Erklärbare Unsicherheitsabschätzung für Energieprognosen in Kläranlagen

Kläranlagen verbrauchen weltweit 1 – 3 % der gesamten Stromversorgung. Genauere Energievorhersagen sind daher entscheidend für die betriebliche Optimierung und die Nachhaltigkeit dieser kritischen Infrastruktur.

Traditionelle Machine‑Learning‑Modelle liefern zwar präzise Punktvorhersagen, jedoch fehlt ihnen die Möglichkeit, Unsicherheit auf verständliche Weise zu quantifizieren – ein wesentlicher Faktor für risikoorientierte Entscheidungen.

In der vorliegenden Studie wurde ein Interval Type‑2 Adaptive Neuro‑Fuzzy Inference System (IT2‑ANFIS) entwickelt, das interpretable Vorhersageintervalle erzeugt. Durch die Kombination von Fuzzy‑Regeln und adaptiven Lernmechanismen kann das System Unsicherheit in drei Ebenen aufschlüsseln: Feature‑Level, Rule‑Level und Instance‑Level.

Der Feature‑Level‑Ansatz identifiziert, welche Eingangsvariablen Ambiguität einführen; der Rule‑Level‑Ansatz bewertet das Vertrauen in lokale Modelle; und der Instance‑Level‑Ansatz liefert schließlich ein Gesamtintervall, das die gesamte Vorhersageunsicherheit widerspiegelt.

Die Validierung erfolgte anhand des Datensatzes der Eastern Treatment Plant der Melbourne Water. Das IT2‑ANFIS erreichte eine vergleichbare Vorhersagegenauigkeit wie ein herkömmliches ANFIS, zeigte jedoch deutlich geringere Varianz über mehrere Trainingsläufe hinweg und lieferte gleichzeitig erklärbare Unsicherheitsabschätzungen, die direkt mit Betriebsbedingungen und Eingangsvariablen verknüpft sind.

Diese Ergebnisse unterstreichen das Potenzial von erklärbaren Unsicherheitsmodellen für die sichere und effiziente Steuerung von Kläranlagen und bieten einen wichtigen Schritt hin zu risikoaffinen Entscheidungsprozessen in kritischen Infrastrukturen.