IVL Swedish Environmental Research Institute

Utsläpp av lustgas (N2O) utgör en betydande andel av klimatpåverkan från avloppsreningsverk (ARV). Medan de genomsnittliga utsläppen av lustgas från avloppsreningsverk med kväverening bedöms generellt ligga på ca 1,6 % av inkommande kväve förväntas inga lustgasemissioner i avloppsreningsverk utan kväverenande aktivitet. Detta eftersom lustgas bildas via processer som alla ingår i den biologiska kväveavskiljningen i avloppsvattenreningen. Dock kan det förekomma spontan och okontrollerad nitrifikation som kan leda till mycket höga lustgasutsläpp. Relativt ringa lustgasemissioner kan vara betydande för avloppsreningsverkens klimatavtryck eftersom lustgas är en mycket kraftig växthusgas, ca 273 gånger kraftigare än koldioxid. 

Trots den ökande kunskapen om lustgasutsläppens betydelse i avloppsreningsverkens klimatarbete utförs det fortfarande relativt få mätningar av lustgasutsläpp vid svenska ARV. Detta gör att det finns flera kunskapsluckor om och förståelse för lustgasutsläpp för att aktivt kunna vidta åtgärder för att minska dessa utsläpp. En anledning till att få mätningar genomförs är att det i dag inte finns krav på sådana mätningar och inte heller enkla metoder för lustgasmätning tillgängliga för VA-aktörer. 

Projektet har därför syftat till att öka kunskapen om lustgasutsläpp från avloppsrening i kallt klimat, med eller utan kontrollerad nitrifikation. Kallt klimat refererar till avloppsvatten som har minimitemperaturer ner till 4–5 grader. I samarbete med teknikleverantörer har dessutom nya lustgassensorer, anpassat för mätningar vid avloppsreningsverk, testats. För att kunna genomföra projektet med tilldelade medel och för att åstadkomma synergieffekter kopplades projektet till ett pågående pilotprojekt för kväverening i kall klimat vid Fillan avloppsreningsverk i Sundsvall, som även SVU medverkar i. 

Lustgasmätningar vid Fillan ARV som representerar en biologisk reningsprocess i kallt klimat utan kväverening är som förväntat låga. De uppmätta emissionerna uppgick till ca 0,17 % N2O-N/TN trots att en spontan och okontrollerad nitrifikation inte kunde observeras. Även om lustgasemissioner är låga så visar emissionsberäkningar att lustgasavgången ändå inte är försumbar och utgör ett avsevärt bidrag till klimatpåverkan.  

Lustgasmätningar i pilotanläggningen som representerar biologiska reningsprocesser med kväverening i kallt klimat indikerar att emissionerna kan antas vara i samma storleksordning eller högre som vid avloppsreningsverk med kväverening som inte har ett kallt inkommande avloppsvatten som regel. Ingen signifikant skillnad i lustgasemissioner kunde observeras mellan pilotens två linjer, varav den ena linjen värmdes med +4 °C mot referenslinjen. 

Utvärdering av de två nya sensorer från Unisense och Senseair har visat en mycket bra överensstämmelse mellan kalibrerade sensordata och referensmätningarna. Båda sensorer har därför en potential att användas för en kontinuerlig mätning av lustgas i gasfas ifall en kommersiell produktutveckling sker. Resultaten från kalibreringen indikerar dock vikten av en regelbunden kalibrering av sensorerna för att säkerställa korrekta mätningar, så som för sensorer i allmänhet. Kalibreringsmetoden som tillämpades inom projektet bedöms som rimlig men är inte den mest robusta eller noggranna metoden för en fullskaleimplementering.

Även utifrån andra implementeringsaspekter framstår de två testade sensorerna som ett tänkbart alternativ till andra mättekniker. Dock är dessa sensorer ännu inte kommersiellt tillgängliga och kompletterande långtidstester av sensorerna bör genomföras för en utvärdering som även kan ta hänsyn till aspekter relaterat till mätstabilitet och underhållsbehov vid långtidsdrift. 

En annan aspekt som projektet vill lyfta fram är vikten av att korrekta luftflödesmätningar utförs samtidigt som haltmätningarna. Endast en bra haltmätning i kombination med en korrekt luftflödesmätning vid mätpunkten kan ge ett korrekt underlag för emissionsberäkningar. Tyvärr kan det konstateras att enkla, robusta och ekonomiskt överkomliga sensorer för kontinuerlig luftflödesmätning inte finns idag och att det krävs en teknikutveckling även inom detta område.

Turbidity, which is the cloudiness or haziness of water caused by large numbers of individual particles, is a critical factor for drinking water producers. High turbidity can harbour harmful microorganisms and reduce the effectiveness of disinfection processes, making it essential to monitor and manage to ensure safe drinking water.This study was conducted at the Rökebo water production plant, which produces drinking water for Sandviken and nearby areas, serving around 29,000 people. The treatment process includes several steps, such as chemical precipitation, filtration, UV treatment, and chlorination, to ensure the water is safe to drink.

A new plant is being constructed to use only lake water and will include additional treatment steps to remove natural organic matter.Lake Öjaren is moderately sized, covering 21 square kilometres with an average depth of 4.66 meters, which means it is a shallow lake. The depth and shape of the lake influence how it responds to wind and weather, which can stir up sediments and affect water clarity. The catchment area of Lake Öjaren consists mainly of forest and moraine but has 5.5% clear-cuts, which contribute to higher turbidity levels in combination with heavy precipitation.

Climate change is expected to bring warmer temperatures and more rain to Sweden, affecting Lake Öjaren’s water quality and availability. Projections indicate that runoff to the lake will increase by about 15%, which is more than the average for the area. Less precipitation will fall as snow, leading to more water flowing into the lake during winter. These changes will likely increase the levels of nutrients and organic matter in the lake, increasing turbidity and calling for an adaptation strategy at the drinking water plant. We tested several machine learning models to predict water turbidity, including ElasticNet Regression, RandomForestRegressor, GradientBoostingRegressor, and XGBoost.

These models helped us understand which factors most affect turbidity. For example, the RandomForestRegressor model performed well, showing that air temperature, wind speed, and rainfall from the past few days were important predictors. The XGBoost model also provided valuable insights, particularly emphasising the impact of rainfall from four days prior. Despite using general meteorological data, our models successfully predicted local conditions in Lake Öjaren, demonstrating their robustness. However, capturing extreme turbidity events remains challenging. High-quality data and advanced techniques are crucial for improving predictive accuracy. Future work should focus on collecting more detailed data and refining models to support effective water management and mitigate climate change impacts on the drinking water production. This ongoing research is vital for ensuring a reliable drinking water supply, even under changing environmental conditions.