Driftsdata fra renseanlegg kan fortelle oss langt mer om fremmedvann i avløpsnettet enn vi kanskje tror. Også i nett som mangler måling. Det har Guard Automation forsket på. I første testen ble en innpakket mobiltelefon sendt i avløpet. Den fant de aldri igjen. KI-forretningsutvikler Caroline Holt orienterer.
De fleste renseanlegg sitter i dag på store mengder driftsdata.
Mengdedata, prosessdata, historiske kurver. Data som brukes til drift, rapportering og dokumentasjon.
Men de siste årene har vi begynt å stille et litt annet spørsmål: Hva mer kan disse dataene fortelle oss, egentlig?
I arbeidet vårt med driftskontroll og prosessdata har vi begynt å se at renseanlegget også kan fungere som et målepunkt for hva som skjer ute i ledningsnettet.
Ledningsnettets utfordringer blir i praksis synlige som belastning på anlegget. Når vannet kommer fram til renseprosessen, er konsekvensene målbare – og det gir oss en mulighet til å forstå hvor mye av vannet som faktisk er avløpsvann, og hvor mye som er fremmedvann.
Denne sammenhengen var utgangspunktet for et innlegg jeg holdt på Hallingtreff i januar 2026, og som jeg her har fått anledning til å utdype.
Caroline Holt er forretningsutvikler innen AI i Guard Automation.
Analyserer mønstre i avløpsdata
Alle avløpssystemer har et slags normalmønster.
Det er døgnvariasjoner, ukerytmer og sesongendringer. I tillegg påvirkes systemet av vær: regn, snøsmelting og perioder med tørke.
Når vi analyserer historiske mengdedata fra et renseanlegg over tid, begynner disse mønstrene å bli ganske tydelige.
For en driftsoperatør er mye av dette intuitivt. Man ser på været utenfor, kjenner anlegget og gjør justeringer basert på erfaring.
Les også: Når Kart og data ikke stemmer – slik fikk Trondheim kommune bedre data
Samtidig er mange av sammenhengene i avløpssystemer tidsforskjøvet og akkumulerte. Nedbør, grunnvann, jordmetning og tidligere belastning påvirker systemet lenge etter at været har endret seg. Når vi analyserer mange år med historiske data, blir det mulig å se mønstre som ikke er synlige i den daglige driften – men som likevel påvirker hvordan systemet faktisk oppfører seg.
Historiske driftsdata og maskinlæring
Basert på historiske driftsdata kan vi etablere et forventet bilde av hvordan belastningen på anlegget normalt utvikler seg gjennom døgnet, uka og året.
Maskinlæring brukes deretter til å analysere sammenhenger i dataene, også i kombinasjon med eksterne faktorer som nedbør, temperatur og sesongvariasjoner. Slik kan systemet både tolke dagens belastning og predikere hvordan den vil utvikle seg videre.
Når avløpsmengden avviker fra det forventede bildet, kan systemet estimere hvor mye av vannet som sannsynligvis er avløpsvann, og hvor mye som er fremmedvann.
Med andre ord: vi begynner å gjøre fremmedvannet målbart. Samtidig får vi et langt bedre bilde av den reelle belastningen på renseprosessen.
Artikkelen fortsetter under videoen.
Videoen er en titt inn i hvordan Halden (t.v.) og Bømlo kommuner bruker SCADA-systemer. Halden bruker system fra Guard Automation.
Kjemikalier etter behov
Denne innsikten danner grunnlaget for sanntidsoptimalisering av kjemikaliedosering. Når systemet forstår hvordan sammensetningen av vannet endrer seg, kan doseringen justeres løpende etter faktisk behov.
Flere anlegg rapporterer reduksjoner i kjemikalieforbruk på rundt 20–30 prosent, samtidig som rensegraden opprettholdes eller forbedres. Prosessen blir mer stabil og driften jevnere.
For operatørene betyr det mindre behov for manuelle justeringer og færre timer brukt på å følge opp prosessen – tid som kan brukes på andre oppgaver i anlegget.
Les også: Fra VHS til data – Asker får ny verdi ut av gamle rørinspeksjonsvideoer
Renseanlegget som målepunkt for hele nettet
Når fremmedvann først kan estimeres på renseanlegget, oppstår et nytt spørsmål:
Hvor i nettet kommer vannet fra?
Her beveger vi oss fra prosessoptimalisering til systemforståelse.
Vi startet derfor der dataene allerede finnes – på renseanlegget – og følger avløpssystemet oppstrøms derfra.
Ved å bruke den samme modellen som på renseanlegget kan man i praksis begynne å etablere soner i nettet med særlig høy belastning. I
En utfordring er at mange kommuner ikke har mengdemålere ute i nettet.
Derfor jobber vi også med å bruke indirekte datakilder – såkalte proxydata – for å få et bilde av vannmengder der det ikke finnes direkte målinger. Det gjør det mulig å jobbe mer systematisk med fremmedvann, selv i nett der instrumenteringen er begrenset.
Les også: Oslo reduserer vanntap med "big data" (2019)
Sensorer sendes gjennom ledninger
Samtidig jobber vi også med mer direkte metoder for å finne hvor vannet faktisk kommer inn i systemet. Prinsippet er enkelt: Når permanente sensorer ikke finnes i ledningsnettet, må dataene i stedet følge vannet.
Derfor har vi utviklet en flytende, autonom temperatursensor som beveger seg med avløpsstrømmen. I et miljø uten GPS rekonstrueres bevegelsen ved hjelp av IMU-sensorer og sensorfusjon, før banen korrigeres mot hydrauliske modeller og GIS-data.
Ved å analysere temperaturendringer, bevegelse og hydrauliske forhold kan systemet identifisere områder der vann trenger inn i nettet. Resultatet blir et varmekart over potensielle innlekkinger. Nøkkelen ligger i kombinasjonen av sensordata fra røret og digitale modeller av ledningsnettet.
Mobiltelefonen som forsvant
Utviklingen startet enkelt. I de første testene brukte vi en innkapslet mobiltelefon som testplattform.
Tidlig versjon t.h og en nyere versjon t.v.
Den kom aldri fram til endepunktet, men ga oss verdifull innsikt i hvordan sensoren faktisk oppfører seg i rørene – hvor tung den må være, hvor i vannstrømmen den flyter, og hvordan den beveger seg gjennom systemet. Slik ser ofte produktutvikling ut i praksis.
Siden Hallingtreff i januar har teknologien utviklet seg videre, både på software- og hardware-siden. Vi er nå klare med prototype av sensoren og planlegger pilotering sammen med Oslo kommune (Oslo VAV) etter påske, etter at vi har testet noen rørstrekk på hjemmebane sammen med Sandefjord kommune.
OT, IT og samarbeid med VA-drift
Arbeidet vårt skjer i skjæringspunktet mellom flere teknologier.
- Operasjonell teknologi (OT)
- IT-systemer
- Programvare
- Sensorer
Sensoren i nyeste versjon. Her et bilde av en prototype.
Men kanskje viktigst av alt skjer det i samarbeid med kommuner og driftsmiljøer.
Vi kan utvikle så mye teknologi vi vil, men uten driftserfaring og reelle anlegg å teste på kommer vi ikke langt. Det er i møtet mellom data, drift og praktiske forsøk at innovasjonen faktisk skjer.
For oss har dette arbeidet også vært en påminnelse om noe ganske enkelt:
Mange av svarene vi leter etter i VA-sektoren finnes allerede i dataene vi samler inn.
Noen ganger handler digitalisering derfor ikke om å samle mer data – men om å forstå det vi allerede har bedre.
