids data samt förändringar i uppmätta halter över tid. Stockholm University has been contributing to the geographical set-up of the sensor network, the choice of key chemical substances to monitor, and the interpretation of historical and real-time data and main chemical changes occurring over time.

Linköpings Universitet har utvecklat sin sensor, kallad ”Electronic tongue”, för bakteriedetektion vilket tidigare inte använts inom dricksvattenproduktionen. Sensorn mäter inte bakterieantal direkt, utan indikatorsubstanser som antyder kontaminering. Sensorn är i dagsläget anpassad för dricksvattenmätningar.

Stockholms stad (Miljöförvaltningen), Stockholm Vatten och avfall AB (SVOA), Ericsson, Telia, Kungliga Tekniska Högskolan (KTH), Stockholms universitet (SU) och Linköpings universitet (LiU).

  • Projektet drivs med stöd från Vinnova.
  • Projektägare Miljöförvaltningen Stockholms stad

 

 

Projektledare
Maya Militell – Stockholm stad
maya.miltell@stockholm.se

Övrig projektgrupp

Bin Xiao – Ericsson

Carlo Fischione och Viktoria Fodor – KTH

Gia Destouni och Zahra Kalantari – SU

Mats Eriksson – LiU

Marie J. Karlsson, Joakim Strandh och Henrik Werner – Telia

Tommy Giertz – SVOA

 

Mer om vattenkvalitet

God vattenstatus är ett viktigt och prioriterat område av såväl Stockholms stad som EU. För att säkerställa att stadens vattendrag bibehåller god kvalitet och följer EUs vattendirektiv kan sensorer eller annan teknik användas för att mäta vattensammansättningen i realtid. Data som samlas in kan sedan tillgängliggöras för allmänheten i realtid. På detta sätt blir vattenkvalitén i staden enkel att följa. Data som produceras kan vidare användas som underlag för simulering av exempelvis effekter av nybyggnation i närheten av vatten.

 

Kontinuerliga mätningar av föroreningar i recipienter och vattendistributionskedjan skulle kunna ske och därmed göra det möjligt att identifiera och åtgärda utsläpp tidigt så att eventuell negativ påverkan på vattenkvaliteten minimeras. Om vattnet kan mätas på flera ställen blir det enklare att identifiera i vilket område ett problem uppstått, vilket i sin tur underlättar implementering av fokuserade åtgärder, så att påverkan på dricks- och badvattnet minimeras och en hög vattenkvalitet kan säkerställas, samtidigt som resurser används effektivt.

 

Dokument

Dela demoprojektet