KR20150111675A - System for diagnosis of operation state of anaerobic digester of wastewater treatment plant and for prediction of digestion gas yield and the method - Google Patents
System for diagnosis of operation state of anaerobic digester of wastewater treatment plant and for prediction of digestion gas yield and the method Download PDFInfo
- Publication number
- KR20150111675A KR20150111675A KR1020140035316A KR20140035316A KR20150111675A KR 20150111675 A KR20150111675 A KR 20150111675A KR 1020140035316 A KR1020140035316 A KR 1020140035316A KR 20140035316 A KR20140035316 A KR 20140035316A KR 20150111675 A KR20150111675 A KR 20150111675A
- Authority
- KR
- South Korea
- Prior art keywords
- digestion tank
- sewage treatment
- treatment plant
- anaerobic
- anaerobic digestion
- Prior art date
Links
Images
Classifications
-
- 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
- C02F3/28—Anaerobic digestion processes
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F11/00—Treatment of sludge; Devices therefor
- C02F11/02—Biological treatment
- C02F11/04—Anaerobic treatment; Production of methane by such processes
-
- 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
- Y02W10/30—Wastewater or sewage treatment systems using renewable energies
- Y02W10/37—Wastewater or sewage treatment systems using renewable energies using solar energy
Abstract
Description
본 발명은 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법에 관한 것이다. 보다 상세하게 설명하면, 하수처리장에서 운영되는 혐기성 소화조의 현재 운영상태에 대해 적정 운전범위 내에서 운영되고 있는지를 진단하고, 현재 발생되는 소화가스 대비 임의의 운전조건 하에서 소화가스가 얼마나 증가 또는 감소할 수 있는지에 대한 정량적인 예측치를 제공해 줄 수 있는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법에 관한 것이다.The present invention relates to a system for predicting the operational state of an anaerobic digester in a sewage treatment plant and a method for predicting the amount of generated digestive gas and a method therefor. More specifically, the present operating state of the anaerobic digester operated in the sewage treatment plant is diagnosed as being operated within an appropriate operating range, and it is determined how much the digestion gas is increased or decreased under the arbitrary operating conditions relative to the current digestion gas The present invention relates to a system for predicting the operation state of an anaerobic digester of a sewage treatment plant and a method for predicting the amount of generated digestion gas and a method thereof.
하수처리장의 가장 핵심적인 운전 목표는 유입되는 하수를 안정적으로 처리하여, 방류되는 하천 또는 연안의 생태계 교란을 방지하고, 지속적인 물 순환을 유지하는 것이다. 이에 그간 처리에 소요되는 비용에 대한 정확한 분석보다는 안정적인 수처리 성능 유지에 더욱 집중하여 하수처리장을 운영해왔다. The most important operational goal of the sewage treatment plant is to treat the incoming sewage in a stable manner to prevent disturbance of the ecosystem of the discharged stream or coast and to maintain the continuous water circulation. Therefore, we have concentrated on maintenance of stable water treatment performance rather than accurate analysis of the cost for the treatment.
하지만, 최근 전지구적인 자원 고갈 및 에너지 낭비에 따른 정부차원에서의 효율적인 하수처리장 운영에 대한 요구가 증가되고 있다. 환경부는 하수처리장의 높은 에너지 소비량에 대한 대책 마련 및 에너지 다소비 시설에서 에너지 재생산 시설로의 패러다임 전환이 필요하다고 판단하여 지난 2010년 에너지 자립화 기본계획을 발표하였다. 기본계획에는 하수처리 과정에서 발생하는 소화가스, 소수력 발전, 하수열 발전 및 지역적 특성을 활용할 수 있는 풍력, 태양광 발전을 활용한 신재생에너지 시설의 확대를 통해, 하수처리장 및 이와 연계된 공공하수처리시설의 에너지 자립율(0.8%)을 2030년까지 단계적으로 향상시켜 최종적으로 50% 달성을 목표로 하고 있다. However, there is a growing demand for efficient sewage treatment plants at the government level due to global resource depletion and energy waste. The Ministry of Environment announced a basic plan for energy self-sufficiency in 2010, considering the need for measures to cope with the high energy consumption of sewage treatment plants and the paradigm shift from energy consumption facilities to energy reproduction facilities. The basic plan is to expand the use of renewable energy facilities that utilize photovoltaic power and wind power to utilize the digestion gases generated from the sewage treatment process, small hydro power generation, sewage heat generation and regional characteristics, and the sewage treatment plant and public sewage The goal is to gradually improve the energy self-sufficiency ratio (0.8%) of the treatment facilities by 2030 and finally achieve 50%.
현재 공공하수처리시설에서 운영하는 신재생에너지의 90%는 소화조 운영으로 얻은 전력으로, 소화조 운영이 에너지 자립율을 좌지우지하는 상황이다. 하지만 국내 소화조의 운영 효율은 40% 정도로 저조한 편이다. 이는 해당 하수처리장에서 운영되는 소화조에 대하여 운전자가 충분히 적정 운전 범위에 대한 정보를 숙지하고 못하고 있기 때문이다. 실제 국내에서 현재 64개의 혐기성 소화조가 운영되고 있으나, 이에 대한 정확한 운영 실태가 분석되기 시작한 시점은 최근이며, 대부분의 하수처리장 운전자들이 혐기성 소화조에 대한 상세한 지식이 없이 최소한의 운전만 유지되고 있는 실정이다. 실제 혐기성 소화조는 슬러지 내에 존재하는 유기물의 가수분해, 산 발효, 아세트산 생성반응 및 메탄생성반응을 통해 소화가스가 생산되는데, 이러한 일련의 소화 반응에 대한 전문적인 지식을 보유하고 있는 현장 운전자는 드물며, 혐기성 소화조의 특성상 공정을 임의적으로 개폐 또는 일부분 분리할 수 없이, 초기 운전이후 소화조 내부에 대한 수리가 불가능하기 때문에 대부분의 현장 운전자는 단지 소화조 운전의 경우 유입되는 지점에 대한 점검만을 수행하고 있는 실정이다. At present, 90% of the renewable energy operated by the public sewage treatment facility is the power obtained from the operation of the digesters, and the operation of the digesters controls the rate of energy independence. However, the operating efficiency of domestic digesters is as low as 40%. This is because the operator does not fully understand the proper operating range of the digester that is operated in the sewage treatment plant. Currently, there are currently 64 anaerobic digesters operating in Korea. However, the exact operational status of the anaerobic digesters has recently begun to be analyzed, and most operators of sewage treatment plants maintain only minimal driving without detailed knowledge of anaerobic digesters . Actual anaerobic digestion tank produces digestion gas through hydrolysis, acid fermentation, acetic acid generation reaction and methane generation reaction of organic substances present in sludge. On-site driver who has expert knowledge on this series of digestion reaction is rare, Because of the nature of the anaerobic digester, it is not possible to open or close the process or part of it, and since the inside of the digester can not be repaired after the initial operation, most of the field operators only perform inspections at the point where they enter the digester .
이와 더불어, 유입되는 슬러지의 성상 역시 발생되는 소화가스량에 큰 영향을 미칠 수 있으나, 안정적인 수처리와 더불어 효과적인 소화가스 생산을 동시에 고려하는 최적 운전 조건은 도출하기 어려운 실정이다. 이는 지난 몇십년간 하수처리장의 주요 목표가 수처리에 국한되어, 혐기성 소화조의 안정적인 운전에 대한 현장 운전자의 노하우가 부족한 상황이며, 소화가스 발생량을 증가시키기 위한 운전을 유지하다가 하수 처리 과정에서의 문제가 발생하게 되면 공정을 다시 원상태로 회복하는데 상당한 시일이 걸릴 수 있기 때문이다. In addition, the characteristics of the incoming sludge may also have a large effect on the amount of digestion gas generated, but it is difficult to obtain an optimal operating condition that considers efficient digestion gas production along with stable water treatment. This is because the main goal of the sewage treatment plant has been limited to water treatment in the past few decades, the field operator's know-how for stable operation of the anaerobic digester is insufficient, and the operation to increase the amount of digestion gas is maintained, This can take a considerable amount of time to restore the process to its original condition.
따라서, 안정적인 수처리와 동시에 혐기성 소화조를 효율적으로 운전하기 위해서는 혐기성 소화조의 운전 성능을 파악할 수 있는 운전 변수를 도출해야 하며, 타 하수처리장의 혐기성 소화조들과의 비교를 통해 운전 데이터가 적정 운전 범위 내에서 운영되고 있는 가에 대한 진단이 필요하다. 또한, 소화조에서 발생되는 소화가스에 대한 예측을 통해, 운전 조건 변경을 통해 얻을 수 있는 정량적인 소화가스량을 파악함으로써, 시행착오없이 필요로하는 소화가스 발생을 유도할 수 있다. 이를 위해 국내 다수의 혐기성 소화조를 분석하여 도출된 최적 운전 조건 범위와의 비교 진단이 필요하며, 혐기성 소화조에서 발생될 수 있는 소화가스를 예측할 수 있는 예측 모델의 개발이 필요한 실정이다. Therefore, in order to efficiently operate the anaerobic digester with stable water treatment, it is necessary to derive the operating parameters that can grasp the operation performance of the anaerobic digester, and compare the operation data with the anaerobic digesters of the other sewage treatment plants. It is necessary to diagnose whether it is operating. In addition, by estimating the extinguishing gas generated from the digester, it is possible to derive the required extinguishing gas without trial and error by knowing the quantitative amount of extinguishing gas that can be obtained by changing the operating condition. For this purpose, it is necessary to make a comparative diagnosis with the range of optimum operating conditions obtained by analyzing many anaerobic digesters in Korea and it is necessary to develop a prediction model that can predict the digestion gas that can be generated in the anaerobic digestion tank.
본 발명은 이와 같은 문제점을 해결하기 위해 안출된 것으로서, 하수처리장에서 운영되는 혐기성 소화조의 현재 운영상태에 대해 적정 운전범위 내에서 운영되고 있는지를 진단하고, 현재 발생되는 소화가스 대비 임의의 운전조건 하에서 소화가스가 얼마나 증가 또는 감소할 수 있는지에 대한 정량적인 예측치를 제공해 줄 수 있는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법을 제공하는데 그 목적이 있다. SUMMARY OF THE INVENTION It is therefore an object of the present invention to provide an anaerobic digestion tank which is capable of diagnosing whether the present operation state of an anaerobic digester operated in a sewage treatment plant is operated within an appropriate operation range, It is an object of the present invention to provide a system for predicting the operation state of an anaerobic digester of a sewage treatment plant and a method for predicting the amount of generated digestion gas, which can provide a quantitative prediction of how much digestion gas can be increased or decreased.
본 발명에 의하면, 하수처리장의 유입/유출 수질 데이터 및 공정운영 데이터를 저장하는 데이터베이스로부터 하수처리장의 혐기성 소화조의 운전에 필요한 데이터를 호출하는 데이터호출부; 상기 데이터호출부로부터 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 소화조 상태 진단부; 상기 소화조 상태 진단부로부터 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 소화가스 발생량 예측부; 및 상기 소화가스 발생량 예측부에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 소화가스 증감 운전조건 적용부;를 포함하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템을 제공한다. According to the present invention, a data calling unit for calling data necessary for operation of the anaerobic digestion tank of a sewage treatment plant from a database storing inflow / outflow water quality data and process operation data of the sewage treatment plant; A digestion tank condition diagnosis unit for receiving the data called from the data calling unit and comparing the called data with the optimal operation ranges of the anaerobic digestion tank to derive a diagnostic result of the operating state of the anaerobic digestion tank currently in operation; The operation condition of the anaerobic digestion tank derived from the digestion tank condition diagnosis unit can be changed to the operation condition of the anaerobic digestion tank by applying the artificial neural network model to increase or decrease the amount of digestion gas generated in the anaerobic digestion tank, A fire extinguishing gas amount estimating unit; And a fire extinguishing gas operating condition application unit for applying the operating condition changed by the fire extinguishing gas generation amount predicting unit to each actuator of the sewage treatment plant to diagnose the operation state of the anaerobic digestion tank of the sewage treatment plant and to generate the fire extinguishing gas Lt; / RTI >
한편, 상기 데이터호출부는 개별 하수처리장에서 별도로 운영되고 있는 데이터베이스에 축적되는 과거의 모든 데이터 중 하수처리장의 혐기성 소화조의 운전과 연관성이 있는 주요 데이터들을 자동으로 호출하는 것을 특징으로 한다.Meanwhile, the data calling unit automatically calls the main data related to the operation of the anaerobic digestion tank of the sewage treatment plant among all the past data accumulated in the database which is separately operated in the individual sewage treatment plant.
한편, 상기 하수처리장의 혐기성 소화조의 운전과 연관성이 있는 주요 데이터들은 소화조 유입유량, 유입 총슬러지, 유출 총슬러지, 소화 온도, 알칼리도, 유입 휘발성슬러지, 유출 휘발성슬러지, 유기산, 유기물 부하 및 체류시간 중에서 적어도 하나 이상인 것을 특징으로 한다.Main data related to the operation of the anaerobic digester of the sewage treatment plant are as follows: digestion tank inflow rate, inflow total sludge, effluent total sludge, digestion temperature, alkalinity, inflow volatile sludge, organic volatile sludge, organic acid, organic load and residence time Or more.
한편, 상기 소화조 상태 진단부의 혐기성 소화조의 최적의 운전범위는 다수의 하수처리장의 혐기성 소화조들로부터 혐기성 소화조의 운전과 연관된 운전변수들을 추출하여 도출되며, 상기 소화조 상태 진단부는 현재 운전 중인 혐기성 소화조의 운전변수가 상기 혐기성 소화조의 최적의 운전범위에 해당하는 운전변수들의 범위를 적어도 하나 이상 벗어나는지를 판단하여 혐기성 소화조의 운영상태를 진단하는 것을 특징으로 한다.The optimal operation range of the anaerobic digestion tank of the digestion tank condition diagnosis unit is derived by extracting operating parameters associated with the operation of the anaerobic digestion tank from the anaerobic digestion tanks of a plurality of sewage treatment plants. The anaerobic digestion tank is diagnosed to determine an operating state of the anaerobic digestion tank by determining whether the parameter is deviated from at least one range of operating parameters corresponding to the optimal operation range of the anaerobic digestion tank.
한편, 상기 소화가스 발생량 예측부의 인공신경망 모델은 상기 소화조 상태 진단부로부터 도출된 혐기성 소화조의 운영상태에 해당하는 운전변수를 입력값으로 하여 인공신경망에 대입하여 은닉층을 통한 신호전달을 반복적으로 행하고, 오차를 최소화하기 위한 학습을 행하여 연결 가중치를 조절하며, 상기 연결 가중치에 따라 운전변수를 입력하여 소화가스의 발생량을 예측하는 것을 특징으로 한다.Meanwhile, the artificial neural network model of the fire extinguishing gas generation amount estimating unit repeatedly performs signal transmission through the hidden layer by substituting an operating parameter corresponding to the operational state of the anaerobic digestion tank derived from the fire extinguishing unit state diagnosis unit into an artificial neural network, The connection weights are adjusted by performing learning for minimizing the error, and the generation of the extinguishing gas is predicted by inputting the operation parameters according to the connection weights.
또한 본 발명에 의하면, 하수처리장의 유입/유출 수질 데이터 및 공정운영 데이터를 저장하는 데이터베이스로부터 소화조 유입유량, 유입 총슬러지, 유출 총슬러지, 소화 온도, 알칼리도, 유입 휘발성슬러지, 유출 휘발성슬러지, 유기산, 유기물 부하 및 체류시간 중에서 적어도 하나 이상으로 구성되는 하수처리장의 혐기성 소화조의 운전에 필요한 데이터를 자동으로 호출하는 데이터호출단계; 상기 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 소화조 상태 진단단계; 상기 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 소화가스 발생량 예측단계; 및 상기 소화가스 발생량 예측단계에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 소화가스 증감 운전조건 적용단계;를 포함하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법을 제공한다. In accordance with the present invention, it is also possible to provide a method and apparatus for controlling a sewage sludge inflow, an inflow sludge, an effluent total sludge, an extinction temperature, an alkalinity, an inflow volatile sludge, an effluent volatile sludge, A data recall step of automatically calling data necessary for operation of the anaerobic digester of the sewage treatment plant which is composed of at least one of organic matter load and residence time; A digestion tank condition diagnosis step of receiving the called data and comparing the called data with the optimal operation ranges of the anaerobic digestion tank to derive a diagnostic result of the operating state of the anaerobic digestion tank currently in operation; The anaerobic digestion tank is operated under the artificial neural network model to change the operation conditions of the anaerobic digestion tank to increase or decrease the amount of digestion gas generated in the anaerobic digestion tank. step; And applying the changed operating conditions to the actuators of the sewage treatment plant, wherein the step of estimating the amount of generated digestion gas comprises: .
한편, 상기 소화조 상태 진단단계의 혐기성 소화조의 최적의 운전범위는 다수의 하수처리장의 혐기성 소화조들로부터 혐기성 소화조의 운전과 연관된 운전변수들을 추출하여 도출되며, 상기 소화조 상태 진단단계는 현재 운전 중인 혐기성 소화조의 운전변수가 상기 혐기성 소화조의 최적의 운전범위에 해당하는 운전변수들의 범위를 적어도 하나 이상 벗어나는지를 판단하여 혐기성 소화조의 운영상태를 진단하는 것을 특징으로 한다.The optimum operating range of the anaerobic digester is determined by extracting operating parameters associated with operation of the anaerobic digester from a plurality of anaerobic digestion tanks of the sewage treatment plant, The operating condition of the anaerobic digestion tank is diagnosed by determining whether the operating parameter of the anaerobic digestion tank deviates at least one range of the operating parameters corresponding to the optimal operation range of the anaerobic digestion tank.
한편, 상기 소화가스 발생량 예측단계의 인공신경망 모델은 상기 소화조 상태 진단단계로부터 도출된 혐기성 소화조의 운영상태에 해당하는 운전변수를 입력값으로 하여 인공신경망에 대입하여 은닉층을 통한 신호전달을 반복적으로 행하고, 오차를 최소화하기 위한 학습을 행하여 가중치를 조절하며, 상기 가중치에 따라 운전변수를 입력하여 소화가스의 발생량을 예측하는 것을 특징으로 한다.Meanwhile, the artificial neural network model predicted in the step of predicting the extinguishing gas amount is input into the artificial neural network with the operation variable corresponding to the operating state of the anaerobic digestion tank derived from the digestion state diagnosis step as an input value, and signal transmission through the hidden layer is repeatedly performed Learning is performed for minimizing the error, the weight is adjusted, and the amount of the extinguishing gas is estimated by inputting the driving variable according to the weight.
기존의 혐기성 소화조 운전의 경우, 운전자가 적정 운전범위에 대한 충분한 정보를 숙지하지 못하고 있는 실정에서, 최소한의 운전만 유지되고 있는 상황이었지만, 본 발명을 통해 혐기성 소화조의 운전과 연관된 운전변수들의 적정범위를 제시해줌으로써, 혐기성 소화조 운영상태를 지속적으로 파악할 수 있으며, 적정 운전범위를 초과할 경우 이에 대한 숙지를 통해 장기적으로 안정적인 혐기성 소화조 운영이 가능한 효과가 있다. In the case of the conventional anaerobic digester operation, although the driver is not fully informed about the proper operation range, only the minimum operation is maintained. However, according to the present invention, the optimum range of the operating parameters associated with the operation of the anaerobic digester It is possible to continuously monitor the operation state of the anaerobic digestion tank. If the operation range of the anaerobic digestion tank is exceeded, it is possible to operate the anaerobic digester in a stable manner over a long period of time.
또한, 일련의 소화반응에 대한 전문적인 지식을 보유하고 있는 현장 운전자가 드물어 발생되는 소화가스량을 정확하게 예측하여 그 활용방안을 효과적으로 도모하거나, 운전효율을 증가하기가 어려웠지만, 본 발명을 통해 제시되는 인공신경망 모델을 통해 임의의 운전 조건하에서 발생될 수 있는 소화가스 발생량의 예측치를 확인할 수 있게 됨으로써, 소화가스 발생량을 증가시킬 수 있는 운전조건으로 혐기성 소화조를 운영하는 것이 가능한 효과가 있다. In addition, it has been difficult to accurately estimate the amount of digestion gas generated by an on-site driver who has expert knowledge of a series of digestion reactions and to effectively utilize the digestion gas or to increase the operation efficiency. However, It is possible to operate the anaerobic digestion tank under the operating conditions that can increase the amount of generated digestion gas by allowing the artificial neural network model to confirm the predicted value of the digestive gas generation amount that can be generated under an arbitrary operating condition.
도 1은 본 발명의 실시예에 따른 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템을 나타내는 구성도이다.
도 2는 본 발명의 실시예에 따른 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법을 나타내는 순서도이다.
도 3은 본 발명에 의한 소화가스의 발생량 예측을 위한 인공신경망 모델의 구조를 나타낸 도면이다.
도 4는 도 3의 인공신경망 모델의 훈련결과를 나타낸 도면이다.
도 5는 도 3의 인공신경망 모델의 검증결과를 나타낸 도면이다.
도 6은 본 발명의 실시예에 의한 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량 예측 모델이 탑재되어 있는 프로그램을 나타낸 화면이다.FIG. 1 is a block diagram showing a system for predicting the operation state of an anaerobic digester of a sewage treatment plant and estimating the amount of generated digestion gas according to an embodiment of the present invention.
2 is a flowchart illustrating a method of diagnosing an operation state of an anaerobic digestion tank of a sewage treatment plant according to an embodiment of the present invention and a method of predicting the amount of generated digestion gas.
3 is a diagram showing a structure of an artificial neural network model for predicting the generation amount of the extinguishing gas according to the present invention.
FIG. 4 is a diagram showing the training results of the artificial neural network model of FIG. 3;
FIG. 5 is a diagram showing the verification result of the artificial neural network model of FIG. 3. FIG.
FIG. 6 is a view showing a program on which an operation state of an anaerobic digestion tank according to an embodiment of the present invention is diagnosed and a model for predicting the generation of digested gas is mounted.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조번호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. First, in adding reference numerals to constituent elements of each drawing, it should be noted that the same constituent elements are denoted by the same reference numerals even though they are shown in different drawings. In the following description of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.
도 1은 본 발명의 실시예에 따른 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템을 나타내는 구성도이고, 도 2는 본 발명의 실시예에 따른 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법을 나타내는 순서도이고, 도 3은 본 발명에 의한 소화가스의 발생량 예측을 위한 인공신경망 모델의 구조를 나타낸 도면이고, 도 4는 도 3의 인공신경망 모델의 훈련결과를 나타낸 도면이고, 도 5는 도 3의 인공신경망 모델의 검증결과를 나타낸 도면이고, 도 6은 본 발명의 실시예에 의한 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량 예측 모델이 탑재되어 있는 프로그램을 나타낸 화면이다.FIG. 1 is a block diagram of a system for predicting the operational state of an anaerobic digester of a sewage treatment plant according to an embodiment of the present invention and a prediction system for the amount of generated digestive gas. FIG. 2 is a schematic view of a anaerobic digester of a sewage treatment plant according to an embodiment of the present invention. FIG. 3 is a view showing a structure of an artificial neural network model for predicting the generation amount of the extinguishing gas according to the present invention, and FIG. 4 is a graph showing the structure of the artificial neural network model FIG. 5 is a view showing the result of the verification of the artificial neural network model of FIG. 3, FIG. 6 is a diagram illustrating the operation state of the anaerobic digester according to the embodiment of the present invention, This is a screen showing a program loaded.
도 1을 참조하면, 본 발명에 의한 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템(10)은 데이터호출부(100), 소화조 상태 진단부(200), 소화가스 발생량 예측부(300) 및 소화가스 증감 운전조건 적용부(400)를 포함한다. Referring to FIG. 1, a
상기 데이터호출부(100)는 하수처리장의 유입/유출 수질 데이터 및 공정운영 데이터를 저장하는 데이터베이스로부터 하수처리장의 혐기성 소화조의 운전에 필요한 데이터를 호출하는 역할을 한다. 여기서, 상기 유입/유출 수질 데이터는 유입/유출유량과 유입/유출성분농도(BOD5, CODMn, SS, TN, TP 등)를 포함한다. 그리고 공정운영 데이터는 하수처리장의 폭기량, 슬러지폐기량, 슬러지반송량, 약품주입량, 침전능 및 반응조 내 부유물질 농도 중 적어도 하나 이상을 포함한다. The
따라서 상기 데이터호출부(100)는 이와 같은 다양한 입력 데이터들로부터 실제 하수처리장의 혐기성 소화조의 운전에 필요한 데이들을 사전에 선정하여 일별로 데이터들을 호출할 수 있는 것이다. 한편, 상기 데이터호출부(100)는 개별 하수처리장에서 별도로 운영되고 있는 데이터베이스에 축적되는 과거의 모든 데이터 중 하수처리장의 혐기성 소화조의 운전과 연관성이 있는 주요 데이터들을 자동으로 호출할 수도 있다. 특히, 하수처리장의 혐기성 소화조의 운전과 연관성이 있는 주요 데이터들은 소화조 유입유량, 유입 총슬러지(유입 TS), 유출 총슬러지(유출 TS), 소화 온도, 알칼리도, 유입 휘발성슬러지(유입 VS), 유출 휘발성슬러지(유출 VS), 유기산(VA), 유기물 부하 및 체류시간 중에서 적어도 하나 이상으로 구성될 수 있다. Therefore, the
상기 소화조 상태 진단부(200)는 상기 데이터호출부(100)로부터 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 역할을 한다. 한편, 상기 소화조 상태 진단부(200)의 혐기성 소화조의 최적의 운전범위는 다수의 하수처리장의 혐기성 소화조들로부터 혐기성 소화조의 운전과 연관된 운전변수들을 추출하여 도출되며, 상기 소화조 상태 진단부(200)는 현재 운전 중인 혐기성 소화조의 운전변수가 상기 혐기성 소화조의 최적의 운전범위에 해당하는 운전변수들의 범위를 적어도 하나 이상 벗어나는지를 판단하여 혐기성 소화조의 운영상태를 진단하게 된다. 따라서 소화조 상태 진단은 혐기성 소화조 운영과 연관된 운전 변수들이 적정 범위 내에서 운전되고 있는 지를 판단해 주며, 이를 위해 국내 혐기성 소화조 운영 실태를 분석하여 조내 온도, 상하부 온도차, pH, VA, 체류시간 및 유기물 부하와 같은 운전 변수들의 적정범위를 제시해준다. 이와 같은 소화조 상태에 대한 진단은 도면 6의 우측 상단에 잘 나타나 있다.The digestion tank
상기 소화가스 발생량 예측부(300)는 상기 소화조 상태 진단부(200)로부터 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 역할을 한다. 한편, 상기 소화가스 발생량 예측부(300)의 인공신경망 모델은 상기 소화조 상태 진단부(200)로부터 도출된 혐기성 소화조의 운영상태에 해당하는 운전변수를 입력값으로 하여 인공신경망에 대입하여 은닉층을 통한 신호전달을 반복적으로 행하고, 오차를 최소화하기 위한 학습을 행하여 연결 가중치를 조절하며, 상기 연결 가중치에 따라 운전변수를 입력하여 소화가스의 발생량을 예측하게 된다(도 3참조). 따라서 소화가스 발생량 예측은 소화가스 발생량에 영향을 미치는 운전 변수들을 대상으로 인공신경망 모델을 적용하여 임의의 운전 조건하에서 발생될 수 있는 소화가스량을 예측해 준다. 인공신경망 모델에 입력변수로 유입 TS, 유출 TS, 유입 VS, 유출 VS, 소화 온도, VA, 알칼리도 및 유기물 부하가 사용되었으며, 인공신경망 구조는 1개의 입력층, 3개의 은닉층 및 1개의 출력층으로 구성되었다(도 3참조).The fire extinguishing gas generation
상기 소화가스 증감 운전조건 적용부(400)는 상기 소화가스 발생량 예측부(300)에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 역할을 한다. 따라서 하수처리장 운전자는 정량적인 소화가스 발생량 수치를 확인한 이후 동일한 운전 조건으로 혐기성 소화조를 운전하길 원할 경우, 각 설정치를 입력하고 적용 결과를 확인하게 된다. 임의적으로 설정한 운전 조건은 자동적으로 처리장 운전에 반영되는 것보다 하수처리장 운전자의 의사결정 이후 적용되는 것이 바람직하다. The fire extinguishing gas increase / decrease operation
도 2를 참조하여 본 발명에 의한 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법을 설명하면 다음과 같다. Referring to FIG. 2, the method of diagnosing the operation state of the anaerobic digestion tank of the sewage treatment plant according to the present invention and predicting the amount of generated digestion gas will be described.
제 1단계는 하수처리장의 유입/유출 수질 데이터 및 공정운영 데이터를 저장하는 데이터베이스로부터 소화조 유입유량, 유입 총슬러지, 유출 총슬러지, 소화 온도, 알칼리도, 유입 휘발성슬러지, 유출 휘발성슬러지, 유기산, 유기물 부하 및 체류시간 중에서 적어도 하나 이상으로 구성되는 하수처리장의 혐기성 소화조의 운전에 필요한 데이터를 자동으로 호출하는 데이터호출단계이다(S110).The first step is to extract the influent / runoff water quality data and process operation data from the database which stores digestion tank inflow flow rate, inflow total sludge, outflow total sludge, digestion temperature, alkalinity, inflow volatile sludge, effluent volatile sludge, organic acid, And a residence time of the anaerobic digestion tank of the sewage treatment plant (S110).
제 2단계는 상기 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 소화조 상태 진단단계이다(S120). 여기서, 상기 소화조 상태 진단단계(S120)의 혐기성 소화조의 최적의 운전범위는 다수의 하수처리장의 혐기성 소화조들로부터 혐기성 소화조의 운전과 연관된 운전변수들을 추출하여 도출되며, 상기 소화조 상태 진단단계(S120)는 현재 운전 중인 혐기성 소화조의 운전변수가 상기 혐기성 소화조의 최적의 운전범위에 해당하는 운전변수들의 범위를 적어도 하나 이상 벗어나는지를 판단하여 혐기성 소화조의 운영상태를 진단하게 된다. The second step is a digestive tank condition diagnosis step of receiving the called data and comparing the called data with the optimal operating ranges of the anaerobic digestion tank to derive a diagnostic result of the operating state of the currently operating anaerobic digestion tank (S120 ). The optimum operation range of the anaerobic digestion tank in the digestion condition diagnosis step S120 is derived by extracting operational parameters associated with the operation of the anaerobic digestion tank from the anaerobic digestion tanks in a plurality of sewage treatment plants, Determines the operating state of the anaerobic digestion tank by determining whether the operating parameter of the anaerobic digestion tank currently operating is deviating from at least one range of the operating parameters corresponding to the optimal operation range of the anaerobic digestion tank.
제 3단계는 상기 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 소화가스 발생량 예측단계이다(S130). 여기서, 상기 소화가스 발생량 예측단계(S130)의 인공신경망 모델은 상기 소화조 상태 진단단계(S120)로부터 도출된 혐기성 소화조의 운영상태에 해당하는 운전변수를 입력값으로 하여 인공신경망에 대입하여 은닉층을 통한 신호전달을 반복적으로 행하고, 오차를 최소화하기 위한 학습을 행하여 가중치를 조절하며, 상기 가중치에 따라 운전변수를 입력하여 소화가스의 발생량을 예측하게 된다. In the third step, an artificial neural network model is applied to the operation state of the anaerobic digestion tank to change the operation condition of the anaerobic digestion tank, which can increase or decrease the amount of digestion gas generated in the anaerobic digestion tank, (Step S130). Here, the artificial neural network model predicted in the step of predicting the extinguishing gas generation amount (S130) may be obtained by substituting an operating parameter corresponding to the operational state of the anaerobic digestion tank derived from the digestion state diagnosis step (S120) into an artificial neural network The weight is adjusted by repeating the signal transmission and learning to minimize the error, and the amount of the extinguishing gas is predicted by inputting the operation variable according to the weight.
제 4단계는 상기 소화가스 발생량 예측단계(S130)에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 소화가스 증감 운전조건 적용단계이다(S140).The fourth step is a step of applying a fire extinguishing gas increase / decrease operation condition to apply the changed operating condition to the actuators of the sewage treatment plant at step S140.
이하, 실시예를 기준으로 본 발명에서 언급하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법을 설명하기로 한다. Hereinafter, the method for diagnosing the operation state of the anaerobic digestion tank of the sewage treatment plant and estimating the amount of the generated digestion gas will be described with reference to the embodiments.
본 실시예에서는 D시에 위치한 S 하수처리장의 혐기성 소화조를 대상으로 실시 적용하였으며, 그 결과는 다음과 같다. In this embodiment, the anaerobic digester of the S sewage treatment plant located at D is applied and the results are as follows.
S 하수처리장의 경우 소화조 용량이 39,414 m3 으로 2단 소화공정으로 운영되고 있다. 본 발명에서는 2012년 1월부터 12월까지의 운전 데이터를 수집하였다. 일반적인 하수처리장의 소화조 운전 데이터는 한 달에 2 ~ 3회 밖에 측정하지 않는데, 본 발명의 실시 대상은 일주일에 2번씩 정기적으로 소화조 내부 운전상황에 대해 기록이 존재하였다. 관리도 기법에 의하여 평균±3표준편차의 범위를 만족하지 않은 데이터를 제거한 후 총 121개의 운전 데이터를 활용하였다. S sewage treatment plant, the digestion tank capacity is 39,414 m 3 , which is operated as a two-stage digestion process. In the present invention, operational data from January to December 2012 are collected. The digester operation data of a general sewage treatment plant is measured only two or three times a month. However, the present invention has a record of the operation situation of the digester at regular intervals twice a week. A total of 121 operational data were used after eliminating data that did not meet the mean ± 3 standard deviation range by the control chart technique.
혐기성 소화조의 적정 운전범위를 도출하기 위해 대상 하수처리장의 혐기성 소화조 외에 다수의 혐기성 소화조에 대한 운전자료들을 확보하였으며, 환경부의 혐기성 소화조 운영 권고조건을 참고하였다. 이를 통해 혐기성 소화조 운전과 연관된 다양한 운전 변수들 중 핵심적인 운전 변수 6개를 도출하였다. 도출된 운전 변수는 조내 온도, 상하부 온도차, pH, VA(유기산), 체류시간 및 유기물 부하였으며, 각각에 대한 적정 운전범위는 다음과 같다. In order to derive the optimum operating range of the anaerobic digester, the operation data of many anaerobic digester were obtained in addition to the anaerobic digester of the sewage treatment plant. From this, we derive six key operating variables among various operating parameters associated with anaerobic digester operation. The derived operating parameters were as follows: room temperature, upper and lower temperature difference, pH, VA (organic acid), residence time and organic matter.
·조내 온도 : 35±2℃· Room temperature: 35 ± 2 ℃
·상하부 온도차 : 2 ℃이내· Upper and lower temperature difference: Within 2 ℃
·pH : 7 ~ 7.5PH: 7 to 7.5
·VA : 300 ~ 2000 mg/LVA: 300 to 2000 mg / L
·체류시간 : 20 ~ 30 day· Residence time: 20 ~ 30 days
·유기물 부하 : 0.48 ~ 1.6 kg/m3d· Organic load: 0.48 ~ 1.6 kg / m 3 d
본 발명에서는 도출된 적정 운전범위를 활용하여 도면 6의 우측 상단과 같이 해당 하수처리장의 혐기성 소화조 운전이 적정 범위내에서 유지되고 있는 지를 판단하여, 범위를 벗어나게 될 경우 운전자에게 그 정보를 제공할 수 있도록 프로그램을 개발하였다. In the present invention, it is determined whether the operation of the anaerobic digester of the sewage treatment plant is maintained within an appropriate range as shown in the right upper part of FIG. 6 by utilizing the derived appropriate operation range. If the anaerobic digestion operation is out of the range, We developed the program to
또한 본 발명에서는 소화가스 발생량 예측을 위해 인공신경망 모델을 적용하였으며, 최적의 입력변수를 도출하기 위해 우선적으로 혐기성 소화조 운전과 연관된 변수를 도출하였다. 유입 슬러지 농도, 유입 TS(유입 총슬러지), 소화조 유입 유량, 조내 온도 등의 총 15개 변수가 혐기성 소화조 운전과 연관되어 있음을 확인한 이후 15개의 변수 중 소화가스 발생량과의 상관분석을 통해 상관도가 낮은(≤0.4) 항목을 제외하였다. 이 과정을 통해 최종적으로 상관도 0.4보다 높은 8개 변수가 소화가스 발생량 예측을 위한 운전변수로서 인공신경망의 입력변수로 적용되었다. 상기 8개의 변수는 아래의 [표 1]에 잘 나타나 있다. In the present invention, an artificial neural network model was applied to estimate the amount of digestion gas generated. In order to derive the optimal input parameters, variables associated with operation of the anaerobic digester were derived. After confirming that 15 variables such as inflow sludge concentration, influent TS (influent total sludge), digestion tank inflow flow rate, and indoor temperature were related to the operation of anaerobic digestion tank, (≤0.4) were excluded. Through this process, finally, eight variables higher than correlation 0.4 were applied as the input variables of artificial neural network as the driving variables for predicting the amount of extinguishing gas. The eight variables are shown in Table 1 below.
인공신경망 구조로는 multi-layer feed-forward network를 선정하였다. multi-layer feed-forward network는 입력층(Input layer), 은닉층(Hidden layer), 출력층(Output layer)으로 구성되어 있으며, 입력층과 은닉층의 뉴런의 수는 예측변수에 따른 특성으로 달라진다. 시행착오법을 적용하여, 소화가스 예측을 위해 3개의 은닉층이 도출되었으며, 첫 번째 은닉층의 뉴런 수는 5개, 두 번째 은닉층의 뉴런 수는 8개 및 세 번째 은닉층의 뉴런 수는 7개가 적용되었다. 각 층의 뉴런들은 연결 가중치에 의해 연결된다. 도출된 인공신경망 구조는 도면 3에 나타내었다. A multi-layer feed-forward network was selected as an artificial neural network structure. The multi-layer feed-forward network consists of an input layer, a hidden layer, and an output layer. The number of neurons in the input layer and the hidden layer varies depending on the prediction parameters. By applying the trial-and-error method, three hidden layers were derived for predicting the digestion gas. The number of neurons in the first hidden layer was 5, the number of neurons in the second hidden layer was 8, and the number of neurons in the third hidden layer was 7 . Neurons in each layer are connected by connection weights. The derived artificial neural network structure is shown in FIG.
인공신경망 모델 훈련을 위해 85개의 운전 데이터가 활용되었으며, 이를 제외한 36개의 운전 데이터가 모델 검증에 활용되었다. 인공신경망 모델 훈련 결과를 도면 4에 나타내었고, 모델 검증 결과를 도면 5에 나타내었다. 인공신경망 모델 훈련 및 검증 결과를 통해 소화가스 발생량 예측이 가능한 모델이 성공적으로 도출되었음을 확인할 수 있었다. 보다 정량적인 분석을 위해 RMSE(Root Mean Square Error)값을 도출하였다. 계산에 사용된 RMSE 분석식은 다음과 같다. 85 training data were used to train the neural network model, and 36 training data were used for model verification. The results of the artificial neural network model training are shown in Fig. 4, and the model verification results are shown in Fig. The training and verification results of the artificial neural network model proved that a model capable of predicting the amount of extinguishing gas was successfully derived. RMSE (Root Mean Square Error) was derived for more quantitative analysis. The RMSE analysis used in the calculation is as follows.
여기서, N은 변수의 총 수, Xm,i은 측정값, Xs,i은 시뮬레이션 결과값을 나타낸다. Here, N is the total number of variables, Xm, i is the measurement value, and Xs, i is the simulation result value.
훈련 과정의 RMSE는 951.27 m3/day이며, 검증 과정의 RMSE는 2741.9 m3/day로 10% 이하의 낮은 오차로 확인되었다. 도출된 인공신경망 모델을 통해, 현장 운전자가 8개의 입력 변수의 값을 임의적으로 조정함으로써 발생될 수 있는 소화가스량을 예측할 수 있다. The RMSE of the training process was 951.27 m 3 / day, and the RMSE of the verification process was 2741.9 m 3 / day with a low error of less than 10%. Through the derived artificial neural network model, the field operator can predict the amount of digestion gas that can be generated by randomly adjusting the values of eight input variables.
본 발명에서는 혐기성 소화조 운전상태 진단과 소화가스 예측을 위한 인공신경망 모델을 프로그램 내부에 탑재하여 운전자에게 제공할 수 있도록 프로그램을 개발하였다. 개발된 프로그램 화면을 도면 6에 나타내었다. 도면 6의 좌측 상단에는 대상 하수처리장의 슬러지 처리 공정도를 나타내었으며, 우측 상단에는 조내 온도, 상하부 온도차, pH, VA, 체류시간 및 유기물 부하와 같은 운전 변수들의 적정 범위를 제시해준다. 하단에는 개발된 인공신경망 모델이 탑재되어 사용자가 임의적으로 운전 변수를 조정하였을 때 발생될 수 있는 소화가스량을 제시할 수 있도록 전체 프로그램을 구성하였다. 이와 같은 프로그램을 통해 임의로 입력한 운전 변수의 설정치를 하수처리장 운전자가 확인 후 운전자 의사결정을 통해 실제 혐기성 소화조 운영에 반영한다면, 하수처리장 혐기성 소화조에서 발생되는 소화가스량을 증가시킬 수 있을 것으로 판단된다.In the present invention, a program has been developed to provide an operator with an artificial neural network model for diagnosing anaerobic digestion operation and predicting digestion gas. The developed program screen is shown in Fig. In the upper left corner of Fig. 6, the sludge treatment process of the target sewage treatment plant is shown. In the right upper part, the optimum range of the operating parameters such as the inside temperature, the upper and lower temperature difference, pH, VA, residence time and organic load are shown. In the lower part, the developed neural network model is installed, and the whole program is constructed so as to present the amount of digestion gas that can be generated when the user arbitrarily adjusts the operating parameters. It is considered that the amount of digestion gas generated from anaerobic digestion tank of the sewage treatment plant can be increased if the set value of the operation variable inputted through such program is reflected to the operation of the anaerobic digestion tank through operator decision after confirmation by the operator of the sewage treatment plant.
이상의 설명은 본 발명을 예시적으로 설명한 것에 불과한 것으로, 본 발명이 속하는 기술분야에서 통상의 지식을 가지는 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 변형이 가능할 것이다. 따라서 본 명세서에 개시된 실시예들은 본 발명을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 사상과 범위가 한정되는 것은 아니다. 본 발명의 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.While the present invention has been described with reference to exemplary embodiments, it is to be understood that the invention is not limited to the disclosed exemplary embodiments. Therefore, the embodiments disclosed in the present specification are intended to illustrate rather than limit the present invention, and the scope and spirit of the present invention are not limited by these embodiments. The scope of the present invention should be construed according to the following claims, and all the techniques within the scope of the present invention should be construed as being included in the scope of the present invention.
10: 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템
100: 데이터호출부
200: 소화조 상태 진단부
300: 소화가스 발생량 예측부
400: 소화가스 증감 운전조건 적용부10: Diagnosis of the operational status of the anaerobic digester and prediction system of the amount of digestion gas
100: Data calling unit
200: digester tank condition diagnosis unit
300: Extinguishing gas generation amount predicting unit
400: Extinguishing gas increase / decrease operation condition application part
Claims (8)
상기 데이터호출부로부터 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 소화조 상태 진단부;
상기 소화조 상태 진단부로부터 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 소화가스 발생량 예측부; 및
상기 소화가스 발생량 예측부에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 소화가스 증감 운전조건 적용부;를 포함하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템.
A data calling unit for calling data necessary for operation of the anaerobic digestion tank of the sewage treatment plant from a database storing inflow / outflow water quality data and process operation data of the sewage treatment plant;
A digestion tank condition diagnosis unit for receiving the data called from the data calling unit and comparing the called data with the optimal operation ranges of the anaerobic digestion tank to derive a diagnostic result of the operating state of the anaerobic digestion tank currently in operation;
The operation condition of the anaerobic digestion tank derived from the digestion tank condition diagnosis unit can be changed to the operation condition of the anaerobic digestion tank by applying the artificial neural network model to increase or decrease the amount of digestion gas generated in the anaerobic digestion tank, A fire extinguishing gas amount estimating unit; And
And a fire extinguishing gas increasing / decreasing operating condition applying section for applying operating conditions changed by the fire extinguishing gas generating amount predicting section to actuators of the sewage treatment plant to diagnose the operation state of the anaerobic digestion tank of the sewage treatment plant, Prediction system.
상기 데이터호출부는 개별 하수처리장에서 별도로 운영되고 있는 데이터베이스에 축적되는 과거의 모든 데이터 중 하수처리장의 혐기성 소화조의 운전과 연관성이 있는 주요 데이터들을 자동으로 호출하는 것을 특징으로 하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템.
The method according to claim 1,
Wherein the data calling unit automatically calls the main data related to the operation of the anaerobic digestion tank of the sewage treatment plant among all the past data stored in the database operated separately at the individual sewage treatment plant. Diagnosis of condition and prediction system of the amount of extinguishing gas.
상기 하수처리장의 혐기성 소화조의 운전과 연관성이 있는 주요 데이터들은 소화조 유입유량, 유입 총슬러지, 유출 총슬러지, 소화 온도, 알칼리도, 유입 휘발성슬러지, 유출 휘발성슬러지, 유기산, 유기물 부하 및 체류시간 중에서 적어도 하나 이상인 것을 특징으로 하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템.
3. The method of claim 2,
The main data relevant to the operation of the anaerobic digester of the sewage treatment plant are at least one of digester tank inflow rate, inflow total sludge, effluent total sludge, digest temperature, alkalinity, inflow volatile sludge, effluent volatile sludge, organic acid, organic load and residence time Of the anaerobic digestion tank of the sewage treatment plant and a prediction system for the amount of generated digestion gas.
상기 소화조 상태 진단부의 혐기성 소화조의 최적의 운전범위는 다수의 하수처리장의 혐기성 소화조들로부터 혐기성 소화조의 운전과 연관된 운전변수들을 추출하여 도출되며, 상기 소화조 상태 진단부는 현재 운전 중인 혐기성 소화조의 운전변수가 상기 혐기성 소화조의 최적의 운전범위에 해당하는 운전변수들의 범위를 적어도 하나 이상 벗어나는지를 판단하여 혐기성 소화조의 운영상태를 진단하는 것을 특징으로 하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템.
The method according to claim 1,
The optimal operation range of the anaerobic digestion tank of the digestion tank condition diagnosis unit is derived by extracting operating parameters associated with the operation of the anaerobic digestion tank from the anaerobic digestion tanks of a plurality of sewage treatment plants. Wherein the anaerobic digestion tank is provided with an anaerobic digestion tank and an anaerobic digestion tank, wherein the anaerobic digestion tank is judged whether or not it deviates by at least one range of operating parameters corresponding to the optimum operation range of the anaerobic digestion tank, Prediction system.
상기 소화가스 발생량 예측부의 인공신경망 모델은 상기 소화조 상태 진단부로부터 도출된 혐기성 소화조의 운영상태에 해당하는 운전변수를 입력값으로 하여 인공신경망에 대입하여 은닉층을 통한 신호전달을 반복적으로 행하고, 오차를 최소화하기 위한 학습을 행하여 연결 가중치를 조절하며, 상기 연결 가중치에 따라 운전변수를 입력하여 소화가스의 발생량을 예측하는 것을 특징으로 하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템.
The method according to claim 1,
The artificial neural network model of the fire extinguishing gas generation amount estimating unit replaces the operating signal corresponding to the operational state of the anaerobic digestion tank derived from the fire extinguisher state diagnosing unit and inputs it to the artificial neural network to repeatedly perform signal transmission through the hidden layer. Wherein the operation weight of the anaerobic digester is estimated based on the weight of the connection weight, and the amount of the digestion gas is estimated by inputting the operation parameters according to the connection weights. system.
상기 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 소화조 상태 진단단계;
상기 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 소화가스 발생량 예측단계; 및
상기 소화가스 발생량 예측단계에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 소화가스 증감 운전조건 적용단계;를 포함하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법.
From the database that stores the inflow / outflow water quality data and process operation data from the sewage treatment plant, it is possible to estimate the inflow / outflow total sludge, outflow total sludge, digestion temperature, alkalinity, inflow volatile sludge, organic acid, organic load and residence time A data recall step of automatically calling data necessary for operation of the anaerobic digester of the sewage treatment plant composed of at least one or more;
A digestion tank condition diagnosis step of receiving the called data and comparing the called data with the optimal operation ranges of the anaerobic digestion tank to derive a diagnostic result of the operating state of the anaerobic digestion tank currently in operation;
The anaerobic digestion tank is operated under the artificial neural network model to change the operation conditions of the anaerobic digestion tank to increase or decrease the amount of digestion gas generated in the anaerobic digestion tank. step; And
And a step of applying a changed operating condition to the actuators of the sewage treatment plant by applying the modified operating conditions to the actuators of the sewage treatment plant to diagnose the operation state of the anaerobic digester of the sewage treatment plant, Prediction method.
상기 소화조 상태 진단단계의 혐기성 소화조의 최적의 운전범위는 다수의 하수처리장의 혐기성 소화조들로부터 혐기성 소화조의 운전과 연관된 운전변수들을 추출하여 도출되며, 상기 소화조 상태 진단단계는 현재 운전 중인 혐기성 소화조의 운전변수가 상기 혐기성 소화조의 최적의 운전범위에 해당하는 운전변수들의 범위를 적어도 하나 이상 벗어나는지를 판단하여 혐기성 소화조의 운영상태를 진단하는 것을 특징으로 하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법.
The method according to claim 6,
The optimum operating range of the anaerobic digester is determined by extracting operating parameters associated with operation of the anaerobic digester from a plurality of anaerobic digestion tanks of the sewage treatment plant, Wherein the operating condition of the anaerobic digester is diagnosed by determining whether the parameter is deviated from at least one range of the operating parameters corresponding to the optimum operating range of the anaerobic digester. A method for predicting the amount of generation of
상기 소화가스 발생량 예측단계의 인공신경망 모델은 상기 소화조 상태 진단단계로부터 도출된 혐기성 소화조의 운영상태에 해당하는 운전변수를 입력값으로 하여 인공신경망에 대입하여 은닉층을 통한 신호전달을 반복적으로 행하고, 오차를 최소화하기 위한 학습을 행하여 가중치를 조절하며, 상기 가중치에 따라 운전변수를 입력하여 소화가스의 발생량을 예측하는 것을 특징으로 하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법.
The method according to claim 6,
The artificial neural network model of the step of predicting the amount of extinguishing gas generated is used to input an operational parameter corresponding to the operational state of the anaerobic digestion tank derived from the digestion state diagnosis step to an artificial neural network to repeatedly perform signal transmission through the hidden layer, And estimating the amount of generated digestion gas by inputting an operation variable according to the weight value. The method of diagnosing the operation state of the anaerobic digestion tank of the sewage treatment plant and estimating the amount of the digestion gas generation .
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140035316A KR20150111675A (en) | 2014-03-26 | 2014-03-26 | System for diagnosis of operation state of anaerobic digester of wastewater treatment plant and for prediction of digestion gas yield and the method |
| PCT/KR2014/002585 WO2015147351A1 (en) | 2014-03-26 | 2014-03-27 | System for diagnosing operation state of anaerobic digestor of sewage treatment plant and predicting production amount of digestion gas and method therefor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140035316A KR20150111675A (en) | 2014-03-26 | 2014-03-26 | System for diagnosis of operation state of anaerobic digester of wastewater treatment plant and for prediction of digestion gas yield and the method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20150111675A true KR20150111675A (en) | 2015-10-06 |
Family
ID=54195848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140035316A KR20150111675A (en) | 2014-03-26 | 2014-03-26 | System for diagnosis of operation state of anaerobic digester of wastewater treatment plant and for prediction of digestion gas yield and the method |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20150111675A (en) |
| WO (1) | WO2015147351A1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018124383A1 (en) * | 2016-12-30 | 2018-07-05 | 서울시립대학교 산학협력단 | Process model predictive control system and method for promoting production of anaerobic digestion gas |
| KR102348977B1 (en) * | 2020-11-18 | 2022-01-11 | (주)파이브텍 | Integrated managing platform system for biogas producing plant |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334977B (en) * | 2017-12-28 | 2020-06-30 | 鲁东大学 | Deep learning-based water quality prediction method and system |
| CN113912255B (en) * | 2021-11-05 | 2023-05-02 | 烟台清泉实业有限公司 | Sludge semi-drying treatment system and treatment method |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100456413B1 (en) * | 2002-06-21 | 2004-11-10 | 에치투엘 주식회사 | System and method for AI controlling waste-water treatment by neural network and back-propagation algorithm |
| KR100965756B1 (en) * | 2008-01-15 | 2010-06-24 | 부산대학교 산학협력단 | Apparatus and method for diagnosis of operating states in municipal wastewater treatment plant |
| KR20090078501A (en) * | 2008-01-15 | 2009-07-20 | 부산대학교 산학협력단 | Apparatus and method for prediction of influent flow rate and influent components using artificial neural network |
| KR101018886B1 (en) * | 2009-03-31 | 2011-03-04 | 주식회사 에코솔루션 | Predictive control system of anaerobic digestion vessel and processingmethod of organic waste using the same |
| KR101108031B1 (en) * | 2009-06-30 | 2012-01-25 | 부산대학교 산학협력단 | Wastewater treatment system and method of treating wastewater based on pridicton control |
-
2014
- 2014-03-26 KR KR1020140035316A patent/KR20150111675A/en not_active Application Discontinuation
- 2014-03-27 WO PCT/KR2014/002585 patent/WO2015147351A1/en active Application Filing
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018124383A1 (en) * | 2016-12-30 | 2018-07-05 | 서울시립대학교 산학협력단 | Process model predictive control system and method for promoting production of anaerobic digestion gas |
| KR102348977B1 (en) * | 2020-11-18 | 2022-01-11 | (주)파이브텍 | Integrated managing platform system for biogas producing plant |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2015147351A1 (en) | 2015-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vanrolleghem et al. | Integration of wastewater treatment plant design and operation—a systematic approach using cost functions | |
| Holubar et al. | Advanced controlling of anaerobic digestion by means of hierarchical neural networks | |
| WO2017184077A1 (en) | System and method for wastewater treatment process control | |
| Santín et al. | Fuzzy logic for plant-wide control of biological wastewater treatment process including greenhouse gas emissions | |
| KR20150111675A (en) | System for diagnosis of operation state of anaerobic digester of wastewater treatment plant and for prediction of digestion gas yield and the method | |
| Carrasco et al. | Diagnosis of acidification states in an anaerobic wastewater treatment plant using a fuzzy-based expert system | |
| Dalmau et al. | Model development and simulation for predicting risk of foaming in anaerobic digestion systems | |
| JP2004025160A (en) | System and method for artificial intelligence control of sewage waste water treatment by neural network and inversion wave algorithm | |
| Punal et al. | Advanced monitoring and control of anaerobic wastewater treatment plants: diagnosis and supervision by a fuzzy-based expert system | |
| Robles et al. | Instrumentation, control, and automation for submerged anaerobic membrane bioreactors | |
| JP2000218263A (en) | Water quality controlling method and device therefor | |
| US20200331783A1 (en) | Decision support system and method for watertreatment | |
| Gholikandi et al. | Optimization of anaerobic baffled reactor (ABR) using artificial neural network in municipal wastewater treatment. | |
| CN105550492B (en) | System and method for predicting the parameter of wastewater treatment process | |
| Bernard et al. | An integrated system to remote monitor and control anaerobic wastewater treatment plants through the internet | |
| Klanderman et al. | Case studies in real-time fault isolation in a decentralized wastewater treatment facility | |
| Del Moro et al. | Gross parameters prediction of a granular-attached biomass reactor by means of multi-objective genetic-designed artificial neural networks: touristic pressure management case | |
| Sahith et al. | Artificial intelligence in water treatment process optimization | |
| Johnson | Water reuse and recovery facility connected digital twin case study: Singapore PUB’s Changi WRP process, control, and hydraulics digital twin | |
| CN111798134B (en) | Method for improving methane yield of sewage treatment plant based on data-driven model | |
| Luca et al. | Modelling and performance analysis of an urban wastewater treatment plant | |
| Chaouali et al. | Prediction of Greenhouse Gas Emissions from Wastewater Treatment and Biogas Production in Tunisia | |
| KR20140117966A (en) | System and method for predicting energy reduction according to energy consumption state diagnosis of wastewater treatment plant | |
| JP2010253400A (en) | Device for controlling ph increase using photosynthesis | |
| Meng et al. | Integrated modelling and control of urban wastewater systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| WITB | Written withdrawal of application |