KR102318530B1 - IoT 기반 하수처리시설 에너지 관리 방법 및 시스템 - Google Patents
IoT 기반 하수처리시설 에너지 관리 방법 및 시스템 Download PDFInfo
- Publication number
- KR102318530B1 KR102318530B1 KR1020210106127A KR20210106127A KR102318530B1 KR 102318530 B1 KR102318530 B1 KR 102318530B1 KR 1020210106127 A KR1020210106127 A KR 1020210106127A KR 20210106127 A KR20210106127 A KR 20210106127A KR 102318530 B1 KR102318530 B1 KR 102318530B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- water quality
- sensing information
- concentration
- sewage treatment
- Prior art date
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims description 36
- 238000007726 management method Methods 0.000 claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 160
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 144
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 85
- 229910052698 phosphorus Inorganic materials 0.000 claims description 85
- 239000011574 phosphorus Substances 0.000 claims description 85
- 229910052757 nitrogen Inorganic materials 0.000 claims description 71
- 238000007664 blowing Methods 0.000 claims description 50
- 230000015654 memory Effects 0.000 claims description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 239000005416 organic matter Substances 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 238000009795 derivation Methods 0.000 claims description 11
- 244000005700 microbiome Species 0.000 claims description 9
- 239000011368 organic material Substances 0.000 claims description 8
- 239000000356 contaminant Substances 0.000 claims description 7
- 230000000813 microbial effect Effects 0.000 claims description 4
- 231100000719 pollutant Toxicity 0.000 abstract description 12
- 239000003344 environmental pollutant Substances 0.000 abstract description 11
- 230000000694 effects Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004062 sedimentation Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 230000001376 precipitating effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- -1 suspended matter Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/006—Regulation methods for biological treatment
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/02—Aerobic processes
- C02F3/12—Activated sludge processes
- C02F3/20—Activated sludge processes using diffusers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Microbiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Economics (AREA)
- Organic Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
Abstract
본 발명은 IoT 기반 하수처리시설 에너지 관리 방법 및 시스템에 관한 것으로서, 더욱 상세하게는 IoT 기반 센서 등에서 수집된 정보에 기초하여 하수처리시설에서 방류되는 오염물질에 대한 예측에 기반하여 하수처리시설의 소요 에너지를 절감시킬 수 있는, IoT 기반 하수처리시설 에너지 관리 방법 및 시스템에 관한 것이다.
Description
본 발명은 IoT 기반 하수처리시설 에너지 관리 방법 및 시스템에 관한 것으로서, 더욱 상세하게는 IoT 기반 센서 등에서 수집된 정보에 기초하여 하수처리시설에서 방류되는 오염물질에 대한 예측에 기반하여 하수처리시설의 소요 에너지를 절감시킬 수 있는, IoT 기반 하수처리시설 에너지 관리 방법 및 시스템에 관한 것이다.
2018년 정부는 대기·에너지정책의 변화를 반영하고, BAU 대비 온실가스 37% 감축목표를 달성하기 위한 '2030 국가 온실가스감축 기본로드맵' 을 수정하여 국내 감축량을 25.7%에서 32.5%로 확대하였으며, 이에 따른 부문별 에너지 효율화 및 에너지 수요관리 강화를 추진하였다.
하수처리장에 자동제어 기법을 적용한 것은 1980년대 초반 북유럽에서 시작되었으며 현재까지 생물학적 인 제거를 포함하는 범위로까지 확대되었고, 특정 제어 변수 값을 원하는 값으로 유지하는 것을 목적으로 하는 국지 제어의 수준을 넘어서 유출 수질에 대한 제어를 목적으로 하는 다양한 제어로직의 개발이 진행되고 있으나 수질 제어만을 목적으로 하고 있어, 에너지 효율분석 및 최적관리를 포함한 경제적 공정 운영관리에 대해서는 현재 상용화된 기술은 존재하지 않는다.
일반적으로 하수, 폐수 및 우수에는 유기물질, 부유물질, 질소, 인 등 다양한 오염물질을 함유하고 있어 이를 적정하게 처리하지 않고 방류할 경우에 방류수역의 수질오염 및 부영양화를 유발시켜 수서생태계에 악영향을 미치게 된다.
이러한 문제를 해결하기 위하여 이들 오염물질은 통상적으로 공공하수처리시설에서 미생물에 의한 생물학적 처리방법에 의해 처리되고 있다.
한편, 위의 종래 생물학적 처리방법으로 질소, 인 및 기타 오염물질을 처리할 경우 생물반응조의 미생물 생육에 필요한 공기를 공급하여 주는데, 이때 필요한 에너지가 전체 하수처리시설에 소요되는 에너지의 약 40% 정도를 차지하게 된다.
그러나, 생물반응조는 질산화 및 탈질 등에 의한 생물학적 처리과정 시, 그 상태를 수중에서 실시간으로 파악하여 할 수 없어 시간별 유입 유량과 수질 변화에 적정하게 대응하지 못하게 되고, 이로 인해 처리효율의 안정성을 확보할 수 없으며, 결국 방류수수질기준을 초과할 우려가 있어 생물반응조의 설계시에는 위와 같은 안전성의 문제를 고려하여 시설규모를 실제 필요한 용량보다 과도하게 설계하게 된다.
한편, 선행특허 1은 단일반응조에서 0.6mg/L이하의 낮은 용존산소(DO) 농도 조건에서 연속적인 탈질 및 질산화를 수행하기 위한 폐수 처리시스템 및 방법을 개시하고 있다.
한편, 선행특허 1(10-2089278, 2020.3.10 등록)는 하수처리장, 폐수처리장, 산업폐수 처리시설 및 개별 오수정화시설에 유입되는 오수, 폐수 등에 함유되어 있는 유기물질, 부유물질, 영양염류 등 각종 오염물질을 생물학적인 처리방법으로 고도 처리하여 제거하기 위한 하수 고도처리장치 및 하수 고도처리방법에 관한 것으로, 이는 피에이치(pH), NH4-N, MLSS, 용존산소(DO) 센서와 연산제어장치가 구비된 'ICT를 활용한 생물반응조 종합관리 시스템'을 구축하여 질소, 인을 제거하는 생물반응조에 대하여 운전 상태를 계절별, 시간대별 하수유입량과 유입수의 피에이치(pH) 및 용존산소(DO)농도를 실시간으로 감지하고, 호기조의 공기공급량, 질산화액 내부순환량 등을 자동으로 조절/관리할 수 있도록 하는 바, 시설 설치비 절감과 소요부지 면적 절감 및 생물반응조의 송풍 전력비 절감을 수행하는 것을 기술적 특징으로 한다.
그러나, 이와 같은 선행특허 1은 현재의 상태값만에 기반하여 생물반응조의 송풍 전력비를 절감하나, 하수처리시설에 유입된 하수는 장기간 처리되기 때문에 현재의 상태값만으로는 효율적으로 송풍 전력비 절감을 도모하기는 어렵다는 문제점이 있다.
한편, 국내에서는 하수처리시설의 방류수질 감시를 위한 TMS(Tele-Monitoring System)을 운영 중이고, 방류하는 하수가 방류수질 기준을 초과할 경우에, 해당 하수처리시설에 벌금을 부가하고 있다.
본 발명은 IoT 기반 센서 등에서 수집된 정보에 기초하여 하수처리시설에서 방류되는 오염물질에 대한 예측에 기반하여 하수처리시설의 소요 에너지를 절감시킬 수 있는, IoT 기반 하수처리시설 에너지 관리 방법 및 시스템을 제공하는 것을 목적으로 한다.
상기와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에서는, 1 이상의 메모리 및 1 이상의 프로세서를 포함하는 컴퓨팅 시스템에서 수행되는 하수처리시설의 에너지 관리 방법으로서, 생물반응조의 유입측에 배치되는 제1센서모듈로부터 복수의 제1센싱정보를 수신하는 제1센싱정보수신단계; 생물반응조에 내부에 배치된 제2센서모듈로부터 복수의 제2센싱정보를 수신하는 제2센싱정보수신단계; 생물반응조의 유출측에 배치되는 제3센서모듈로부터 복수의 제3센싱정보를 수신하는 제3센싱정보수신단계; 하수처리시설에서 처리되어 방류되는 처리수에 대하여 측정된 측정수질정보를 수신하는 측정수질정보수신단계; 상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 학습된 수질추론모델을 이용하여 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 예측미래수질정보를 도출하는 예측미래수질정보도출단계; 상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 상기 수질추론모델을 학습하는 모델학습단계; 및 상기 예측미래수질정보, 및 상기 복수의 제2센싱정보 중 일부 혹은 전체를 포함하는 제어기초정보에 기초하여 생물반응조의 송풍용량을 결정하는 송풍용량결정단계;를 포함하고, 상기 송풍용량결정단계는 상기 예측미래수질정보 중 기설정된 지표값이 기설정된 기준값보다 낮은 경우, 과잉송풍으로 판단하여 송풍용량을 감소시키는, 하수처리시설의 에너지 관리 방법을 제공한다.
본 발명의 몇 실시예에서는, 상기 예측미래수질정보 중 기설정된 지표값은 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소 및 인 농도 중 1 이상을 포함할 수 있다.
본 발명의 몇 실시예에서는, 상기 제어기초정보는 하수처리시설로 유입되는 유량; 상기 제1센싱정보 및 제2센싱정보에서의 센싱된 유기물농도 혹은 오염물질농도; 생물반응조의 미생물농도; 생물반응조의 온도; 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 및 인농도 중 1 이상을 포함하고, 상기 송풍용량결정단계는, 상기 유량, 유기물농도 혹은 오염물질농도, 미생물농도의 경우 높을수록 송풍량을 증가시키고, 상기 온도의 경우 높을수록 송풍량을 감소시키고, 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 미래 시점의 질소농도 혹은 인농도가 기설정된 기준값보다 낮은 경우, 과잉송풍으로 판단하여 송풍용량을 감소시킬 수 있다.
본 발명의 몇 실시예에서는, 상기 제1센싱정보는 유입수 유기물질 정보, 유입수 질소농도, 유입수 인농도, 유입수 온도, 유입수 전기전도도를 포함하고, 상기 제2센싱정보는 용존산소량정보, 미생물농도, 온도를 포함하고, 상기 제3센싱정보는 유출수 유기물질 정보, 유출수 질소농도, 유출수 인농도, 유출수 온도, 유출수 전기전도도를 포함하고, 상기 제1측정수질정보는 인농도 혹은 질소농도를 포함할 수 있다.
본 발명의 몇 실시예에서는, 상기 수질추론모델은, 상기 추론기초정보의 일부 혹은 전체를 입력 받아, 미래의 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 예측하는 복수의 세부추론모델;을 포함하고, 상기 복수의 세부추론모델 중 설정기준에 따라 상기 예측미래수질정보를 도출하기 위해 사용되는 1 이상의 세부추론모델을 선택하는 선택모델을 포함하고, 상기 예측미래수질정보도출단계는, 선택모델에서 선택된 1 이상의 세부추론모델에서 출력된 질소농도 혹은 인농도에 기초하여 미래의 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 결정할 수 있다.
본 발명의 몇 실시예에서는, 상기 추론기초정보는 복수의 추론변수를 포함하고, 복수의 상기 세부추론모델 중 적어도 2개는 상기 추론변수 전체에서 서로 상이한 세트의 복수의 추론변수를 입력값으로 가질 수 있다.
본 발명의 몇 실시예에서는, 상기 복수의 세부추론모델 중 1 이상은 PLS모델을 포함하고, 상기 추론기초정보는 복수의 추론변수를 포함하고, 복수의 상기 세부추론모델 중 적어도 2개의 PLS모델은 상기 추론변수 전체에서 서로 상이한 세트의 복수의 추론변수를 입력값으로 가질 수 있다.
본 발명의 몇 실시예에서는, 상기 선택모델은, 복수의 세부추론모델에서 출력되는 복수의 질소농도 혹은 인농도의 평균값, 중앙값, 혹은 가중평균값으로 선택기준값을 도출하는 단계; 및 상기 각각의 세부추론모델에서 출력되는 질소농도 혹은 인농도와 상기 선택기준값과의 차이에 기초하여 1 이상의 세부추론모델을 선정하는 단계;를 통하여 설정기준이 결정될 수 있다.
본 발명의 몇 실시예에서는, 상기 선택모델은, 현재의 측정수질정보에서의 출력되는 질소농도 혹은 인농도로 선택기준값을 도출하는 단계; 및 상기 각각의 세부추론모델에서 출력되었던 과거의 질소농도 혹은 인농도와 상기 선택기준값과의 차이에 기초하여 1 이상의 세부추론모델을 선정하는 단계;를 통하여 설정기준이 결정될 수 있다.
본 발명의 몇 실시예에서는, 상기 모델학습단계는, 현재의 상기 측정수질정보를 그라운드트루스로 이용하고, 과거의 상기 추론기초정보 중 일부 혹은 전체를 입력값으로 하여 의하여 각각의 세부추론모델이 학습될 수 있다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 일 실시예에서는, 1 이상의 메모리 및 1 이상의 프로세서를 포함하는 컴퓨팅 시스템; 제1센서모듈; 제2센서모듈; 및 제3센서모듈;를 포함하는 하수처리시설의 에너지 관리 시스템으로서, 상기 컴퓨팅 시스템은, 생물반응조의 하수 유입측에 배치되는 제1센서모듈로부터 복수의 제1센싱정보를 수신하는 제1센싱정보수신단계; 생물반응조에 내부에 배치된 제2센서모듈로부터 복수의 제2센싱정보를 수신하는 제2센싱정보수신단계; 생물반응조의 유출측에 배치되는 제3센서모듈로부터 복수의 제3센싱정보를 수신하는 제3센싱정보수신단계; 하수처리시설에서 처리되어 방류되는 처리수에 대하여 측정된 제1측정수질정보를 수신하는 측정수질정보수신단계; 상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 학습된 수질추론모델을 이용하여 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 예측미래수질정보를 도출하는 예측미래수질정보도출단계; 상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 상기 수질추론모델을 학습하는 모델학습단계; 및 상기 예측미래수질정보, 및 상기 복수의 제2센싱정보 중 일부 혹은 전체를 포함하는 제어기초정보에 기초하여 생물반응조의 송풍용량을 결정하는 송풍용량결정단계;를 수행하고, 상기 송풍용량결정단계는 상기 예측미래수질정보 중 기설정된 지표값이 기설정된 기준값보다 낮은 경우, 과잉송풍으로 판단하여 송풍용량을 감소시키는, 하수처리시설의 에너지 관리 시스템을 제공한다.
본 발명의 일 실시예에서는, IoT 기반 센서 등에서 수집된 정보에 기초하여 하수처리시설에서 방류되는 오염물질에 대한 예측에 기반하여 하수처리시설의 소요 에너지를 절감시킬 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에서는, 송풍용량의 결정에 있어서 현재의 정보 뿐만 아니라, 미래에 예측되는 수질정보를 반영함으로써 과용량으로 송풍을 하는 것을 방지하여 에너지 절감을 도모할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에서는, 복수의 지점에서 센싱된 정보들을 종합적으로 고려하여 미래의 수질정보를 예측함으로써, 보다 정확하게 미래의 수질정보를 정확하게 예측할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에서는, 일부 센서들에 고장이 나더라도 예측의 오류를 최소화할 수 있어서, 보다 환경적 요인에 대한 강인(robust)한 특성을 발휘할 수 있다.
본 발명의 일 실시예에서는, 일부 모델들에 추론오류가 발생하더라도 오류에 대한 영향을 최소화하여 미래의 수질정보를 예측할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에서는, 하수처리장에서 위반 여부를 체크하기 위한 TMS에서 출력되는 정보를 다른 정보와 조합하여 미래의 수질정보를 예측할 수 있을 뿐만 아니라, TMS에서 출력되는 정보를 과거의 입력인자와 조합하여 세부추론모델을 학습시킬 수 있다.
본 발명의 일 실시예에서는, 정상적(steady)인 동작 하에서, 별도의 학습 자료를 가공하지 않더라도, TMS의 출력값으로 모델을 학습할 수 있는 SELF-SUPERVISED 러닝을 구현할 수 있는 효과를 발휘할 수 있다.
도 1은 본 발명의 일 실시예에 따른 하수처리시설 에너지 관리 시스템의 전체적인 구성에 대하여 개략적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 하수처리시설 에너지 관리의 단계들 및 이를 실행하는 제어시스템의 내부 구성들을 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 제어시스템에서 수집되는 정보들을 개략적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 제어시스템에서 송풍용량을 도출하는 과정을 개략적으로 도시한다.
도 5는 본 발명의 일 실시예에 다른 세부추론모델과 선택모델의 동작을 개략적으로 도시한다.
도 6은 본 발명의 일 실시예에 따른 복수의 세부추론모델에서 사용되는 변수들의 조합을 개략적으로 도시한다.
도 7은 본 발명의 일 실시예에 따른 세부추론모델을 선정하는 과정을 개략적으로 도시한다.
도 8은 본 발명의 일 실시예에 따른 세부추론모델을 선정하는 과정을 개략적으로 도시한다.
도 9는 본 발명의 일 실시예에 따른 세부추론모델을 학습하는 과정에 대하여 개략적으로 도시한다.
도 10은 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 예시적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 하수처리시설 에너지 관리의 단계들 및 이를 실행하는 제어시스템의 내부 구성들을 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 제어시스템에서 수집되는 정보들을 개략적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 제어시스템에서 송풍용량을 도출하는 과정을 개략적으로 도시한다.
도 5는 본 발명의 일 실시예에 다른 세부추론모델과 선택모델의 동작을 개략적으로 도시한다.
도 6은 본 발명의 일 실시예에 따른 복수의 세부추론모델에서 사용되는 변수들의 조합을 개략적으로 도시한다.
도 7은 본 발명의 일 실시예에 따른 세부추론모델을 선정하는 과정을 개략적으로 도시한다.
도 8은 본 발명의 일 실시예에 따른 세부추론모델을 선정하는 과정을 개략적으로 도시한다.
도 9는 본 발명의 일 실시예에 따른 세부추론모델을 학습하는 과정에 대하여 개략적으로 도시한다.
도 10은 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 예시적으로 도시한다.
이하에서는, 다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.
또한, 다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '~부', '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어를 의미할 수 있다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
또한, 본 발명의 실시예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명의 실시예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일 실시예에 따른 하수처리시설 에너지 관리 시스템의 전체적인 구성에 대하여 개략적으로 도시한다.
하수처리시설은 제1침전조, 생물반응조, 송풍기, 제2침전조, 총인설비를 포함한다. 유입된 하수는 제1침전조에서 1차적으로 오염물질을 침전시킨 후에, 생물반응조에서 호기성 미생물 등에 의한 유기물 및 오염물질의 분해가 이루어진다. 이후, 제2침전조에서 2차적으로 오염물질을 침전시킨 후에, 총인설비에서 인(P)이 제거된다.
한편, 본 발명의 일 실시예에서는 도 1에 도시된 바와 같이, 제1침전조와 생물반응조 사이에는 제1센서모듈(100)이 배치되고, 생물반응조에는 제2센서모듈(200)이 배치되고, 제2침전조와 총인설비 사이에는 제3센서모듈(300)이 배치된다. 제1센서모듈(100), 제2센서모듈(200), 제3센서모듈(300)의 세부적인 위치 혹은 측정 지점은 실시예에 따라 가변될 수 있으나, 제1센서모듈(100)은 생물반응조의 하수 유입측에 배치되고 제2센서모듈(200)은 생물반응조에 내부에 배치되고, 제3센서모듈(300)은 생물반응조의 유출측에 배치된다.
한편, TMS(400)(TeleMonitoring System)는 정부, 지자체 등의 기관에서 관리하는 시스템으로서 최종적으로 처리가 되어 방류되는 처리수에 대한 수질을 측정하는 시스템에 해당하고, TMS(400)의 운영주체와 제어시스템(1000)의 운영주체는 상이할 수 있다.
일반적으로 TMS(400)는 방출되는 처리수의 수질을 측정하고, 측정된 수질이 기준에 부합하지 않는 경우에 해당 하수처리시설에 대하여 벌금을 부과하는 것이 주요 용도이다. 본 발명에서는 단순히 벌금부과에 사용되는 TMS(400)에서 측정된 정보를 활용하여, 미래의 수질정보를 예측하고 이를 송풍기의 송풍용량의 결정에 활용함으로써, 송풍기가 과도하게 동작하는 것을 방지함으로써 에너지 사용량을 절감할 수 있다.
한편, 제어시스템(1000)은 상기 제1센서모듈(100), 제2센서모듈(200), 제3센서모듈(300), TMS(400)에서 수신한 센싱정보에 기초하여, 송풍기의 송풍용량을 결정한다. 상기 제어시스템(1000)은 수신한 센싱정보에 기초하여 송풍기 관련 제어뿐만 아니라 다양한 형태의 제어 동작을 수행할 수 있다.
상기 제1센서모듈(100), 제3센서모듈(300)은 IoT기반 무선 혹은 유선 센서에 해당할 수 있고, 2 이상의 수질과 관련된 정보를 측정함이 바람직하다. 본 발명에서는 다수의 지점에 배치된 센서모듈로부터 수집된 정보에 기초하여 미래의 수질정보를 보다 정확하게 예측할 수 있다.
일반적으로, 하수처리시설에 유입된 하수는 상기 제1침전조에서 약 2시간 정도 체류하고, 이후 생물반응도에서 약 8시간 정도 체류하고, 이후 제2침전조에서 약 4시간 정도 체류하고, 이후 총인설비에서 약 1시간 정도 체류를 한다. 이와 같이 각각의 처리시설에서 하수는 상당한 시간을 체류하고 있기 때문에, 복수의 지점에서 센싱된 정보를 사용하는 경우, 이와 같은 하수의 체류에 따른 변화가 계산되어 미래의 시점에서의 수질정보를 보다 정확하게 도출할 수 있는 효과를 발휘할 수 있다.
본 발명의 센서모듈의 구성 및 구체적인 위치는 도 1에 한정되는 것이 아니라 실시예에 따라 가변될 수 있다.
도 2는 본 발명의 일 실시예에 따른 하수처리시설 에너지 관리의 단계들 및 이를 실행하는 제어시스템(1000)의 내부 구성들을 개략적으로 도시한다.
본 발명의 일 실시예에 따른 하수처리시설의 에너지 관리 방법은 1 이상의 메모리 및 1 이상의 프로세서를 포함하는 컴퓨팅 시스템에서 수행된다. 본 발명의 일 실시예에서는 상기 제어시스템(1000)에서 수행될 수 있다.
본 발명의 일 실시예에 따른 하수처리시설 에너지 관리 방법은 생물반응조의 하수 유입측에 배치되는 제1센서모듈(100)로부터 복수의 제1센싱정보를 수신하는 제1센싱정보수신단계(S100); 생물반응조에 내부에 배치된 제2센서모듈(200)로부터 복수의 제2센싱정보를 수신하는 제2센싱정보수신단계(S200); 생물반응조의 유출측에 배치되는 제3센서모듈(300)로부터 복수의 제3센싱정보를 수신하는 제3센싱정보수신단계(S300); 하수처리시설에서 처리되어 방류되는 처리수에 대하여 측정된 측정수질정보를 수신하는 측정수질정보수신단계(S400); 상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 학습된 수질추론모델을 이용하여 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 예측미래수질정보를 도출하는 예측미래수질정보도출단계(S500); 상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 상기 수질추론모델을 학습하는 모델학습단계(S600) 및 상기 예측미래수질정보, 및 상기 복수의 제2센싱정보 중 일부 혹은 전체를 포함하는 제어기초정보에 기초하여 생물반응조의 송풍용량을 결정하는 송풍용량결정단계(S700);를 포함한다.
상기 제1센싱정보수신단계(S100)는 생물반응조의 하수 유입측에 배치되는 제1센서모듈(100)로부터 복수의 제1센싱정보를 수신한다.
바람직하게는, 상기 제1센싱정보는 BOD(Biochemical Oxygen Demand), COD(Chemical Oxygen Demand), TSS(Total Suspended Solids), TOC(Total Organic Carbon), 유입수 질소(T-N), 유입수 인(T-P), 온도, 및 전기전도도 중 1 이상의 정보를 포함할 수 있다.
상기 BOD, COD, TSS, TOC 는 유입수의 유기물질에 대한 정보에 해당할 수 있고, 유입수 질소 및 유입수 인은 유입수의 오염물질에 해당할 수 있다.
상기 제1센서모듈(100)에서 센싱된 정보는 상기 제어시스템(1000)에 전송된다.
상기 제2센싱정보수신단계(S200)은 생물반응조에 내부에 배치된 제2센서모듈(200)로부터 복수의 제2센싱정보를 수신한다.
바람직하게는, 상기 제2센싱정보는 DO(Dissolved Oxygen), MLSS(Mixed Liquor Suspended Solid), 및 온도 중 1 이상을 포함할 수 있다.
상기 제2센서모듈(200)에서 센싱된 정보는 상기 제어시스템(1000)에 전송된다.
상기 제3센싱정보수신단계(S300)는 생물반응조의 유출측에 배치되는 제3센서모듈(300)로부터 복수의 제3센싱정보를 수신한다.
바람직하게는, 상기 제3센싱정보는 BOD(Biochemical Oxygen Demand), COD(Chemical Oxygen Demand), TSS(Total Suspended Solids), TOC(Total Organic Carbon), 유입수 질소(T-N), 유입수 인(T-P), 온도, 및 전기전도도 중 1 이상의 정보를 포함할 수 있다.
상기 제3센서모듈(300)에서 센싱된 정보는 상기 제어시스템(1000)에 전송된다.
측정수질정보수신단계(S400)는 하수처리시설에서 처리되어 방류되는 처리수에 대하여 측정된 측정수질정보를 수신한다. 상기 측정수질정보는 도 1에 도시된 TMS(400)에서 측정된 정보에 해당할 수 있다. 본 발명의 다른 실시예에서는 TMS(400)가 아닌 다른 형태의 방류되는 처리수의 수질측정 장치 혹은 시스템으로부터 측정수질정보를 수신할 수도 있다. TMS는 정부, 지자체, 혹은 공공기관에서 운영하는 수질TMS에 해당할 수 있다.
본 발명의 일 실시예에서는, 제어시스템(1000)은 각각의 시간 별로, 해당 시간에 따른 측정수질정보를 받을 수 있다. 이에 추가적으로, 제어시스템(1000)은 각각의 시간 별로 해당 시간 및 해당시간으로부터 기설정된 과거 시점에서 특정 수질관련 인자의 차이를 수신 받거나 혹은 자체적으로 이를 수신한 현재 정보들의 누적에서 계산할 수도 있다.
예측미래수질정보도출단계(S500)은 상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 학습된 수질추론모델을 이용하여 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 예측미래수질정보를 도출한다. 이와 같이, 본 발명의 실시예에서는 복수의 지점에서 센싱된 정보를 고려하여 예측미래수질정보를 도출할 수 있다.
이와 같은 예측미래수질정보는 송풍기의 송풍용량을 결정하는 인자 외의 다른 인자들도 도출할 수 있지만, 이하에서는 송풍용량을 결정하는 인자를 중심으로 본 발명을 설명하도록 한다.
모델학습단계(S600)은 상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 상기 수질추론모델을 학습한다.
더욱 바람직하게는, 상기 TMS(400)에서 출력되는 측정수질정보를 그라운드트루스로 하여 상기 수질추론모델을 학습시킬 수 있다. 즉, TMS(400)에서 출력되는 정보는 상기 예측미래수질정보도출단계(S500) 뿐만 아니라, 추론을 위한 모델들을 학습하는 데 다시 사용될 수 있다.
송풍용량결정단계(S700)은 상기 예측미래수질정보, 및 상기 복수의 제2센싱정보 중 일부 혹은 전체를 포함하는 제어기초정보에 기초하여 생물반응조의 송풍용량을 결정한다.
바람직하게는, 상기 송풍용량결정단계(S700)는 상기 예측미래수질정보 중 기설정된 지표값이 기설정된 기준값보다 낮은 경우, 과잉송풍으로 판단하여 송풍용량을 감소시킨다.
바람직하게는, 상기 예측미래수질정보 중 기설정된 지표값은 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 및 인농도 중 1 이상을 포함한다.
하수처리시설을 거치면서 하수에서는 우선적으로 유기물이 제거된다. 이후 최종적인 질소 혹은 인의 제거가 이루어진다(물론 유기물이 제거되는 과정에서 질소 혹은 인이 제거가 되기는 하나, 최종 완료 시점이 질소 혹은 인이 유기물보다 늦다). 이를 고려하여, 본 발명에서는 현재의 측정정보를 기초로 미래 시점에서 예측되는 방류 지점에서의 질소농도 및 인농도가 지나치게 낮은 경우에는 과송풍이 된다고 판단하고, 송풍량을 감소시킴으로써 보다 효율적으로 에너지 관리를 수행할 수 있는 효과를 발휘할 수 있다.
도 2의 (B)에 도시된 제어시스템(1000)은 전술한 단계들을 수행하는 컴퓨팅 시스템에 해당하고, 이에 대한 중복된 설명은 생략하도록 한다.
도 3은 본 발명의 일 실시예에 따른 제어시스템(1000)에서 수집되는 정보들을 개략적으로 도시한다.
본 발명의 일 실시예에서는, 상기 제1센서모듈(100)에서 센싱되는 상기 제1센싱정보는 유입수 유기물질 정보, 유입수 질소농도, 유입수 인농도, 유입수 온도, 유입수 전기전도도를 포함한다. 본 발명의 일 실시예에서는, 상기 제1센서모듈(100) 혹은 제3센서모듈(300)은 본 발명의 출원인의 한국등록특허 제2152245호 혹은 제2124010호에 기재된 센서모듈에 해당할 수 있다.
또한, 상기 제2센서모듈(200)에서 센싱되는 상기 제2센싱정보는 용존산소량정보, 미생물농도, 온도를 포함한다.
또한, 상기 제3센서모듈(300)에서 센싱되는 상기 제3센싱정보는 유출수 유기물질 정보, 유출수 질소농도, 유출수 인농도, 유출수 온도, 유출수 전기전도도를 포함한다.
상기 측정수질정보는 인농도 혹은 질소농도를 포함한다.
바람직하게는, 도 3에서는 제어시스템(1000)에는 시간당 상기 하수처리시설의 인입수에 대한 유량에 대한 정보를 수신할 수 있다. 이와 같은 인입수에 대한 유량에 대한 정보는 전술한 센서모듈 외의 다른 센서, 측량기기에 의하여 센싱될 수 있다.
상기 제어시스템(1000)은 다양한 예측, 제어 기능을 수행할 수 있으나, 본 명세서에서는 미래 시점에서의 수질 예측 및 수질 예측 등을 포함하는 기초 정보에 기반한 송풍용량 결정을 중심으로 설명하도록 한다.
도 4는 본 발명의 일 실시예에 따른 제어시스템(1000)에서 송풍용량을 도출하는 과정을 개략적으로 도시한다.
본 발명의 일 실시예에서는, 상기 송풍용량결정단계는 복수의 센싱정보를 복합적으로 이용하여 결정될 수 있다. 이와 같은 송풍용량을 결정하기 위하여 사용되는 데이터인 제어기초정보는 하수처리시설로 유입되는 유량; 상기 제1센싱정보 및 제2센싱정보에서의 센싱된 유기물농도 혹은 오염물질농도; 생물반응조의 미생물농도; 및 생물반응조의 온도;을 포함한다.
바람직하게는, 상기 제어기초정보는 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 및 인농도 중 1 이상을 포함한다. 이와 같은 예측되는 질소농도 및 인농도는 상기 예측미래수질정보도출단계(S500)에서 산출되는 값에 해당한다.
바람직하게는, 상기 송풍용량결정단계는, 상기 유량, 유기물농도 혹은 오염물질농도, 미생물농도의 경우 높을수록 송풍량을 증가시키고, 상기 온도의 경우 높을수록 송풍량을 감소시킨다. 이는 본 발명의 일 실시예에 따른 하수처리시설 에너지 관리 방법의 기본적인 제어로직에 해당한다.
이와 같은 기본적인 제어로직의 규칙 내에서 다양한 세부제어 로직이 구현될 수 있다. 이에 대한 설명은 생략하도록 한다.
바람직하게는, 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 미래 시점의 질소농도(T-N) 혹은 인농도(T-P)가 기설정된 기준값보다 낮은 경우, 과잉송풍으로 판단하여 송풍용량을 감소시킨다. 상기 기본적인 제어로직의 동작 하에서, 이와 같은 미래에서 예측된 질소농도 혹은 인농도를 고려함으로써, 현재에서 미래 시점 까지의 과송풍에 의한 에너지를 낭비를 방지할 수 있는 효과를 발휘할 수 있다. 이와 같은 제어를 수행하기 위하여 방류되는 처리수에서 예측되는 미래 시점의 질소 농도 및/또는 인농도에 대한 정보가 필요하고 이에 대한 추론 방법에 대하여 설명하도록 한다.
도 5는 본 발명의 일 실시예에 다른 세부추론모델과 선택모델의 동작을 개략적으로 도시한다.
본 발명의 일 실시예에서는, 상기 수질추론모델은, 상기 추론기초정보의 일부 혹은 전체를 입력받아, 미래의 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 예측하는 복수의 세부추론모델; 및 상기 복수의 세부추론모델 중 설정기준에 따라 상기 예측미래수질정보를 도출하기 위해 사용되는 1 이상의 세부추론모델을 선택하는 선택모델;을 포함한다.
본 발명의 일 실시예에서, 상기 추론기초정보는 제1센서모듈(100), 제2센서모듈(200), 제3센서모듈(300)에서 센싱된 정보, 인입수의 유량 중 일부 혹은 전체를 포함한다.
한편, 각각의 세부추론모델에 입력되는 입력변수는 추론기초정보의 일부 혹은 전체를 포함할 수 있고, 이는 세부추론모델에 따라 상이해질 수도 있다.
즉, 추론기초정보가 A, B, C, D, E, F의 정보가 있다고 가정시, 제1세부추론모델에는 A, B, C만이 입력이 되고, 제2세부추론모델에는 B, C, D만이 입력이 되고, 제3세부추론모델에는 D, E, F 만이 입력이 될 수도 있다.
또한, 상기 제1센싱정보, 제2센싱정보, 제3센싱정보 중 일부의 정보만이 추론기초정보로 사용될 수 있다. 이는 제어시스템(1000)은 수질예측, 송풍용량 결정 외의 다른 동작을 수행할 수 있기 때문이다. 이와 같은 추론기초정보는 전술한 변수 혹은 인자 중에 설계적으로 선택이 될 수 있다. 또한, 각각의 세부추론모델에서 사용되는 변수 역시 전술한 변수 혹은 인자 중에 설계적으로 선택이 될 수 있다.
바람직하게는, 상기 추론기초정보는 상기 측정수질정보에서 현재 시점에서의 방류지점에서의 질소 농도 혹은 인농도에 대한 정보를 포함한다. 더욱 바람직하게는, 상기 추론기초정보는 상기 측정수질정보로부터 직접적 혹은 간접적으로 획득되는 현재 시점과 기설정된 과거 시점 사이의 방류지점에서의 질소 농도 혹은 인농도의 차이값을 포함한다.
상기 수질추론모델에서 출력되는 정보는 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 예측되는 질소농도 및 인농도 중 1 이상을 포함할 수 있다. 따라서, 상기 추론기초정보에서 현재 시점에서의 방류지점에서의 질소 농도 혹은 인농도에 대한 정보 및 현재 시점과 기설정된 과거 시점 사이의 방류지점에서의 질소 농도 혹은 인농도의 차이값을 포함시킴으로써, 보다 추론의 정확도를 높일 수 있다.
예를들어, 오늘 12시에 오늘 15시의 질소농도 혹은 인농도를 예측하고자 하는 경우, 세부추론모델에는 오늘 9시와 12시의 질소농도 혹은 인농도의 차이(혹은 오늘 9시의 질소농도 혹은 인농도가 입력되고, 차이를 계산), 및 오늘 12시의 질소농도 혹은 인농도가 입력될 수 있다.
상기 세부추론모델은 공통적으로 과거의 데이터에 의하여 학습된 추론모델에 해당한다,
본 발명의 일 실시예에서는, 과거 TMS(400)에서 확인되는 측정수질정보가 라벨링된 결과값에 해당하고, 그 당시의 각각의 세부추론모델에 입력되었던 센싱정보들을 입력값으로 하여 세부추론모델을 학습시킬 수 있다.
그러나, 세부추론모델 각각은 모델의 형태, 알고리즘이 상이할 수 있고, 동일한 형태, 알고리즘이라고 하더라도 입력변수의 수 혹은 종류가 상이할 수 있다.
이와 같이 본 발명에서는 복수의 세부추론모델을 이용하여, 일부 세부추론모델에서 오류가 있더라도 이를 최종적인 결과에서 영향을 주는 것을 최소화할 수 있다.
본 발명의 일 실시예에서는 상기 선택모델 없이 각각의 세부추론모델에서 출력되는 예측값 (예를들어 기설정된 1 이상의 미래 시점에서의 인 혹은 질소의 농도)에 대한 전체 평균, 중간값 등을 최종 예측값으로 할 수 있다.
그러나, 본 발명에서는 각각의 세부추론모델에 대한 평가를 수행하고, 이들에 대해 우선순위 혹은 가중치 등을 부여하여 최종적으로 선택된 세부추론모델에서 출력되는 예측값을 선택예측값으로 하고 이들의 대표값(예를들어, 평균, 가중평균, 중간값)을 최종예측값으로 함으로써, 일부 모델에서의 오류가 발생하더라도 정확하게 예측값을 도출할 수 있는 효과를 발휘할 수 있다.
즉, 바람직하게는, 상기 예측미래수질정보도출단계는, 선택모델에서 선택된 1 이상의 세부추론모델에서 출력된 질소농도 혹은 인농도에 기초하여 미래의 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 결정한다.
도 6은 본 발명의 일 실시예에 따른 복수의 세부추론모델에서 사용되는 변수들의 조합을 개략적으로 도시한다.
상기 추론기초정보는 복수의 추론변수를 포함한다. 상기 추론변수는 제1센싱정보, 제2센싱정보, 제3센싱정보, 측정수질정보(TMS(400)에서 획득) 등으로부터 획득된 BOD, COD, TSS, TOC, T-N, T-P, MLSS, DO, T-N 혹은 T-P의 변화값(이들의 측정지점이 복수일 수 있음)을 포함할 수 있다.
한편, 각각의 세부추론모델에서 추론의 오류가 발생하는 것은 기본적으로 추론모델의 문제보다는 각각의 입력변수를 센싱하는 센서의 오류에 기인할 수 있다. 따라서, 본 발명에서는 동일한 모델 혹은 일부가 상이한 모델 혹은 전체가 상이한 모델로 이루어진 복수의 세부추론모델에서 입력된 변수를 가변함으로써, 센서의 오류에 기인한 추론오류의 최종 결과값에 대한 영향을 최소화할 수 있다.
바람직하게는, 복수의 상기 세부추론모델 중 적어도 2개는 상기 추론변수 전체에서 서로 상이한 세트의 복수의 추론변수를 입력값으로 가진다.
도 6은 이와 같은 실시예를 예시적으로 도시한다. 세부추론모델이 15개가 존재하고, 이들 세부추론모델 전체가 이용하는 변수가 6개 인 경우에는, 도 6에서와 같이 각각의 세부추론모델의 변수를 상이하게 할 수 있다. 예를들어, PLS-01모델의 경우, 입력변수로서 V1, V2, V3, V4를 가지나, PLS-02모델의 경우 입력변수로서 V1, V2, V3, V5를 갖는다.
이와 같이 각각의 세부추론모델의 변수세트에 변화를 가함으로써, 일부 센서의 오류에 기인한 일부 변수에 오류가 발생하는 경우에도, 이와 같은 오류가 최종적인 예측값에 주는 영향을 최소화시킬 수 있다.
바람직하게는, 상기 복수의 세부추론모델 중 1 이상은 PLS모델을 포함하고, 상기 추론기초정보는 복수의 추론변수를 포함하고, 복수의 상기 세부추론모델 중 적어도 2개의 PLS모델은 상기 추론변수 전체에서 서로 상이한 세트의 복수의 추론변수를 입력값으로 갖는다. 본 발명의 일 실시예에서는 세부추론모델은 중 일부는 PLS모델을 사용하고, 나머지 모델은 다른 회귀분석 모델 및/또는 딥러닝 기반의 인공신경망 추론모델을 이용할 수도 있다.
본 발명의 실시예들에서는 복수의 세부추론모델은 PLS, SVM, RANSAN, MLR, MLP 중 1 이상을 포함할 수 있다.
Partial Least Squares(PLS)는 대표적인 소프트 모델링 기법으로서, 널리 알려진 통계분석 방법 중 하나인 PCA(Principal components analysis)와 유사한 방법에 해당한다.
두 방법 모두 데이터로부터 주요성분(Principal component)을 추출하여 분석하나, PLS 분석은 PCA 분석과는 달리 입력변수와 출력변수 모두 사용하여 모델을 구성한다.
PLS 분석방법은 기존의 MLR(multiple linear regression) 방법과 달리 매우 높은 상관관계를 갖는 데이터 분석 및 다수의 입력변수와 다수의 출력 변수를 동시에 갖는 모델 구성에 매우 효과적으로 사용 가능하다.
PLS는 PCA에 이론적 바탕을 두고 변수 X와 Y의 관계를 정의하며, 기존 데이터를 적은 수의 직교요소들로 표현되는 새로운 변수 공간으로 선형투영할 때 각각의 요소들이 원본 데이터와 상호 독립적인 선형조합을 이루는 것에 기반한 회귀모델이다. PLS는 PCR과 달리 X와 Y가 서로 정보를 공유하고 기여도의 정도를 가중치를 통해 조정하므로 Y 변수의 설명에 합리적이며, 회귀모델에 사용되는 데이터의 score vector가 상호 독립적이므로 다중공선성 문제로부터 자유롭다.
그러나 여전히 test 데이터상에 노이즈나 Outlier가 존재할 경우 PLS 모델의 예측성능을 떨어뜨리는 요인이 될 수 있고, 본 발명에서는 이러한 문제점을 해결하고자 복수의 PLS모델을 조합하여 더 정확한 예측이 가능하고, 개별 모델의 결과가 분산되어 입력오류에 더 강인한 모델 결과를 도출할 수 있다.
따라서, 기기 고장, 통신 오류 등으로 인한 데이터 오류가 발생해도, 본 발명과 같은 형태의 모델 구성에서는 상호 독립적인 개별 모델 중 일부가 적절한 예측성능을 보일 경우 전체적인 예측 오류가 크게 내려가 이상치에 대한 대응력이 증가하며, 뿐만 아니라 모델의 다양성을 획득하여 전반적인 예측력이 증가시킬 수 있다.
따라서, 본 발명의 바람직한 실시예에서는 센서 고장이나 센서 오염과 같은 모델 입력 자료의 다양한 Outlier발생 상황 가정 하에 복수의 PLS 모델을 이용해 구축한 추론 모델을 방류수질을 예측한다.
도 7은 본 발명의 일 실시예에 따른 세부추론모델을 선정하는 과정을 개략적으로 도시한다.
상기 선택모델은, 복수의 세부추론모델에서 출력되는 복수의 질소농도 혹은 인농도의 평균값, 중앙값, 혹은 가중평균값으로 선택기준값을 도출하는 단계; 및 상기 각각의 세부추론모델에서 출력되는 질소농도 혹은 인농도와 상기 선택기준값과의 차이에 기초하여 1 이상의 세부추론모델을 선정하는 단계;를 통하여 설정기준이 결정된다.
본 발명의 일 실시예에서는, 5개의 세부추론모델이 있다고 가정하는 경우에, 각각의 세부추론모델에서 출력되는 질소농도 혹은 인농도의 예측값들의 대표값에 해당하는 선택기준값을 도출한다. 이와 같이 도출된 선택기준값과 각각의 세부추론모델에서 출력된 예측값과의 차이를 고려하여, 예측값과 선택기준값의 차이가 적은 순서대로 정렬을 하고, 기설정된 개수의 상위모델(차이가 적은 모델)을 선택하는 것으로 설정기준이 설정될 수 있다.
예를들어, 5개의 세부추론모델이 1, 2, 3, 4, 5의 미래 시점의 인농도 예측값을 출력하는 경우, 이들의 평균값(선택기준값)은 3이고, 이 중 3개의 모델만 선택하는 경우에는 2, 3, 4를 출력한 모델을 선택하고, 이후 선택된 이들 모델에서 출력하는 값의 대표값(평균값 등)을 최종 예측값으로 취한다.
도 8은 본 발명의 일 실시예에 따른 세부추론모델을 선정하는 과정을 개략적으로 도시한다.
본 발명의 일 실시예에서는, 상기 선택모델은, 현재의 측정수질정보에서의 출력되는 질소농도 혹은 인농도로 선택기준값을 도출하는 단계; 및 상기 각각의 세부추론모델에서 출력되었던 과거의 질소농도 혹은 인농도와 상기 선택기준값과의 차이에 기초하여 1 이상의 세부추론모델을 선정하는 단계;를 통하여 설정기준이 결정된다.
즉, 도 8에 도시된 실시예에서는, 각각의 세부추론모델은 과거의 정보에 기초하여 미래의 예측값(예를들어, 인 농도)을 출력한다. 이후 시간이 지난 후에, TMS(400)로부터 그라운드트루스로서 측정값(인 농도)이 획득된다. 이 후, 그라운드트루스에 가까운 출력값을 출력하였던 세부추론모델을 선택된 모델로 선정할 수 있다.
본 발명의 일 실시예에서는, 5개의 세부추론모델이 있다고 가정하는 경우에, 현재의 시점에서 TMS(400)에서 측정되는 질소농도 혹은 인농도를 선택기준값으로 도출한다. 이와 같이 도출된 선택기준값과 각각의 세부추론모델에서 과거에 출력된 예측값(해당 측정시기에 대한 예측값)과의 차이를 고려하여, 예측값과 선택기준값의 차이가 적은 순서대로 정렬을 하고, 기설정된 개수의 상위모델(차이가 적은 모델)을 선택하는 것으로 설정기준이 설정될 수 있다.
예를들어, 5개의 세부추론모델이 1, 2, 3, 4, 5의 현재 시점의 인농도 예측값을 출력하였고, 현재 시점에서 실제로 측정된 값이 3이고, 이 중 3개의 모델만 선택하는 경우에는 2, 3, 4를 출력한 모델을 선택하고, 이후 선택된 이들 모델에서 출력하는 값의 대표값(평균값 등)을 최종 예측값으로 취한다.
도 9는 본 발명의 일 실시예에 따른 세부추론모델을 학습하는 과정에 대하여 개략적으로 도시한다.
본 발명의 일 실시예에서는, 상기 모델학습단계는, 현재의 상기 측정수질정보를 그라운드트루스로 이용하고, 과거의 상기 추론기초정보 중 일부 혹은 전체를 입력값으로 하여 의하여 각각의 세부추론모델이 학습한다.
예를들어, 세부추론모델#1에서 과거 시점에서의 변수 SET A(입력된 환경센싱정보)가 입력되어 현지 시점에서의 인농도의 예측값이 출력된다고 가정시, 현재 시점에서 실제 인농도의 측정값(학습값 A)이 TMS(400)를 통하여 수집될 수 있고, 세부추론모델#1에 대하여 변수 SET A와 학습값 A를 이용하여 학습을 수행할 수 있다. 이와 같은 학습은 하나의 시점에서의 데이터가 아닌 복수 시점의 그라운드트루스(측정값) 및 예측당시(예측대상시점 보다 전의 시점)의 센싱정보의 데이터셋으로 학습이 될 수 있다.
본 발명의 실시예들에 따르면 상기 세부추론모델은 전술한 PLS모델, 회귀모델, 딥러닝 기반 모델, 혹은 이들의 2이상의 조합으로 구현될 수 있으며, 세부추론모델은 모델자체가 상이하거나 혹은 모델이 동일하더라도 입력변수 셋에 변화를 가질 수 있다.
본 발명의 일 실시예에서는, IoT 기반 센서 등에서 수집된 정보에 기초하여 하수처리시설에서 방류되는 오염물질에 대한 예측에 기반하여 하수처리시설의 소요 에너지를 절감시킬 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에서는, 송풍용량의 결정에 있어서 현재의 정보뿐만 아니라, 미래에 예측되는 수질정보를 반영함으로써 과용량으로 송풍을 하는 것을 방지하여 에너지 절감을 도모할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에서는, 복수의 지점에서 센싱된 정보들을 종합적으로 고려하여 미래의 수질정보를 예측함으로써, 보다 정확하게 미래의 수질정보를 정확하게 예측할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에서는, 일부 센서들에 고장이 나더라도 예측의 오류를 최소화할 수 있어서, 보다 환경적 요인에 대한 강인(robust)한 특성을 발휘할 수 있다.
본 발명의 일 실시예에서는, 일부 모델들에 추론오류가 발생하더라도 오류에 대한 영향을 최소화하여 미래의 수질정보를 예측할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에서는, 하수처리장에서 위반 여부를 체크하기 위한 TMS에서 출력되는 정보를 다른 정보와 조합하여 미래의 수질정보를 예측할 수 있을 뿐만 아니라, TMS에서 출력되는 정보를 과거의 입력인자와 조합하여 세부추론모델을 학습시킬 수 있다.
본 발명의 일 실시예에서는, 정상적(steady)인 동작 하에서, 별도의 학습 자료를 가공하지 않더라도, TMS의 출력값으로 모델을 학습할 수 있는 SELF-SUPERVISED 러닝을 구현할 수 있는 효과를 발휘할 수 있다.
도 10은 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 예시적으로 도시한다. 상기 제어시스템의 내부 구성은 도 10에 도시된 컴퓨팅장치에 해당하거나 혹은 컴퓨팅장치의 내부 구성 중 일부 혹은 전체를 포함할 수 있다.
도 10에 도시된 바와 같이, 컴퓨팅장치(11000)는 적어도 하나의 프로세서(processor)(11100), 메모리(memory)(11200), 주변장치 인터페이스(peripheral interface)(11300), 입/출력 서브시스템(I/O subsystem)(11400), 전력 회로(11500) 및 통신 회로(11600)를 적어도 포함할 수 있다. 이때, 컴퓨팅장치(11000)의 내부 구성은 도 1에 도시된 서버시스템, 혹은 송신모듈이 포함할 수 있고, 혹은 컴퓨팅장치(11000)은 서버시스템 혹은 송신모듈의 일 실시예에 해당할 수 있다.
메모리(11200)는 일례로 고속 랜덤 액세스 메모리(high-speed random access memory), 자기 디스크, 에스램(SRAM), 디램(DRAM), 롬(ROM), 플래시 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(11200)는 컴퓨팅장치(11000)의 동작에 필요한 소프트웨어 모듈, 명령어 집합 또는 그 밖에 다양한 데이터를 포함할 수 있다.
이때, 프로세서(11100)나 주변장치 인터페이스(11300) 등의 다른 컴포넌트에서 메모리(11200)에 액세스하는 것은 프로세서(11100)에 의해 제어될 수 있다.
주변장치 인터페이스(11300)는 컴퓨팅장치(11000)의 입력 및/또는 출력 주변장치를 프로세서(11100) 및 메모리 (11200)에 결합시킬 수 있다. 프로세서(11100)는 메모리(11200)에 저장된 소프트웨어 모듈 또는 명령어 집합을 실행하여 컴퓨팅장치(11000)을 위한 다양한 기능을 수행하고 데이터를 처리할 수 있다.
입/출력 서브시스템은 다양한 입/출력 주변장치들을 주변장치 인터페이스(11300)에 결합시킬 수 있다. 예를 들어, 입/출력 서브시스템은 모니터나 키보드, 마우스, 프린터 또는 필요에 따라 터치스크린이나 센서 등의 주변장치를 주변장치 인터페이스(11300)에 결합시키기 위한 컨트롤러를 포함할 수 있다. 다른 측면에 따르면, 입/출력 주변장치들은 입/출력 서브시스템을 거치지 않고 주변장치 인터페이스(11300)에 결합될 수도 있다.
전력 회로(11500)는 단말기의 컴포넌트의 전부 또는 일부로 전력을 공급할 수 있다. 예를 들어 전력 회로(11500)는 전력 관리 시스템, 배터리나 교류(AC) 등과 같은 하나 이상의 전원, 충전 시스템, 전력 실패 감지 회로(power failure detection circuit), 전력 변환기나 인버터, 전력 상태 표시자 또는 전력 생성, 관리, 분배를 위한 임의의 다른 컴포넌트들을 포함할 수 있다.
통신 회로(11600)는 적어도 하나의 외부 포트를 이용하여 다른 컴퓨팅장치와 통신을 가능하게 할 수 있다.
또는 상술한 바와 같이 필요에 따라 통신 회로(11600)는 RF 회로를 포함하여 전자기 신호(electromagnetic signal)라고도 알려진 RF 신호를 송수신함으로써, 다른 컴퓨팅장치와 통신을 가능하게 할 수도 있다.
이러한 도 10의 실시예는, 컴퓨팅장치(11000)의 일례일 뿐이고, 컴퓨팅장치(11000)는 도 10에 도시된 일부 컴포넌트가 생략되거나, 도 10에 도시되지 않은 추가의 컴포넌트를 더 구비하거나, 2개 이상의 컴포넌트를 결합시키는 구성 또는 배치를 가질 수 있다. 예를 들어, 모바일 환경의 통신 단말을 위한 컴퓨팅장치는 도 10에 도시된 컴포넌트들 외에도, 터치스크린이나 센서 등을 더 포함할 수도 있으며, 통신 회로(11600)에 다양한 통신방식(WiFi, 3G, LTE, Bluetooth, NFC, Zigbee 등)의 RF 통신을 위한 회로가 포함될 수도 있다. 컴퓨팅장치(11000)에 포함 가능한 컴포넌트들은 하나 이상의 신호 처리 또는 어플리케이션에 특화된 집적 회로를 포함하는 하드웨어, 소프트웨어, 또는 하드웨어 및 소프트웨어 양자의 조합으로 구현될 수 있다.
본 발명의 실시예에 따른 방법들은 다양한 컴퓨팅장치를 통하여 수행될 수 있는 프로그램 명령(instruction) 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 특히, 본 실시예에 따른 프로그램은 PC 기반의 프로그램 또는 모바일 단말 전용의 어플리케이션으로 구성될 수 있다. 본 발명이 적용되는 어플리케이션은 파일 배포 시스템이 제공하는 파일을 통해 컴퓨팅장치(11000)에 설치될 수 있다. 일 예로, 파일 배포 시스템은 컴퓨팅장치(11000)의 요청에 따라 상기 파일을 전송하는 파일 전송부(미도시)를 포함할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로 (collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨팅장치 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (11)
1 이상의 메모리 및 1 이상의 프로세서를 포함하는 컴퓨팅 시스템에서 수행되는 하수처리시설의 에너지 관리 방법으로서,
생물반응조의 하수 유입측에 배치되는 제1센서모듈로부터 복수의 제1센싱정보를 수신하는 제1센싱정보수신단계;
생물반응조에 내부에 배치된 제2센서모듈로부터 복수의 제2센싱정보를 수신하는 제2센싱정보수신단계;
생물반응조의 유출측에 배치되는 제3센서모듈로부터 복수의 제3센싱정보를 수신하는 제3센싱정보수신단계;
하수처리시설에서 처리되어 방류되는 처리수에 대하여 측정된 인농도 및 질소농도를 포함하는 측정수질정보를 수신하는 측정수질정보수신단계;
상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 학습된 수질추론모델을 이용하여 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 인농도 혹은 질소농도를 포함하는 예측미래수질정보를 도출하는 예측미래수질정보도출단계; 및
상기 예측미래수질정보, 및 상기 복수의 제2센싱정보 중 일부 혹은 전체를 포함하는 제어기초정보에 기초하여 생물반응조의 송풍용량을 결정하는 송풍용량결정단계;를 포함하고,
상기 송풍용량결정단계는 상기 예측미래수질정보에서의 미래시점의 치리수에서 예측되는 인농도 혹은 질소농도가 기설정된 기준값보다 낮은 경우, 과잉송풍으로 판단하여 송풍용량을 감소시키고,
상기 제1센싱정보는 유입수 유기물질 정보, 유입수 질소농도, 유입수 인농도, 유입수 온도, 유입수 전기전도도를 포함하고,
상기 제2센싱정보는 용존산소량정보, 미생물농도, 온도를 포함하고,
상기 제3센싱정보는 유출수 유기물질 정보, 유출수 질소농도, 유출수 인농도, 유출수 온도, 유출수 전기전도도를 포함하고,
상기 수질추론모델은,
상기 제1센싱정보, 제2센싱정보, 상기 제3센싱정보, 및 상기 측정수질정보의 세부정보 중 일부를 각각 입력받아, 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 예측하는 복수의 세부추론모델; 및
상기 복수의 세부추론모델 중 설정기준에 따라 상기 예측미래수질정보를 도출하기 위해 사용되는 1 이상의 세부추론모델을 선택하는 선택모델을 포함하고,
상기 예측미래수질정보도출단계는,
선택모델에서 선택된 복수의 세부추론모델에서 출력된 질소농도 혹은 인농도의 평균값, 가중평균값 혹은 중간값으로 미래의 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 결정하고,
복수의 상기 세부추론모델 중 적어도 2개의 세부추론모델은 상기 제1센싱정보, 제2센싱정보, 상기 제3센싱정보, 및 상기 측정수질정보의 세부정보 중 서로 상이한 세트의 복수의 세부정보를 입력값으로 가지고,
상기 선택모델은,
복수의 세부추론모델에서 출력되는 복수의 질소농도 혹은 인농도의 평균값, 중앙값, 혹은 가중평균값으로 선택기준값을 도출하는 단계; 및
상기 각각의 세부추론모델에서 출력되는 질소농도 혹은 인농도의 예측값와 상기 선택기준값과의 차이가 적은 세부추론모델을 정렬한 후에, 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 결정하기 위한, 기설정된 개수의 상기 선택기준값과의 차이가 적은 복수의 세부추론모델을 선택하는 단계;를 수행하는, 하수처리시설의 에너지 관리 방법.
생물반응조의 하수 유입측에 배치되는 제1센서모듈로부터 복수의 제1센싱정보를 수신하는 제1센싱정보수신단계;
생물반응조에 내부에 배치된 제2센서모듈로부터 복수의 제2센싱정보를 수신하는 제2센싱정보수신단계;
생물반응조의 유출측에 배치되는 제3센서모듈로부터 복수의 제3센싱정보를 수신하는 제3센싱정보수신단계;
하수처리시설에서 처리되어 방류되는 처리수에 대하여 측정된 인농도 및 질소농도를 포함하는 측정수질정보를 수신하는 측정수질정보수신단계;
상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 학습된 수질추론모델을 이용하여 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 인농도 혹은 질소농도를 포함하는 예측미래수질정보를 도출하는 예측미래수질정보도출단계; 및
상기 예측미래수질정보, 및 상기 복수의 제2센싱정보 중 일부 혹은 전체를 포함하는 제어기초정보에 기초하여 생물반응조의 송풍용량을 결정하는 송풍용량결정단계;를 포함하고,
상기 송풍용량결정단계는 상기 예측미래수질정보에서의 미래시점의 치리수에서 예측되는 인농도 혹은 질소농도가 기설정된 기준값보다 낮은 경우, 과잉송풍으로 판단하여 송풍용량을 감소시키고,
상기 제1센싱정보는 유입수 유기물질 정보, 유입수 질소농도, 유입수 인농도, 유입수 온도, 유입수 전기전도도를 포함하고,
상기 제2센싱정보는 용존산소량정보, 미생물농도, 온도를 포함하고,
상기 제3센싱정보는 유출수 유기물질 정보, 유출수 질소농도, 유출수 인농도, 유출수 온도, 유출수 전기전도도를 포함하고,
상기 수질추론모델은,
상기 제1센싱정보, 제2센싱정보, 상기 제3센싱정보, 및 상기 측정수질정보의 세부정보 중 일부를 각각 입력받아, 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 예측하는 복수의 세부추론모델; 및
상기 복수의 세부추론모델 중 설정기준에 따라 상기 예측미래수질정보를 도출하기 위해 사용되는 1 이상의 세부추론모델을 선택하는 선택모델을 포함하고,
상기 예측미래수질정보도출단계는,
선택모델에서 선택된 복수의 세부추론모델에서 출력된 질소농도 혹은 인농도의 평균값, 가중평균값 혹은 중간값으로 미래의 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 결정하고,
복수의 상기 세부추론모델 중 적어도 2개의 세부추론모델은 상기 제1센싱정보, 제2센싱정보, 상기 제3센싱정보, 및 상기 측정수질정보의 세부정보 중 서로 상이한 세트의 복수의 세부정보를 입력값으로 가지고,
상기 선택모델은,
복수의 세부추론모델에서 출력되는 복수의 질소농도 혹은 인농도의 평균값, 중앙값, 혹은 가중평균값으로 선택기준값을 도출하는 단계; 및
상기 각각의 세부추론모델에서 출력되는 질소농도 혹은 인농도의 예측값와 상기 선택기준값과의 차이가 적은 세부추론모델을 정렬한 후에, 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 결정하기 위한, 기설정된 개수의 상기 선택기준값과의 차이가 적은 복수의 세부추론모델을 선택하는 단계;를 수행하는, 하수처리시설의 에너지 관리 방법.
삭제
청구항 1에 있어서,
상기 제어기초정보는 하수처리시설로 유입되는 유량; 상기 제1센싱정보 및 제2센싱정보에서의 센싱된 유기물농도 혹은 오염물질농도; 생물반응조의 미생물농도; 생물반응조의 온도; 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 및 인농도 중 1 이상을 포함하고,
상기 송풍용량결정단계는,
상기 유량, 유기물농도 혹은 오염물질농도, 미생물농도의 경우 높을수록 송풍량을 증가시키고,
상기 온도의 경우 높을수록 송풍량을 감소시키는, 하수처리시설의 에너지 관리 방법.
상기 제어기초정보는 하수처리시설로 유입되는 유량; 상기 제1센싱정보 및 제2센싱정보에서의 센싱된 유기물농도 혹은 오염물질농도; 생물반응조의 미생물농도; 생물반응조의 온도; 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 및 인농도 중 1 이상을 포함하고,
상기 송풍용량결정단계는,
상기 유량, 유기물농도 혹은 오염물질농도, 미생물농도의 경우 높을수록 송풍량을 증가시키고,
상기 온도의 경우 높을수록 송풍량을 감소시키는, 하수처리시설의 에너지 관리 방법.
삭제
삭제
삭제
삭제
삭제
삭제
청구항 1에 있어서,
상기 하수처리시설의 에너지 관리 방법은,
상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 상기 수질추론모델을 학습하는 모델학습단계;을 더 포함하고,
상기 모델학습단계는,
현재의 상기 측정수질정보를 그라운드트루스로 이용하고, 과거의 상기 추론기초정보 중 일부 혹은 전체를 입력값으로 하여 의하여 각각의 세부추론모델이 학습되는, 하수처리시설의 에너지 관리 방법.
상기 하수처리시설의 에너지 관리 방법은,
상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 상기 수질추론모델을 학습하는 모델학습단계;을 더 포함하고,
상기 모델학습단계는,
현재의 상기 측정수질정보를 그라운드트루스로 이용하고, 과거의 상기 추론기초정보 중 일부 혹은 전체를 입력값으로 하여 의하여 각각의 세부추론모델이 학습되는, 하수처리시설의 에너지 관리 방법.
1 이상의 메모리 및 1 이상의 프로세서를 포함하는 컴퓨팅 시스템; 제1센서모듈; 제2센서모듈; 및 제3센서모듈;를 포함하는 하수처리시설의 에너지 관리 시스템으로서,
상기 컴퓨팅 시스템은,
생물반응조의 하수 유입측에 배치되는 제1센서모듈로부터 복수의 제1센싱정보를 수신하는 제1센싱정보수신단계;
생물반응조에 내부에 배치된 제2센서모듈로부터 복수의 제2센싱정보를 수신하는 제2센싱정보수신단계;
생물반응조의 유출측에 배치되는 제3센서모듈로부터 복수의 제3센싱정보를 수신하는 제3센싱정보수신단계;
하수처리시설에서 처리되어 방류되는 처리수에 대하여 측정된 인농도 및 질소농도를 포함하는 측정수질정보를 수신하는 측정수질정보수신단계;
상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 학습된 수질추론모델을 이용하여 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 인농도 혹은 질소농도를 포함하는 예측미래수질정보를 도출하는 예측미래수질정보도출단계; 및
상기 예측미래수질정보, 및 상기 복수의 제2센싱정보 중 일부 혹은 전체를 포함하는 제어기초정보에 기초하여 생물반응조의 송풍용량을 결정하는 송풍용량결정단계;를 수행하고,
상기 송풍용량결정단계는 상기 예측미래수질정보에서의 미래시점의 치리수에서 예측되는 인농도 혹은 질소농도가 기설정된 기준값보다 낮은 경우, 과잉송풍으로 판단하여 송풍용량을 감소시키고,
상기 제1센싱정보는 유입수 유기물질 정보, 유입수 질소농도, 유입수 인농도, 유입수 온도, 유입수 전기전도도를 포함하고,
상기 제2센싱정보는 용존산소량정보, 미생물농도, 온도를 포함하고,
상기 제3센싱정보는 유출수 유기물질 정보, 유출수 질소농도, 유출수 인농도, 유출수 온도, 유출수 전기전도도를 포함하고,
상기 수질추론모델은,
상기 제1센싱정보, 제2센싱정보, 상기 제3센싱정보, 및 상기 측정수질정보의 세부정보 중 일부를 각각 입력받아, 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 예측하는 복수의 세부추론모델; 및
상기 복수의 세부추론모델 중 설정기준에 따라 상기 예측미래수질정보를 도출하기 위해 사용되는 1 이상의 세부추론모델을 선택하는 선택모델을 포함하고,
상기 예측미래수질정보도출단계는,
선택모델에서 선택된 복수의 세부추론모델에서 출력된 질소농도 혹은 인농도의 평균값, 가중평균값 혹은 중간값으로 미래의 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 결정하고,
복수의 상기 세부추론모델 중 적어도 2개의 세부추론모델은 상기 제1센싱정보, 제2센싱정보, 상기 제3센싱정보, 및 상기 측정수질정보의 세부정보 중 서로 상이한 세트의 복수의 세부정보를 입력값으로 가지고,
상기 선택모델은,
복수의 세부추론모델에서 출력되는 복수의 질소농도 혹은 인농도의 평균값, 중앙값, 혹은 가중평균값으로 선택기준값을 도출하는 단계; 및
상기 각각의 세부추론모델에서 출력되는 질소농도 혹은 인농도의 예측값와 상기 선택기준값과의 차이가 적은 세부추론모델을 정렬한 후에, 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 결정하기 위한, 기설정된 개수의 상기 선택기준값과의 차이가 적은 복수의 세부추론모델을 선택하는 단계;를 수행하는, 하수처리시설의 에너지 관리 시스템.
상기 컴퓨팅 시스템은,
생물반응조의 하수 유입측에 배치되는 제1센서모듈로부터 복수의 제1센싱정보를 수신하는 제1센싱정보수신단계;
생물반응조에 내부에 배치된 제2센서모듈로부터 복수의 제2센싱정보를 수신하는 제2센싱정보수신단계;
생물반응조의 유출측에 배치되는 제3센서모듈로부터 복수의 제3센싱정보를 수신하는 제3센싱정보수신단계;
하수처리시설에서 처리되어 방류되는 처리수에 대하여 측정된 인농도 및 질소농도를 포함하는 측정수질정보를 수신하는 측정수질정보수신단계;
상기 복수의 제1센싱정보, 복수의 제2센싱정보, 복수의 제3센싱정보, 측정수질정보 중 일부 혹은 전체를 포함하는 추론기초정보에 기초하여, 학습된 수질추론모델을 이용하여 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 인농도 혹은 질소농도를 포함하는 예측미래수질정보를 도출하는 예측미래수질정보도출단계; 및
상기 예측미래수질정보, 및 상기 복수의 제2센싱정보 중 일부 혹은 전체를 포함하는 제어기초정보에 기초하여 생물반응조의 송풍용량을 결정하는 송풍용량결정단계;를 수행하고,
상기 송풍용량결정단계는 상기 예측미래수질정보에서의 미래시점의 치리수에서 예측되는 인농도 혹은 질소농도가 기설정된 기준값보다 낮은 경우, 과잉송풍으로 판단하여 송풍용량을 감소시키고,
상기 제1센싱정보는 유입수 유기물질 정보, 유입수 질소농도, 유입수 인농도, 유입수 온도, 유입수 전기전도도를 포함하고,
상기 제2센싱정보는 용존산소량정보, 미생물농도, 온도를 포함하고,
상기 제3센싱정보는 유출수 유기물질 정보, 유출수 질소농도, 유출수 인농도, 유출수 온도, 유출수 전기전도도를 포함하고,
상기 수질추론모델은,
상기 제1센싱정보, 제2센싱정보, 상기 제3센싱정보, 및 상기 측정수질정보의 세부정보 중 일부를 각각 입력받아, 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 예측하는 복수의 세부추론모델; 및
상기 복수의 세부추론모델 중 설정기준에 따라 상기 예측미래수질정보를 도출하기 위해 사용되는 1 이상의 세부추론모델을 선택하는 선택모델을 포함하고,
상기 예측미래수질정보도출단계는,
선택모델에서 선택된 복수의 세부추론모델에서 출력된 질소농도 혹은 인농도의 평균값, 가중평균값 혹은 중간값으로 미래의 기설정된 1 이상의 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 결정하고,
복수의 상기 세부추론모델 중 적어도 2개의 세부추론모델은 상기 제1센싱정보, 제2센싱정보, 상기 제3센싱정보, 및 상기 측정수질정보의 세부정보 중 서로 상이한 세트의 복수의 세부정보를 입력값으로 가지고,
상기 선택모델은,
복수의 세부추론모델에서 출력되는 복수의 질소농도 혹은 인농도의 평균값, 중앙값, 혹은 가중평균값으로 선택기준값을 도출하는 단계; 및
상기 각각의 세부추론모델에서 출력되는 질소농도 혹은 인농도의 예측값와 상기 선택기준값과의 차이가 적은 세부추론모델을 정렬한 후에, 미래시점에서 하수처리시설에서 처리되어 방류되는 처리수에서 예측되는 질소농도 혹은 인농도를 결정하기 위한, 기설정된 개수의 상기 선택기준값과의 차이가 적은 복수의 세부추론모델을 선택하는 단계;를 수행하는, 하수처리시설의 에너지 관리 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210106127A KR102318530B1 (ko) | 2021-08-11 | 2021-08-11 | IoT 기반 하수처리시설 에너지 관리 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210106127A KR102318530B1 (ko) | 2021-08-11 | 2021-08-11 | IoT 기반 하수처리시설 에너지 관리 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102318530B1 true KR102318530B1 (ko) | 2021-10-29 |
Family
ID=78231288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210106127A KR102318530B1 (ko) | 2021-08-11 | 2021-08-11 | IoT 기반 하수처리시설 에너지 관리 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102318530B1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102560142B1 (ko) * | 2022-07-13 | 2023-07-26 | (주)하마랩 | 무인기를 이용한 스마트 양식장 모니터링 시스템 및 이의 실행 방법 |
| KR102580890B1 (ko) * | 2023-04-26 | 2023-09-20 | 주식회사 유앤유 | 활성탄흡착공정에서의 역세척 의사결정시스템 |
| CN117237773A (zh) * | 2023-09-18 | 2023-12-15 | 深圳市中科云驰环境科技有限公司 | 一种基于多模态的污水净化分析方法及系统 |
| KR102657600B1 (ko) * | 2023-05-15 | 2024-04-16 | 청정테크주식회사 | 하폐수 재이용 시설 통합 원격관리 시스템 |
| CN118013449A (zh) * | 2024-04-10 | 2024-05-10 | 台州市污染防治技术中心有限公司 | 一种企业污水排放物联网管理系统 |
| KR102679484B1 (ko) * | 2023-08-17 | 2024-06-27 | 에스케이에코플랜트(주) | 인공지능을 이용한 송풍제어장치 및 송풍제어장치의 동작 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011147858A (ja) * | 2010-01-20 | 2011-08-04 | Hitachi Ltd | 下水処理装置及び下水処理方法 |
| KR20120086479A (ko) * | 2011-01-26 | 2012-08-03 | 한국전자통신연구원 | 수질 다 항목을 이용한 총 질소 예측 장치 및 방법 |
| KR20210000141A (ko) * | 2019-06-24 | 2021-01-04 | (주) 아인스에스엔씨 | 하수처리장용 통합제어 시스템 |
| KR20210017729A (ko) * | 2019-08-09 | 2021-02-17 | 주식회사 글로비트 | 수질환경 제어방법 및 시스템 |
-
2021
- 2021-08-11 KR KR1020210106127A patent/KR102318530B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011147858A (ja) * | 2010-01-20 | 2011-08-04 | Hitachi Ltd | 下水処理装置及び下水処理方法 |
| KR20120086479A (ko) * | 2011-01-26 | 2012-08-03 | 한국전자통신연구원 | 수질 다 항목을 이용한 총 질소 예측 장치 및 방법 |
| KR20210000141A (ko) * | 2019-06-24 | 2021-01-04 | (주) 아인스에스엔씨 | 하수처리장용 통합제어 시스템 |
| KR20210017729A (ko) * | 2019-08-09 | 2021-02-17 | 주식회사 글로비트 | 수질환경 제어방법 및 시스템 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102560142B1 (ko) * | 2022-07-13 | 2023-07-26 | (주)하마랩 | 무인기를 이용한 스마트 양식장 모니터링 시스템 및 이의 실행 방법 |
| KR102580890B1 (ko) * | 2023-04-26 | 2023-09-20 | 주식회사 유앤유 | 활성탄흡착공정에서의 역세척 의사결정시스템 |
| KR102657600B1 (ko) * | 2023-05-15 | 2024-04-16 | 청정테크주식회사 | 하폐수 재이용 시설 통합 원격관리 시스템 |
| KR102679484B1 (ko) * | 2023-08-17 | 2024-06-27 | 에스케이에코플랜트(주) | 인공지능을 이용한 송풍제어장치 및 송풍제어장치의 동작 방법 |
| CN117237773A (zh) * | 2023-09-18 | 2023-12-15 | 深圳市中科云驰环境科技有限公司 | 一种基于多模态的污水净化分析方法及系统 |
| CN117237773B (zh) * | 2023-09-18 | 2024-06-07 | 深圳市中科云驰环境科技有限公司 | 一种基于多模态的污水净化分析方法及系统 |
| CN118013449A (zh) * | 2024-04-10 | 2024-05-10 | 台州市污染防治技术中心有限公司 | 一种企业污水排放物联网管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102318530B1 (ko) | IoT 기반 하수처리시설 에너지 관리 방법 및 시스템 | |
| Bagheri et al. | Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach | |
| KR102440371B1 (ko) | 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
| KR102440372B1 (ko) | 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
| WO2017184073A1 (en) | System and method for wastewater treatment process control | |
| de Canete et al. | Control and soft sensing strategies for a wastewater treatment plant using a neuro-genetic approach | |
| Kusiak et al. | Optimization of the activated sludge process | |
| CN112390388B (zh) | 一种模型训练方法、曝气值预估方法、装置及电子设备 | |
| Liu et al. | A fuzzy neural network-based soft sensor for modeling nutrient removal mechanism in a full-scale wastewater treatment system | |
| Gong et al. | Artificial neural network modelling for organic and total nitrogen removal of aerobic granulation under steady-state condition | |
| Han et al. | Robust optimal control for anaerobic-anoxic-oxic reactors | |
| Kocijan et al. | Sequencing batch-reactor control using Gaussian-process models | |
| Zeferino et al. | Regional wastewater system planning under population dynamics uncertainty | |
| CN113837364A (zh) | 基于残差网络和注意力机制的污水处理软测量方法及系统 | |
| CN104914227B (zh) | 基于多高斯核自优化相关向量机的污水水质软测量方法 | |
| CN114944203A (zh) | 基于自动寻优算法与深度学习的废水处理监控方法及系统 | |
| 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 | |
| Zhang et al. | Models for optimization of energy consumption of pumps in a wastewater processing plant | |
| CN116969616A (zh) | 基于软测量的一体化污水处理设施控制方法、装置及设备 | |
| CN113838542B (zh) | 化学需氧量智能预测方法和系统 | |
| CN113830878B (zh) | 水资源处理方法及装置 | |
| Zahiri et al. | New Approach for Prediction of Water Distribution Network Pipes Failure Based on a Intelligent Hybrid Model (Case Study: Gorgan Water Distribution Network) | |
| Muloiwa et al. | Modelling and optimization of energy consumption in the activated sludge biological aeration unit | |
| Lin et al. | Employing artificial neural networks to predict the performance of domestic sewage treatment terminals in the rural region | |
| JP4327013B2 (ja) | プラントワイド最適プロセス制御装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |