KR101025337B1 - 동적-물질수지분석모델 모듈기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템 - Google Patents

동적-물질수지분석모델 모듈기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템 Download PDF

Info

Publication number
KR101025337B1
KR101025337B1 KR1020100086360A KR20100086360A KR101025337B1 KR 101025337 B1 KR101025337 B1 KR 101025337B1 KR 1020100086360 A KR1020100086360 A KR 1020100086360A KR 20100086360 A KR20100086360 A KR 20100086360A KR 101025337 B1 KR101025337 B1 KR 101025337B1
Authority
KR
South Korea
Prior art keywords
dynamic
water quality
model
sewage treatment
real
Prior art date
Application number
KR1020100086360A
Other languages
English (en)
Inventor
김연권
김병군
문용택
김홍석
Original Assignee
(주)모어엠
한국수자원공사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)모어엠, 한국수자원공사 filed Critical (주)모어엠
Priority to KR1020100086360A priority Critical patent/KR101025337B1/ko
Application granted granted Critical
Publication of KR101025337B1 publication Critical patent/KR101025337B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Abstract

본 발명은 동적-물질수지분석모델 기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템에 관한 것으로, 더욱 바람직하게는 신속한 연속유입식 공정의 모사를 위해 기본적으로 물질수지식의 형태로 구성되어 있으나 DO, 온도 등 동적환경(Dynamic condition)을 모델모사할 수 있어 ASM 모델과 같은 정밀한 모사결과를 얻을 수 있고, 또한 혐기, 무산소 및 호기조건을 임의로 변경하여 모델모사가 가능하며 COD 이외에도 다양한 물질들에 대한 모델모사가 가능하다.

Description

동적-물질수지분석모델 모듈기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템{ Dynamic-mass balance model based a real-time effluent prediction system for a continuous type of biological wastewater treatment plants}
본 발명은 동적-물질수지분석모델 기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템에 관한 것으로, 더욱 바람직하게는 신속한 연속유입식 공정의 모사를 위해 기본적으로 물질수지식의 형태로 구성되어 있으나 DO, 온도 등 동적환경(Dynamic condition)을 모델모사할 수 있어 ASM 모델과 같은 정밀한 모사결과를 얻을 수 있고, 또한 혐기, 무산소 및 호기조건을 임의로 변경하여 모델모사가 가능하며 COD 이외에도 다양한 물질들에 대한 모델모사가 가능하다.
일반적으로 생물학적 처리공법을 적용하고 있는 하수처리장 또는 폐수처리장의 방류수질 예측을 위해 온라인 계측기 또는 이와 유사한 기능을 수행하는 소프트웨어 센서기술을 이용하여 실시간 모델입력자료를 생산하고, 별도로 마련된 모델을 이용하여 해당 하수처리장 방류수질을 예측한다. 이후 시스템의 필요와 특성에 따라 별도로 마련된 공정제어 모듈과 연계하여 포기 및 비포기 등의 공정제어를 실시한다. 해당 분야의 방류수질 예측기술은 크게 모델 구동부, 입력/출력부, 모델 최적화부 등으로 구성되며 다음과 같은 각 기술별 세부구성특성을 갖는다.
첫 번째로 모델 구동부는 모델의 특성에 따라 크게 화이트박스 모델과 블랙박스 모델로 나뉜다. 화이트박스 모델은 ASM(Activated Sludge Model)으로 대표되는 결정론적 모델이 있으며, 블랙박스 모델은 ARIMA로 대표되는 확률론적 선형모델과 ANN(Artificial Neural Network)으로 대표되는 확률론적 비선형모델이 있다. 일반적으로 활성슬러지를 이용한 생물학적 하수처리공정의 모델 모사의 경우, 미생물의 거동특성에 기초하여 만들어지고 IWA에서 공인된 ASM series가 가장 대표적인 모델로 활용되고 있다.
두 번째 입/출력부는 모델별 특성에 따라 상이한데, 화이트박스 모델인 ASM의 경우 모델구동을 위해 하수특성에 대한 정보와 미생물 특성 및 공정운영특성 등 다양한 입력정보가 실험적으로 규명되고 연속적으로 제공되어야만 한다. 블랙박스 모델의 경우 하수처리장 유입수와 운전정보 및 방류수 특성을 수학적 추론법으로 규명하고, 선정된 추론결과에 따라 학습된 데이터를 기반으로 최신 정보를 추정하게 된다.
세 번째로 모델모사 또는 추론된 방류수질 데이터와 실제 데이터 간의 정확도 검증 및 모델보정을 위해 수학적 통계기법이 주로 사용되며, 오차의 크기는 절대평균오차(MAE)를 이용하거나 오차의 정규성 검정을 위해 더빈왓슨(Durbin-Watson) 통계량, 정규검정 및 t-검정 등의 일반적 통계개념이 이용된다.
이와 같이 종래기술은 방류수질의 예측을 위해 온라인 계측기 또는 이와 유사한 기능을 수행하는 소프트웨어 센서에서 제공되는 유입수 정보를 제공받아, 해당 공정을 모사하는 모델을 통해 방류수질을 연산하게 되며 예측된 방류수질은 다양한 입/출력 방식을 통해 운영자 또는 공정제어 모듈에 제공되고, 예측된 방류수질은 통계기법을 이용하여 실측결과와 오차평가를 실시하여 모델보정을 실시한다.
따라서 종래기술들은 실시간 대응성, 편이성 및 모사결과와 실측 데이터간의 정확성의 관점에서 많은 문제점을 가지고 있다. 미생물 반응기작에 기초한 물질수지식을 이용한 방류수질 예측기법의 경우, 단순화된 모델의 특성으로 인해 방류수내 오염물질의 정확한 농도를 추정하기 매우 어렵고 혐기, 무산소, 호기조로 구성된 BNR(Biological Nutrient Removal)의 동적환경(Dynamic conditions)을 구현하지 못한다는 문제점을 가지고 있다.
이와는 반대로 정밀한 모델모사가 가능한 ASM 기반의 모델모사는 모델구동을 위해 유입하수특성, 미생물특성, 공정운전특성 및 환경특성 등 다양한 종류의 입력변수에 대한 정보가 필요하며, 그 개수도 매우 많고 측정방법도 매우 어려워 전문인력의 필요와 많은 시간 소요를 필요로 한다.
이러한 문제점은 ASM 기반의 방류수질 예측모델의 활용시 대부분의 필수입력정보에 Default value를 사용하게 함으로서 모델이 갖는 구조적 우수성이 입력자료의 부실로 왜곡되게 되는 경우가 많다. 블랙박스 모델의 경우, ASM과는 달리 유입수와 운전조건 및 방류수질 간의 관계성만을 기반으로 추론된 모델구조와 제한된 결과에 의한 반복학습으로 인해 예측된 방류수 결과가 특정조건 하에서만 우수하게 나타나는 경우가 많고, 특히 하수처리의 주체인 미생물에 대한 동력학적 반응기작이 반영되지 않아 변화하는 미생물 거동특성에 따라 추론된 모델의 신뢰성이 매우 낮아질 수 있다.
본 발명은 상기한 종래기술의 문제점들을 해소하기 위해 안출된 것으로, 연속유입식 생물학적 하수처리장의 방류수질을 예측하기 위한 연산 및 보정 시스템을 창출한 것이며, 이를 구현하기 위해 활용이 용이하고 단순하며 정확한 방류수질 예측결과의 생산과 저장이 가능하고, 사용목적에 따라 후속공정에 공정진단이나 공정제어용 운영모듈과의 연계가 가능토록 입출력 모듈을 갖춘 연속유입식 하수처리장 방류수질 예측 시스템과 그 방법의 구현에 개발의 목적이 있다.
따라서 본 발명은 기존 물질수지분석 모델의 부정확한 예측결과를 개선하고, COD와 BOD 예측에만 머물던 방류수질 예측항목을 질소와 인 등의 항목으로 확대 예측이 가능하도록 하였다. 또한, 기존의 모델을 활용한 방류수질 예측기술에 비해 모델 구동을 위한 입력 데이터의 종류와 갯수를 현격히 줄임으로써 현장에서의 활용성을 높였을 뿐만 아니라, 현장의 MMI 정보와 방류수내 TMS-SS 데이터 또는 별도의 온라인 계측기와 연동이 가능하도록 개발 하였다. 본 발명에서 또 하나의 중요한 목적은 정확하고도 활용이 편리한 범용적 방류수 예측시스템을 창출하고자, 연속 유입식 하수처리공정에 범용적으로 적용이 가능하도록 동적-물질수지분석모델에 기초한 시스템을 개발하였고, 예측결과의 자가보정(Selfd-conditioning)하기 위한 시스템 및 방법을 현장에서의 활용도를 극대화 하고자 하였다.
상기목적을 달성하기 위한 본 발명의 구성을 첨부된 도면을 근거하여 상세하게 설명하면 다음과 같다.
본 발명은 연속유입식 생물학적 하수처리장의 방류수질을 예측함에 있어 동적-물질수지분석모델 모듈을 장착하고, 방류수에 실시간 SS 계측이 가능한 장치를 적용하여 하수처리장의 방류수질을 실시간으로 예측하는 예측수단;
상기 예측수단에서 예측된 방류수질의 정확도를 높이고 자가보정(Self-conditioning)이 가능토록 별도의 연산알고리즘을 갖는 연산장치;
상기 연속유입식 생물학적 하수처리장의 방류수질을 예측하기 위해 예측수단과 연산 알고리즘을 갖는 연산장치를 단일 또는 유기적으로 결합하여 구성한 것을 특징으로 하는 동적-물질수지분석모델 기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템을 제공한다.
상기 구성에 의한 본 발명은 동적-물질수지분석모델 모듈을 이용함으로써 작은 입력변수와 현장 계측기에서 생산되는 정보를 이용하여 모델구동이 가능하고, 모사된 결과를 수분석 결과와 자동으로 매칭시켜 모델의 정확도와 보정여부를 정해진 규칙에 의해 사용자에게 알려주는 self-conditioning 기능이 구현되어 있다.
또한, 본 발명은 물질수지식을 기본으로 하고있어 기존 ASM에 비해 적은 수의 입력데이터 만으로 구동이 가능하며, 모든 연속유입식 반응공정에 범용적 적용이 가능하다.
그리고 혐기, 무산소 및 호기조건을 임의로 변경하여 모델모사가 가능하며 COD 이외에도 다양한 물질들에 대한 모델모사가 하기와 같이 가능하다.
Figure 112010057347056-pat00001
표준활성슬러지 공정 모사-
Figure 112010057347056-pat00002
- MLE 공정 모사-
Figure 112010057347056-pat00003
- A2O 공정 모사-
Figure 112010057347056-pat00004
Figure 112010057347056-pat00005
도 1은 동적-물질수지분석모델 기반의 연속유입식 하수처리장 방류수질 예측 시스템 구성도
도 2는 동적-물질수지분석모델 기반의 연속유입식 하수처리장 방류수질 예측 시스템의 메인 연산부 구성도
도 3은 동적-물질수지분석모델 기반의 연속유입식 하수처리장 방류수질 예측 시스템내 자가보정 모듈 (self-conditioning)의 연산 흐름도
도 4는 동적-물질수지분석모델 기반의 연속유입식 하수처리장 방류수질 예측 시스템에서 물질반송에 따른 반응단계(Stage)별 물질수지 분석도
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예를 더욱 상세하게 설명한다.
상기한 목적을 달성하기 위하여 본 발명은 연속유입식 하수처리장 실시간 방류수질을 예측하기 위한 구성으로 하수처리장에는 동적-물질수지분석모델 모듈(10)과 자가보정 모듈(20) 및 방류수 SS 성분 계측모듈(30)로 이루어져 있다. [도 1. 참조].
연속유입식 하수처리장 방류수질의 예측을 위해 마련된 동적-물질수지분석 모델모듈(10)은 본 발명의 주요 구성부로서 입력부(11), 변환엔진뷰(12), 모델연산부(13), 데이터 저장부(14), 출력부(15) 및 통신부(16) 등으로 구성되며, 모델모사결과와 실측결과를 비교하고 예측결과의 이상유무 판단과 자가보정을 위해 선택적으로 마련된 자가보정 모듈(20)로 구성된다[도 2. 참조].
상기 동적-물질수지분석모델 모듈(10)을 더욱 자세히 살펴보면, LCD 화면을 통해 사용자가 직접 또는 별도 마련된 컴퓨터를 이용하여 파일형태로 시스템에 입력하는 직접입력 방식과, 유입수 예측모델을 통한 결과 값 또는 온라인 계측기 값을 모델구동의 입력값으로 제공받는 간접입력 방식으로 구성되어 있어, 사용자 편의에 의해 선택적으로 활용할 수 있도록 구성된다.
변환엔진부(12)는 수식 보정부(121)와 유입수 물질특성 관계식 보정부(122)로 구성된다. 수식 보정부(121)는 동적-물질수지분석모델 모듈을 구성하는 COD, BOD, TN, TP 등의 수식과 계수들을 범위가 있는 변수화하여 현장 보정이 용이하도록 구성되어 있다. 유입수 물질특성 관계식 보정부(122)는 온라인 계측기의 적용이 제한적이거나 실시간 수질분석결과의 획득이 불가능한 경우에 유입수 입력정보를 충분히 획득할 수 있도록 구성된다[도 3. 참조].
모델연산부(13)는 입력부와 변환엔진 및 데이터 저장부에서 제공되는 다양한 정보들을 기반으로 동적-물질수지모델이 구동하는 공간이며, 동적-물질수지분석모델 모듈(10)은 장기포기법, 표준활성슬러지 공법, MLE 공법, A2O 공법 등의 연속유입식 하수처리공법으로 구성된 모사대상 하수처리장의 방류수질을 예측하도록 구성된다.
데이터 저장부(14)는 공법선정(141), Reference 저장소(142), Set-up history 저장소(143), Data 저장소(144)로 구성되고, 이 외에도 모사된 결과를 직접 또는 활용도를 높이기 위해 별도의 연결모듈을 이용할 수 있도록 구성된 출력부(15)와 통신부(16)가 있다.
자가보정 모듈(20)은 획득된 모델모사 결과가 저장되어 있는 데이터 저장부내 Data 저장소 결과값과 실제 수분석된 방류수질의 결과 또는 온라인 계측기를 이용한 방류수질 분석결과와 수학적으로 비교함으로써, 동적-물질수지분석모델 예측결과 또는 방류수에 설치된 온라인 계측결과의 오차여부를 판단하고 모델 또는 계측기기의 보정을 위한 판정결과를 제공하도록 구성되어 있다[도 4. 참조].
본 발명은 미생물을 이용하는 생물학적 하수처리공정 중 연속유입식 하수처리장의 방류수질을 손쉽게 실시간으로 예측하고, 그 결과를 저장하거나 별도의 사용목적에 따라 공정진단 또는 공정제어용 운영모듈과 연계가 가능한 시스템의 개발이 목적으로 다음과 같은 원리에 의해 구동한다.
먼저 사용자에 의해 방류수질 예측시스템 적용대상 하수처리장의 공정구성(공법선정)이 이루어지게 된다. 이에 따라 변환엔진부(12)의 연계정보들이 선정된 특정공정을 위주로 조합되고, 모델연산부(13)에서는 선정된 공법의 동적-물질수지분석모델이 구성되어 지게 된다. 일반적으로 연속유입식 공정은 반송유무에 따라 공정내 물질수지계산이 달라지게 되는데, 본 발명에서는 [도 5. 참조]와 같이 반응조의 개수에 상관없는 연속유입식 반응공정으로의 해석이 가능하도록 구성되어 있다.
즉, 각각의 개별 스테이지(stage)는 해당 반응조에 반송여부에 따라,
○ 반송이 있는 경우(제 1 반응조),
유기물,
Figure 112010057347056-pat00006
식 (1)
암모니아성질소
Figure 112010057347056-pat00007
식 (2)
○ 반송이 없는 경우(제 2 반응조 이하).
유기물,
Figure 112010057347056-pat00008
식 (3)
암모니아성질소
Figure 112010057347056-pat00009
식 (4)
로 나뉘어 물질수지식을 구성하였다.
여기서, 해당 연속유입식 활성슬러지공정을 steady state라고 가정하면, dC/dt = 0 이다. 또한, R은 유기물(기질) 이용율 또는 질산화율이며, 본 발명에서는 각각 SNR(specific nitrification rate, mg N/g VSS-h) 및 maximum specific substrate utilization rate(k), g COD/g VSS-d)으로 표현하며. Q 및 Qr은 유입 및 반송유량이며, V는 반응조의 부피이다. 위 식에서 알 수 있듯이, 물질수지식의 해석에 있어 연속유입식 하수처리공정은 MLE나 A2O 공법 등의 특정공법에 상관없이 반응조의 개수와 혐기, 무산소, 호기 등의 동적조건에 따라 자유롭게 구현이 가능하다.
동적-물질수지분석모델 모듈(10)의 구성은 생물학적 처리에서 사용되는 관계식을 이용하였으며, 질산화/탈질산화 모사를 위해 수온변화에 따른 질산화, 탈질산화의 영향여부와, 용존산소에 의한 영향여부를 switch function으로 반영하여, 기존의 단순하고도 부정확한 물질수지모델이 구현하지 못하는 ASM 수준의 모델구동이 가능토록 하였다. 동적-물질수지분석모델 모듈의 물질별 반응식 구성은 다음과 같다.
○ Mass balance 기본식
Qin Cin + QRAS CRAS = (Qin + QRAS) Creactor 식 (5)
여기서, Qin , QRAS = 유입 및 반송 유량(㎥/일)
Cin, CRAS, Creactor = 유입, 반송 및 반응조 농도(g/㎥)
○ 유기물(BOD or COD) 기본식
BODeff (mg/L) = SBODeff + PBODeff 식(6)
SBODeff (mg/L) = Ks[1 + b(SRT)]/[SRT(Yk - b)-1] 식(6-1)
또는
So-S = (1+ Kd SRT)() / Y 식(6-2)
여기서, kd : endogeneous decay coefficient, gVSS/gVSS-d
Y : synthesis yield coefficient, gVSS/g bsCOD
입자성 유기물 농도;
PBODeff (TSS, mg/L) = αβγ 식(6-3)
여기서, α =
Figure 112010057347056-pat00010
β =
Figure 112010057347056-pat00011
γ =
Figure 112010057347056-pat00012
α, β, γ 는 각각 실험적 값을 사용하거나 IWA 등에서 제공하는 값을 사용할 수 있다. 일반적으로 질산화율은 아래 식(7)과 같이 표현되어진다. 그러나, 본 발명에서는 현장의 여건을 감안하여 SNR을 직접 측정하여 이용할 수 있게 하였으며, 이에 대한 온도의 영향을 고려하였다.
Figure 112010057347056-pat00013
식(7)
Figure 112010057347056-pat00014
식(8)
○ NO3-N 제거량(NO3-N removed)
= (VANOX) (SDNR) (MLVSS) 식(9)
여기서, VANOX = 무산소조 부피, ㎥
SDNR = specific denitrification rate, g NO3-N/g VSS-d
○ 생물학적 반응(질산화율, 탈질산화율) 온도보정(kT)
= k20 θ(T-20) 식(10)
여기서, kT : 주어진 온도에서 반응속도상수
k20 : 20 ℃에서 반응속도상수
θ : temperature-activity coefficient(SDNR : 1.026, SNR : 1.08)
○ 생물학적 반응(탈질산화) 유기물, 용존산소 영향
μD = μDmax 식(11)
여기서, μD, μDmax : Specific(maximum) denitrifier growth rate, 1/d
So : concentration of dissolved oxygen, mg/L
Ko : Half-saturation coefficient for oxygen, mg/L
○ 비탈질산화율(SDNR)
SDNR = 식(12)
여기서, NOr은 제거된 질산성질소의 양(g/d)이며, Vnox 는 무산소조의 부피(㎥)이고, MLVSS는 반응조내의 MLVSS 농도(g/㎥) 이다. SDNR은 일반적으로 F/M비에 의해 크게 영향을 받으며, 이때의 F/M비는 무산소조에서의 g BOD applied/g MLVSS-d 이다. Burdick 등(1982) 및 USEPA(1993)에서 제안하는 식 (13)을 선택 모듈로 활용할 수 있다.
SDNR = 0.03(F/M) + 0.029 식(13)
본 발명에서는 일반적으로 사용되는 값을 default 값으로 설정하였으며, 현장의 여건을 감안하여 SDNR을 직접 측정하여 이용할 수 있게 하였으며, 이에 대한 온도의 영향을 고려하였다.
○ 온도보정된 비탈질산화율(SDNR)
Figure 112010057347056-pat00016
식(14)
○ 방류수내 TP
= + (방류수 TSS, mg/L) 식(15)
여기서, = 성장을 위한 미생물 중 인 함량
○ 방류수 내 PO4-P
= (유입수 TP x 0.6) - (BPR 인제거량 + 종속영양 미생물 인제거량) 식(16)
BPR에 의한 인제거량
Figure 112010057347056-pat00017
Figure 112010057347056-pat00018
Figure 112010057347056-pat00019
식(16-1)
단,
Figure 112010057347056-pat00020
= 질소에 소모되는 bCOD 비율 = 0.9
단,
Figure 112010057347056-pat00021
= 인에 소모되는 rbCOD 비율 = 10
종속영양 미생물에 의한 인제거량
= (Px, bio, kg/d) x1000x
Figure 112010057347056-pat00022
/ (Qin-초침인발 Qw, m3/d) 식(16-2)
단,
Figure 112010057347056-pat00023
= 성장을 위한 미생물 중 인 함량
○ 슬러지발생량(Px, g VSS/day)
Px =
Figure 112010057347056-pat00024
+
Figure 112010057347056-pat00025
+
Figure 112010057347056-pat00026
+
Figure 112010057347056-pat00027
식(17)
여기서, Y : Yield for heterotrophs, g VSS/g bCOD
Yn : Yield for nitrifiers, g VSS/g NH4-N
fd : fraction of cell mass remaining as cell debris, g/g
kd : Endogenous decay coefficient, g VSS/g VSS-d
kdn : Endogenous decay coefficient for nitrifier, g VSS/g VSS-d
nbVSS : Non-biodegradable VSS in influent
이상의 수식은 연속유입식 반응조의 각 stage 별 고려가 가능하고 선정된 특정 연속유입식 공정의 반응조가 혐기 또는 무산소 또는 호기조 인지의 여부에 따라 각 반응식 중 해당 반응조 구성과 관련이 있는 생물학적 반응기작에 기초하여 상호 연계된 모델모사를 선택적으로 수행하게 된다.
본 발명의 연산순서는 다음과 같다.
기본적으로 유입수의 특성은
1) 직접측정에 의한 수질분석 결과 값의 수동입력과
2) software sensor에 의한 계측값 또는 on-line 측정기기로 제공되는 값으로 구동된다.
유입 하수 내 항목별 발생특성을 실시간으로 자동추정하기 위해 변환엔진에 내장된 유입수 자동-분율분석(Auto-Fractionation) 기능을 이용할 수 있다[도 3. 참조].
입력된 유입수 특성과 공법선정을 통해 구현된 모사대상 하수처리장의 운전조건에 관한 실시간 정보는 해당 하수처리장의 MMI 데이터와 연동하여 모델구성이 가능하다. 동적-물질수지분석모델의 모듈 연산부에서 혐기, 무산소 및 호기과정에 대한 연산과정을 거쳐 생산된 방류수 예측결과는 저장부에 저장되어지고, 사용자에게 직접 또는 간접출력 방식을 통해 전달되어진다.
동적-물질수지분석모델 모듈의 정확도를 높이기 위해 방류수에 설치된 온라인 SS 계측기는 기본적으로는 별도의 장치로 설치되는 것이 바람직하나 현장의 사정에 따라 TMS-SS 계측기와 연동되어 활용이 가능하며, 사용자가 입력하는 운전결과나 자동계측기의 측정결과를 금번 개발기술과 연동하여 재입력함으로써 현재 모델에 의한 모델모사의 결과에 대한 정확도 검증과 보정이 사용자 스스로가 가능하도록 별도의 자가보정(self-conditioning) 모듈을 개발기술에 구성하였다.
자가보정 모듈은 단일 연산시스템 또는 장치로 개발 및 활용이 가능하며 두 개 이상의 자료를 입력 데이터로 필요로 한다. 금번 기술에서는 수분석에 의한 수질분석결과 또는 계측기 계측결과를 중심값이 되는 데이터로 사용하고, 비교대상 데이터로 모델모사 결과를 입력함으로써 두 데이터간의 이격도를 각각의 수질항목별 방류수질기준에 준한 오차범위 안에서 평가하게 한다.
자가보정 모듈에서 수행되는 예측결과의 정확도 검사는 사용자가 임의로 정하는 최근 얻어진 실측결과를 기준으로 n개 까지 입력하여 검증하게 되는데, 바람직하기로는 30개의 데이터가 입력된다.
자가보정 모듈로 입력된 방류수내 BOD, COD, TN, TP의 모델모사 결과와 비교대상 중심값들은 항목별 수질기준에 따라 표준화 과정을 거쳐, RRMSE(Relative Root Mean Square Error)와 RB(Relative Bias) 계산과정을 거치게 되고, 각각 마련된 분류기준 및 등급에 따라 모델의 정확도를 구분하게 된다. 구분된 정확도는 금번 개발기술에서 자체적으로 제한하는 판정결과에 따라 5단계 또는 4단계로 구분되며 각각 VG(매우 양호), G(양호), 모델계수값 보정, 모델 예측값과 실험값의 상호검증 실시 등의 구분 커멘트를 제공받게 된다.
자가보정 모듈은 단일 시스템 또는 계측기의 형태로 제작이 가능하며 입력/출력 자료를 모델과 연동할 수 있고, 자체 LCD 또는 파일 형태로 사용자에게 보고할 수 있다 [도 4. 참조].
10. 동적-물질수지분석모델 모듈
20. 자가보정 모듈
30. 계측모듈

Claims (8)

  1. 연속유입식 생물학적 하수처리장의 방류수질을 예측함에 있어 동적-물질수지분석모델 모듈을 장착하고, 방류수에 실시간 SS 계측이 가능한 장치를 적용하여 하수처리장의 방류수질을 실시간으로 예측하는 예측수단;
    상기 예측수단에서 예측된 방류수질의 정확도를 높이고 자가보정(Self-conditioning)이 가능토록 별도의 연산알고리즘을 갖는 연산장치;
    상기 연속유입식 생물학적 하수처리장의 방류수질을 예측하기 위해 예측수단과 연산 알고리즘을 갖는 연산장치를 단일 또는 유기적으로 결합하여 구성하며,
    방류수질의 예측을 위해 생물학적 거동특성에 기초하여 구성된 물질수지모델(Mass-balance Model)에 온도와 DO 농도 등의 외부환경변화와 그 영향을 switch function으로 구현하고, 각각의 반응조(Stage)에 부여되는 혐기, 무산소, 호기조건에 따라 유기물, 질소, 인 제거를 위한 기능들이 선택적으로 발현하게 함으로서 연속유입식 하수처리장의 동적환경(Dynamic conditions)에 대한 모델모사를 가능하게 구성한 것을 특징으로 하는 동적-물질수지분석모델 기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템.
  2. 청구항 1에 있어서,
    연속유입식 생물학적 하수처리장의 방류수를 모사하기 위해 수동입력 또는 자동 계측기나 소프트웨어 센싱기술을 이용하여 유입수질의 특성을 받아들이고, 운전조건을 현장의 MMI로부터 직접 연동이 가능하도록 동적-물질수지분석모델이 탑재된 모듈과 방류수내 SS 성분 계측기로 구성된 방류수내 유기물, 질소, 인 성분의 농도를 실시간으로 예측하도록 구성한 것을 특징으로 하는 동적-물질수지분석모델 기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템.
  3. 청구항 1에 있어서,
    예측된 방류수질 모사결과에 대한 정확성 검증과 모델 또는 비교대상 계측장비의 정상작동여부를 판단하고 자가보정하기 위해 대상 데이터를 획득하고, RRMSE와 RB 등의 수학적 통계기법을 적용하여 이격도를 분석하며, 도출된 결과를 자체적으로 마련된 판단기준과 범위에 따라 등급을 구분하여 사용자에게 결과를 자체 LCD 또는 보고 형식의 파일로 제공하는 것을 특징으로 하는 동적-물질수지분석모델 기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템.
  4. 청구항 1에 있어서,
    상기 유입하수내 항목별 발생특성을 실시간으로 자동추정하기 위해 변환엔진에 유입수 자동-분율분석(Auto-Fractionation) 기능이 내장된 것을 특징으로 하는 동적-물질수지분석모델 기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템.
  5. 청구항 1에 있어서,
    연속유입식 생물학적 하수처리장에 동적-물질수지분석모델 모듈과 자가보정 모듈 및 방류수 SS 성분 계측모듈로 구성한 것을 특징으로 하는 동적-물질수지분석모델 기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템.
  6. 청구항 1 또는 청구항 5에 있어서,
    상기 동적-물질수지분석모델 모듈은 입력부, 변환엔진부, 모델연산부, 데이터 저장부, 출력부 및 통신부 등으로 구성되며, 모델모사결과와 실측결과를 비교하고 예측결과의 이상유무 판단과 자가보정을 위해 선택적으로 마련된 자가보정 모듈로 구성된 것을 특징으로 하는 동적-물질수지분석모델 기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템.
  7. 삭제
  8. 삭제
KR1020100086360A 2010-09-03 2010-09-03 동적-물질수지분석모델 모듈기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템 KR101025337B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100086360A KR101025337B1 (ko) 2010-09-03 2010-09-03 동적-물질수지분석모델 모듈기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100086360A KR101025337B1 (ko) 2010-09-03 2010-09-03 동적-물질수지분석모델 모듈기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템

Publications (1)

Publication Number Publication Date
KR101025337B1 true KR101025337B1 (ko) 2011-03-29

Family

ID=43939509

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100086360A KR101025337B1 (ko) 2010-09-03 2010-09-03 동적-물질수지분석모델 모듈기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템

Country Status (1)

Country Link
KR (1) KR101025337B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108694474A (zh) * 2018-06-26 2018-10-23 青岛盛景电子科技有限公司 基于粒子群的模糊神经网络池塘溶解氧预测

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100455654B1 (ko) 2002-02-04 2004-11-06 주식회사 팬지아이십일 부유물질 농도 분석기와 소프트웨어 센서기술을 이용한수처리시설 방류수 유기물질농도 예측시스템
KR100834187B1 (ko) 2007-01-17 2008-06-10 부산대학교 산학협력단 베이지안 네트워크를 이용한 하ㆍ폐수 처리공정의 진단시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100455654B1 (ko) 2002-02-04 2004-11-06 주식회사 팬지아이십일 부유물질 농도 분석기와 소프트웨어 센서기술을 이용한수처리시설 방류수 유기물질농도 예측시스템
KR100834187B1 (ko) 2007-01-17 2008-06-10 부산대학교 산학협력단 베이지안 네트워크를 이용한 하ㆍ폐수 처리공정의 진단시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108694474A (zh) * 2018-06-26 2018-10-23 青岛盛景电子科技有限公司 基于粒子群的模糊神经网络池塘溶解氧预测

Similar Documents

Publication Publication Date Title
Gernaey et al. Benchmarking of control strategies for wastewater treatment plants
Rieger et al. Guidelines for using activated sludge models
Hreiz et al. Optimal design and operation of activated sludge processes: State-of-the-art
Côte et al. Dynamic modelling of the activated sludge process: improving prediction using neural networks
Jeppsson Modelling aspects of wastewater treatment processes
Copp et al. Respirometry in control of the activated sludge process: benchmarking control strategies
Puig et al. Data evaluation of full-scale wastewater treatment plants by mass balance
Fang et al. An integrated dynamic model for simulating a full-scale municipal wastewater treatment plant under fluctuating conditions
De Pauw et al. Practical aspects of sensitivity function approximation for dynamic models
Qiao et al. Neural network on‐line modeling and controlling method for multi‐variable control of wastewater treatment processes
Keskitalo et al. Application of evolutionary optimisers in data-based calibration of Activated Sludge Models
CN108088974A (zh) 一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法
KR100920522B1 (ko) 하수처리공정 진단 및 제어장치 및 방법
Nawaz et al. Intelligent Human–Machine Interface: An Agile Operation and Decision Support for an ANAMMOX SBR System at a Pilot-Scale Wastewater Treatment Plant
Chen et al. An efficient approach based on bi-sensitivity analysis and genetic algorithm for calibration of activated sludge models
Rafati et al. Determine the most effective process control parameters on activated sludge based on particle swarm optimisation algorithm (Case Study: South wastewater treatment plant of Tehran)
Pan et al. A new approach to estimating oxygen off-gas fraction and dynamic alpha factor in aeration systems using hybrid machine learning and mechanistic models
KR101025337B1 (ko) 동적-물질수지분석모델 모듈기반의 연속유입식 하수처리장 실시간 방류수질 예측시스템
Huang et al. Prediction of effluent parameters of wastewater treatment plant based on improved least square support vector machine with PSO
CN116029612A (zh) 一种基于深度学习的城镇污水厂外加碳源精准控制方法
Holenda Development of modelling, control and optimization tools for the activated sludge process
Corominas Tabares Control and optimization of an SBR for nitrogen removal: from model calibration to plant operation
CN113866375A (zh) 出水含氮物智能在线监测方法和系统
Han et al. Intelligent modeling approach to predict effluent quality of wastewater treatment process
CN107720975A (zh) 一种乙醇类物质作为外加碳源的污水处理优化模拟方法

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20140306

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20150306

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20160302

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20170302

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20180306

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20190307

Year of fee payment: 9