Kläranlagen gehören zu den größten Stromverbrauchern einer Kommune, und die Belüftung der biologischen Stufe ist meist der größte Einzelposten. Trinkwassersysteme geben viel für das Pumpen aus. ML-basierte Soft-Sensoren, modellprädiktive Regelung (MPC) und zunehmend Reinforcement Learning (RL) passen Belüftung, Chemikaliendosierung und Pumpenfahrpläne laufend an, sparen Energie und Chemikalien und halten dabei den Ablauf innerhalb der Genehmigungsgrenzen und die Versorgungssicherheit intakt.
Problem & Nutzen
- Heute: Die meisten Anlagen fahren feste Sollwerte für gelösten Sauerstoff (O2) mit PID-Reglern, Chemikalien- dosierung nach Faustregeln und feste Pumpenfahrpläne. Betreiber belüften und dosieren zur Sicherheit zu viel, weil die Fracht (Regenereignisse, Indirekteinleiter, Jahreszeiten) schwankt und Laborwerte spät eintreffen.
- KI-Nutzen: die Zulauffracht prognostizieren, schwer messbare Größen schätzen (Soft-Sensoren für Ammonium, Nitrat, Schlammzustand) und Sollwerte berechnen, die Energie, Chemikalien und Einhaltung der Auflagen abwägen. In der Wasserversorgung Pumpen einplanen und Behälter in Niedertarifzeiten füllen.
- Belege: Eine NBER-Studie zu 164 französischen Kläranlagen berichtet, dass digitale Prozess- regelung die Leistung verbessert (siehe Quellen [4]); das Projekt von Xylem und EWE auf der Kläranlage Cuxhaven berichtet Einsparungen an Belüftungsenergie von über 26 % (etwa 1,1 Mio. kWh pro Jahr) durch KI-basierte Echtzeitregelung (Herstellerangabe; der englische Xylem-Artikel nennt 30 %) [5]. Fallzahlen von Anbietern sind anlagenspezifisch und nicht garantiert; messen Sie gegen die eigene Anlage als Ausgangsbasis.
- Regulatorischer Sog: Die neugefasste Kommunalabwasserrichtlinie (EU) 2024/3019 verschärft die Anforderungen an Nährstoffe und Mikroschadstoffe und setzt ein Energieneutralitätsziel für den Sektor, womit Energieoptimierung und Überwachung zu einem Compliance-Thema werden, nicht nur zu einem Kostenthema [1].
Varianten
- Kommunales Abwasser (Belebtschlamm): Belüftung/O2- und ammoniumbasierte Regelung, Nitrat- rückführung, Dosierung von Kohlenstoffquelle und Phosphatfällmittel, Schlammalter.
- Industrielles Abwasser: Lebensmittel, Papier, Chemie; stark schwankende Frachten, höherer Wert von Frachtprognosen und Vorbehandlungsregelung.
- Trinkwasseraufbereitung: Fällmitteldosierung nach Trübung und Rohwasserqualität, Zeitpunkt der Filter- rückspülung, Chlorung.
- Verteilungspumpen und Behälter: Pumpenplanung nach Day-Ahead-Tarifen und Bedarfsprognosen; Druckmanagement (Leckageerkennung selbst: ANOM-013).
- Schlammbehandlung: Beschickung der Faulbehälter und Nutzung von Biogas/KWK (Kopplung an OPT-023, OPT-011).
- Kleine Anlagen / KMU-Betreiber: Cloud-Beratung als Paket ohne vollständige MPC.
- Privatnutzung: nicht relevant.
So funktioniert es
- sensors + SCADA historian + weather/price feeds
- data cleaning, sensor validation (drift, fouling, outliers)
- soft sensors & forecasts (influent load, NH4/NO3, effluent quality, demand)
- digital twin / process model (ASM-type biokinetics or hybrid ML)
- optimiser: MPC / RL / rule-hybrid (energy + chemicals + compliance penalty)
- safety layer: hard limits, rate limits, fallback to PID
- setpoints to SCADA/PLC (advisory or closed loop)
- operator dashboard, alarms, reporting
- Soft-Sensoren und Prognose: Gradient Boosting, LSTM/zeitliche Modelle oder Zeitreihen- Foundation-Modelle sagen Fracht und Qualitätsgrößen 1–48 h im Voraus vorher.
- Regelung: MPC auf einem kalibrierten Prozessmodell bleibt die sicherste industrielle Wahl. RL wird in einem Simulator trainiert (z. B. Benchmark-Simulationsmodelle BSM1/BSM2 oder ein anlagenspezifischer Zwilling) und mit Beschränkungsschichten eingesetzt; modellfreies RL direkt an einer laufenden Anlage wird selten akzeptiert.
- Pumpenplanung: gemischt-ganzzahlige Optimierung über einem reduzierten hydraulischen Modell mit Bedarfs- prognose und Tarifkurve; ML-Ersatzmodelle beschleunigen die hydraulische Simulation (z. B. auf EPANET-Basis).
- Mensch-in-der-Schleife (Human-in-the-Loop): Beginnen Sie im Beratungsmodus; das Betriebspersonal genehmigt Sollwertänderungen, kann auf manuell umschalten, und ein deterministischer Rückfall hält die Genehmigungsgrenzen unabhängig von der KI-Schicht ein.
Datenaufbereitung
Benötigt werden: Prozessdaten (Durchfluss, Ammonium, Nitrat, Sauerstoff, Energie) aus SCADA und Historian, Laborergebnisse (LIMS oder Excel), Wetter- und Niederschlagsdaten, Anlagenplan und Genehmigungen sowie Wartungsprotokolle. Sie liegen in SCADA/Historians, Laborsystemen, Excel und papierenen Betriebstagebüchern.
Typische Lücken: Sensordrift und Verschmutzung, fehlende Kalibrierprotokolle, unterschiedliche zeitliche Auflösung von Online- und Labordaten, handschriftliche Betriebsprotokolle und Datensilos zwischen Betrieb und Labor.
Schritte der Aufbereitung: (1) Inventar und Verantwortliche (PREP-001, PREP-004); (2) Historian- und Labordaten in eine Tabelle mit einheitlichen Zeitstempeln exportieren (PREP-005, PREP-011); (3) Papierprotokolle scannen und digitalisieren, idealerweise durch digitale Erfassung an der Quelle ersetzen (PREP-006, PREP-008); (4) fehlerhafte Sensorzeiträume gemeinsam mit dem Betriebspersonal markieren und Ereignisse wie Unwetter kennzeichnen (PREP-020, PREP-018); (5) KPI- und Genehmigungsgrenzwert-Definitionen festlegen (PREP-012). Werkzeuge: pandas, eine Zeitreihendatenbank, einfache Datenqualitäts-Dashboards.
Grober Aufwandsanteil: 40-50 % des Projekts; die Sensorqualität ist meist der Engpass. Siehe GUIDE-003.
Umsetzungswege
Welcher Weg für wen
- public: Weg C, da kommunale Wasser- und Abwasserbetriebe kritische Infrastruktur mit SCADA in abgeschotteten Netzen betreiben, die Daten also On-Premises bleiben sollten und Open-Source-Werkzeuge auf HW1 (offene Solver, kleine Modelle) für viele Anlagen genügen; dieselbe Plattform kann mehrere Anlagen bedienen.
- enterprise: Weg B, da größere Versorger und Industriebetreiber Prozessdaten in eine eigene Datenplattform integrieren und Cloud-KI-Dienste für Prognosen nutzen, mit Modulen von Anbietern (Weg A) für einzelne Funktionen wie die Belüftungsregelung.
- developer: Weg C, da offene Werkzeuge für Prozessmodellierung und Optimierung (z. B. Python, OR-Tools, offene ASM-Modelle) volle Kontrolle und einfache Validierung erlauben.
Weg A — Kaufen (Standardsoftware)
- Anbieter für Anlagenregelung und Optimierung: Xylem (Sensus, Evoqua; KI-Belüftungs- projekt Cuxhaven), Veolia (Kruger, Hubgrade; EU), Grundfos (Pumpenintelligenz, DK, EU), Siemens (Wasser-Prozessautomatisierung), ABB Ability, Emerson, Schneider Electric (EcoStruxure).
- Spezialisten: Aquasuite / Aqua Computing (NL, EU), Aquatic Informatics (jetzt Xylem), Optimatics (hydraulische Optimierung) Prüfen Sie aktuelle Produktnamen und EU-Datenhosting vor der Auswahl.
- A wählen, wenn: der Versorger wenig Data-Science-Personal und bereits einen SCADA-Anbieter hat; verlangen Sie Leistungsgarantien oder Shared-Savings-Verträge und offene Schnittstellen (OPC UA).
Weg B — Auf Cloud-KI-Diensten aufbauen
- Cloud-ML und Zeitreihen: Azure Machine Learning / Fabric, AWS SageMaker, Google Vertex AI in EU-Regionen; verwaltete Zeitreihenspeicher (Azure Data Explorer, AWS Timestream).
- Solver: Gurobi, CPLEX, OR-Tools, HiGHS für die Pumpenplanung; Pyomo/CasADi für MPC.
- Anbindung: OPC-UA-/MQTT-Gateway vom SCADA in eine Cloud in einer EU-Region, wo möglich nur in eine Richtung; Steuerbefehle nur über ein geprüftes Gateway hinter einer Firewall.
- LLMs: optional für Assistenten des Betriebspersonals (Zusammenfassung von Schichtbüchern, Alarmerklärung, Berichts- entwürfe); nie im geschlossenen Regelkreis.
- B wählen, wenn: Sie ein Datenteam haben und eigene Logik über mehrere Anlagen brauchen.
Weg C — Selbst betreiben (Open Source)
- Modellierung und Simulation: abgesehen von kommerziellen Werkzeugen der WEST-Klasse gibt es offene Optionen wie die Benchmark-Simulationsmodelle BSM1/BSM2, Python-Pakete wie QSDsan, EPANET / WNTR für Netze sowie Pyomo, CasADi, do-mpc, OR-Tools, HiGHS für die Optimierung.
- RL: Stable-Baselines3, Ray RLlib, Gymnasium-Umgebungen, die den Simulator kapseln.
- Zeitreihen: scikit-learn, LightGBM, Darts, PyTorch; offene Zeitreihen-Foundation-Modelle wie Chronos oder TimesFM für Frachtprognosen.
- Stack: Node-RED / Apache StreamPipes, InfluxDB oder TimescaleDB, Grafana, Edge-Gateway.
- Hardware: HW1 (Industrie-PC oder CPU-Server) genügt; für den Regelpfad ist kein LLM nötig. Kritische Infrastruktur spricht für einen Betrieb On-Premises.
Weg D — Eigenes Training
Lohnt sich, wenn eine Anlage oder Anlagengruppe jahrelange Historian-Daten und einen kalibrierten Zwilling hat: anlagenspezifische Soft-Sensoren und RL-/MPC-Strategien trainieren, im Simulator und im Schatten- betrieb validiert. Erfordert 1–3 Jahre Sensordaten in 1–15-Minuten-Auflösung mit Laborreferenzwerten und Ereignismarkierungen (Unwetter, Wartung).
Stand der Technik (2026)
- MPC und hybride (mechanistische + ML) Zwillinge sind die Arbeitspferde im Produktivbetrieb; RL wandert von Veröffentlichungen zu BSM-Benchmarks hin zu Pilotprojekten mit Sicherheitsschilden, meist für die Belüftung.
- Foundation-Modelle für Zeitreihen verringern die nötige Datenmenge für Fracht- und Bedarfsprognosen.
- Digitale Zwillinge verbinden Prozessmodelle mit ML-Ersatzmodellen für schnellere Was-wäre-wenn-Analysen.
- Grenzen und Fehlerbilder: Verschmutzung und Drift der Sensoren (O2-, Ammoniumsonden) verfälschen die Regelung unbemerkt; die Biologie reagiert langsam und nichtlinear, sodass ein schlechter Sollwert Stunden später eine Überschreitung der Genehmigung auslösen kann; seltene Ereignisse (Unwetter, toxische Stöße) sind in der Historie schlecht abgebildet; im Simulator trainierte Strategien lassen sich nur unvollkommen übertragen; Benchmark-Gewinne entsprechen selten den Gewinnen im Feld. Die Einsparungen hängen stark von der Ausgangsbasis ab (gut eingestellte Anlagen sparen weniger).
Gemeinsame Bausteine & Kombinationen
- Gleicher Stack (time-series + optimization-solver + simulation): OPT-009 (Prozess- parameter in der Fertigung), OPT-038 (Regelung von Anlagen im geschlossenen Regelkreis), OPT-007 (Gebäudeenergie), OPT-023 (Fernwärme).
- Energiekopplung: OPT-011 (Batterieeinsatz) und OPT-039 (Stromhandel) zur Lastverschiebung; Biogas/KWK mit OPT-023.
- Angrenzend: ANOM-013 (Leckageerkennung), PRED-033 (Vorhersage von Netzausfällen), PRED-007 (Energie-/Lastprognose), HLTH-031 (Abwasser-Überwachungsdaten aus denselben Anlagen).
Aufwand, Kosten & Kennzahlen
- Weg A: 3–9 Monate inklusive Sensor-Upgrades und Inbetriebnahme; Abonnement- oder Shared-Savings-Preismodell.
- Weg B/C: 6–18 Monate für eine erste Anlage (Kalibrierung des Zwillings, Schattenbetrieb, Sicherheitsnachweis); spätere Anlagen werden günstiger, wenn die Plattform wiederverwendet wird.
- Kostentreiber: Sensorqualität und -wartung, SCADA-Integration, Kalibrierung des Simulators, Schulung des Betriebspersonals, Cybersicherheit.
- Kennzahlen: kWh je Einwohnerwert (Anteil der Belüftung), Chemikalienverbrauch je m3, Ablauf- Einhaltungsquote und Überschreitungen, Zeit im Beratungsmodus vs. geschlossener Regelung, Gebläselaufzeit, Pump- kosten je m3 (EUR), Anteil der Spitzenlast, Lachgasemissionen.
Menschen & Veränderung
Binden Sie zuerst die Geschäftsleitung und die Anlagenleitung ein; Betriebspersonal und Laborpersonal sind tägliche Nutzer und kennen die Eigenheiten der Sensoren, holen Sie sie daher ab der Datenaufbereitung ein. IT und der Informationssicherheitsbeauftragte sind unverzichtbar, weil die Anlagenregelung kritische Infrastruktur ist (GUIDE-013); Datenverantwortliche (SCADA, Labor) und Recht/Compliance (Einleitgenehmigungen, KRITIS-Pflichten) kommen für das Pilotdesign dazu.
Betriebsrat: meist nein, da das System mit Prozessdaten arbeitet. Der Betriebsrat oder Personalrat sollte dennoch rechtzeitig nach § 90 Abs. 1 Nr. 3 BetrVG unterrichtet werden, da sich die Arbeitsabläufe des Betriebspersonals ändern, und § 87 Abs. 1 Nr. 6 greift, wenn Steuerungshandlungen personenbezogen protokolliert und ausgewertet werden. Siehe GUIDE-004. Fast keine personenbezogenen Daten, daher ist eine DSFA selten nötig; die bzw. der Datenschutzbeauftragte bestätigt das (GUIDE-005).
KI-Kompetenz: Betriebspersonal zu Modellgrenzen, Drift und Plausibilitätsprüfungen schulen (GUIDE-006; Art. 4 der KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der Kompetenz des Personals). Beginnen Sie im Beratungsmodus mit einer Straße oder Anlage als Pilotgruppe, vergleichen Sie Empfehlungen mit dem tatsächlichen Betrieb und weiten Sie erst nach einer Go/No-Go-Entscheidung aus (GUIDE-009). Typische Bedenken: Verstöße gegen die Genehmigung, Verlust von Betriebs-Know-how und Vertrauen in das Modell. Begegnen Sie ihnen mit harten Grenzen und Alarmen im Leitsystem, Genehmigung von Sollwertänderungen durch das Betriebspersonal und der Botschaft, dass das Werkzeug das Betriebspersonal unterstützt, nicht ersetzt (GUIDE-008).
Risiken, Regulierung & Compliance
- KI-Verordnung (AI Act): abhängig. KI-Sicherheitskomponenten bei Verwaltung und Betrieb kritischer digitaler Infrastruktur sowie der Wasser-, Gas-, Wärme- und Stromversorgung sind nach Anhang III (Nr. 2) Hochrisiko. Systeme, die die Trinkwasserversorgung direkt als Sicherheitskomponente steuern, sollten als Hochrisiko behandelt werden; eine reine Effizienzoptimierung der Abwasserbelüftung mit einer deterministischen Sicherheitsschicht liegt eher außerhalb, doch im Einzelfall einordnen. Keine verbotene Praxis nach Art. 5 ist betroffen.
- NIS2 und CER: Wasserbetreiber sind nach NIS2 (Richtlinie (EU) 2022/2555) wesentliche Einrichtungen und fallen unter die CER-Richtlinie; verlangt werden OT-Sicherheit, Meldung von Vorfällen und Kontrollen der Lieferkette [3].
- Wasserrecht: Kommunalabwasserrichtlinie (Neufassung) [1], nationale Genehmigungsgrenzwerte, Trinkwasserrichtlinie (EU) 2020/2184 für die Qualität der Versorgung.
- DSGVO: Prozessdaten sind nicht personenbezogen; Abrechnungs- und Smart-Meter-Daten in der Bedarfsprognose schon, daher aggregieren oder pseudonymisieren.
- Betriebliche Risiken: Überschreitung der Genehmigung, Cyberangriff auf den Regelpfad, Modelldrift. Gegenmaßnahmen: zuerst Beratungsmodus, harte Grenzen und Rückfall auf PID, Tests im Schattenbetrieb, Drift- Überwachung, Sensorzustandsprüfungen, dokumentierte Übersteuerung durch das Betriebspersonal, Change-Management.
Erste Schritte
- Ausgangsbasis: Energie je Prozessstufe, Anteil der Belüftung, Chemikalienverbrauch, Spielraum zur Genehmigung, Sensorzustand.
- Zuerst die Messtechnik in Ordnung bringen (O2-, NH4/NO3-Sonden, Durchflussmesser) und Historian-Daten zugänglich machen.
- Fracht- und Ablaufprognosen sowie einen Soft-Sensor aufbauen; im Schattenbetrieb laufen lassen.
- Einen Optimierer für Belüftung oder Dosierung im Beratungsmodus in einer Straße/einem Becken mit Genehmigung durch das Betriebspersonal pilotieren.
- Mit Sicherheitsschicht zur geschlossenen Regelung übergehen; auf Pumpen und Energiepreisoptimierung ausweiten.
Quellen
- Directive (EU) 2024/3019 on urban wastewater treatment (recast) — https://eur-lex.europa.eu/eli/dir/2024/3019/oj
- Regulation (EU) 2024/1689 (AI Act), Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
- Directive (EU) 2022/2555 (NIS2) — https://eur-lex.europa.eu/eli/dir/2022/2555/oj
- NBER working papers on digital technology and wastewater plant performance — https://www.nber.org/papers
- Xylem — AI-based aeration control, EWE Cuxhaven (case study) — https://prod.xylem.com/siteassets/support/case-studies/case-studies-pdf/cs_cuxhaven_aia_webde.pdf
- Directive (EU) 2020/2184 Drinking Water Directive — https://eur-lex.europa.eu/eli/dir/2020/2184/oj
- WNTR / EPANET water network tools — https://github.com/USEPA/WNTR
- Benchmark Simulation Models (IWA BSM) — https://www.iwa-mia.org/benchmarking/