Conformal Prediction steigert Effizienz digitaler Zwillinge von Wassernetzen

In einer neuen Veröffentlichung auf arXiv wird ein innovatives Verfahren vorgestellt, das digitale Zwillinge von Wasserversorgungsnetzen deutlich effizienter macht. Durch die Kombination von LSTM‑Vorhersagen und Conformal Prediction kann die Unsicherheit an jedem Knotenpunkt exakt geschätzt werden. Dadurch werden Sensorressourcen gezielt dort eingesetzt, wo sie am dringendsten benötigt werden, anstatt gleichmäßig verteilt zu werden.

Der Ansatz nutzt die marginale Variante des Conformal Prediction, die besonders geringe Rechenkosten verursacht und sich daher ideal für Echtzeit‑Anwendungen eignet. In Experimenten mit den Netzwerken Hanoi, Net3 und CTOWN konnte gezeigt werden, dass die adaptive Stichprobe bei einer Abdeckung von 40 % die Nachfragefehler um 33 – 34 % senkt. Gleichzeitig bleibt die empirische Abdeckung bei 89,4 – 90,2 % und die zusätzliche Rechenzeit beträgt lediglich 5 – 10 %.

Diese Ergebnisse deuten darauf hin, dass adaptive Sampling‑Methoden mit Conformal Prediction die Grundlage für ressourcenschonende, hochpräzise digitale Zwillinge in der Wasserwirtschaft bilden können.