KR101703981B1 - 강우예측을 이용한 하수처리시설의 제어방법 - Google Patents

Abstract

본 발명의 일 실시예에 의한 하수처리시설의 제어방법은 기상레이더 이미지와 기계학습 모델을 통하여 예상강우량을 산정하는 과정, 하수처리시설의 처리가능용량을 계산하는 과정, 상기 예상강우량 자료를 유역모델의 입력 자료로 사용하여 하수처리시설으로 유입되는 우수유입수 유량과 수질을 산정하는 과정 및 상기 우수유입수의 유량과 수질과 하수처리시설의 처리가능용량을 비교하여 상기 하수처리시설의 단위공정을 제어하는 과정을 포함한다.

Description

강우예측을 이용한 하수처리시설의 제어방법{Control methods of sewage processing facilities using rainfall forecasting}

본 발명은 하수처리시설의 제어방법에 관한 것으로, 보다 상세하게는 고해상도 기상레이더 이미지 자료와 병렬연산을 사용하여 하수처리장으로 유입되는 우수유입수 유량과 수질을 산정하고 이를 활용하여 하수처리시설의 유량을 제어하는 방법에 관한 것이다.

하수처리장은 가정에서 배출되는 생활하수와 더불어 공공하수도에 의하여 강우 시 도심으로부터 집수된 지표유출수를 유입하여 처리하는 시설로서 도심으로부터 배출되는 점오염원 뿐만 아니라 비점오염원을 관리하는 역할을 한다. 따라서 하수처리장은 점오염원과 함께 계절별 변동이 심한 비점오염원이 유입될 시 방류수 수질 기준에 부합되도록 안정적으로 처리해야 하는 어려움을 가지고 있다. 하지만 이러한 중요성에도 불구하고 기존 하수처리장은 점오염원의 관리에 집중되어 있으며, 강우 시 하수처리장의 설비용적을 초과하는 비점오염원이 발생할 경우 초과유입수를 단순히 월류 또는 우회를 시킴으로써 공공수역의 각종 환경적(예시: 부영양화), 생태적(예시: 생물 종 다양성 감소), 사회적(예시: 지역간 물 분쟁), 심미적(예시: 악취) 문제들을 야기하고 있다.

이러한 문제점을 해결하기 위하여 하수처리장으로 유입되는 유량과 오염 물질의 부하 변동을 사전에 미리 예측하고 자동으로 제어하여 하수처리장 방류수 수질기준을 충족시키는 방법들이 제시된 바 있다. 이러한 기술들은 강우 발생 시 집수구역으로부터 개별 하수처리장으로 유입되는 우수유입수에 대한 특성 변화를 정확하게 예측하지 못하고 있으며, 따라서 제어의 정확도가 낮을 뿐만 아니라 하수처리시설의 저감 효율을 평가하기 위한 모델 구동 시 연산에 많은 시간이 소요되어 실시간 대응이 어려운 단점이 있다.

상기한 배경기술로서 설명된 사항들은 본 발명의 배경에 대한 이해 증진을 위한 것일 뿐, 이 기술분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술에 해당함을 인정하는 것으로 받아들여져서는 안 될 것이다.

본 발명은 이러한 문제점을 해결하기 위해 안출된 것으로, 본 발명의 목적은, 하수처리시설의 설치지역의 강우 예측을 통하여 하수처리시설의 우수유출수를 조절하기 위한 다양한 시나리오를 통하여 처리효율을 개선한 하수처리시설의 제어방법을 제공하는 데 있다.

위 목적을 달성하기 위하여 본 발명의 일 실시예에 의한 하수처리시설의 제어방법은 기상레이더 이미지와 기계학습 모델을 통하여 예상강우량을 산정하는 과정, 하수처리시설의 처리가능용량을 계산하는 과정, 상기 예상강우량 자료를 유역모델의 입력 자료로 사용하여 하수처리시설으로 유입되는 우수유입수 유량과 수질을 산정하는 과정 및 상기 우수유입수의 유량과 수질과 하수처리시설의 처리가능용량을 비교하여 상기 하수처리시설의 단위공정을 제어하는 과정을 포함한다.

상기 예상강우량을 산정하는 과정은 인공신경망(Artificial Neural Network, ANN)와 서포트 벡터 머신(Support Vector Machine, SVM)을 통하여 수행될 수 있다.

상기 예상강우량을 산정하는 과정은 기상 레이더 이미지를 통하여 해당지점의 색상정보를 통하여 하수처리시설의 설치지역의 강우 강도를 계산하는 과정, 상기 계산된 강우 강도를 구름의 이동에 따른 강우량 변화를 보정하는 과정 및 상기 보정된 강우량을 인공신경망(Artificial Neural Network, ANN)와 서포트 벡터 머신(Support Vector Machine, SVM)을 통하여 강우량을 예측하는 과정을 포함할 수 있다.

상기 하수처리시설의 단위공정을 제어하는 과정은 최적화 알고리즘을 통하여 제어 시나리오 후보군을 도출하고, 제어 시나리오 후보별 우수유출수 처리 효율성을 평가하고, 처리 효율이 가장 높은 제어 시나리오를 적용하는 것일 수 있다.

상기 최적화 알고리즘은 분산 탐색법(Scatter search) 및 유전자 알고리즘(Genetic algorithm) 일 수 있다.

상기 하수처리시설으로 유입되는 우수유입수 유량과 수질을 산정하는 과정은 수질관리모델(Storm Water Management Model 및 Soil and Water Assessment Tool)을 통하여 이루어질 수 있으며, 우수유출수 처리효율성 평가는 질량균형방정식 (Mass Balance Equation)을 통하여 이루어질 수 있다.

각 과정의 데이터 처리는 병렬연산에 의해 수행될 수 있다.

본 발명에 의한 하수처리시설에 따르면 하수처리시설의 상시 가동률을 유지하거나 개선하는 기여할 수 있으며, 강우 발생 시에 하수처리시설에서 월류(Overflow) 또는 우회(Bypass)되는 우수유출수 및 오염부하량을 최소화하고 이를 통해 공공수역의 수질 및 수생태계를 보전하고 환경개선비용을 절감할 수 있다. 또한 다양한 단위공정을 가지고 있는 하수처리시설의 제어 시스템 개발에 적용이 가능하며, 차후 녹조오염과 같은 수질오염사고에 실시간으로 대응할 수 있는 통합 상하수도 시스템 구축에 활용될 수 있다.

도 1은 본 발명의 일 실시예에 의한 하수처리시설의 제어방법의 공정순서도이다.
도 2은 본 발명에서 사용되는 기상레이더 이미지의 일예를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 예상강우량 산정과정을 나타낸 순서도이다.
도 4는 본 발명의 일 실시예에 따른 최적 시나리오 선정과정을 나타낸 도면이다.

여기서 사용되는 전문용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특정 특성, 영역, 정수, 단계, 동작, 요소, 성분 및/또는 군의 존재나 부가를 제외시키는 것은 아니다.

다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 의한 하수처리시설의 제어방법에 대하여 설명하기로 한다.

하수처리시설의 유입수는 하수뿐만 아니라 강우 시에 강우유출 수량이 하수관거에 유입되고 하수처리시설의 유입수량이 증가된다. 따라서, 강우에 의해 합류식 하수관거와 분류식 하수관거에 월류수 등이 발생하게 되고 침천처리에 의해 1차 오염물질을 제거하지 못하고 우회하여 바로 방류수계에 방류하게 된다. 특히 합류식 하수도에서는 강우 시 이송되는 하수는 맑은 날에 비하여 3배까지 증가하고, 나머지는 우수토실 또는 원류수로 미처리된 상태로 방류하게 된다. 즉 강우초기 고농도의 월류수는 방류 수계 수질에 심각한 경향을 주게 된다. 따라서 본 발명은 예상강우량을 사전에 예측하고 이를 근거로 하수처리시설도 유입되는 우수유입수 유량과 수질을 산정하여 이를 근거로 하수처리시설의 단위공정들을 제어하여 하수처리시설의 처리효율을 향상시키도록 한 것이다.

도 1은 본 발명의 일 실시예에 따른 하수처리시설의 제어방법의 공정순서도이다. 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 하수처리시설의 제어방법은 기상레이더 이미지와 기계학습 모델을 통하여 예상강우량을 산정하는 과정(S10), 하수처리시설의 처리가능용량을 계산하는 과정(S20), 상기 예상강우량 자료를 유역모델의 입력 자료로 사용하여 하수처리시설으로 유입되는 우수유입수 유량과 수질을 산정하는 과정(S30) 및 상기 우수유입수의 유량과 수질과 하수처리시설의 처리가능용량을 비교하여 상기 하수처리시설의 단위공정을 제어하는 과정(S40)을 포함한다.

우선 기상레이더 이미지와 기계학습 모델을 통하여 예상강우량을 산정한다(S10). 상기 기계학습 모델은 인공신경망(Artificial Neural Network, ANN)와 서포트 벡터 머신(Support Vector Machine, SVM)을 통하여 수행될 수 있다. 도 2은 본 발명에서 사용되는 기상레이더 이미지의 일 예를 나타낸 도면이다. 도 2에 도시한 바와 같이, 기본적으로 전국 레이더관측소에서 관측한 일정고도(약 1.5km)의 구름 영상을 합성한 영상을 가지고 강우량을 산정하게 된다. 이러한 기상 레이더는 10분 단위에 2km X 2km 격자로 된 이미지에 해당한다. 특히, 기존의 지상기반 및 자동기상관측장비(Automatic Weather System, AWS)의 경우 해상도가 높지 않지 않고 실시간의 강우정보를 파악하기 어렵기 때문에 기계학습 모델을 통하여 예상강우량을 산정하게 된다.

여기서 사용되는 기계학습모델은 인간의 학습과정을 모방하여 반복적인 훈련을 통해 최적의 함수를 도출하고 출력값을 도출하는 방법이다. 이중 본 발명에서는 인공신경망(Artificial Neural Network)과 서포트 벡터 머신(Support Vector Machine)이 사용될 수 있다. 인공신경망은 인간의 신경망을 단순화하여 부분적으로 모사한 것으로, 여러 데이터를 합쳐서 처리를 한 후 다음 노드로 결과를 전달하게 되고 가중치가 있는 링크들의 연결로 이루어진다. 각각의 뉴런은 여러 뉴런으로부터 데이터를 받지만, 단 하나의 결과만을 도출하게 된다. 서포트 벡터 머신은 N차원 공간 위에서 두 부류 간의 거리를 최대화하는 것과 동시에 같은 부류에 속하는 데이터들을 같은 쪽에 위치하게 하는 n-1 차원의 초평면을 찾아가며 학습이 수행되게 된다.

도 3은 본 발명의 일 실시예에 따른 예상강우량 산정과정을 나타낸 순서도이다. 도 3에 도시된 바와 같이, 기상청이 제공하는 이미지를 다운받아 과거의 강우 강도를 산정한다. 이 때 격자 단위 2km X 2km 의 이미지에서 색상정보를 추출한다. 이러한 색상정보는 Red, Green, Blue의 수치정보이다. 이러한 수치 정보를 통하여 기상청 제공 인덱스 색상 정보를 추출한 후, 저영향개발 시설이 위치하는 있는 위치 지점의 격자를 확인 하고 인덱스 색상과 이미지로부터 추출된 색상정보를 비교하여 10분 단위의 강우강도를 산정하게 된다. 이 때, 기상레이더 이미지는 해당 지역 상공에 정지하지 않은 지나가는 구름의 양에 기초하고 있으므로 구름의 이동으로 인하여 실제 그 지역에서 발생한 강우량과 차이가 있을 수 있다. 따라서 다음과 같은 보정 상수로 강우 강도 산정값을 보정하게 된다.

[수학식 1]

상기 수학식 1은 (특정 기간에 발생한) 강우 발생 횟수 보정인자이고, n은 보정에 사용한 AWS 관측소의 개수, ARI는 실측된 강우량, RRI는 이미지에서 환산된 값을 의미한다.

[수학식2]

상기 수학식 2는 (특정 기간에 발생한) 강우 강도 왜곡 방지 보정 인자이며, 각각 max는 최대값, min은 최소값을 의미한다.

한편, 제어의 대상이 되는 하수처리시설의 처리가능용량을 계산한다. 하수처리시설의 처리가능용량은 각 처리공정에서 시설들의 가동률를 최대로 확보한 경우의 하수 처리 시설의 최대 처리용량을 의미한다. 하수처리시설은 단위공정들은 설치 위치 및 환경에 따라 다양하게 변화할 수 있으며, 처리시설마다 최대 처리용량을 달라질 수 있다.

하수처리시설의 우수 처리용량을 계산하고 나면 상기 예상강우량 자료를 유역모델의 입력 자료로 사용하여 하수처리시설으로 유입되는 우수유입수 유량과 수질을 산정한다(S30). 즉, 하수처리시설로 유입이 예상되는 유역의 기상자료(기상레이더 이미지와 기계학습 모델을 통한 강우 예측자료 및 최고기온, 최저기온, 습도, 풍속, 일사량)와 지형자료(수치표고모델-DEM, 토지피복도, 토양도)가 유역모델로 입력되고, 이후 하천의 수질 관측 자료와 검보정 과정을 거쳐 하수처리시설로 직접적으로 유입되는 유량 및 수질을 산정하게 된다. 이와 같은 방법으로 우수유입수와 유량과 수질을 산정하게 되면 고해상도의 강우 정보를 바탕으로 유량과 수질의 예측력을 향상시킬수 있으며, 시간의 흐름에 따른 유량 및 수질의 변화 모의가 가능하다. 또한 오염 물질별 부하량 예측을 통하여 합리적 제어 시나리오 구축이 가능하며, 유입되는 우수유입수의 특성 변화를 빠르고 정확하게 산정하여 실시간 대응이 가능한 장점이 있다.

하수처리시설에 유입되는 우수유입수의 유량과 수질이 산정되며 이를 하수처리시설의 처리가능용량과 비교하여 하수처리시설의 단위공정을 제어하게 된다(S40). 이 때 최적화 알고리즘을 통하여 제어 시나리오 후보군을 도출하고 제어 시나리오 후보별 우수유출수 처리 효율성을 평가하고, 처리 효율이 가장 높은 제어 시나리오를 적용하여 하수처리시설을 운영하게 된다. 도 4는 본 발명의 일 실시예에 따른 최적 시나리오 선정과정을 나타낸 도면이다. 도 4에 도시한 바와 같이 하수처리시설의 유입량 및 오염부하량 즉 수질을 예측하고 이를 하수처리시설 처리가능용량과 비교하여 유입수의 양이 시설 최대 처리용량보다 많은 경우는 각 단위공정에서의 우회 단계를 산정하게 되고 이 때 체류시간을 고려하게 된다. 한편, 유입수의 양이 시설 최대 처리용량보다 적은 경우에는 전처리 시설의 용량을 확보하여 월류 또는 우회되는 유출수 및 오염부하량이 최소화될 수 있도록 후보 시나리오를 도출하게 된다. 이 때 제어 후보 시나리오 도출은 분산 탐색법(Scatter search) 및 유전자 알고리즘(Genetic algorithm)이 사용될 수 있다. 분산 탐색법 및 유전자 알고리즘은 다중 목적 진화 연산(Multi-objective evolutionary algorithms)을 위한 알고리즘의 하나로서, 상충되는 두 개 이상의 목적 함수를 동시에 만족시키는 솔루션을 제공하기 위하여 사용된다. 두 방법 모두 다양한 솔루션을 제공하기 위한 모집단 생성의 실행가능 범위(Search space)에 영향을 주지 않으며, 일반적으로 유전자 알고리즘이 분산 탐색법에 비하여 비교적 성능이 우수한 것으로 알려져 있다.

최적 제어 시나리오 후보군이 선정되고 나면 질량균형방정식(Mass balance equation)을 통하여 우수 유출수 처리효율성 평가를 하게 된다. 예를 들면 동일한 양의 하수를 처리하기 위하여 제어 후보 시나리오를 통해 도출된 시나리오 1은 도4의 하수처리시설의 단위공정 A1, C1, D1의 조합을 제시하고 시나리오 2는 단위공정 A2, B1, C2를 제시한다면, 질량균형방정식을 통하여 두 시나리오의 유출수량 및 오염원 제거 효율을 상대적으로 비교 평가할 수 있다. 이 때 최고 효율을 가진 제어 시나리오를 선택하여 하수처리시설의 단위공정을 제어하여 운영하게 된다.

각 과정에서의 데이터 처리는 병렬연산에 의해 수행되는 것이 바람직하다. 병렬 계산이란 크고 복잡한 문제를 작게 나눠 동시에 많은 계산을 하는 연산방법이다. 하수처리시설로 유입되는 우수유입수 특성 변화를 산출하기 위해서 모델구조가 다소 복잡하지만 예측 정확도가 상대적으로 높은 기계학습과 유역 및 수질 모델들을 각각 사용하게 되면 시뮬레이션에 필요한 시간이 상대적으로 길어질 수 있다. 또한 하수처리시설의 저감 효율 평가를 위한 모델 구동 시 많은 시간이 소요되어 실시간 대응이 어려운 문제가 발생하게 된다. 이를 해결하기 위해 각 데이터 처리과정은 병렬연산을 통하여 처리시간을 단축하여 실시간 대응이 가능하도록 할 수 있다.

상기와 같이 고해상도 기상 레이더 이미지 자료와 병렬연산을 사용하여 하수처리시설로 유입되는 우수유입수 유량과 수질을 빠르고 정확하게 산정하여 하수처리시설 내 단위공정들을 실시간으로 제어할 수 있게 된다. 이에 따라, 하수처리시설의 상시 가동률을 유지하거나 개선하는데 기여할 수 있으며 강우 발생 시 하수처리시설에서 월류(Overflow) 또는 우회(Bypass)되는 우수유출수 및 오염부하량을 최소화하고 이를 통해 공공수역의 수질 및 수생태계를 보전하고 환경개선비용 절감하는데 이바지 할 수 있다. 다양한 단위공정을 가지고 있는 하수처리시설의 제어시스템 개발에 적용이 가능하며, 차후 녹조오염과 같은 수질오염사고에 실시간으로 대응할 수 있는 통합 상수도 시스템 구축에 활용될 수 있을 것으로 기대된다.

이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다.

그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변경된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (7)

1. 기상레이더 이미지와 기계학습 모델을 통하여 예상강우량을 산정하는 과정;
   하수처리시설의 처리가능용량을 계산하는 과정;
   상기 예상강우량 자료를 유역모델의 입력 자료로 사용하여 하수처리시설으로 유입되는 우수유입수 유량과 수질을 산정하는 과정; 및
   상기 우수유입수의 유량과 수질과 하수처리시설의 처리가능용량을 비교하여 상기 하수처리시설의 단위공정을 실시간으로 제어하는 과정;을 포함하며,
   상기 예상강우량을 산정하는 과정은 기상 레이더 이미지를 해당지점의 색상정보를 통하여 하수처리시설의 설치지역의 강우 강도를 계산하는 과정, 상기 계산된 강우 강도를 구름의 이동에 따른 강우량 변화를 보정하는 과정 및 상기 보정된 강우량을 인공신경망(Artificial Neural Network, ANN)와 서포트 벡터 머신(Support Vector Machine, SVM)을 통하여 강우량을 예측하는 과정을 포함하며,
   상기 보정된 강우량은 하기와 같은 보정 상수로 도출되며,
   [수학식 1]
   

   

   
   (상기 수학식 1은 (특정 기간에 발생한) 강우 발생 횟수 보정인자이고, n은 보정에 사용한 AWS 관측소의 개수, ARI는 실측된 강우량, RRI는 이미지에서 환산된 값을 의미함.)
   
   [수학식2]
   

   

   
   (상기 수학식 2는 (특정 기간에 발생한) 강우 강도 왜곡 방지 보정 인자이며, 각각 max는 최대값, min은 최소값을 의미함.)
   상기 하수처리시설의 단위공정을 제어하는 과정은 최적화 알고리즘을 통하여 제어 시나리오 후보군을 도출하고, 제어 시나리오 후보별 우수유출수 처리 효율성을 평가하고, 처리 효율이 가장 높은 제어 시나리오를 적용하며,
   상기 최적화 알고리즘은 분산 탐색법(Scatter search) 및 유전자 알고리즘(Genetic algorithm)이며,
   각 과정의 데이터 처리는 병렬연산에 의해 수행되는 것을 특징으로 하는 하수처리시설의 제어방법.
   
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 청구항 1에 있어서,
   상기 우수유입수 유량/수질 및 우수유출수 처리효율성 평가는 수질관리모델(Storm Water Management Model 및 Soil and Water Assessment Tool) 및 질량균형방정식 (mass balance equation)을 통하여 이루어지는 것을 특징으로 하는 하수처리시설의 제어 방법.
   
7. 삭제

Images