KR20210109160A - 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체 - Google Patents
빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체 Download PDFInfo
- Publication number
- KR20210109160A KR20210109160A KR1020200024056A KR20200024056A KR20210109160A KR 20210109160 A KR20210109160 A KR 20210109160A KR 1020200024056 A KR1020200024056 A KR 1020200024056A KR 20200024056 A KR20200024056 A KR 20200024056A KR 20210109160 A KR20210109160 A KR 20210109160A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- sewage
- artificial intelligence
- big data
- inflow
- Prior art date
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 31
- 238000012731 temporal analysis Methods 0.000 claims description 7
- 238000000700 time series analysis Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims 2
- 238000007726 management method Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 238000004062 sedimentation Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000010802 sludge Substances 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
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03F—SEWERS; CESSPOOLS
- E03F1/00—Methods, systems, or installations for draining-off sewage or storm water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/10—Services
-
- 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
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Hydrology & Water Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법은, 저장매체에 저장된 빅데이터 및 인공지능 기반 하수 유입수 예측 프로그램이 설치된 관리서버를 통해 수행되는 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 하수 유입수에 대해 상관관계를 가진 하수융합데이터의 범주를 정의하는 (a)단계, 상기 (a)단계에 의해 정의된 범주를 기준으로 하여, 기 설정된 시간 단위로 상기 하수융합데이터를 수집하는 (b)단계, 상기 (b)단계에 의해 수집된 하수융합데이터에 대해 전처리를 수행하는 (c)단계, 상기 (c)단계에 의해 전처리된 하수융합데이터를 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 (d)단계 및 상기 (d)단계에 의해 상기 인공신경망을 통해 학습된 모델을 통해 기 설정된 시간단위로 하수 유입수량을 예측하는 (e)단계를 포함한다.
Description
본 발명은 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체에 관한 것으로서, 보다 상세하게는 하수처리시설에 유입되는 유입수와 상관관계를 가진 하수융합데이터를 수집하고, 이에 대해 인공지능 기반의 시계열 분석을 수행하여 하수 유입수를 정밀하고 높은 신뢰도로 예측 가능하도록 하는 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체에 관한 것이다.
일반적으로 도시의 생활하수 및 강우는 하수관로에 모여 하수처리시설로 유입된 후, 정화되어 하천으로 방류된다.
그리고 이 과정에서 하수관로를 통해 하수처리시설 침사지로 유입수가 모이게 되고, 침사지에서의 유입수량 조절에 따라 하수관로의 유량이 달라지며 후단 하수처리공정으로 보낼 유량이 결정되어 공정에 큰 영향을 미치게 된다.
이때 유입펌프 운전을 통해 침사지 유량 조절이 이루어지게 되는데, 유입펌프의 에너지 사용량이 크기 때문에 상황에 따른 적절한 운전이 필요하게 된다. 이러한 관점에 입각하여, 하수시설 운전효율 향상과 강우와 같은 기상변화에 대응한 지능형 하수도 시스템이 요구되고 있다.
한편 하수처리시설의 경우 노후화로 인하여 관리에 많은 비용이 들고 운영 시스템상의 문제로 효율적인 시설 운영이 어렵다는 문제가 있다.
특히 하수처리과정에서 대부분의 에너지 비용이 펌프와 송풍기 시설에서 발생하고 있으며, 침사지의 유입펌프는 많은 유입수를 처리하기 위하여 대용량 펌프를 사용하고 있어 많은 에너지를 필요로 한다.
따라서 하수의 유입수량을 예측하여 효율적인 유입펌프 운전을 수행할 경우에는 상당 부분의 에너지 비용을 절약할 수 있으나, 침사지에서 적절한 유입수량 관리가 미흡할 경우에는 비용적인 문제뿐 아니라 하수처리시설에서 침수 사고가 발생할 위험이 있으며, 후속 공정에서 유량 조절의 문제가 발생할 수 있다.
더불어 최근에는 세계적 기후변화의 영향으로 한반도의 기상 패턴 역시 변화하고 있는 추세이므로, 하수로 인한 하천 오염에 주의를 기울여야 하는 상황이다.
기상변화의 일환으로 발생하는 이상 집중호우에는 하수량이 급격히 증가하는 데 비해 하수처리시설의 용량이 제한되어 하수처리시설의 침사지로 유입되지 못하고 하천으로 바로 배출되는 하수가 발생하게 되며, 이를 일반적으로 월류수라고 한다. 그리고 이와 같은 월류수는 하천으로 방류되는 오염부하량의 60%를 차지하고 있어 현재 하수도 시스템이 해결해야 할 주요 과제로 지목되고 있다.
적절한 유입수량 관리를 통해 상기와 같은 문제를 일정 부분 해소하고 월류수를 감소시킬 수 있지만, 현재는 실시간 또는 기 설정된 단시간 이하 단위의 예측이 이루어지고 있지 않아 비효율적이며 예측 결과가 부정확하다는 문제가 있다.
따라서 이와 같은 문제점들을 해결하기 위한 방법이 요구된다.
본 발명은 상술한 종래 기술의 문제점을 해결하기 위하여 안출된 발명으로서, 하수융합데이터를 이용하여 유입수량을 정밀하고 높은 신뢰도로 예측하고, 예측한 유입수량을 통해 하수처리시설의 운전을 효율적으로 수행할 수 있도록 하기 위한 목적을 가진다.
또한 본 발명은 갑작스러운 기상이변으로 집중호우 시 발생하는 월류수를 최소화하여 환경오염을 억제하고, 수질개선에 필요한 약품비용을 절감하는 등 에너지 비용을 포함한 다양한 부대 비용을 절약하기 위한 목적을 가진다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기한 목적을 달성하기 위한 본 발명의 빅데이터 및 인공지능 기반 하수 유입수 예측방법은, 저장매체에 저장된 빅데이터 및 인공지능 기반 하수 유입수 예측 프로그램이 설치된 관리서버를 통해 수행되는 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 하수 유입수에 대해 상관관계를 가진 하수융합데이터의 범주를 정의하는 (a)단계, 상기 (a)단계에 의해 정의된 범주를 기준으로 하여, 기 설정된 시간 단위로 상기 하수융합데이터를 수집하는 (b)단계, 상기 (b)단계에 의해 수집된 하수융합데이터에 대해 전처리를 수행하는 (c)단계, 상기 (c)단계에 의해 전처리된 하수융합데이터를 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 (d)단계 및 상기 (d)단계에 의해 상기 인공신경망을 통해 학습된 모델을 통해 기 설정된 시간단위로 하수 유입수량을 예측하는 (e)단계를 포함한다.
여기서 상기 하수융합데이터는, 하수처리시설 융합데이터, 상수도 유량데이터, 기상정보데이터 및 주변하천 수위데이터 중 적어도 어느 하나 이상을 포함할 수 있다.
또한 상기 (b)단계는, 하수 유입수량에 관련된 데이터베이스 및 온라인 서비스 중 적어도 어느 하나를 대상으로 하여 상기 하수융합데이터를 수집할 수 있다.
그리고 상기 (b)단계는, 상기 하수 유입수량에 관련된 데이터베이스로부터 정형데이터를 수집하고, 상기 온라인 서비스로부터 비정형데이터를 수집할 수 있다.
더불어 상기 (c)단계는, 상기 (b)단계에 의해 수집된 하수융합데이터를 최저지정수치와 최대지정수치 사이의 값으로 크기변환(Scaling)하는 (c-1)단계, 수치형 데이터로 인식되는 시간정보데이터를 범주화형 데이터로 변환하는 (c-2)단계 및 상기 하수융합데이터 및 상기 시간정보데이터에 대해, 시계열 분석을 위한 데이터 시계열화를 수행하는 (c-3)단계를 포함할 수 있다.
이때 상기 (c-1)단계는,
(dataN: 생성된 데이터 값, dataO: 기존의 값 데이터 값, min: 최저지정수치, max: 최대지정수치)의 식을 통해 크기변환을 수행할 수 있다.
한편 상기 (c-1)단계에서 상기 최저지정수치는 0으로 설정되고, 상기 최대지정수치는 1로 설정될 수 있다.
그리고
상기 (c-3)단계는, 상기 하수융합데이터 및 상기 시간정보데이터를 계절 주기의 주기데이터로 변환하여 데이터 시계열화를 수행할 수 있다.
또한 상기 (d)단계는, 상기 인공신경망의 은닉층을 n개(n은 1 이상의 자연수)의 레이어로 구성하는 (d-1)단계, n개의 레이어에 대한 은닉노드를 각각 구성하고, 상기 (c)단계에 의해 전처리된 하수융합데이터를 상기 인공신경망에 입력데이터로 할당하는 (d-2)단계 및 상기 (d-2)단계에 의해 은닉노드가 구성된 인공신경망을 통해 기 설정된 시간단위로 학습 및 평가를 수행하는 (d-3)단계를 포함할 수 있다.
여기서 상기 (d-2)단계는, 레이어의 일련번호가 1씩 증가할수록 상기 은닉노드의 수가 1/2로 감소하도록 은닉노드를 구성할 수 있다.
한편 이상과 같은 빅데이터 및 인공지능 기반 하수 유입수 예측방법은, 빅데이터 및 인공지능 기반 하수 유입수 예측방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 저장매체 형태로 제공될 수 있다.
상기한 과제를 해결하기 위한 본 발명의 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체는, 하수처리시설의 유입수 예측을 통해 유입펌프와 같은 하수처리시설의 효율적인 운전을 수행할 수 있으며, 이로 인해 에너지 비용을 절감할 수 있는 장점이 있다.
또한 본 발명은 하수처리시설의 유입수 예측을 통해 월류수 발생 줄여 환경 오염 방지 및 약품처리 비용 등과 같은 부대 비용을 절감할 수 있다는 장점이 있다.
정보의 규모가 방대한 빅데이터 및 학습 기반의 인공신경망을 이용하여 정확하고 신뢰도가 높은 결과를 제공할 수 있는 장점을 가진다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법의 각 단계를 나타낸 도면;
도 2는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 하수융합데이터의 분류를 나타낸 도면;
도 3은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 수집된 하수융합데이터에 대해 전처리를 수행하는 과정을 나타낸 도면;
도 4는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 전처리된 하수융합데이터를 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 과정을 나타낸 도면; 및
도 5는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 전처리된 하수융합 데이터를 사용하는 인공신경망의 구조를 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 하수융합데이터의 분류를 나타낸 도면;
도 3은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 수집된 하수융합데이터에 대해 전처리를 수행하는 과정을 나타낸 도면;
도 4는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 전처리된 하수융합데이터를 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 과정을 나타낸 도면; 및
도 5는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 전처리된 하수융합 데이터를 사용하는 인공신경망의 구조를 나타낸 도면이다.
이하 본 발명의 목적이 구체적으로 실현될 수 있는 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명한다. 본 실시예를 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며 이에 따른 부가적인 설명은 생략하기로 한다.
본 발명에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법은 저장매체에 저장된 빅데이터 및 인공지능 기반 하수 유입수 예측용 프로그램이 설치된 관리서버를 통해 수행되는 것으로서, 상기 관리서버에 설치되어 상기 관리서버의 프로세서에 의해 구동될 수 있다.
또한 이에 의해 구동된 빅데이터 및 인공지능 기반 하수 유입수 예측용 프로그램은 디스플레이 모듈 등 영상 출력장치를 통해 출력될 수 있으며, 시각화된 그래픽 유저 인터페이스를 통해 사용자에게 가시적인 정보를 제공할 수 있다.
특히 상기 빅데이터 및 인공지능 기반 하수 유입수 예측용 프로그램이 저장된 저장매체는 이동식 디스크나 통신망을 이용하여 상기 관리서버에 설치될 수 있으며, 상기 빅데이터 및 인공지능 기반 하수 유입수 예측용 프로그램은 상기 관리서버가 다양한 기능적 수단으로 운용되도록 할 수 있다. 즉 본 발명은 소프트웨어에 의한 정보 처리가 하드웨어를 통해 구체적으로 실현된다.
이하에서는 상기 관리서버를 통해 실행되는 본 발명의 빅데이터 및 인공지능 기반 하수 유입수 예측방법의 알고리즘에 대해 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법의 각 단계를 나타낸 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법은, 하수 유입수에 대해 상관관계를 가진 하수융합데이터의 범주를 정의하는 (a)단계와, 상기 (a)단계에 의해 정의된 범주를 기준으로 하여, 기 설정된 시간 단위로 상기 하수융합데이터를 수집하는 (b)단계와, 상기 (b)단계에 의해 수집된 하수융합데이터에 대해 전처리를 수행하는 (c)단계와, 상기 (c)단계에 의해 전처리된 하수융합데이터를 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 (d)단계와, 상기 (d)단계에 의해 상기 인공신경망을 통해 학습된 모델을 통해 기 설정된 시간단위로 하수 유입수량을 예측하는 (e)단계를 포함한다.
이하에서는 상기한 각 단계에 대해 보다 구체적으로 설명하도록 한다.
먼저, 하수 유입수에 대해 상관관계를 가진 하수융합데이터의 범주를 정의하는 (a)단계가 수행된다.
본 단계에서는 하수 유입수에 대해 일정 이상의 상관관계를 가진 데이터로서, 하수융합데이터로 포함될 수 있는 데이터의 범위를 설정 및 정의하게 된다. 이와 같은 과정은 도출하고자 하는 결과에 따라 다양한 방식으로 설정될 수 있으며, 데이터에 대한 상관관계도 역시 선택적인 기준에 의해 정의될 수 있다.
그리고 상기 하수융합데이터는, 하수 유입수와 상관관계를 가진 다양한 정보를 포함할 수 있다.
도 2는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 하수융합데이터의 분류를 나타낸 도면이다.
예컨대, 상기 하수융합데이터는 도 2에 도시된 바와 같이 하수 유입수량과 관련 정보들로서 세부적으로 하수처리시설 융합데이터, 상수도 유량데이터, 기상정보데이터 및 주변하천 수위데이터 중 적어도 어느 하나 이상을 포함할 수 있다. 즉 상기 하수융합데이터는 하수 유입수량에 대한 주변 정보들을 의미한다.
또한 보다 세부적으로, 상기 하수처리시설 융합데이터는 하수의 총 인유입량, 생슬러지량, 유입펌프수위, 펌프가동시간, 수집단위정보 등의 하위 정보들을 포함할 수 있으며, 상기 상수도 유량데이터는 중구역유량과 같은 하위 정보를, 상기 기상정보데이터는 기온, 강우량 등과 같은 하위 정보를 포함할 수 있다. 그리고 상기 주변하천 수위데이터는 특정한 하천, 예컨대 대명천, 월성교 등과 같은 특정 지역의 하천에 대한 수위 정보를 포함할 수 있다.
다음으로, 상기 (a)단계에 의해 정의된 범주를 기준으로 하여, 기 설정된 시간 단위로 상기 하수융합데이터를 수집하는 (b)단계가 수행된다.
본 단계에서는 상기 나열한 다양한 하수융합데이터를 임의의 조건에 따라 수집할 수 있으며, 특히 하수 유입수량에 관련된 데이터베이스 및 온라인 서비스 중 적어도 어느 하나를 대상으로 하여 상기 하수융합데이터를 수집하는 것으로 할 수 있다.
여기서 하수처리시설의 하수 유입수량 관련 데이터베이스라 함은 하수 유입수량과 상관관계를 가진 정보의 수집을 목적으로 구축된 특정 데이터베이스를 말하는 것이며, 예컨대 해당 지역의 하수처리시설, 수처리와 관계된 공공단체 등과 같은 기관으로부터 획득할 수 있는 정보와 정보 수집을 목적으로 설치한 강우량 측정 장치와 같은 장비들로부터 획득할 수 있는 정보 등을 말한다.
또한 상기 온라인 서비스라 함은 해당 하수처리시설 운영 시스템에 제공될 수 있는 온라인 서비스 매체를 말한다. 이와 같은 온라인 서비스는 어느 하나의 특정 서비스만으로 제한되는 것이 아니며, 또한 향후 등장할 미래의 온라인 서비스를 포함할 수 있음은 물론이다.
또한 상기 (b)단계는, 상기 하수 유입수량에 관련된 데이터베이스로부터 정형데이터를 수집하고, 상기 온라인 서비스로부터 비정형데이터를 수집하는 것으로 할 수 있으나, 이와 같은 방법만으로 제한되는 것이 아님은 물론이다.
더불어 상기 (b)단계에서 말하는 기 설정된 시간 단위는 다양한 기준에 의해 설정될 수 있다. 예컨대, 상기 (b)단계에서의 기 설정된 시간 단위는 1시간 단위이거나, 또는 1시간 이하의 단시간 단위일 수 있으며, 실시간에 근접한 단위일 수 있다.
다음으로, 상기 (b)단계에 의해 수집된 하수융합데이터에 대해 전처리를 수행하는 (c)단계가 수행된다. 본 단계에서는 이후 하수 유입수 예측을 위해 수집된 하수융합데이터를 호환 가능한 소정의 데이터 형태로 전처리하게 된다.
그리고 도 3은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 수집된 하수융합데이터에 대해 전처리를 수행하는 과정을 나타낸 도면이다.
도 3에 도시된 바와 같이, 구체적으로 본 실시예에서 상기 (c)단계는, 상기 (b)단계에 의해 수집된 하수융합데이터를 최저지정수치와 최대지정수치 사이의 값으로 크기변환(Scaling)하는 (c-1)단계와, 수치형 데이터로 인식되는 시간정보데이터를 범주화형 데이터로 변환하는 (c-2)단계와, 상기 하수융합데이터 및 상기 시간정보데이터에 대해, 시계열 분석을 위한 데이터 시계열화를 수행하는 (c-3)단계를 포함한다.
상기 (c-1)단계의 경우, 하수융합데이터를 정량적인 수치로서 나타낼 수 있도록 하기 위해 임의로 설정된 최저지정수치와 최대지정수치 사이의 값으로 크기변환을 수행하게 된다.
그리고 본 실시예에서 이와 같은 상기 (c-1)단계는,
(dataN: 생성된 데이터 값, dataO: 기존의 값 데이터 값, min: 최저지정수치, max: 최대지정수치)
의 식을 통해 크기변환을 수행하는 것으로 할 수 있으며, 또한 상기 최저지정수치는 0으로 설정하고, 상기 최대지정수치는 1로 설정하는 것으로 하였다. 다만, 본 실시예에서의 상기 최저지정수치 및 상기 최대지정수치의 설정은 하나의 예시로서 제시된 것이며, 상기 최저지정수치 및 상기 최대지정수치는 다양하게 정의될 수 있음은 물론이다.
즉 본 실시예에서는 이와 같은 과정을 통해 수집된 하수융합데이터가 인공신경망 학습에 유리하도록 0~1사이의 값으로 변환된다.
그리고 상기 (c-2)단계는, 시간정보데이터를 범주화형 데이터로 변환하는 과정이 수행되며, 이는 상기 시간정보데이터를 인공신경망 기반의 모델에서 숫자를 범주화하지 않을 경우 인공신경망에서 수치형으로 인식되는 문제가 발생할 수 있기 때문이다.
또한 상기 (c-3)단계의 경우, 상기 하수융합데이터 및 상기 시간정보데이터에 대해, 시계열 분석을 위한 데이터 시계열화를 수행하게 되며, 본 실시예에서는 상기 하수융합데이터 및 상기 시간정보데이터를 계절 주기의 주기데이터로 변환하여 데이터 시계열화를 수행하는 것으로 하였다.
여기서 계절 주기라 함은 특정기간 동안 유사한 경향의 추세를 보이는 계절성을 가지는 주기를 말하는 것이며, 본 실시예에서는 이를 24시간 기준으로 설정하였으나 주기데이터의 주기는 다양한 기준에 의해 정해질 수 있을 것이다.
다음으로, 상기 (c)단계에 의해 전처리된 하수융합데이터를 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 (d)단계가 수행된다.
도 4는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 전처리된 하수융합데이터를 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 과정을 나타낸 도면이며, 도 5는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서, 전처리된 하수융합 데이터를 사용하는 인공신경망의 구조를 나타낸 도면이다.
도 4에 도시된 바와 같이, 상기 (d)단계는 세부적으로 상기 인공신경망의 은닉층을 n개(n은 1 이상의 자연수)의 레이어로 구성하는 (d-1)단계와, n개의 레이어에 대한 은닉노드를 각각 구성하고, 상기 (c)단계에 의해 전처리된 하수융합데이터를 상기 인공신경망에 입력데이터로 할당하는 (d-2)단계와, 상기 (d-2)단계에 의해 은닉노드가 구성된 인공신경망을 통해 기 설정된 시간단위로 학습 및 평가를 수행하는 (d-3)단계를 포함할 수 있다.
그리고 이와 같은 각 단계에서는 도 5에 도시된 바와 같이 시계열 분석에 사용되는 RNN(Recurrent Neural Network)의 구조인 LSTM(Long Short-Term Memory)모델을 사용할 수 있다.
이를 위해 상기 (d-1)단계에서는 상기 인공신경망의 은닉층을 n개(n은 2 이상의 자연수)의 레이어로 구성한 뒤, (d-2)단계에서 n개의 레이어에 대한 은닉노드를 각각 구성하게 된다.
이때 본 실시예에서 상기 (d-2)단계에서는, 레이어의 일련번호가 1씩 증가할수록 상기 은닉노드의 수가 1/2로 감소하도록 은닉노드를 구성하는 것으로 하였다. 하지만, 이는 본 실시예만으로 제한되는 것은 아니며 레이어에 따른 은닉노드의 수는 다양하게 구성할 수 있음은 물론이다.
특히 도 5에 나타난 본 실시예 나타난 인공신경망에서는 은닉층을 2개의 레이어로 형성하고, 각 레이어의 은닉노드의 개수는 각각 32개 및 16개인 것으로 설정하였으나, 이러한 매개 변수의 경우 정량적인 값을 가지지 않기 때문에 반복적인 학습을 통해 변경될 수 있음은 물론이다.
그리고 인공신경망의 출력 데이터는 유입수량에 관한 것으로, 반복적인 학습을 통해 도출된 유입수량과 전술한 (a)단계 및 (b)단계에서 정의 및 수집된 유입수량과 비교 평가하여 인공신경망의 매개변수를 결정할 수 있다.
더불어 상기 (d)단계에서 말하는 기 설정된 시간 단위는 다양한 기준에 의해 설정될 수 있다. 예컨대, 상기 (d)단계에서의 기 설정된 시간 단위는 1시간 단위이거나, 또는 1시간 이하의 단시간 단위일 수 있으며, 실시간에 근접한 단위일 수 있다. 이는 하수처리시설의 하수 유입수량 관련 데이터베이스 및 온라인 서비스의 이용자의 요구에 따라 정의될 수 있다.
다음으로, 상기 (d)단계에 의해 상기 인공신경망을 통해 학습된 모델을 통해 기 설정된 시간단위로 하수 유입수량을 예측하는 (e)단계가 수행된다.
상기 (e)단계에서의 기 설정된 시간 단위 역시 전술한 (b)단계 또는 (d)단계와 마찬가지로 1시간 단위이거나, 또는 1시간 이하의 단시간 단위일 수 있으며, 실시간에 근접한 단위일 수 있다.
본 발명은 이상과 같은 하수처리시설의 유입수량 예측을 통해, 유입펌프와 같은 하수처리시설의 효율적인 운전을 통해 에너지를 절약할 수 있으며, 월류수 발생을 최소화하여 환경 오염 방지 및 약품처리 비용을 절약할 수 있는 장점을 가진다.
뿐만 아니라, 정보의 규모가 방대한 빅데이터를 이용하여 신뢰도가 높은 결과를 제공할 수 있게 된다.
그리고 이후, 이와 같은 분석 결과를 가시화하여 관리서버로부터 사용자에게 제공할 수 있으며, 사용자는 사용자 단말기 등에 가시화된 분석 결과를 통해 다양한 활동에 활용이 가능하다.
이상과 같이 본 발명에 따른 바람직한 실시예를 살펴보았으며, 앞서 설명된 실시예 이외에도 본 발명이 그 취지나 범주에서 벗어남이 없이 다른 특정 형태로 구체화될 수 있다는 사실은 해당 기술에 통상의 지식을 가진 이들에게는 자명한 것이다. 그러므로, 상술된 실시예는 제한적인 것이 아니라 예시적인 것으로 여겨져야 하고, 이에 따라 본 발명은 상술한 설명에 한정되지 않고 첨부된 청구항의 범주 및 그 동등 범위 내에서 변경될 수도 있다.
Claims (11)
- 저장매체에 저장된 빅데이터 및 인공지능 기반 하수 유입수 예측 프로그램이 설치된 관리서버를 통해 수행되는 빅데이터 및 인공지능 기반 하수 유입수 예측방법에 있어서,
하수 유입수에 대해 상관관계를 가진 하수융합데이터의 범주를 정의하는 (a)단계;
상기 (a)단계에 의해 정의된 범주를 기준으로 하여, 기 설정된 시간 단위로 상기 하수융합데이터를 수집하는 (b)단계;
상기 (b)단계에 의해 수집된 하수융합데이터에 대해 전처리를 수행하는 (c)단계;
상기 (c)단계에 의해 전처리된 하수융합데이터를 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 (d)단계; 및
상기 (d)단계에 의해 상기 인공신경망을 통해 학습된 모델을 통해 기 설정된 시간단위로 하수 유입수량을 예측하는 (e)단계;
를 포함하는 빅데이터 및 인공지능 기반 하수 유입수 예측방법. - 제1항에 있어서,
상기 하수융합데이터는,
하수처리시설 융합데이터, 상수도 유량데이터, 기상정보데이터 및 주변하천 수위데이터 중 적어도 어느 하나 이상을 포함하는 빅데이터 및 인공지능 기반 하수 유입수 예측방법. - 제1항에 있어서,
상기 (b)단계는,
하수 유입수량에 관련된 데이터베이스 및 온라인 서비스 중 적어도 어느 하나를 대상으로 하여 상기 하수융합데이터를 수집하는 빅데이터 및 인공지능 기반 하수 유입수 예측방법. - 제3항에 있어서,
상기 (b)단계는,
상기 하수 유입수량에 관련된 데이터베이스로부터 정형데이터를 수집하고, 상기 온라인 서비스로부터 비정형데이터를 수집하는 빅데이터 및 인공지능 기반 하수 유입수 예측방법. - 제1항에 있어서,
상기 (c)단계는,
상기 (b)단계에 의해 수집된 하수융합데이터를 최저지정수치와 최대지정수치 사이의 값으로 크기변환(Scaling)하는 (c-1)단계;
수치형 데이터로 인식되는 시간정보데이터를 범주화형 데이터로 변환하는 (c-2)단계; 및
상기 하수융합데이터 및 상기 시간정보데이터에 대해, 시계열 분석을 위한 데이터 시계열화를 수행하는 (c-3)단계;
를 포함하는 빅데이터 및 인공지능 기반 하수 유입수 예측방법. - 제5항에 있어서,
상기 (c-1)단계는,
(dataN: 생성된 데이터 값, dataO: 기존의 값 데이터 값, min: 최저지정수치, max: 최대지정수치)
의 식을 통해 크기변환을 수행하는 빅데이터 및 인공지능 기반 하수 유입수 예측방법. - 제6항에 있어서,
상기 (c-1)단계에서 상기 최저지정수치는 0으로 설정되고, 상기 최대지정수치는 1로 설정되는 빅데이터 및 인공지능 기반 하수 유입수 예측방법. - 제5항에 있어서,
상기 (c-3)단계는,
상기 하수융합데이터 및 상기 시간정보데이터를 계절 주기의 주기데이터로 변환하여 데이터 시계열화를 수행하는 빅데이터 및 인공지능 기반 하수 유입수 예측방법. - 제1항에 있어서,
상기 (d)단계는,
상기 인공신경망의 은닉층을 n개(n은 1 이상의 자연수)의 레이어로 구성하는 (d-1)단계;
n개의 레이어에 대한 은닉노드를 각각 구성하고, 상기 (c)단계에 의해 전처리된 하수융합데이터를 상기 인공신경망에 입력데이터로 할당하는 (d-2)단계; 및
상기 (d-2)단계에 의해 은닉노드가 구성된 인공신경망을 통해 기 설정된 시간단위로 학습 및 평가를 수행하는 (d-3)단계;
를 포함하는 빅데이터 및 인공지능 기반 하수 유입수 예측방법. - 제9항에 있어서,
상기 (d-2)단계는,
레이어의 일련번호가 1씩 증가할수록 상기 은닉노드의 수가 1/2로 감소하도록 은닉노드를 구성하는 빅데이터 및 인공지능 기반 하수 유입수 예측방법. - 컴퓨터에 제1항 내지 제10항 중 어느 한 항의 빅데이터 및 인공지능 기반 하수 유입수 예측방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 저장매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200024056A KR20210109160A (ko) | 2020-02-27 | 2020-02-27 | 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200024056A KR20210109160A (ko) | 2020-02-27 | 2020-02-27 | 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210109160A true KR20210109160A (ko) | 2021-09-06 |
Family
ID=77782410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200024056A KR20210109160A (ko) | 2020-02-27 | 2020-02-27 | 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20210109160A (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114671523A (zh) * | 2021-12-31 | 2022-06-28 | 广东长天思源环保科技股份有限公司 | 一种基于预测控制的污水处理节能方法 |
| KR102440371B1 (ko) * | 2021-11-26 | 2022-09-05 | 니브스코리아 주식회사 | 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 |
| KR102514544B1 (ko) * | 2022-06-22 | 2023-03-29 | 주식회사 비담 | 하수처리장 모니터링 및 원격제어 장치 및 방법 |
| KR20230086849A (ko) | 2021-12-08 | 2023-06-16 | 경희대학교 산학협력단 | 유입수 인공지능 예측모델 기반 막생물반응기 최적화시스템 및 최적화방법 |
| KR102563148B1 (ko) * | 2022-10-11 | 2023-08-02 | 주식회사 랩큐 | 인공지능을 이용한 하수 수량 예측 시스템 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101432436B1 (ko) | 2013-03-27 | 2014-08-21 | 부산대학교 산학협력단 | 최근린기법을 이용한 하수처리장의 유입유량과 유입성분농도의 예측 장치 및 방법 |
-
2020
- 2020-02-27 KR KR1020200024056A patent/KR20210109160A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101432436B1 (ko) | 2013-03-27 | 2014-08-21 | 부산대학교 산학협력단 | 최근린기법을 이용한 하수처리장의 유입유량과 유입성분농도의 예측 장치 및 방법 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102440371B1 (ko) * | 2021-11-26 | 2022-09-05 | 니브스코리아 주식회사 | 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 |
| KR20230086849A (ko) | 2021-12-08 | 2023-06-16 | 경희대학교 산학협력단 | 유입수 인공지능 예측모델 기반 막생물반응기 최적화시스템 및 최적화방법 |
| CN114671523A (zh) * | 2021-12-31 | 2022-06-28 | 广东长天思源环保科技股份有限公司 | 一种基于预测控制的污水处理节能方法 |
| CN114671523B (zh) * | 2021-12-31 | 2024-06-04 | 广东长天思源环保科技股份有限公司 | 一种基于预测控制的污水处理节能方法 |
| KR102514544B1 (ko) * | 2022-06-22 | 2023-03-29 | 주식회사 비담 | 하수처리장 모니터링 및 원격제어 장치 및 방법 |
| KR102563148B1 (ko) * | 2022-10-11 | 2023-08-02 | 주식회사 랩큐 | 인공지능을 이용한 하수 수량 예측 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20210109160A (ko) | 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체 | |
| Zhang et al. | Predictive models for wastewater flow forecasting based on time series analysis and artificial neural network | |
| Xu et al. | Urban water supply system optimization and planning: Bi-objective optimization and system dynamics methods | |
| Madani et al. | System dynamics analysis for managing Iran’s Zayandeh-Rud river basin | |
| CN104318325B (zh) | 多流域实时智能水质预测方法及系统 | |
| CN107451682B (zh) | 一种基于神经网络的城市感潮河段生态需水量预测方法 | |
| CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和系统 | |
| Babaei et al. | Risk assessment of agricultural water conveyance and delivery systems by fuzzy fault tree analysis method | |
| Zhao et al. | Automated model construction for combined sewer overflow prediction based on efficient LASSO algorithm | |
| CN116050628A (zh) | 一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法 | |
| Ashrafi et al. | Applying wavelet transformation and artificial neural networks to develop forecasting-based reservoir operating rule curves | |
| Gao et al. | Water shortage risk assessment considering large-scale regional transfers: a copula-based uncertainty case study in Lunan, China | |
| Heydari Kushalshah et al. | Hybrid modelling for urban water supply system management based on a bi-objective mathematical model and system dynamics: A case study in Guilan province. | |
| CN113222368B (zh) | 一种基于雨水花园监测数据的雨洪预警方法 | |
| Demirel et al. | Analyzing the wastewater treatment facility location/network design problem via system dynamics: Antalya, Turkey case | |
| Li et al. | Urban water consumption prediction based on CPMBNIP | |
| Hernandez-Ambato et al. | Multistep-ahead streamflow and reservoir level prediction using ANNs for production planning in hydroelectric stations | |
| KR20210109161A (ko) | 빅데이터 및 인공지능 기반 하수처리시설의 최적 펌프 운전모델 예측방법, 그리고 이를 포함하는 저장매체 | |
| Fu et al. | Artificial intelligence underpins urban water infrastructure of the future: A holistic perspective | |
| JP2011129046A (ja) | 上下水道施設運用支援装置およびプログラム | |
| Gavahi et al. | Comparison of two data-driven streamflow forecast approaches in an adaptive optimal reservoir operation model | |
| Zhang et al. | Scenario based municipal wastewater estimation: development and application of a dynamic simulation model | |
| ESLAHI | Climate-Related Renewable Energy Sources and Carbon Emissions: A Machine Learning-Based Investigation of Electricity Production in France | |
| Ahmed et al. | Implementation of water demand forecasting model to aid sustainable water supply chain management in UAE | |
| Chen et al. | An Interval Two‐Stage Classified‐Allocation Model for Regional Water Management under Nonstationary Condition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |