Kläranlagen unterliegen ständig variierenden Belastungssituationen, wie z.B. dem Tag, Nachtwechsel oder der Belastung durch Regenereignissen. Die meisten Regelungssysteme reagieren dabei auf Änderungen der Betriebsparameter in der Belebungsstufe, wie Sauerstoff, Ammonium und Nitrat.
Diese Messweise kann problematisch sein, wenn z.B. starke Regenereignisse die Anlage stoßartig belasten. Um diese Stöße abzufangen reagieren üblicheRegelungssysteme mit hohen Sauerstoffkonzentrationen.
Dies kostet viel Energie und kann bei sehr stark belasteten Anlagen trotzdem zu Grenzwertüberschreitungen im Ablauf führen. Besser wäre es, die Nitrifikationsstufe bereits vor Eintritt der Belastung durch Anhebung der O 2-Konzentration darauf vorzubereiten. Prädiktive Regelungssysteme verfolgen genau diesen Ansatz. Ziel hierbei ist es Energie zu sparen und Ammoniumspitzen zu vermeiden. Grundvoraussetzung dafür ist jedoch die frühzeitige Erfassung von relevanten Parametern, wie z.B. Ammonium. Aus mehreren Gründen ist es unüblich die relevanten Parameter im Zulauf der Kläranlage zu messen, u.a. weil es ausgesprochen wartungs und kostenintensiv wäre.
Aus diesem Grund verwendet das GECO►C Team prädiktive Regelungen, die auf Basis von neuronalen Netzen arbeiten. Künstliche neuronale Netze sind Strukturen, die in der Lage sind aus Erfahrungen zu lernen. So können sie auf Basis der aktuellen Werte sowie dem Verhalten der Anlage in den letzten Stunden und Monaten abschätzen, welche Werte sich in naher Zukunft einstellen werden. Dazu werden die Ammonium und Nitratwerte eine Stunde in die Zukunft prognostiziert und diese Informationen entweder in einem erweiterten Fuzzy-Regler oder einem Feature State Controler weiter verarbeitet. Das Ergebnis ist eine deutliche Reduzierung von Belastungsspitzen in der Belebung, was zu Energieeinsparungen und Verbesserungen der Ablaufwerte führt. Des weiteren eignet sich diese Art von Regelungssystemen auch für andere Anwendungen auf Kläranlagen, z.B. für die Dosierung von Prozesswasser.
