KR20220150037A

KR20220150037A - 수처리 시설의 공정별 수질 예측 시스템 및 방법

Info

Publication number: KR20220150037A
Application number: KR1020210057231A
Authority: KR
Inventors: 이상호; 최용준; 조형락; 최지혁; 오현제; 안주석
Original assignee: 국민대학교산학협력단; 한국건설기술연구원
Priority date: 2021-05-03
Filing date: 2021-05-03
Publication date: 2022-11-10

Abstract

본 발명은, 수처리 시설의 계측 장치를 통해 처리수의 수질과 관련된 데이터를 수집하는 데이터 수집 유닛과; 수질 예측을 위한 서로 다른 종류의 복수의 예측 모델을 포함하는 복합 예측 모델 그룹과; 상기 데이터 수집 유닛을 통한 수집 데이터와 복수의 상기 예측 모델을 통한 모델별 수질 예측값을 근거로 각 공정 별로 상기 예측 모델의 정확도를 분석하고, 각 공정 별로 최고 정확도를 갖는 공정별 최적 예측 모델을 선정하는 분석 유닛; 및 실시간 수집 데이터를 각 공정별 최적 예측 모델에 입력하여 공정별 수질 예측값이 출력되도록 하는 수질 예측 유닛;을 포함하는, 수처리 시설의 공정별 수질 예측 시스템 및 방법에 관한 것이다.

Description

수처리 시설의 공정별 수질 예측 시스템 및 방법 {System and method for predicting water quality of each process of water treatment facility}

본 발명은 정수처리장, 하수처리장 등 수처리 시설의 공정별 처리수의 수질을 예측하기 위한 수질 예측 시스템 및 방법에 관한 것이다.

최근 정수처리장, 하수처리장 등의 효율적 운용 및 관리를 위해 수처리 시설의 자동화를 위한 연구 개발이 가속화되고 있다. 예를 들면, 수처리 공정에 대한 기능 및 성능을 진단하여, 효율적이고 계획적인 생산 및 운영을 위한 단위 시설의 자동운전 계획을 정립하고, 통합운영을 위한 자동화 공정의 표준화 및 공정 제어가 이루어지도록 계획함으로써, 서비스 향상 및 수질 향상을 도모하기 위한 노력들이 이루어지고 있다.

이러한 노력들의 일환으로, 수처리 시설에 가상물리시스템(Cyber Physical System: CPS)을 적용하는 것이 제안되고 있다. 가상물리시스템은 다수의 센서, 액츄에이터, 제어기기들이 네트워크로 연결되어 복합 시스템(System of Systems)을 구성하고, 물리 세계 정보를 습득, 가공, 계산, 분석하여 그 결과를 액츄에이터 시스템을 통하여 물리 세계에 적용한다. 이를 통해 지속적으로 일어나는 변화에 능동적으로 적응할 수 있고, 물리 시스템을 높은 신뢰성을 가지고 실시간으로 제어할 수 있다.

수처리 시설에 가상물리시스템(CPS)을 적용하기 위해서는 성능 예측, 특히 수처리 시설의 각 공정 별로 처리되는 처리수의 수질을 예측하는 것이 필수적인데, 이는 제어 인자에 따라 어떠한 결과가 나올지 정확하게 예측할 수 없다면 가상물리시스템의 기능을 수행할 수 없기 때문이다.

기존에 수처리 시설의 수질 예측을 위해 사용되고 있는 방법들은 실제 운영 결과와 모델링 예측 결과 사이의 정확도가 다소 떨어지는 실정에 있고, 이는 실제 환경에서 발생하는 다양한 변동들에 대한 고려가 예측 모델에 충분히 반영되어 있지 않기 때문이다. 따라서 이와 같이 수처리 시설에 가상물리시스템을 적용하기 위해 실제 환경에서 발생하는 다양한 변동을 고려한 예측 모델의 개발이 필요한 실정이다.

공개특허공보 제10-2007-0070647호 (2007.07.04)

본 발명은 상기와 같은 점을 감안하여 안출된 것으로서, 수처리 시설에 가상물리시스템을 적용하기 위해 각 공정별 공정 변수들을 고려하여 실제 환경에서 발생 가능한 다양한 변동을 반영할 수 있는 수처리 시설의 공정별 수질 예측 시스템 및 방법을 제공하는 것을 기술적 과제로 한다.

본 발명이 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따르면, 수처리 시설의 계측 장치를 통해 처리수의 수질과 관련된 데이터를 수집하는 데이터 수집 유닛과; 수질 예측을 위한 서로 다른 종류의 복수의 예측 모델을 포함하는 복합 예측 모델 그룹과; 상기 데이터 수집 유닛을 통한 수집 데이터와 복수의 상기 예측 모델을 통한 모델별 수질 예측값을 근거로 각 공정 별로 상기 예측 모델의 정확도를 분석하고, 각 공정 별로 최고 정확도를 갖는 공정별 최적 예측 모델을 선정하는 분석 유닛; 및 실시간 수집 데이터를 각 공정별 최적 예측 모델에 입력하여 공정별 수질 예측값이 출력되도록 하는 수질 예측 유닛;을 포함하는, 수처리 시설의 공정별 수질 예측 시스템이 개시된다.

또한, 상기 처리수의 수질과 관련된 데이터는, 유입수 및 처리수의 온도, 탁도, pH, 전기전도도, 알칼리도, TOC, UV, 부유물 입자 크기 및 잔류염소 중 하나 이상을 포함할 수 있다.

또한, 상기 복합 예측 모델 그룹은, 수학적 모델, 기계 학습 모델 및 시스템 다이내믹스 모델을 포함할 수 있다.

또한, 상기 기계 학습 모델은, 인공 신경망 모델, 유전 프로그래밍 모델, 딥 러닝 모델 중 하나 이상을 포함할 수 있다.

또한, 상기 시스템 다이내믹스 모델은 몬테카를로 시뮬레이션 방법을 통해 처리수의 수질을 예측하도록 모델링될 수 있다.

또한, 상기 수질 예측 유닛은 상기 공정별 수질 예측값들을 통합하여 수처리 공정의 최종 처리수의 수질 예측값을 도출하도록 구성될 수 있다.

또한, 상기 공정별 수질 예측 시스템은, 상기 수집 데이터를 각 상기 예측 모델에 적용 가능한 데이터로 가공하기 위한 데이터 전처리 유닛;을 더 포함할 수 있다.

또한, 상기 공정별 수질 예측 시스템은, 상기 수질 예측 결과를 근거로 각 공정의 구동 장비 또는 공정 조건을 제어하는 공정 제어 유닛;을 더 포함할 수 있다.

한편, 본 발명의 다른 실시예에 따르면, 수처리 시설의 계측 장치를 통해 처리수의 수질과 관련된 데이터를 수집하는 단계와; 수질 예측을 위한 서로 다른 종류의 복수의 예측 모델에 수집 데이터를 적용하여 각 상기 예측 모델 별로 수질 예측값을 산출하는 단계와; 수처리 시설의 각 공정 별로 예측 모델의 정확도를 분석하고, 각 공정 별로 최고 정확도를 갖는 공정별 최적 예측 모델을 선정하는 단계; 및 상기 계측 장치를 통해 수집된 실시간 수집 데이터를 각 공정별 최적 예측 모델에 입력하여 공정별 수질 예측값을 출력하는 단계;를 포함하는, 수처리 시설의 공정별 수질 예측 방법이 개시된다.

본 발명의 실시예에 따르면, 서로 다른 종류의 예측 모델을 통해 각 공정별로 가장 높은 정확도를 갖는 공정별 최적 예측 모델을 선정하고, 각 공정별 최적 예측 모델을 통해 공정별로 수질 예측값을 출력함으로써 단위 공정별 수질 예측의 정확도를 향상시킬 수 있으며, 단위 공정별 수질 예측값들을 통합하여 수처리 공정의 최종 처리수의 수질 예측값을 최종적으로 도출함으로써 최종적인 예측값 또한 향상시킬 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따르면, 기존의 수처리 시설에서의 수질 예측에는 적용되지 않았던 시스템 다이내믹스 모델을 적용하여 기존의 수학적 모델이나 인공 신경망 모델 등이 갖고 있던 한계를 극복할 수 있는 이점이 있다.

도 1은 본 발명의 일 실시예에 따른 수처리 시설의 공정별 수질 예측 시스템의 블록 다이어그램.
도 2는 기계학습모델 중 인공 신경망 모델의 일 예를 나타낸 도면.
도 3은 정수처리공정에의 시스템 다이내믹스 모델 적용시 저량 및 유량의 개념을 도식적으로 나타낸 도면.
도 4는 정수처리공정의 수질 예측을 위한 시스템 다이내믹스 모델의 일 예를 나타낸 도면.
도 5는 본 발명의 일 실시예에 따른 수처리 시설의 공정별 수질 예측 방법을 나타낸 순서도.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하, 본 발명에 의한 수처리 시설의 공정별 수질 예측 시스템 및 방법의 실시예를 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 본 발명의 일 실시예에 따른 수처리 시설의 공정별 수질 예측 시스템의 블록 다이어그램이다.

도 1과 같이, 본 실시예에 따른 수처리 시설의 공정별 수질 예측 시스템은, 데이터 수집 유닛(10), 복합 예측 모델 그룹(20), 분석 유닛(30) 및 수질 예측 유닛(40)을 포함한다.

데이터 수집 유닛(10)은 수처리 시설의 계측 장치를 통해 처리수의 수질과 관련된 데이터를 수집한다. 계측 장치는 수질 센서(예를 들어, 탁도계, pH 센서, 전기전도도 센서), 유량측정장치, 수위 센서, 압력 센서, 온도 센서 등 다양한 측정 수단을 포함할 수 있으며, 이들은 수처리 시설의 각 공정별로 수질 관련 정보를 측정한다.

예를 들어, 정수처리장의 정수처리공정은 응집 - 침전 - 여과 - 소독 등 다수개의 공정을 포함하며, 이들 각 공정별로 유입수 및 처리수의 온도, 탁도, pH, TOC(총유기탄소), UV, 부유물 입자 크기, 잔류염소 등을 측정할 수 있다.

데이터 수집 유닛(10)을 통해 수집된 데이터들은 데이터베이스(50)에 저장될 수 있으며, 이러한 과거 이력으로서의 데이터를 이용하여 예측 모델을 학습시킬 수 있다.

복합 예측 모델 그룹(20)은 처리수의 수질 예측을 위한 서로 다른 종류의 복수의 예측 모델(21, 22, 23)을 포함한다. 각 예측 모델(21, 22, 23)들은 수집된 수질 관련 데이터를 입력 변수로 하여 미래 시점에 대한 공정별 수질을 예측한다.

복수의 예측 모델은 수학적 모델(21), 기계학습 모델(22) 및 시스템 다이내믹스 모델(23)을 포함할 수 있다.

수학적 모델(21)은 시스템의 입출력과 특성이 다양한 형태의 수식으로 정의된 수학적 구조를 통해 미래 시점을 수질을 예측하기 위한 것으로서, 이론적 수학식을 기반으로 하여 실험적, 통계적 기법을 통한 보완을 통해 공정별로 최적화된 수학적 구조를 생성할 수 있다.

기계학습 모델(22)은 수집된 데이터를 기반으로 스스로 학습한 내용을 바탕으로 회귀, 분류, 군집화 등의 예측 작업을 수행하며, 본 실시예에서 예시된 바와 같이 인공 신경망 모델(24), 유전 프로그래밍 모델(25) 및 딥러닝 모델(26)을 포함할 수 있다.

도 2는 기계학습모델(22) 중 인공 신경망 모델(24)의 일 예를 나타내고 있다.

인공 신경망 모델(24)의 인공 신경망(Artificial neural network, ANN)은 복잡한 비선형 및 다차원 입출력 관계를 모델링하기 위한 다층 연산 시스템이다. 도 2는 입력층, 출력층, 은닉층의 3개의 층을 갖는 다층 퍼셉트론 인공신경망(multi-layer perceptron ANN)을 예시하고 있다.

본 실시예에 따르면, 입력 변수로서 초기 탁도, 초기 pH, 초기 전도도를 설정하고 출력변수로서 처리수의 탁도를 설정하였으며, 이와 같은 입력 변수를 추출하기 위하여 교차 상관 분석 (CCA, Cross Correlation Analysis)을 실시하였다.

유전 프로그래밍 모델(25)는 유전학적 학습 모델(유전 알고리즘)을 프로그램 공간으로 확장한 유전 프로그래밍을 이용한 기계 학습 모델로서, 개체군 내의 알고리즘들 각각의 적합도를 계산하고, 알고리즘의 적합도에 기초하여 "부모"들이 될 알고리즘을 선택한 후, 이전 단계에서 선택된 부모들에 유전 연산자들(예를 들어, 돌연변이 및 교접)을 적용함으로써 새로운 알고리즘을 생성하고, 새로 생성된 알고리즘을 전 세대 개체군으로부터 선택된 생존자들을 이용하여 알고리즘들의 차세대 개체군을 산출하는 방법이다. 예를 들어, 초기 탁도, 초기 pH, 초기 전도도 값으로 처리수의 탁도를 예측하기 위하여 상기와 같은 방법을 목표하는 적합 레벨이 생성될 때까지 반복한다.

딥러닝 모델(26)은 딥 러닝 기반의 기계 학습 모델로서, 딥 러닝(deep learning)은 여러 비선형 변환 기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계 학습(machine learning) 알고리즘의 집합으로 정의될 수 있다. 딥 러닝 구조는 인공 신경망(ANN, artificial neural networks)에 기반하여 설계된 구조로서, 딥 러닝에서 이용하는 인공 신경망 모델은 선형 맞춤(linear fitting)과 비선형 변환(nonlinear transformation or activation)을 반복해 쌓아 올린 구조를 가진다. 딥 러닝에서 사용하는 신경망 모델은 심층 신경망(Deep Neural Network, DNN), 컨볼루셔널 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN), 제한 볼츠만 머신(Restricted Boltzmann Machine, RBM), 심층 신뢰 신경망(Deep Belief Network, DBN), 심층 Q-네트워크(Deep Q-Networks) 등을 들 수 있다.

인공 신경망 모델(24), 유전 프로그래밍 모델(25), 딥러닝 모델(26)은 데이터 수집 유닛(10)을 통해 수집된 자료들을 기반하여 기계 학습을 수행하여 수처리 공정 별로 수질을 예측하기 위한 예측 학습 모델을 구축한다.

본 실시예에서는 기계 학습 모델(22)로서 인공 신경망 모델(24), 유전 프로그램 모델(25), 딥러닝 모델(26)을 예시하였으나, 기계 학습 모델(22)에 포함 가능한 모델은 여기에 한정되는 것은 아니며 다양한 방식의 학습 모델이 여기에 적용 가능하다 할 것이다.

시스템 다이내믹스 모델(23)은 시스템 다이내믹스(System dynamics) 방법론에 기반하여 수질을 예측하기 위한 모델로서, 시스템 다이내믹스는 저량(stock), 유량(flow), 피드백 루프 및 시간 지연을 이용하여 시간에 따른 복잡한 시스템의 비선형 동작을 예측하는 방법을 말한다.

도 3은 정수처리공정에의 시스템 다이내믹스 모델 적용시 저량 및 유량의 개념을 도식적으로 나타낸 도면이고, 도 4는 정수처리공정의 수질 예측을 위한 시스템 다이내믹스 모델의 일 예를 나타낸 도면이다.

시스템 다이내믹스 모델(23)을 모델링하기 위해 시스템을 구성하는 요소를 저량(stock), 유량(flow) 및 이에 영향을 주는 각종 변수로 된 구성요소로 분해하고, 구성요소간의 관계를 피드백 루프로 표현한다.

이를 정수처리공정에 적용하였을 때, 도 3과 같이, 원수(Raw water)에서 처리수(Final water)까지 각 공정을 거치면서 응집(Coagulation), 침전(Sedimentation), 여과(filtration), 소독(disinfection) 이라는 흐름(flow)이 발생하면, 원수(Raw water)는 시간의 흐름에 따라 고갈될 것이고 처리수(Final water)는 시간이 흐름에 따라 축적될 것이다. 이러한 모델에서는 원수(Raw Water)에 새로운 유입이 있지 않으면 장비 가동은 멈추게 되고, 처리수(Final water)는 더 이상 발생하지 않게 된다. 시스템 다이내믹스 모델링 기법을 이용하면 여기에 피드백 루프를 추가하여 공정이 지속적으로 가동되도록 모델링 할 수 있다.

처리수(Final water)에 축적되는 수량은 원수(Raw water)에 유입된 수질의 양보다는 프로세스에 의해 손실되는 수량, 속도와 공정 종류와 관련된다. 즉, 공정의 효율에 영향을 받게 된다. 이것을 시스템 다이내믹스 모델링 기법을 이용하여 도 4와 같은 시스템 다이내믹스 모델(23)을 구축함으로써 효율적인 공정별 수질 예측이 가능하다.

시스템 다이내믹스 모델(23)은 몬테카를로 시뮬레이션 방법(Monte Carlo simulation method)을 통해 처리수의 수질을 예측하도록 모델링될 수 있으며, 이는 모형에서 가정한 확률 분포에 따라 무작위 표본 추출에 의해 우연 결과를 발생시켜주는 방법이다. 이는 입력변수와 모델인자와의 확률 분포를 고려한 시뮬레이션이 가능하여 기존의 통계적 모델의 한계를 극복할 수 있는 이점이 있다.

다시 도 1을 참조하면, 분석 유닛(30)은 데이터 수집 유닛(10)을 통한 수집 데이터와 복수의 예측 모델(21, 22, 23)을 통한 모델별 수질 예측값을 근거로 각 공정별로 예측 모델의 정확도를 분석한다. 정수처리장의 공정들을 예로 들어 설명하면, 분석 유닛(30)은 응집 공정, 침전 공정, 여과 공정, 소독 공정 각각에서 수집 데이터들을 각 예측 모델(21, 22, 23)에 입력하여 수집 시점으로부터 일정 시간이 지난 시점의 처리수의 수질에 대한 예측값을 산출하며, 이를 실제 해당 시점에서의 수질값과 비교하여 각 공정별로 예측 모델(21, 22, 23)의 정확도를 분석한다.

복합 예측 모델 그룹(20)과 데이터 수집 유닛(10)의 사이에는 수집 데이터를 각 예측 모델(21, 22, 23)에 적용 가능한 데이터로 가공하기 위한 데이터 전처리 유닛(60)이 추가로 구비될 수 있다. 수집 데이터는 각 예측 모델(21, 22, 23)로의 적용에 적합한 데이터의 형태로 가공될 수 있다.

분석 유닛(30)은 각 예측 모델(21,22, 23)의 공정별 정확도 분석 결과를 토대로 하여 각 공정 별로 최고 정확도를 갖는 공정별 최적 예측 모델을 선정한다. 즉, 각 공정별로 정확도가 가장 높은 예측 모델(21, 22, 23)이 상이할 수 있으므로, 분석 유닛(30)은 각 공정 별로 각 예측 모델(21, 22, 23)의 예측값을 교차 검증하여 각 공정 별로 최적의 예측 모델을 선택할 수 있다. 분석 유닛(30)은, 예를 들어, 응집 공정의 경우 시스템 다이내믹스 모델(23)을, 침전 공정의 경우 인공 신경망 모델(24)을, 여과 공정의 경우 수학적 모델(21)을, 소독 공정의 경우 딥 러닝 모델(26)을 최적 예측 모듈로 각각 선정할 수 있다.

수질 예측 유닛(40)은 데이터 수집 유닛(10)을 통해 실시간으로 수집되는 실시간 수집 데이터를 각 공정별 최적 예측 모델에 입력하여, 이들 각각을 통해 공정별 수질 예측값이 출력되도록 한다. 이를 통해 단위 공정별 수질 예측의 정확도를 향상시킬 수 있으며, 수질 예측 유닛(40)은 단위 공정별 수질 예측값들을 통합하여 수처리 공정의 최종 처리수의 수질 예측값을 최종적으로 도출할 수 있다.

수질 예측 유닛(40)의 공정별 수질 예측값, 최종 처리수의 수질 예측값들은 데이터베이스(50)에 저장되며, 이는 추후 예측 모델(22, 23, 24)의 학습 모형 갱신 등에 활용될 수 있다.

수질 예측 유닛(40)에는 공정 제어를 위한 공정 제어 유닛(70)이 연결될 수 있고, 공정 제어 유닛(70)은 수질 예측 유닛(40)의 수질 예측 결과를 근거로 각 공정의 구동 장비 또는 공정 조건을 제어한다. 공정 제어 유닛(70)은, 예를 들어, 펌프, 모터, 밸브 등과 같은 구동 장비를 제어하거나, 혼화 응집 침전조의 응집제 주입량, 여과조에서의 역세척 주기 등과 같은 공정 조건을 제어할 수 있다.

도 5는 본 발명의 일 실시예에 따른 수처리 시설의 공정별 수질 예측 방법을 나타낸 순서도이다.

도 5를 참조하여 본 실시예에 따른 수처리 시설의 공정별 수질 예측 방법을 설명하면, 먼저, 데이터 수집 유닛(10)을 처리수의 수질과 관련된 데이터를 수집한다(S11).

다음으로, 수질 예측을 위한 서로 다른 종류의 복수의 예측 모델(21, 22, 23)에 수집 데이터를 적용하고, 각 예측 모델(21, 22, 23) 별로 수질 예측값을 산출한다(S12).

다음으로, 분석 유닛(30)을 통해 각 공정 별로 예측 모델(21, 22, 23)의 정확도를 분석하고, 각 공정 별로 최고 정확도를 갖는 최적 예측 모델을 선정한다(S13). 분석 유닛(30)은 각 공정 별로 각 예측 모델(21, 22, 23)의 예측값을 교차 검증하여 각 공정 별로 최적의 예측 모델을 선택할 수 있다.

다음 단계로서, 수질 예측 유닛(40)을 통해 실시간 수집 데이터를 각 공정별 최적 예측 모델에 입력하여 각 공정별로 선정된 최적 예측 모델을 통해 각 공정별로 수질 예측값을 출력한다(S14).

마지막으로, 수질 예측 유닛(40)을 통해 각 공정별 수질 예측값들을 통합함으로써 수처리 공정의 최종 처리수의 수질 예측값을 출력한다(S15).

상기에서는 본 발명의 특정의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

10: 데이터 수집 유닛 20: 복합 예측 모델 그룹
21: 수학적 모델 22: 기계 학습 모델
23: 시스템 다이내믹스 모델 24: 인공 신경망 모델
25: 유전 프로그래밍 모델 26: 딥 러닝 모델
30: 분석 유닛 40: 수질 예측 유닛
50: 데이터베이스 60: 데이터 전처리 유닛
70: 공정 제어 유닛

Claims

수처리 시설의 계측 장치를 통해 처리수의 수질과 관련된 데이터를 수집하는 데이터 수집 유닛;
수질 예측을 위한 서로 다른 종류의 복수의 예측 모델을 포함하는 복합 예측 모델 그룹;
상기 데이터 수집 유닛을 통한 수집 데이터와 복수의 상기 예측 모델을 통한 모델별 수질 예측값을 근거로 각 공정 별로 상기 예측 모델의 정확도를 분석하고, 각 공정 별로 최고 정확도를 갖는 공정별 최적 예측 모델을 선정하는 분석 유닛; 및
실시간 수집 데이터를 각 공정별 최적 예측 모델에 입력하여 공정별 수질 예측값이 출력되도록 하는 수질 예측 유닛;을 포함하는, 수처리 시설의 공정별 수질 예측 시스템.
제1항에 있어서, 상기 처리수의 수질과 관련된 데이터는,
유입수 및 처리수의 온도, 탁도, pH, 전기전도도, 알칼리도, TOC, UV, 부유물 입자 크기 및 잔류염소 중 하나 이상을 포함하는 것을 특징으로 하는, 수처리 시설의 공정별 수질 예측 시스템.
제1항에 있어서, 상기 복합 예측 모델 그룹은,
수학적 모델, 기계학습 모델 및 시스템 다이내믹스 모델을 포함하는 것을 특징으로 하는, 수처리 시설의 공정별 수질 예측 시스템.
제3항에 있어서, 상기 기계 학습 모델은,
인공 신경망 모델, 유전 프로그래밍 모델, 딥 러닝 모델 중 하나 이상을 포함하는 것을 특징으로 하는, 수처리 시설의 공정별 수질 예측 시스템.
제3항에 있어서,
상기 시스템 다이내믹스 모델은 몬테카를로 시뮬레이션 방법을 통해 처리수의 수질을 예측하도록 모델링되는 것을 특징으로 하는, 수처리 시설의 공정별 수질 예측 시스템.
제1항에 있어서,
상기 수질 예측 유닛은 상기 공정별 수질 예측값들을 통합하여 수처리 공정의 최종 처리수의 수질 예측값을 도출하는 것을 특징으로 하는, 수처리 시설의 공정별 수질 예측 시스템.
제1항에 있어서,
상기 수집 데이터를 각 상기 예측 모델에 적용 가능한 데이터로 가공하기 위한 데이터 전처리 유닛;을 더 포함하는 것을 특징으로 하는, 수처리 시설의 공정별 수질 예측 시스템.
제1항에 있어서,
상기 수질 예측 결과를 근거로 각 공정의 구동 장비 또는 공정 조건을 제어하는 공정 제어 유닛;을 더 포함하는 것을 특징으로 하는, 수처리 시설의 공정별 수질 예측 시스템.
수처리 시설의 계측 장치를 통해 처리수의 수질과 관련된 데이터를 수집하는 단계;
수질 예측을 위한 서로 다른 종류의 복수의 예측 모델에 수집 데이터를 적용하여 각 상기 예측 모델 별로 수질 예측값을 산출하는 단계;
수처리 시설의 각 공정 별로 예측 모델의 정확도를 분석하고, 각 공정 별로 최고 정확도를 갖는 공정별 최적 예측 모델을 선정하는 단계; 및
상기 계측 장치를 통해 수집된 실시간 수집 데이터를 각 공정별 최적 예측 모델에 입력하여 공정별 수질 예측값을 출력하는 단계;를 포함하는, 수처리 시설의 공정별 수질 예측 방법.