Angebotsskizze Niederwasserprognose für die Schifffahrt auf der österreichischen Donau
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Angebotsskizze
Niederwasserprognose für die Schifffahrt
auf der österreichischen Donau
Fraunhofer Institut
Intelligente Analyse- und Informationssysteme
Abteilung KD
Schloss Birlinghoven
53754 Sankt Augustin
Kontakt:
Dr. Hans-Ulrich Kobialka Telefon (02241) 14 2446
E-Mail hans-ulrich.kobialka@iais.fraunhofer.de
Sankt Augustin, 18. März 2020
Niederwasserprognose für die Schifffahrt auf der österreichischen Donau
1 Überblick
In dieser Angebotsskizze gibt einen ersten Überblick über das Fraunhofer-
Institut IAIS, bisherige Projekte zum Erstellen von Prognosen auf der Basis von
Zeitreihen, und einen initialen Ansatz für die Realisierung einer Niederwasser-
prognose. Diese Ausführungen basieren auf dem Kenntnisstand der Ausschrei-
bung und wären in Absprache mit dem Auftragsgeber weiter zu konkretisieren.
2 Referenz und Unternehmensstruktur
2.1 Kurzbeschreibung des Unternehmens
Das Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS
mit Sitz in Sankt Augustin bei Bonn ist eines der führenden Wissenschaftsinsti-
tute auf den Gebieten Künstliche Intelligenz, Maschinelles Lernen und Big Data
in Deutschland und Europa. Mit seinen rund 300 Mitarbeitenden unterstützt
das Institut Unternehmen bei der Optimierung von Produkten, Dienstleistungen,
Prozessen und Strukturen sowie bei der Entwicklung neuer digitaler Geschäfts-
modelle. Damit gestaltet das Fraunhofer IAIS die digitale Transformation unse-
rer Arbeits- und Lebenswelt.
Seit 2014 koordiniert das Fraunhofer IAIS als geschäftsführendes Institut die
Fraunhofer-Allianz Big Data und Künstliche Intelligenz, welche die branchen-
übergreifende Expertise von über 30 Fraunhofer-Instituten in Big Data und
Künstlicher Intelligenz bündelt. Es ist ferner ein wichtiger Treiber der Initiative
zum International Data Space mit dem Ziel, einen sicheren Datenraum zu schaf-
fen, der Unternehmen verschiedener Branchen und aller Größen die souveräne
Bewirtschaftung ihrer Datengüter ermöglicht. An der Initiative beteiligen sich
inzwischen rund 100 Unternehmen und Organisationen. Weiterhin leitet das
Fraunhofer IAIS die Geschäftsstelle der Kompetenzplattform KI.NRW, ist ge-
meinsam mit der TU Dortmund führender Partner im Kompetenzzentrum Ma-
schinelles Lernen Rhein-Ruhr (ML2R) – einem von vier bundesweiten Knoten-
punkten für Spitzenforschung und Transfer im Maschinellen Lernen, und hat
eine tragende Rolle innerhalb der EU-Initiative »A European AI On-Demand
Platform and Ecosystem« (AI4EU) inne.
Fraunhofer Institut Intelligente Analyse- und Informationssysteme 2Niederwasserprognose für die Schifffahrt auf der österreichischen Donau
2.2 Referenzprojekte mit Schwerpunkt auf längerfristigen Prognosen
Die Prognose des zukünftigen Verhaltens von Prozessen, der Qualität der durch
sie erstellten Produkte, und die Wahrscheinlichkeit von Produktionsstörungen
(Predictive Maintenance) wird und wurde in zahlreichen Projekten am Fraun-
hofer IAIS behandelt. Diese Projekte sind/waren meist im industriellen Sektor
angesiedelt. Technisch geht es darum, aus den Zeitreihen der Einflussgrößen
auf das zukünftige Verhalten eines Prozesses zu schließen.
Fraunhofer IAIS setzt für die Erstellung der Prognose-Modelle Rekurrente Neu-
ronale Netze (RNNs) ein, insbesondere a) die vom IAIS patentierte „Echo State
Networks“-Technologie, wie auch b) tiefe Neuronale Netze (Deep Neural Net-
works).
Prognose der in das Stromnetz eingespeisten Windleistung
Im Auftrag des Übertragungsnetzbetreibers
Amprion erstellt das Fraunhofer IAIS Winder-
tragsprognose-Modelle mit einem Prognoseho-
rizont für die nächsten 8 Stunden. Prognostiziert
werden die Windleistung a) für Deutschland
sowie für die 4 deutschen Regelzonen (Ampri-
on, Tennet, 50herz und Transnet BW), und b)
für 120 Netzknoten in der Regelzone Amprion.
Prognosen über die in das Stromnetz eingespeis-
te Windleistung sind von großer Wichtigkeit
sowohl für die Gewährleistung der Netz- und
Systemsicherheit des Stromnetzes wie auch für
die Integration Erneuerbarer Energien.
Die Windertragsprognosen werden basierend auf Messdaten viertelstündlich
aktualisiert. Die Prognose-Modelle werden bei Amprion in deren Netzleitsystem
berechnet und durch das Fraunhofer IAIS periodisch auf Basis neuer Daten trai-
niert, d.h. aktualisiert. Die Zusammenarbeit mit Amprion besteht seit 2011.
Operationelle Wasserstandsvorhersage am Rhein
Im Auftrag des Bundesamtes für Gewässerkunde (BfG) erstellt das Fraunhofer
IAIS Modelle für die Simulation und Prognose von Wasserständen am Rhein und
an seinen Nebenflüssen. Die Zusammenarbeit mit dem BfG besteht seit 2012
und betraf in der Vergangenheit auch einige Pegel an der Donau.
Die Prognose von Wasserständen erfolgt für die nächsten 10 Tage mit einer
stündlichen Auflösung. Sie wird jeweils morgens um 6 Uhr bei Eintreffen der
Wetterprognosen berechnet. Zurzeit wird die Zahl der zu prognostizierenden
Pegel auf insgesamt 13 ausgebaut. Wie auch bei der Windertragsprognose
werden die Modelle für die Wasserstandsvorhersage periodisch auf Basis neuer
Daten trainiert.
Fraunhofer Institut Intelligente Analyse- und Informationssysteme 3Niederwasserprognose für die Schifffahrt auf der österreichischen Donau
2.3 Operationeller Betrieb von 24/7 online Systemen
Das Fraunhofer IAIS betreibt für einige Kunden 24/7 online Systeme. Als Beispiel
sei hier das System SPR+ MobNat genannt, mit dem online für die Schweiz ge-
ografisch maßgeschneiderte Plakat-Kampagnen geplant werden können.
Fraunhofer IAIS hat im Auftrag von SPR+ den Technologiekern dieses Systems
entwickelt und hostet die Server für diese Applikation. Die Zusammenarbeit mit
SPR+ besteht seit dem Jahre 2006.
Die meisten 24/7-Systemen, an denen Fraunhofer IAIS mitwirkt, werden von
den jeweiligen Kunden betrieben (zum Beispiel bei den oben genannten Koope-
rationen mit Amprion und dem BfG). Fraunhofer IAIS liefert hier den Technolo-
giekern (z.B. trainierte Modelle und die Software, um diese zu betreiben) und
den Support. Oft von Auftraggebern genannte Gründe für die Präferenz dieses
Modells sind a) der Aufwand für den Online-Export von Kundendaten an das
Fraunhofer IAIS, und b) der Umstand, dass vom Kunden bei Dritten eingekaufte
Daten (z.B. Wetterprognosen) nicht an das Fraunhofer IAIS weitergegeben wer-
den können.
2.4 Erfahrungen in der Kundenbetreuung
Die adäquate Umsetzung von Kunden-Anforderungen und Fachwissen in an-
gemessene technische Lösungen ist entscheidend für den Erfolg eines Projektes
und die vielleicht wichtigste Kompetenz des Fraunhofer IAIS.
Im Dialog mit dem Kunden stellt sich oft heraus, dass die initiale Leistungsbe-
schreibung den Bedarf des Kunden nicht zufriedenstellend abdeckt. Beispiels-
weise mag statt eines Prognosewertes, der im Mittel den kleinsten Fehler auf-
weist, besser eine Worst-Case-Schätzung gewünscht sein, oder eine Wahr-
scheinlichkeitsverteilung, die auch die Unsicherheit der aktuellen Prognose wi-
derspiegelt. Oder die Anforderung an die Prognose-Genauigkeit mag in ver-
schiedenen Teilen des Wertebereiches unterschiedlich sein; beispielsweise kann
eine Abweichung von 20 cm für eine Niedrigwasser-Situation kritischer sein als
für eine Normalwasser-Situation. Dies kann man durch Anpassung der Fehler-
funktion bei dem Trainieren von Neuronalen Netzen berücksichtigen.
Fachliches Wissen eines Kunden kann die Lösung einer Aufgabe vereinfachen
(z.B. die Zerlegung in Teil-Aufgaben) und den Suchraum für technische Parame-
ter reduzieren. Auch stellt sich oft im Dialog mit dem Kunden heraus, dass es
sinnvoll ist weitere Daten einzubeziehen bzw. bekannte Daten anders aufzube-
reiten.
Fraunhofer Institut Intelligente Analyse- und Informationssysteme 4Niederwasserprognose für die Schifffahrt auf der österreichischen Donau
3 Niederwasserprognose
3.1 Mögliche Ausgestaltung der Zielsetzung
Variante A
Die Prognose liefert für jeden zu prognostizierenden Zeitschritt einen Wasser-
stands-Wert.
Variante B
Die Prognose liefert für jeden zu prognostizierenden Zeitschritt einen Wasser-
stands-Wert (Variante A). Zusätzlich wird für jeden Zeitschritt eine Wahrschein-
lichkeitsverteilung erstellt, d.h. für festgelegte Intervalle von Pegelständen wird
ermittelt, mit welcher Wahrscheinlichkeit der Pegel zu diesem Zeitpunkt in die-
sem Intervall liegen wird, ähnlich wie in Abbildung 1.
Abbildung 1: Wahrscheinlichkeitsverteilungen von prognostizierten Pegelstän-
den (Quelle BfG).
3.2 Methodik/Lösungsansatz/Datenaufbereitung
Basierend auf in der Vergangenheit aufgezeichneten Messdaten (Trainingsdaten
= Menge von Zeitreihen) werden Rekurrente Neuronale Netze (RNNs) trainiert.
Ein RNN kann die in den Trainingsdaten dokumentierten nicht-linearen tempo-
ralen Wirkzusammenhänge zwischen Einflussparametern und zu prognostizie-
renden Werten lernen. Ein trainiertes RNN erstellt seine Prognosen auf der Basis
der Zeitreihen der aktuell vorliegenden Messwerte.
Um die Genauigkeit in der Niedrigwasserprognose zu erhöhen, wird pro Pegel
ein Prognose-Modell (RNN) speziell zur Minimierung des Prognosefehlers in
Niedrigwasser-Situationen trainiert. Ein weiteres Prognose-Modell (RNN) wird
Fraunhofer Institut Intelligente Analyse- und Informationssysteme 5Niederwasserprognose für die Schifffahrt auf der österreichischen Donau
für die Prognose von Normal- und Hochwasser-Situationen trainiert. Zur Lauf-
zeit werden die Prognosen dieser beiden Modelle dann situationsabhängig zu
einer Prognose fusioniert.
Vor einem Training müssen die von dem Auftraggeber zur Verfügung gestellten
Trainingsdaten untersucht werden. Dies beinhaltet die Suche nach unplausiblen
Werten (sog. „Ausreißer“) und Situationen, in denen sich das zu prognostizie-
rende System anders als sonst verhält. Diese Untersuchungen (inkl. fachlicher
Rücksprachen mit den Auftraggebern) finden verstärkt zu Beginn des Projektes
statt, aber auch später während der gesamten Projektlaufzeit. Dies ist meist mit
signifikanten Zeit-Aufwänden verbunden.
Es empfiehlt sich auch in Rücksprachen mit dem Auftraggeber wichtige, aber in
den Trainingsdaten nur selten vorkommende Situationen (z.B. verursacht durch
seltene Wetterkonstellationen) zu identifizieren. Damit diese in den Trainingsda-
ten nicht „untergehen“ (d.h. statistisch angesichts häufig vorkommenden Nor-
malwasser-Situationen keine Rolle spielen) muss dies bei der Aufbereitung der
Trainingsdaten berücksichtigt werden.
Weiterhin ist mit den hydrologischen Experten des Auftragsgebers zu klären, ob
die Einbeziehung von Wetterdaten (Messungen und Prognosen) einen wesentli-
chen Einfluss auf die 5Tages-Prognose der Pegel Kienstock und Wildungsmauer
haben könnte. Es ist anzunehmen, dass dies insbesondere für die Prognose der
Tage 3 bis 5 der Fall sein könnte. Dem gegenüber stehen die Kosten für den
Bezug von Wetterdaten, deren Ungenauigkeit bei längerfristigen Prognosen,
und erhöhte Aufwände bei Erstellung und Betrieb der Niederwasserprognose.
3.3 Aufbereitung der Prognose-Ergebnisse für die Schifffahrt auf der Donau
Die Prognosen könnten periodisch bei Eintreffen neuer Messdaten (stündlich
oder täglich) auf einer Web-Seite oder als PDF-Datei (z.B. wie auf
https://www.elwis.de/DE/Service/10-Tages-Wasserstandsvorhersage-
Rhein/Rheinpegel-page.html ) dargestellt werden.
Darüber hinaus gehende Darstellungen und Interaktionsmöglichkeiten können
problemlos durch das Fraunhofer IAIS realisiert werden. Der hierzu für die
Schifffahrt nützliche Funktionsumfang müsste noch bestimmt werden.
3.4 Anpassung an sich ändernde Randbedingungen (z.B. Klima, Bodenversiegelung)
Prognose-Modelle müssen angepasst werden, wenn das zu prognostizierende
System sich ändert. Im Falle von auf Daten trainierten Modellen, wie RNNs, soll-
ten diese Modelle periodisch (zum Beispiel jährlich) durch Einbeziehen neuster
Daten nach-trainiert werden.
Fraunhofer Institut Intelligente Analyse- und Informationssysteme 6Niederwasserprognose für die Schifffahrt auf der österreichischen Donau
Hierbei ist zu beachten, ob und wie man zeitlich weit zurückliegende Daten zum Training verwendet. Auf der
einen Seite ist das Training robuster, wenn hierfür möglichst viele Daten verwendet werden, d.h. es auf einer
breiten statistische Basis („einem reichen Erfahrungsschatz“) aufbaut. Auf der anderen Seite können Daten
1
veralten, d.h. die in neueren Trainingsdaten dokumentierten Wirkzusammenhänge verwässern . Dieser Trade-
off kann, je nachdem wie stark bzw. schnell sich das zu prognostizierende System sich ändert, zu erhöhten
Aufwänden führen, um hier eine optimale Balance zu finden bzw. um dies durch Datenassimilation zu kom-
pensieren.
Zur Erkennung von signifikanten Änderungen ist der Austausch mit Hydrologen wichtig. Dies kann ergänzt
werden durch statistische Vergleiche von Zeiträumen (z.B. Kalenderjahren).
Wir gehen davon aus, dass im vorliegenden Fall sich die Randbedingungen für
die Niedrigwasserprognose nur langsam ändern und dass deswegen Trainings-
daten aus einem genügend großes Zeitfenster verwendet werden können. Zur
Berücksichtigung langsamer Änderungen werden wir bei der Aufbereitung der
Trainingsdaten (siehe 3.2) den Einfluss neuerer Trainingsdaten gegenüber alten
erhöhen.
1 Während des Trainings wird ein Modell so angepasst, dass die Summe der Trainingsfehler für alle Trainingsdaten (alt wie neu) mini-
miert wird.
Fraunhofer Institut Intelligente Analyse- und Informationssysteme 7Sie können auch lesen
