KR100683477B1 - 모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법 - Google Patents

Abstract

본 발명은 활성 슬러지 공정을 17개의 각 단위 공정으로 분류하고 상기 17개의 각 단위 공정에 대해 11개의 상태변수에 따른 각 화학양론계수 및 혐기, 무산소, 호기 조건별로의 반응속도식을 각각 독립적으로 모사하는 모듈형 모델을 이용하여, 혐기 공정 및 간헐 폭기 공정을 포함하는 상기 활성 슬러지 공정의 상기 11개의 상태변수 중 하나 이상의 상태변수에 대한 농도를 예측하고, 상기 예측에 기반하여 간헐 폭기 공정의 폭기 주기를 최적화하되,

상기 모듈형 모델은 첨부된 하기의 표에 의해 상기 17개의 각 단위 공정, 상기 11개의 상태변수에 따른 각 화학양론계수 및 상기 혐기, 무산소, 호기 조건별로의 반응속도식을 결정하는 모델인 것을 특징으로 하는,

모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법을 제공한다.

[표]

(여기서, S_A: 아세트산, S_F: 발효성 유기물질(fermentable organics), S_NH4: 암모니아성 질소, S_NO3: 질산염(nitrate), S_PO4: 인산염인(phosphate), X_S: 입자성 유기물질, X_H: 종속 영양 미생물, X_PAO: 인 축적 미생물, X_PP: 입자성 인산염인, X_PHA: 유기물 입자(organic particles), X_AUT: 독립 영양 미생물(질산화 미생물), i_NXS: X_S의 N함량, i_NBM: X_H,X_PAO,X_AUT의 N함량, i_PXS: X_S의 P함량, i_PBM: X_H,X_PAO,X_AUT의 P함량, Y_H: X_H의 증식 계수, Y_PO4: X_PAO의 저장된 PHA(polyhydroxy-alkanoate)당 요구되는 PP(polyphosphate), Y_PHA: X_PAO의 PP저장을 위해 요구되는 PHA, K_h: X_S의 가수분해 상수, η_NO3: 무산소상태의 가수분해 감소 계수, η_fe: X_S의 혐기 가수분해 감소 계수, μ_H: X_H의 최대 성장률, q_fe: X_H의 최대 발효율, b_H: X_H의 사멸률, q_PHA: X_PHA 저장 상수, q_PP: X_PP 저장 상수, μ_PAO: X_PAO의 최대 성장률, b_PAO: X_PAO 사멸률, b_pp: X_PP 자분해율, b_PHA: X_PHA 자분해율, u_AUT: X_AUT의 최대 성장률, b_AUT: X_AUT의 사멸률이고,

,

)

본 발명에 의하면 간단한 모듈형 모델을 이용하므로, 이 모듈형 모델을 활성 슬러지 공정 전체의 반응조 구성에 따라 단순 조합함으로써 활성 슬러지 공정 전체를 정량적으로 모사하는 수학적 모델을 얻을 수 있고, 이에 의해 활성 슬러지 공정의 수질 항목을 간단하고도 정확 및 신속하게 예측할 수 있다. 또한, 이러한 예측을 기반으로 유입 수질 변화에 대응하여 간헐 폭기 공정을 포함하는 질소 및 인 제거 공정의 폭기/비폭기 주기를 최적 결정함으로써, 질소 및 인 제거에 있어 안정성을 제고하고, 에너지 절약 및 노동력 절감의 운전비를 줄일 수 있다.

모듈형 모델, 폭기 주기, 암모니아성 질소 농도, 인산염인 농도

Description

모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법{METHOD FOR CONTROLLING ACTIVATED SLUDGE PROCESS BASED ON PREDICTION USING MODULE-TYPED MODEL}

도 1의 (a)는 단일슬러지 시스템, (b)는 간헐 폭기조를 포함하는 시스템, 즉, 무산소/호기 교호형(AAA: alternative anoxic aerobic) 시스템을 나타내는 모식도.

도 2는 본 발명의 제어 방법의 모식도.

도 3은 본 발명의 방법을 적용할 수 있는 시스템 구성의 한 예를 나타내는 개략도.

도 4는 모듈형 ASM 2d 모델을 정도 보정한 것을 이용하여, 도 3에 나타낸 구성으로 된 공정 중 호기조 내의 수질 항목을 예측한 결과를 나타내는 그래프.

도 5는 본 발명의 방법을 사용하여, 도 3에 나타낸 구성으로 된 공정 중 간헐 폭기 공정의 폭기 주기를 최적화한 때의, 유출수의 일별 암모니아성 질소 농도를 나타내는 그래프.

본 발명은 모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법에 관한 것으로서, 더욱 자세하게는 활성 슬러지 공정을 혐기, 무산소, 호기 조건별로 각각 독립적으로 모사하는 모듈형 모델을 이용하여, 혐기조 및 간헐 폭기조를 포함하는 활성 슬러지 공정의 1 이상의 수질 항목의 거동을 예측하고, 상기 예측에 기반하여 간헐 폭기 공정의 폭기 주기를 최적화하는 제어 방법에 관한 것이다.

하수 또는 폐수의 질소와 인 제거를 위해 공간적, 시간적으로 간헐 폭기를 제공하는 활성 슬러지 시스템이 이용될 수 있다.

도 1의 (a)에 나타낸 바와 같은 단일 슬러지 시스템은, 질소 제거를 위한 공간적인 간헐 폭기 시스템으로서, 각기 다른 미생물 반응에 따라 다른 반응조로 구성되어 있다. 유입수 중의 암모니아는 폭기조(2)에서 호기 조건하에 산화되고, 폭기조(2)로부터 전-탈질조(1)로 반송된 질산염은 전-탈질조(1)에서 유입수의 유기물을 탄소원으로 이용하는 탈질 미생물에 의해 무산소 조건하에 질소 가스로 환원된다. 세 번째 반응조인 후-탈질조(3)에서는 폭기조(2)로부터 유입된 질산염이 탈질 미생물의 내생 호흡을 통하여 무산소 조건하에 탈질된다. 끝으로, 네번째 반응조(4)에서는, 잔류 암모니아가 산화되고, 높은 슬러지 침전성을 위해 용존 산소를 증가시킨다.

도 1의 (b)에 나타낸 바와 같은, 시간적 간헐 폭기조를 포함하는 시스템, 즉, 무산소/호기 교호형(AAA: alternative anoxic aerobic) 시스템은, 각기 다른 반 응을 위해, 간단히 폭기 장치를 ON/OFF 함으로써 질산화(호기)/탈질(무산소), 인 방출(무산소)/인 과잉 섭취(호기)에 필요한 다른 환경을 하나의 반응조 내에서 연속적으로 만든다. 폭기되는 동안 유입 암모니아는 독립 영양 미생물(질산화 미생물)에 의해 질산화된다. 이어지는 비폭기 기간에, 생성된 질산염은 유입 유기 탄소의 존재하에 질소 가스로 탈질된다. 이와 같이 간헐 폭기 중에는 공간적인 간헐 폭기와 시간적인 간헐 폭기의 양자가 있으나, 본 발명의 명세서에서 단지 '간헐 폭기'라 하면, 시간적인 간헐 폭기를 가리키는 것으로 한다.

일반적으로 도 1의 (b)와 같은 간헐 폭기 시스템의 폭기/비폭기 주기는, 고정된 시간 주기, 예를 들면 1.5시간씩 폭기/비폭기로 나누어 운전되어 왔다. 이러한 형태의 공정 운전을 하는 경우, 동적으로 변화하는 유입수에 따라서 시스템이 능동적으로 대응할 수 없기 때문에, 유입수가 급격하게 변화하는 경우에는 방류수 수질 기준을 초과할 위험이 있다.

한편, 기존의 활성 슬러지 시스템 중의 폭기조에서는, 전체 공정에 소요되는 에너지의 60∼80%라는 다량의 에너지를 소비한다.

따라서 유입수 수질이 급격하게 변화하더라도 유출수(방류수) 수질 기준을 초과하지 않으면서 에너지 비용을 최소한으로 하도록 폭기 주기를 최적화하는 제어 방법의 개발이 요청되었다.

현재 질소/인 등 영양염류, 용존 산소, 산화/환원전위(ORP) 및 pH 센서 등을 이용한 연속 온라인 측정 및 제어 기술은 슬러지 소화, 영양 염류 제거(BNR) 등에서 실용적인 활성 슬러지 공정 제어 방법으로 이용되고 있다. 이러한 기술을 통해 서 공정의 장기 성능을 향상시킬 뿐만 아니라, 시스템 이상을 즉시 알 수 있으며, 에너지 및 화학약품의 사용량에 있어서도 상당한 절감을 도모하고 있다. 하지만 앞에 기술한 장점에도 불구하고, 센서를 이용한 이들 기법의 경우 잦은 센서 관리가 요구되어 실제 현장에서는 적절히 이용되고 있지 않다.

일반적인 공정 제어 방법의 하나로서, 공정을 모사하는 모델에 의해 공정이 행해지는 시스템 중의 어떤 상태변수의 값을 예측하고, 이 예측에 기반하여 각종 운전 조건 등을 최적화하는 제어 방법이 하나의 분야를 이루고 있다.

공정을 양적으로 모사하는 데에 사용되는 수학적 모델들은, 대상 시스템의 입력, 출력, 그리고 특징적 자료들과 관련있는 하나 또는 그 이상의 수식들로 이루어져 있다. 이러한 수학적 모델은, 반응 공정에 관여하는 상태변수들의 동적 변화를 표현해주는 역학적 모델(예: ASM 1, ASM 2d)과, 경험에만 의존하여 오차를 보정하는 블랙 박스 모델(예: 인공 신경망, 퍼지 알고리즘)로 나눌 수 있다. 이중 역학적 모델은, 주어진 시스템에 있어서의 사건을 더 잘 모사하기 때문에, 성공적인 제어를 위해서 보다 바람직하게 사용된다.

모델의 예측을 기반으로 적용되는 공정 제어 방법은 어느 정도의 불확실도를 갖는데, 이 불확실도는 일반적으로 오차의 피드백 과정을 통해서 최소화한다. 보정의 정도는 모델의 예측 정확도에 의존하는데, 보다 정확한 모델일수록 적은 정도 보정을 요구하고, 보다 안정적인 공정 제어를 보장한다.

IWA(국제 물 협회)의 업무추진그룹(task force group)에 의해 개발된 활성 슬러지 공정 설계 및 운전을 위한 수학적 모델 중 하나인 ASM 1 모델이, BOD 및 질 소 제거를 위한 많은 시스템에 적용되었다. 이 모델은 논리적 행렬 형태로 구성되었으며, 세부적인 생물학적 동역학들을 제공하고 질산화 및 탈질산화를 이해하는데 있어서 정확한 정보를 제공한다. 모든 상태변수들은 화학양론적인 계수들과 반응 속도 방정식들의 배열과 관련되어 있다. 각 성분에 대한 물질 수지 방정식은 화학양론계수들과 반응 속도 방정식들의 적절한 조합을 이용하여 연직 방향으로부터 이끌어낼 수 있다.

이전에 간헐 폭기 공정의 폭기/비폭기 공정 주기 제어를 위하여, IWA의 ASM1-3 모델을 이용한 모델 예측 기반 제어 방법, 즉, 모델 시뮬레이션을 통해서 유출수의 COD, TN, 혹은 TP를 규제치 이하로 조정하기 위해서, 반송 슬러지의 유량을 조절하거나, 폭기량을 제어하거나, 혹은 반응조의 슬러지의 양을 제어하는 방법이 제안되기도 했지만, 모델의 복잡성 때문에 실제 성공적으로 적용된 경우가 없다.

IWA의 ASM 2d 모델은 ASM 1과 ASM 2를 통합한 모델로서, 생물학적 영양물질 제거 공정에서 나타나는 유기물질의 산화, 질산화, 탈질, 인의 방출 및 섭취 등과 같은 다양한 미생물들의 반응들을 수학적으로 모델화한 것이다.

그러나 기존의 ASM 2d 모델(Henze et al., 1999)의 경우, 비선형 모델로서, 매우 복잡한 고차방정식으로 된 17개의 모델 방정식과 46개의 변수들이 포함되어 있어, 방정식을 적절하게 통합하기 위한 많은 계산적인 노력을 필요로 한다. 따라서 기존의 ASM 2d 모델(이하, 이러한 기존의 ASM 2d 모델을 본 발명에서 이용하는 모델과 구분하여, 'ASM 2d 풀(full) 모델'이라 한다)에 의하면, 공정의 모사는 가 능하지만, 이를 공정의 실시간 최적화를 위한 제어에 사용하기에는 어려움이 있었다.

따라서 합리적인 오차 범위내에서 활성 슬러지 공정을 예측하면서, 동시에 공정의 실시간 최적화를 위한 제어에 사용할 수 있는 간단한 모델의 개발이 요청되었다.

본 발명은, 기존의 고전적 간헐 폭기 공정(무산소/호기)은 물론, MLE(Modified Ludzack-Ettinger) 공정 중 혐기 공정 및 간헐 폭기 공정을 포함하는 모든 활성 슬러지 공정에 적용하여, 유입수의 탄소/질소, 인 부하 변화에 따라 능동적으로 대처하게 하면서도 에너지 비용을 최소화할 수 있도록 폭기 주기를 최적화하는데에 사용할 수 있는 제어 방법을 제공하는 것을 기술적 과제로 한다.

보다 구체적으로 본 발명은, 공정 모델을 이용한 예측에 기반하여 폭기 주기를 최적화하는 제어 방법에 있어서, 활성 슬러지 공정을 혐기, 무산소, 호기 조건별로 각각 독립적으로 모사하는, 선형화된 모듈형 모델의 각 모듈을 이용하여 각 단위 공정의 성능을 예측할 수 있게 하고, 이를 단순 조합함으로써 모델 구축이 어려웠던 복잡한 시스템들에 대한 모델 구축을 모델링에 대한 전문적 지식 없이도 손쉽게 할 수 있게 하는 것을 기술적 과제로 한다.

이러한 기술적 과제를 해결하기 위하여 이루어진 본 발명의 목적은, 활성 슬러지 공정을 혐기, 무산소, 호기 조건별로 각각 독립적으로 모사하는 모듈형 모델을 이용하여, 혐기 공정 및 간헐 폭기 공정을 포함하는 활성 슬러지 공정의 1 이상 의 수질 항목의 거동을 예측하고, 상기 예측에 기반하여 간헐 폭기 공정의 폭기 주기를 최적화하는, 모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법을 제공하는 것에 있다.

또한, 본 발명의 목적은, 상기와 같은 모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법으로서, 상기 수질 항목이 유출수 암모니아성 질소 농도 및 인산염인 농도 중 적어도 어느 하나인 것을 특징으로 하는 방법을 제공하는 것에 있다.

또한, 본 발명의 목적은, 상기와 같은 모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법으로서, 상기 모듈형 모델이 IWA의 ASM 2d 모델을 선형화한 모듈형 모델인 것을 특징으로 하는 방법을 제공하는 것에 있다.

또한, 본 발명의 목적은, 상기와 같은 모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법으로서, 상기 모듈형 모델이, 피드백 방법에 의해 정도 보정한 것임을 특징으로 하는 방법을 제공하는 것에 있다.

본 발명의 상기 목적을 달성하기 위한 구성을, 첨부한 도면을 참조하여 이하에 상세히 설명한다.

본 발명에서 이용하는 예측 모델은, IWA의 ASM 2d 모델 중의 비선형 모노드 텀(Monod term)들을 선형화한 모델로서, 특히 생물 반응의 혐기, 무산소, 호기의 각 조건별 공정을 개별적으로 모사하는 모듈형의 모델이다.

'모듈형 모델'이란, 블럭 형태로 조합하여 사용할 수 있는 모델이라는 의미 로서, 모델을 이루는 각 모듈을 이용하면 각 단위 공정의 성능을 예측할 수 있고, 그 모듈을 단순 조합함에 의해, 다양한 반응조로 이루어진 시스템의 전체 공정을 간단히 모사할 수 있게 해 주는 모델을 말한다.

본 발명에 의하면 선형의 모듈형 모델의 각 모듈을 이용하여 각 단위 공정의 성능을 예측할 수 있고, 그 모듈을 하수 처리 시스템 전체의 반응조 구성에 따라 단순 조합함에 의해, 시스템 전체 공정을 간단히 모사하는 모델을 얻을 수 있으며, 이에 따라 활성 슬러지 공정 중의 수질 항목을, 간단하고도 정확 및 신속하게 예측할 수 있다. 또한 이 예측에 기반하여, 간헐 폭기 공정의 폭기 주기 등의 운전 조건을 최적화할 수 있다.

[본 발명에서 이용하는 모듈형 모델의 기본 구성]

이하 본 발명에서 이용하는 모듈형 모델을 상세하게 설명한다. 하기 표 1에, 본 발명에서 이용하는 모듈형 모델의 화학양론계수(stoichiometry) 및 반응속도식(process rate equations)을 기재하였다. 본 발명에서 이용하는 모델은 활성 슬러지 공정을 혐기, 무산소, 호기의 3개의 조건별로 각각 독립적으로 모사하는 모듈형 모델로서, 혐기, 무산소, 호기의 3개의 조건별로 반응속도식이 다르게 주어진다.

표 1: 본 발명에서 이용하는 선형화된 모듈형 ASM 2d 모델의 화학양론계수 및 반응속도식

상기 모델은 11개의 상태변수, 17개의 반응, 3개의 모듈로 이루어진 것이다.

11개의 상태변수는 이하와 같다.

1) S_A: 아세트산

2) S_F: 발효성 유기물질(fermentable organics)

3) S_NH4: 암모니아성 질소

4) S_NO3: 질산염(nitrate)

5) S_PO4: 인산염인(phosphate)

6) X_S: 입자성 유기물질

7) X_H: 종속 영양 미생물

8) X_PAO: 인 축적 미생물

9) X_PP: 입자성 인산염인

10) X_PHA: 유기물 입자(organic particles)

11) X_AUT: 독립 영양 미생물(질산화 미생물)

17개의 반응은 상기 표 1에 나타난 바와 같다.
또한, 상기 표 1에 나타난 각각의 변수들에 대해서는 다음과 같이 정의할 수 있다.
i_NXS: X_S의 N함량, i_NBM: X_H,X_PAO,X_AUT의 N함량, i_PXS: X_S의 P함량, i_PBM: X_H,X_PAO,X_AUT의 P함량, Y_H: X_H의 증식 계수, Y_PO4: X_PAO의 저장된 PHA(polyhydroxy-alkanoate)당 요구되는 PP(polyphosphate), Y_PHA: X_PAO의 PP저장을 위해 요구되는 PHA, K_h: X_S의 가수분해 상수, η_NO3: 무산소상태의 가수분해 감소 계수, η_fe: X_S의 혐기 가수분해 감소 계수, μ_H: X_H의 최대 성장률, q_fe: X_H의 최대 발효율, b_H: X_H의 사멸률, q_PHA: X_PHA 저장 상수, q_PP: X_PP 저장 상수, μ_PAO: X_PAO의 최대 성장률, b_PAO: X_PAO 사멸률, b_pp: X_PP 자분해율, b_PHA: X_PHA 자분해율, u_AUT: X_AUT의 최대 성장률, b_AUT: X_AUT의 사멸률 및

,

또한, 모듈형 모델에 나지 않은 변수인 K_X, K_F, K_A, K_PS, S_PO4 및 K_P는 종래의 ASM 2d 풀(full) 모델에서 정의하고 있는 바와 같다.
즉, K_X: X_H의 입자 COD를 위한 흡입/억제 계수, K_F: S_F의 성장을 위한 흡입 계수, K_A: S_A의 흡입 계수, K_PS: PP에 저장된 인의 흡입 계수, K_P: 인의 흡입 계수이다.

이하에는, 본 발명에서 이용하는, 활성 슬러지 공정을 혐기, 무산소, 호기 조건별로 각각 독립적으로 모사하는 모듈형 모델을 매트릭스형으로 표현했을 때의 행렬 인자인 SB_cxxx(i,j) 및 그 의미를 기술한다. SB_cxxx(i,j)에서 xxx는 혐기, 무산소 또는 호기의 각 조건을 가리킨다. 이 행렬 인자는 아래에 나타나 있는 바와 같이, 화학양론계수 및 반응속도식의 곱으로 이루어지는 것이다.

No. 1 : 아세테이트(S _A )에 관한 물질 수지 및 동력학 인자들

-호기 조건 모델에 이용되는 인자들

SB_cair(1,1) = -μ_h×J₃ X_H 성장에 따른 소비

SB_cair(1,10) = b_PHA PHA(유기물 입자) 분해에 따른 증가

-무산소 조건 모델에 이용되는 인자들

SB_cano(1,1) = -μ_H×η_NO3×J₅ X_H 성장에 따른 소비

SB_cano(1,10) = b_PHA PHA 분해에 따른 증가

-혐기 조건 모델에 이용되는 인자들

SB_cana(1,1) = -q_PHA×J₇ PHA 축적에 따른 소비

SB_cana(1,2) = q_fe×J₆ 발효에 의한 증가

SB_cana(1,10) = b_PHA PHA 분해에 따른 증가

No. 2 : 발효성 유기물(S _F )에 관한 물질 수지 및 동력학 인자들

-호기 조건 모델에 이용되는 인자들

SB_cair(2,2) = -μ_H×J₂ X_H 성장에 따른 소비

SB_cair(2,6) = K_H×J₁ X_S의 가수분해에 의한 증가

-무산소 조건 모델에 이용되는 인자들

SB_cano(2,2) = -μ_H×η_NO3×J₄ X_H 성장에 따른 소비

SB_cano(2,6) = K_H×η_NO3×J₁ X_S의 무산소 가수분해에 의한 증가

-혐기 조건 모델에 이용되는 인자들

SB_cana(2,2) = -q_fe×J₆ 혐기 발효에 의한 손실

SB_cana(2,6) = K_H×η_fe×J₁ X_S의 혐기 가수분해에 의한 증가

No. 3: 암모니아성 질소(S _NH4 )에 관한 물질 수지 및 동력학 인자들

-호기 조건 모델에 이용되는 인자들

SB_cair(3,1) = -0.07 × Y_H S_A를 이용한 X_H 성장에 따른 소비

SB_cair(3,2) = -0.07 × Y_H S_F를 이용한 X_H 성장에 따른 소비

SB_cair(3,3) = -0.086-μ_AUT×J₁₀ X_AUT 성장에 따른 소비

SB_cair(3,6) = 0.01×K_H×J₁ X_S의 가수분해에 의한 증가

SB_cair(3,7) = 0.031×b_H X_H의 분해에 따른 증가

SB_cair(3,8) = 0.031×b_PAO X_PAO의 분해에 따른 증가

SB_cair(3,11) = 0.031×b_AUT X_AUT의 분해에 따른 증가

-무산소 조건 모델에 이용되는 인자들

SB_cano(3,1) = -0.07×Y_H S_A를 이용한 X_H 성장에 따른 소비

SB_cano(3,2) = -0.07×Y_H S_F를 이용한 X_H 성장에 따른 소비

SB_cano(3,6) = 0.01×K_H×η_NO3×J₁ X_S의 무산소 가수분해에 의한 증가

SB_cano(3,7) = 0.031×b_H X_H의 분해에 따른 증가

SB_cano(3,8) = 0.031×b_PAO X_PAO의 분해에 따른 증가

SB_cano(3,11) = 0.031×b_AUT X_AUT의 분해에 따른 증가

-혐기 조건 모델에 이용되는 인자들

SB_cana(3,6) = 0.01×K_H×η_fe×J₁ X_S의 혐기 가수분해에 의한 증가

SB_cana(3,7) = 0.031×b_H X_H의 분해에 따른 증가

SB_cana(3,8) = 0.031×b_PAO X_PAO의 분해에 따른 증가

SB_cana(3,11) = 0.031×b_AUT X_AUT의 분해에 따른 증가

No. 4: 질산염(S _NO3 )에 관한 물질 수지 및 동력학 인자들

-호기 조건 모델에 이용되는 인자들

SB_cair(4,3) = 1×μ_AUT×J₁₀×Y_a 질산화에 의한 증가

-무산소 조건 모델에 이용되는 인자들

SB_cano(4,2) = -(1-Y_h)/2.86Y_H×μ_H×η_NO3×J₄ S_F를 이용한 X_H 무산소 성 장에 따른 소비

SB_cano(4,1) = -(1-Y_h)/2.86Y_H×μ_H×η_NO3×J₅ S_A를 이용한 X_H 무산소 성장에 따른 소비

No. 5: 인산염인(S_po)에 관한 물질 수지 및 동력학 인자들

-호기 조건 모델에 이용되는 인자들

SB_cair(5,1) = -0.02×Y_H S_A를 이용한 X_H 성장에 따른 소비

SB_cair(5,2) = -0.02×Y_H S_F를 이용한 X_H 성장에 따른 소비

_{SBcair(5,5) =} -q_PP×J₈-0.02×μ_PAO×J₉ 입자성 인산염인 축적에 따른 소비

SB_cair(5,7) = 0.01×b_H X_H의 분해에 따른 증가

SB_cair(5,8) = 0.01×b_PAO X_PAO의 분해에 따른 증가

SB_cair(5,11) = 0.01×b_AUT X_AUT의 분해에 따른 증가

-무산소 조건 모델에 이용되는 인자들

SB_cano(5,1) = -0.02×Y_H S_A를 이용한 X_H 성장에 따른 소비

SB_cano(5,2) = -0.02×Y_H S_F를 이용한 X_H 성장에 따른 소비

SB_cano(5,5) = -q_PP×J₈-0.02×μ_PAO×J₉ S_F를 이용한 X_H 성장에 따른 소비

SB_cano(5,7) = 0.01×b_H X_H의 분해에 따른 증가

SB_cano(5,8) = 0.01×b_PAO X_PAO의 분해에 따른 증가

SB_cano(5,11) = 0.01×b_AUT X_AUT의 분해에 따른 증가

-혐기 조건 모델에 이용되는 인자들

SB_cana(5,1) = Y_po×q_PHA×J₇ 과잉 인방출로 인한 증가

SB_cana(5,7) = 0.01×b_H X_H의 분해에 따른 증가

SB_cana(5,8) = 0.01×b_PAO X_PAO의 분해에 따른 증가

SB_cana(5,11) = 0.01×b_AUT X_AUT의 분해에 따른 증가

No. 6: 입자성 유기물질(X_S )에 관한 물질 수지 및 동역학 인자들

-호기 조건 모델에 이용되는 인자들

SB_cair(6,6) = -K_H×J₁ 호기성 가수분해에 따른 소비

SB_cair(6,7) = b_H X_H의 분해에 따른 증가

SB_cair(6,8) = b_PAO X_PAO의 분해에 따른 증가

SB_cair(6,11) = b_AUT X_AUT로 인한 증가

-무산소 조건 모델에 이용되는 인자들

SB_cano(6,6) = -K_H×η_NO3×J₁ 무산소 가수분해에 따른 소비

SB_cano(6,7) = b_H X_H의 분해에 따른 증가

SB_cano(6,8) = b_PAO X_PAO의 분해에 따른 증가

SB_cano(6,11) = b_AUT X_AUT의 분해에 따른 증가

-혐기 조건 모델에 이용되는 인자들

SB_cana(6,6) = -K_H×n_fe×J₁ 혐기성 가수분해에 따른 소비

SB_cana(6,7) = b_H X_H의 분해에 따른 증가

SB_cana(6,8) = b_PAO X_PAO의 분해에 따른 증가

SB_cana(6,11) = b_AUT X_AUT의 분해에 따른 증가

No. 7: 종속 영양 미생물(X_H )에 관한 물질 수지 및 동역학 인자들

-호기 조건 모델에 이용되는 인자들

SB_cair(7,2) = Y_H×μ_H×J₂ S_A를 이용한 X_H의 호기성 성장

SB_cair(7,1) = Y_H×μ_H×J₃ S_F를 이용한 X_H의 호기성 성장

SB_cair(7,7) = -b_H X_H의 사멸

-무산소 조건 모델에 이용되는 인자들

SB_cano(7,1) = Y_H×μ_H×η_NO3×J₅ S_A를 이용한 X_H의 무산소 성장

SB_cano(7,2) = Y_H×μ_H×η_NO3×J₄ S_F를 이용한 X_H의 무산소 성장

SB_cano(7,7) = -b_H X_H의 사멸

-혐기 조건 모델에 이용되는 인자들

SB_cana(7,7) = -b_H X_H의 사멸

No. 8: 인 축적 미생물(X _PAO )에 관한 물질 수지 및 동역학 인자들

-호기 조건 모델에 이용되는 인자들

SB_cair(8,5) = Y_h×μ_PAO×J₉ PHA를 이용한 X_PAO의 호기 성장

SB_cair(8,8) = -b_PAO 호기 조건하에서 X_PAO의 사멸

-무산소 조건 모델에 이용되는 인자들

SB_cano(8,8) = -b_PAO 무산소 조건하에서 X_PAO의 사멸

-혐기 조건 모델에 이용되는 인자들

SB_cana(8,8) = -b_PAO 혐기 조건하에서 X_PAO의 사멸

No. 9: 입자성 인산염인(X _PP )에 관한 물질 수지 및 동역학 인자들

-호기 조건 모델에 이용되는 인자들

SB_cair(9,5) = q_PP×J₈ 호기 상태에서의 X_PP의 축적

SB_cair(9,9) = -b_PP X_PP의 호기 상태에서의 사멸

-무산소 조건 모델에 이용되는 인자들

SB_cano(9,9) = -b_PP X_PP의 무산소 상태에서의 사멸

-혐기 조건 모델에 이용되는 인자들

SB_cana(9,1) = -Y_po×q_PP×J₇ X_PP의 혐기 조건에서의 소비

SB_cana(9,9) = -b_PP X_PP의 혐기 조건에서의 사멸

No. 10: 유기물 입자(organic particles)(X _PHA )에 관한 물질 수지 및 동역학 인자들

-호기 조건 모델에 이용되는 인자들

SB_cair(10,5) = -Y_PHA×q_PHA×J₈-μ_PAO×J₉/Y_h PHA를 이용한 X_PAO에 따른 소비

SB_cair(10,10) = -b_PHA 호기성 조건에서 PHA 분해에 의한 소멸

-무산소 조건 모델에 이용되는 인자들

SB_cano(10,10) = -b_PHA 무산소 조건에서 PHA 분해에 의한 소멸

-혐기 조건 모델에 이용되는 인자들

SB_cana(10,1) = q_PHA×J₇ 혐기 조건에서 PHA의 축적

SB_cana(10,10) = -b_PHA 혐기 조건에서 PHA의 소멸

No. 11: 독립 영양 미생물( X _AUT )에 관한 물질 수지 및 동역학 인자들

-호기 조건 모델에 이용되는 인자들

SB_cair(11,3) = Y_a×μ_AUT S_NH4를 이용한 X_AUT의 호기성 성장

SB_cair(11,11)= -b_AUT 호기 조건에서의 X_AUT의 소멸

-무산소 조건 모델에 이용되는 인자들

SB_cano(11,11)= -b_AUT 무산소 조건에서의 X_AUT의 소멸

-혐기 조건 모델에 이용되는 인자들

SB_cana(11,11)= -b_AUT 혐기 조건에서의 X_AUT의 소멸

[물질수지식의 도출 및 수질 항목의 예측]

완전 혼합 반응조를 가정할 때, 각 반응조에서의 상기 모델에 의해 도출되는 물질수지식의 기본 형태는 다음과 같다.

dC_in/dT = {상태변수 C_i의 반응조(n)에의 유입량/HRT_n}

- {상태변수 C_i의 반응조(n)으로부터의 유출량/HRT_n}

+ ∑ SB_cxxx(i,j)C_in [i, j=1∼11] ……식(1)

상기 식(1)에서, dC_in/dt는 상태변수 C_i의 반응조(n) 중의 농도 변화율, HRT_n는 반응조(n)에서의 체류시간을 나타내며, SB_cxxx(i,j)이 나타내는 바에 대해서는 상술한 바와 같다.

혐기 공정 및 간헐 폭기 공정을 포함하는 활성 슬러지 공정의 경우, 혐기 공정에 대해서는 혐기 모듈을, 간헐 폭기 공정의 폭기 OFF 상태에 대해서는 무산소 모듈을, 간헐 폭기 공정의 폭기 ON 상태에 대해서는 호기 모듈을 적용하여, 각 단위 공정마다 물질수지식을 표현할 수 있다. 각 상태변수의 각 반응조로의 유입량 및 각 반응조로부터의 유출량에 있어서는, 시스템의 반응조 내부 반송 또는 슬러지 반송 등이 있는 경우 이에 의한 유입분 및 유출분도 고려되어야 함은 물론이다.

이러한 물질수지식을 이용한 적분에 의해, 각 상태변수의 시간 (t)에서의 농도를 예측할 수 있다.

즉, 본 발명의 상기 모델에 포함되는 수질 항목(농도)을, 모델에 의하여 주어지는 물질수지식의 적분에 의해 예측할 수 있다.

[폭기 주기의 최적화]

이하에서는 상기 얻어진 수질 항목(농도)의 예측치에 기반하여 간헐 폭기 공정의 폭기 주기를 최적 제어하는 단계를 설명한다.

폭기 주기의 최적 제어에 이용하는 수질 항목의 예측치로서는, 유출수 중의 암모니아성 질소 농도 및 인산염인 농도 중 적어도 어느 하나의 수질 항목의 예측치가 바람직하며, 그 중 유출수 중의 암모니아성 질소 농도의 예측치가 특히 바람직하다. 유출수 중의 인산염인 농도의 예측치를 이용해도 효율적인 폭기 주기의 제어가 가능하나, 우리나라 하수의 특성상, 인산염인 농도가 암모니아성 질소 농도보다 낮고, 또 암모니아의 독성이 더 강하므로, 실용적인 면에서는 암모니아성 질소 농도의 예측치를 이용한 제어가 더 널리 이용될 수 있다.

간헐 폭기 공정이 포함된 MLE 공정의 운전 최적화를 위한 제어 인자는 총 HRT 중 폭기 시간의 분율(f_a)이다.

f_a = t_a / t_c

t_a: 간헐 폭기조에서의 1주기당 폭기 시간

t_c: 간헐 폭기조에서의 1주기(1주기당 폭기 시간과 1주기당 비폭기 시간의 합)

하수처리장 운전 비용 중 상당 부분이 폭기에 소요되기 때문에, 방류수의 허용 NH₄ ⁺-N 및 PO₄ ^{3 -}-P를 충족시키면서 폭기에 소요되는 에너지를 최소화시킬 수 있는 최적의 t_c 및 f_a를 결정해야 한다.

최적화 루틴에 있어서는 가장 최근의 이용 가능한 측정값들을 이용하여 유출 수 중 암모니아성 질소의 일평균 배출 농도를 예측하기 위하여, 시스템에 대한 상기 모델을 이용한다. 또, 얻어진 예측치를 바탕으로 최적 t_c 와 f_a를 도출한다.

공정 관리인은 소정의 기간마다 유입수와 유출수의 조성을 분석하여 이를 입력해야 한다. 입력하는 분석 항목은, 예를 들어 유출수 암모니아성 질소 농도의 예측에 기반하여 폭기 주기를 최적화하는 경우에는, 유입수 및 유출수의 총 COD, 용존 COD, NH₄ ⁺, 총킬달질소(TKN), NO₂ ^-, NO₃ ^- 이다.

상기 소정의 기간은 임의로 정할 수 있으나, 예를 들어 1일 1회 유입수와 유출수의 조성을 분석하는 경우에는, 전일의 분석치를 바탕으로 당일 운전 조건에 대한 t_c 와 f_a를 설정하면 된다.

이하에서는 유출수 암모니아성 질소 농도의 예측에 기반하여 폭기 주기를 최적화하는 방법의 예를 상세히 설명한다.

2개의 제어 변수인 t_c 와 f_a는 유출수의 암모니아성 질소 농도 허용 기준을 만족시켜야 한다(하기 식(3)). 하기 식(3)에서 NH₄ ⁺-N_max는 일평균 암모니아 배출 농도 중에서 허용 가능한 최대 농도를 나타낸다. 이와 동시에 2개의 제어 변수인 t_c 와 f_a는 폭기에 투여되는 에너지 사용 비용을 최소화하도록 조작된다(하기 식(2)). 식(2)에서는, 운전 비용은 오직 폭기 시간에 비례하는 것으로 가정하였으며, 하수의 펌핑 및 교반 등과 관련된 다른 비용들은 무시되었다.

최소화{f_a×t_c} ……식(2)

NH₄ ⁺-N ≤ NH₄ ⁺-N_max ……식(3)

f_a×t_c ≥ t₁ ……식(4)

(1-f_a)×t_c ≥ t₂ ……식(5)

f_a×t_c ≤ t₃ ……식(6)

(1-f_a)×t_c ≤ t₄ ……식(7)

상기 식(4)∼(7)에서 t₁은 1주기당 폭기 시간의 최소값, t₂는 1주기당 비폭기 시간의 최소값을 나타내며(예를 들면, t₁ = t₂ = 0.25시간), t₃은 1주기당 폭기 시간의 최대값, t₄는 1주기당 비폭기 시간의 최대값이라는 시간적 제한을 나타낸다(예를 들면, t₃ = t₄ = 4시간). 이와 같이 폭기 및 비폭기 시간의 최소값, 최대값을 두어야 하는 이유는, 최소값을 두지 않을 경우, 최적화 루틴이 폭기 시간을 최소화하여 결과적으로 0시간의 폭기 시간을 갖게 되어 질산화 미생물의 성장을 저해하게 되어버리고, 최대값을 두지 않을 경우, 반응의 주기적 교체가 일어나지 않게 되어 버리기 때문이다.

목적을 만족하는 f_a 및 t_c는 이하와 같은 최적화 루틴을 거쳐 구할 수 있다.

현재 간헐 폭기조가 비폭기 상태에 있다면, 아래 [1]를 수행하고, 폭기 상태 에 있다면, 아래 [2]를 수행한다.

[1] 비폭기 상태에 있는 경우

(1) f_a × t_c의 시간동안 상기 모듈형 모델 중 호기 조건 모델식을 실행시키고 그 모델식으로부터 구해지는 NH₄ ⁺-N를 NH₄ ⁺-N_(누적)로 한다.

(2) 이후 (1-f_a) × t_c의 시간동안 상기 모듈형 모델 중 무산소/혐기 조건 모델식을 실행시키고 그 모델식으로부터 구해지는 NH₄ ⁺-N를 NH₄ ⁺-N_(누적)로 한다.

이상 (1) 및 (2)의 과정을 24/t_c 회 반복하여, 그로부터 구해지는 NH₄ ⁺-N를 NH₄ ⁺-N_(누적)로 한다. NH₄ ⁺-N_(누적) / 24 ≤ NH₄ ⁺-N_max를 만족하면 종료하고, 만족하지 않는다면 만족할 때까지 f_a 및 t_c를 변화시키면서 이상을 반복한다.

[2] 폭기 상태에 있는 경우

(1) (1-f_a) × t_c의 시간동안 상기 모듈형 모델 중 무산소/혐기 조건 모델식을 실행시키고 그 모델식으로부터 구해지는 NH₄ ⁺-N를 NH₄ ⁺-N_(누적)로 한다.

(2) 이후 f_a × t_c의 시간동안 상기 모듈형 모델 중 호기 조건 모델식을 실행시키고 그 모델식으로부터 구해지는 NH₄ ⁺-N를 NH₄ ⁺-N_(누적)로 한다.

이상 (1) 및 (2)의 과정을 24/t_c회 반복하여, 그로부터 구해지는 NH₄ ⁺-N를 NH₄ ⁺-N_(누적)로 한다. NH₄ ⁺-N_(누적) / 24 ≤ NH₄ ⁺-N_max를 만족하면 종료하고, 만족하지 않으면 만족할 때까지 f_a 및 t_c를 변화시키면서 이상을 반복한다.

[모델의 보정]

제어를 위한 선형 모델을 사용하는 데에 있어서 고려해야 할 필요가 있는 중요한 문제점 중 하나인, 모델의 예상치와 실제 공정의 측정치 간의 오차는 다음과 같이 오차의 피드백을 적용함으로써 해결할 수 있다.

운전 제d일에, 상기 식(3)∼(7)으로부터 (t_c)_d 및 (f_a)_d을 결정한다. 이 값들을 반응조에 적용하게 될 때, 제d일 동안 채집한 유출수를 분석하여 얻은 실제의 NH₄ ⁺-N, 즉, (NH₄ ⁺-N_real)_d 과 선형 모델에 의해서 예측된 값, 즉, (NH₄ ⁺-N_prediction)_d이 다르게 된다. 암모니아성 질소 농도의 실측치와 모델에 의한 예측치의 차이를 하기 식(8)에 의해 정의한다.

ΔNH₄ ⁺-N = NH₄ ⁺-N_real - NH₄ ⁺-N_prediction ……식(8)

공정 모델의 불일치를 보상하기 위하여, NH₄ ⁺-N_real이 NH₄ ⁺-N_max과 같아지도록, 시스템 운전 제d일의 유출수 암모니아성 농도의 최적치(= 최대 허용치)인 (NH₄ ⁺-N_max)_d로부터 운전 제d일의 ΔNH₄ ⁺-N인 (ΔNH₄ ⁺-N)_d을 빼서, 그 차분을 운전 제d+1일에 있어서의 최적화를 위한 시뮬레이션의 NH₄ ⁺-N 제한값, 즉, (NH₄ ⁺-N_max)_d+1로 설정한다.

(NH₄ ⁺-N_max)_d+1 = (NH₄ ⁺-N_max)_d - (ΔNH₄ ⁺-N)_d ……식(9)

예를 들면, 만약 운전 제d일차의 최적화를 위한 시뮬레이션의 NH₄ ⁺-N 제한값이 1.0 mg/L이고, NH₄ ⁺-N_prediction이 1 mg/L이고 NH₄ ⁺-N_real이 0.8 mg/L라고 할 때, 상기 식(8) 및 (9)에 의해,

(ΔNH₄ ⁺-N)_d = (NH₄ ⁺-N_real)_d - (NH₄ ⁺-N_prediction)_d = 0.8 - 1 = -0.2 (mg/L),

(NH₄ ⁺-N_max)_d+1 = (NH₄ ⁺-N_max)_d - (ΔNH₄ ⁺-N)_d = 1 - (-0.2) = 1.2 (mg/L)과 같이 연산되어, 운전 제d+1일에 있어서의 최적화를 위한 시뮬레이션의 NH₄ ⁺-N 제한값인 (NH₄ ⁺-N_max)_d+1은 1.2 mg/L로 설정된다.

이러한 피드백을 확고하게 만들고, 일변동에 대하여 너무 급격하게 반응하는 것을 피하기 위해서, 상기 식(9) 중 (ΔNH₄ ⁺-N)_d를, 제d일에 계산된 불일치값(Δ NH⁺ ₄-N)_d과 그 전일, 즉 제d-1일에 계산된 불일치값(ΔNH⁺ ₄-N)_d-1의 지수적 가중 이동 평균인 δ 코렉션(correction), 즉, δNH⁺ ₄-N|_d 로 대체해도 좋다.

δNH⁺ ₄-N|_d = 0.5×(ΔNH⁺ ₄-N)_d + 0.5×(ΔNH⁺ ₄-N)_d-1 ……식(10)

도 2에 이상에서 설명한 본 발명의 제어 방법의 모식도를 나타내었다.

[실시예]

이하에, 본 발명의 방법을 보다 구체적으로 설명하기 위하여, 도 3에 나타낸 바와 같은, 혐기조(1) - 완충조(2) - 간헐 폭기 방식으로 운전되는 호환조(3) - 호기조(4)의 구성으로 된 일련의 반응조 및 침전조(5)로 이루어지고, 호기조에서 완충조로 혼합액이 내부 반송되며, 침전조에서 혐기조로의 활성 슬러지 반송이 있는, 하수의 고도 처리 시스템에 의한 활성 슬러지 공정의 제어에 본 발명의 방법을 적용한 실시예를 설명한다.

본 실시예는 본 발명의 제어 방법에 의한 제어의 실례(實例)를 소개하여 이해를 돕기 위하여 기재하는 것으로서, 본 발명의 방법이 이 실시에에 기재한 바와 같은 구성으로 된 시스템의 공정에만 한정 적용되는 것은 아니다.

이 시스템 중 혐기조에 대해서는 본 발명에서 이용하는 모듈형 모델의 혐기 모듈이 적용되며, 호환조에서 혐기조로의 산소 유입을 차단하기 위한 반응조인 완충조에 대해서는 혐기 모듈이 적용되며, 간헐 폭기 방식으로 운전되는 호환조는, 폭기 상태에 대해서는 호기 모듈, 비폭기 상태에 대해서는 무산소 모듈이 적용되며, 호기조에 대해서는 호기 모듈이 적용된다.

이하에 이 시스템의 각 반응조별 물질수지식을 나타내었다.

물질수지식 중 유입 및 유출 부분에는, 내부 반송 및 활성 슬러지 반송으로 인한 유입분과 유출분이 반영되었다.

물질수지식의 각 항목에 기재된 아래 첨자 중 1은 혐기조 및 완충조, 3은 호환조, 4는 호기조를 나타낸다.

(물질수지식)

상기 물질수지식을 이용한 적분에 의해, 각 상태변수의 시간 (t)에서의 농도를 예측할 수 있다. 도 4는 본 발명의 모듈형 ASM 2d 모델을 정도 보정한 것을 이용하여, 도 3에 나타낸 구성으로 된 시스템 중 호기조 내의 수질 항목(NH₄ ⁺-N, NO₃ ^--N, PO₄ ^3--P 농도)을 예측한 결과를 나타내는 그래프이다. 도 4에서 알 수 있듯이, 이 모듈형 모델은 호기조 내의 NH₄ ⁺, NO₃ ^-, PO₄ ^3-의 거동을 잘 예측하고 있다. 작은 변동폭이지만, 전단의 MLE 공정내의 간헐 폭기 공정의 영향 때문에 전체 공정의 폭기/비폭기 주기가 달라지고, 그 폭기/비폭기 주기에 따라서, 영양 염류들이 변동하는 것을 알 수 있다.

상기 물질수지식을 본 발명의 최적화 루틴에 적용하여, 간헐 폭기 공정으로 운전되는 호환조의 폭기 주기를 최적화하였다. 도 5는 본 발명의 방법을 사용하여, 도 3에 나타낸 시스템의 공정 중 간헐 폭기 공정의 폭기 주기를 최적화한 때의, 유출수의 일별 암모니아성 질소 농도를 나타내는 그래프이다. 각 반응조내의 체류시간은 혐기조 1시간, 완충조 0.5시간, 간헐 폭기조인 호환조 3시간, 호기조 1시간으로 하였다. 도 5에서 알 수 있듯이, NH₄ ⁺-N값이 요구되는 제한값을 좀처럼 위반하지 않았다.

상기 실시예의 결과로부터, 본 발명의 모듈형 모델을 이용함에 의해, 간단하면서도 정확하게 공정의 수질 항목을 예측할 수 있고, 그 예측에 기반하여 간헐 폭기 공정의 폭기 주기를 최적화하여 유입수 수질 변화에 능동적으로 대처할 수 있음을 알 수 있다.

이하의 표 2는 본 발명의 간략화된 ASM 2d 모델과 종래의 ASM 2d 풀 모델을 이용하는 상용 프로그램 간의 장단점을 비교하여 나타낸 것이다. 비교에 사용한 컴퓨터의 사양은 펜티엄 4(Pentium 4) 516 Mbyte 메모리, 운전체제는 Window XP였다.

표 2: ASM 2d 풀 모델을 이용한 상용 프로그램 GPS-X(캐나다 하이드로맨틱(Hydromantics)사제)과 본 발명의 모델 간의 성능 비교

	상용 프로그램	본 발명의 모델
장점	1) 풀 모델(Full model)을 사용하기 때문에 풀 모델 중에 제시된 모든 변수들의 거동을 모사할 수 있다. 2) 정확성이 상대적으로 높다. 3) 기존 공정의 장기 운전 계획에 활용될 수 있다.	1) 계산 시간이 짧다. 2) 파라미터의 정도 보정이 쉽다(10개의 선형화 파라미터만을 수정하면 된다) 3) 전문적인 모델에 대한 지식이 없이도 시뮬레이션이 가능하다. 4) 공정제어 기법에 응용이 가능하다.
단점	1) 계산 시간이 길다. 2) 45개의 모델 동력학 파라미터의 보정이 어렵다. 3) 긴 계산 시간과 정도 보정 요구 때문에 유입수 변화에 대해서 즉각적 대응이 필요한 공정제어에 응용될 수 없다. 4) 모델링 전문가의 참여가 필수적이다. 5) 공정에 대한 높은 이해도가 필요하다.	1) 간략화로 인하여, 예측의 정확도가 풀 모델에 비해서는 떨어진다.
계산 시간	시뮬레이션당 5 내지 10분이 소요되고 최적 fa와 tc를 구하기 위해서는 100회 이상의 시뮬레이션을 필요로 하므로, 총 500-1000분의 계산 시간이 소요된다. 따라서 공정을 예측할 뿐 최적제어에 이용할 수 없다.	시뮬레이션당 2-3초가 소요되고 최적 fa와 tc를 구하기 위해서는 100회 이상의 시뮬레이션을 필요로 하므로, 총 3-5분의 계산 시간이 소요된다. 따라서 공정을 예측할 뿐만 아니라 최적제어에도 이용할 수 있다.
모델 오차 범위	10%이내	15% 이내의 오차범위를 가지나, 오차의 피드백을 통해 보정 가능하다.

본 발명에 의하면 활성 슬러지 공정을 혐기, 무산소, 호기 조건별로 각각 독 립적으로 모사하는 모듈형 모델을 이용하므로, 이 모듈형 모델을 활성 슬러지 공정 전체의 반응조 구성에 따라 단순 조합함으로써 활성 슬러지 공정 전체를 정량적으로 모사하는 수학적 모델을 얻을 수 있고, 이에 의해 활성 슬러지 공정의 수질 항목을 간단하고도 정확 및 신속하게 예측할 수 있다.

또한, 이러한 예측을 기반으로 유입 수질 변화에 대응하여 간헐 폭기 공정을 포함하는 질소 및 인 제거 공정의 폭기/비폭기 주기를 최적 결정함으로써, 질소 및 인 제거에 있어 안정성을 제고하고, 에너지 절약 및 노동력 절감의 운전비를 줄일 수 있다.

본 발명의 제어 방법은, 기존의 하수처리장을 고도 처리 공법으로 용이하게 업그레이드하거나, 또는 하수처리장의 신규 건설에도 쉽게 도입될 수 있어 그 적용성이 크다.

Claims (4)

1. 활성 슬러지 공정을 17개의 각 단위 공정으로 분류하고 상기 17개의 각 단위 공정에 대해 11개의 상태변수에 따른 각 화학양론계수 및 혐기, 무산소, 호기 조건별로의 반응속도식을 각각 독립적으로 모사하는 모듈형 모델을 이용하여, 혐기 공정 및 간헐 폭기 공정을 포함하는 상기 활성 슬러지 공정의 상기 11개의 상태변수 중 하나 이상의 상태변수에 대한 농도를 예측하고, 상기 예측에 기반하여 간헐 폭기 공정의 폭기 주기를 최적화하되,

   상기 모듈형 모델은 첨부된 하기의 표에 의해 상기 17개의 각 단위 공정, 상기 11개의 상태변수에 따른 각 화학양론계수 및 상기 혐기, 무산소, 호기 조건별로의 반응속도식을 결정하는 모델인 것을 특징으로 하는,

   모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법.

   [표]

   

   (여기서, S_A: 아세트산, S_F: 발효성 유기물질(fermentable organics), S_NH4: 암모니아성 질소, S_NO3: 질산염(nitrate), S_PO4: 인산염인(phosphate), X_S: 입자성 유기물질, X_H: 종속 영양 미생물, X_PAO: 인 축적 미생물, X_PP: 입자성 인산염인, X_PHA: 유기물 입자(organic particles), X_AUT: 독립 영양 미생물(질산화 미생물), i_NXS: X_S의 N함량, i_NBM: X_H,X_PAO,X_AUT의 N함량, i_PXS: X_S의 P함량, i_PBM: X_H,X_PAO,X_AUT의 P함량, Y_H: X_H의 증식 계수, Y_PO4: X_PAO의 저장된 PHA(polyhydroxy-alkanoate)당 요구되는 PP(polyphosphate), Y_PHA: X_PAO의 PP저장을 위해 요구되는 PHA, K_h: X_S의 가수분해 상수, η_NO3: 무산소상태의 가수분해 감소 계수, η_fe: X_S의 혐기 가수분해 감소 계수, μ_H: X_H의 최대 성장률, q_fe: X_H의 최대 발효율, b_H: X_H의 사멸률, q_PHA: X_PHA 저장 상수, q_PP: X_PP 저장 상수, μ_PAO: X_PAO의 최대 성장률, b_PAO: X_PAO 사멸률, b_pp: X_PP 자분해율, b_PHA: X_PHA 자분해율, u_AUT: X_AUT의 최대 성장률, b_AUT: X_AUT의 사멸률이고,

   

   ,

   

   )
2. 제1항에 있어서,

   상기 하나 이상의 상태변수에 대한 농도는, 암모니아성 질소(NH₄ ⁺-N) 농도 또는 인산염인(PO₄ ^3--P) 농도 중 적어도 어느 하나의 상태변수에 대한 농도인 것을 특징으로 하는,

   모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법.
3. 제1항 또는 제2항에 있어서,

   상기 모듈형 모델이 IWA의 ASM 2d 모델을 선형화한 모듈형 모델인 것을 특징으로 하는,

   모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법.
4. 제1항 또는 제2항에 있어서,

   상기 모듈형 모델이, 피드백 방법에 의해 정도 보정한 것임을 특징으로 하 는,

   모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법.

Images