KR20230086851A - A hybrid machine learningebased multiobjective supervisory control strategy of a fullscale wastewater treatment for costeffective and sustainable operation under varying infuent conditions - Google Patents
A hybrid machine learningebased multiobjective supervisory control strategy of a fullscale wastewater treatment for costeffective and sustainable operation under varying infuent conditions Download PDFInfo
- Publication number
- KR20230086851A KR20230086851A KR1020210174835A KR20210174835A KR20230086851A KR 20230086851 A KR20230086851 A KR 20230086851A KR 1020210174835 A KR1020210174835 A KR 1020210174835A KR 20210174835 A KR20210174835 A KR 20210174835A KR 20230086851 A KR20230086851 A KR 20230086851A
- Authority
- KR
- South Korea
- Prior art keywords
- sewage treatment
- treatment facility
- inflow
- sewage
- hybrid machine
- Prior art date
Links
- 238000004065 wastewater treatment Methods 0.000 title abstract description 9
- 238000011217 control strategy Methods 0.000 title description 11
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000010801 machine learning Methods 0.000 claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 18
- 239000010865 sewage Substances 0.000 claims description 73
- 238000004519 manufacturing process Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims 1
- 239000002351 wastewater Substances 0.000 abstract description 17
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 41
- 229910052799 carbon Inorganic materials 0.000 description 33
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 26
- 229910002651 NO3 Inorganic materials 0.000 description 26
- 239000000243 solution Substances 0.000 description 23
- 229910052757 nitrogen Inorganic materials 0.000 description 21
- 239000003344 environmental pollutant Substances 0.000 description 17
- 231100000719 pollutant Toxicity 0.000 description 17
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 239000013643 reference control Substances 0.000 description 9
- 239000010802 sludge Substances 0.000 description 9
- 239000002028 Biomass Substances 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 239000007789 gas Substances 0.000 description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000012010 growth Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000001932 seasonal effect Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 239000000758 substrate Substances 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005273 aeration Methods 0.000 description 3
- 229910021529 ammonia Inorganic materials 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000004941 influx Effects 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000010206 sensitivity analysis Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000009603 aerobic growth Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000001651 autotrophic effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-O Ammonium Chemical compound [NH4+] QGZKDVFQNNGYKY-UHFFFAOYSA-O 0.000 description 1
- 208000012868 Overgrowth Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- CKUAXEQHGKSLHN-UHFFFAOYSA-N [C].[N] Chemical compound [C].[N] CKUAXEQHGKSLHN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000007321 biological mechanism Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 239000010840 domestic wastewater Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000002562 thickening agent Substances 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
Description
본 발명은 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어시스템 및 제어방법에 관한 것이다. The present invention relates to a hybrid machine learning-based multi-purpose control system and control method for sustainable operation of a sewage treatment facility according to changes in inflow sewage.
도시, 농촌 및 산업 규모의 공공 및 생태계 건강 보호를 목적으로 하는 하수처리시설(WWTP)은 현재 비용 효율적 계획이 중요하다. 지속 가능한 하수 관리에서 가장 중요한 요소는 지역에서 깨끗한 물과 기본적인 위생 서비스에 대한 보편적인 접근을 허용하는 것이다. 특히 생활 수준을 개선하고 새로운 오염 물질을 처리하는 것이 WWTP의 목적이다. WWTP는 시스템에 폭기 및 화학 첨가제가 필요하기 때문에 에너지 집약적이고 비용이 많이 드는 작업으로 잘 알려져 있다. 따라서 WWTP에서 에너지 소비를 줄이는 동시에 수질 기준을 강화해야 한다는 요구가 당해 기술분야의 최우선 과제이다.Wastewater treatment plants (WWTPs) aimed at public and ecosystem health protection on an urban, rural and industrial scale currently require cost-effective planning. The most important element of sustainable sewage management is allowing universal access to clean water and basic sanitation services in the region. In particular, improving living standards and dealing with emerging pollutants are the aims of the WWTP. WWTP is well known as an energy intensive and costly operation as the system requires aeration and chemical additives. Therefore, the need to reduce energy consumption in WWTPs while at the same time strengthening water quality standards is a top priority in the art.
WWTP의 지속 가능성 문제를 해결하기 위해 혁신적인 기술과 프로세스가 자주 개발되었다. 구체적으로, WWTP에서 자원 회수 및 활용을 향상시키는 기술은 영양소와 에너지를 모두 회수할 수 있는 가능성으로 인해 목적이 되었다. 예를 들어, 여러 연구에서 혐기성 암모늄 산화(anammox)를 활용하는 질소 회수 기술의 개발을 촉진하기 위해 WWTP 공정의 다양한 조합을 조사했다. Cordell et al. (2011)은 WWTP 슬러지에서 인을 회수하기 위한 기술이 30여 가지가 개발되었다고 보고했다. 그러나 각각은 폐기물 관리의 부족과 엄청난 경제성을 포함하여 운영상의 위험을 제시했다. 또한, full-scale WWTP 운영에서 환경 영향 평가가 부족하다. 따라서 국가 및 지역에 걸쳐 영향 조건의 변화를 처리하기 위해 입증되지 않은 전략을 사용하여 기존의 full-scale WWTP를 업그레이드하는 것은 비현실적이다. Innovative technologies and processes have frequently been developed to address sustainability issues in WWTPs. Specifically, technologies that enhance resource recovery and utilization in WWTPs have been targeted due to their potential to recover both nutrients and energy. For example, several studies have investigated various combinations of WWTP processes to promote the development of nitrogen recovery technologies utilizing anaerobic ammonium oxidation (anammox). Cordell et al. (2011) reported that over 30 technologies have been developed to recover phosphorus from WWTP sludge. However, each presented operational risks, including a lack of waste management and tremendous economics. Also, environmental impact assessments in full-scale WWTP operations are lacking. Therefore, it is impractical to upgrade existing full-scale WWTPs using unproven strategies to handle changes in impact conditions across countries and regions.
대안으로, WWTP의 운영 및 관리(O&M)를 최적화하기 위한 기술적으로 실현 가능한 전략은 지역에 따라 다른 상황에서 경제적 및 환경적 목적을 달성할 수 있다. 여러 조사에서 운영 효율성을 최대화하고 에너지 소비와 폐수 품질의 균형을 맞추기 위해 다목적 제어(MOC) 접근 방식을 구현했다. Guerrero et al.(2012)는 침전지에서 고체 분리 문제를 해결하기 위해 혐기성-무산소-산소 플랜트에서 MOC를 사용하여 최적의 설정점을 식별했다. Kim and Yoo(2014)는 BSM2(Benchmark Simulation Model No. 2)를 사용하여 결합된 다중 루프 컨트롤러에 MOC를 적용했다. MOC에 대한 최적의 설정값을 식별하여 혐기성 소화(AD)에서 높은 바이오가스 수율을 달성하면서 폐수 부하와 운영 비용을 최소화하기 위해 다중 목적 유전자 알고리즘(multi-objective genetic algorithm)을 구현했다. Barbu et al.(2017)은 온실 가스 배출을 줄이면서 BSM2에서 5가지 개별 기본 폐쇄 루프 제어 조치를 결합하여 12가지 제어 전략을 평가했다. 이러한 연구는 MOC 전략이 WWTP에서 경제적 성과와 지속 가능한 성과를 모두 달성할 수 있음을 보여주었다.Alternatively, technically feasible strategies for optimizing the operation and management (O&M) of WWTPs may achieve economic and environmental objectives in different local contexts. Several investigations have implemented multipurpose control (MOC) approaches to maximize operational efficiency and balance energy consumption and wastewater quality. Guerrero et al. (2012) identified an optimal set point using MOC in an anaerobic-anoxic-oxygen plant to solve the problem of solids separation in a settling tank. Kim and Yoo (2014) applied MOC to a combined multi-loop controller using BSM2 (Benchmark Simulation Model No. 2). A multi-objective genetic algorithm was implemented to minimize wastewater load and operating costs while achieving high biogas yield in anaerobic digestion (AD) by identifying optimal settings for the MOC. Barbu et al. (2017) evaluated 12 control strategies in BSM2, combining five individual basic closed-loop control measures while reducing greenhouse gas emissions. These studies showed that MOC strategies can achieve both economic and sustainable outcomes in the WWTP.
그러나 이전의 MOC 연구는 유사한 유입 조건에서 WWTP의 하위 프로세스와 관련된 피드백 및 피드포워드 제어로 구성된 로컬 제어 방식만을 수행했다. 이 국부적 통제는 유입의 변화하지 않은 조건을 처리하기에 충분했지만 다양한 유입 조건 사이에서 충돌하는 목적의 균형을 맞추는 최적화 다목적 제어 시스템에 도달하는 데 특정 제한을 식별할 수 있다. WWTP는 물리적, 화학적, 생물학적 메커니즘과 관련하여 비선형 거동을 나타내는 복잡한 시스템이기 때문에 다양한 유입 조건과 관련된 교란이 활성 슬러지 공정의 운영 안정성을 위협할 수 있다(Zeng et al., 2017). 특히, 유입을 받는 총 킬달 질소(total Kjeldahl nitrogen) 대 화학적 산소 요구량의 비율(TKN/COD)은 생물학적 폐수 처리 공정에 영향을 미치는 주요 요인이다. TKN/COD 비율의 변동은 바이오매스의 성장을 방해하고 제거 효율을 감소시킬 수 있다. 결과적으로 WWTP 운영자는 운영 비용 증가 및 배출 한계 위반과 같은 불리한 결과를 초래할 수 있는 유입 부하 및 비정상 이벤트 및 비선형 패턴 형태의 문제에 직면한다. 다양한 유입 조건에 대한 로컬 제어기의 최적 설정치를 결정하기 위한 지침을 제공할 수 있는 새로운 MOC 전략이 요구되었다. However, previous MOC studies only performed local control schemes consisting of feedback and feedforward control involving subprocesses of the WWTP under similar inflow conditions. Although this local control was sufficient to handle the invariant conditions of the influent, certain limitations could be identified in arriving at an optimized multi-purpose control system that balances the conflicting objectives between the various influent conditions. Since WWTPs are complex systems exhibiting nonlinear behavior with respect to physical, chemical and biological mechanisms, perturbations related to various influent conditions can threaten the operational stability of activated sludge processes (Zeng et al., 2017). In particular, the ratio of total Kjeldahl nitrogen received to the chemical oxygen demand (TKN/COD) is a major factor influencing biological wastewater treatment processes. Fluctuations in the TKN/COD ratio can hinder biomass growth and reduce removal efficiency. As a result, WWTP operators face challenges in the form of influent loads and anomalous events and non-linear patterns that can lead to adverse consequences such as increased operating costs and emission limit violations. A new MOC strategy was needed that could provide guidance for determining optimal settings of the local controller for various inlet conditions.
따라서 본 발명은 상기와 같은 종래의 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 실시예에 따르면, 하수처리장에 유입되는 하수의 변동에도 하수처리시설이 지속가능한 운전을 할 수 있도록 하이브리드 머신러닝 알고리즘을 활용한 다목적 제어 전략 방법론을 제공하는데 그 목적이 있다. Therefore, the present invention has been made to solve the above conventional problems, and according to an embodiment of the present invention, a hybrid machine learning algorithm so that the sewage treatment facility can operate sustainably even when the sewage flowing into the sewage treatment plant changes. Its purpose is to provide a multi-purpose control strategy methodology using
본 발명의 실시예에 따르면, 하수처리시설의 지속가능한 운전을 위하여 인공지능 방법론 중 Fuzzy clustering, genetic algorithm, deep neural network을 활용하여 유입 하수의 C/N 변동에 따라 3개의 local PI-controller의 최적 설정치를 탐색하여 하수처리시설의 지속가능하도록 운전할 수 있는 다목적 제어 전략 방법론을 제공하는데 그 목적이 있다. According to an embodiment of the present invention, for sustainable operation of sewage treatment facilities, fuzzy clustering, genetic algorithm, and deep neural network among artificial intelligence methodologies are used to optimize three local PI-controllers according to C / N fluctuations of inflow sewage. The purpose is to provide a multi-purpose control strategy methodology that can operate sewage treatment facilities sustainably by exploring setpoints.
그리고 본 발명의 실시예에 따르면, 세부 기술 원리로는 유입수의 성상 데이터 중 COD와 TKN을 이용해 주요운전인자인 C/N 비를 계산하고 Fuzzy clustering을 활용해 C/N 값에 따라 서로 다른 5개의 시나리오로 분류하고, 이를 바탕으로 Deep neural network 기반 하수처리시설의 approximation 모델을 개발하고 유입성상 및 제어 설정치에 따른 하수처리시설의 운전 성능(방류수 수질, 운전 비용, 바이오가스 생산량)을 예측하고 평가하며, 이에 Multi-objective genetic algorithm을 활용해 유입성상에 따라 다목적 최적 운전이 가능하도록 하는 제어기 최적설정치를 탐색하게 됨으로써 유입성상의 심한 변동에도 불구하고 하수처리시설을 안정적인 운전할 수 있었으며 방류수 수질을 유지하면서 운전 비용을 8% 저감할 수 있는, 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어시스템 및 제어방법을 제공하는데 그 목적이 있다. And according to the embodiment of the present invention, as a detailed technical principle, COD and TKN among influent property data are used to calculate the C/N ratio, which is a major operating factor, and fuzzy clustering is used to calculate five different C/N values according to the C/N value. Classify into scenarios, develop an approximation model of a sewage treatment facility based on a deep neural network based on this, predict and evaluate the operation performance (effluent water quality, operating cost, biogas production) of the sewage treatment facility according to the inflow characteristics and control settings , Therefore, by using a multi-objective genetic algorithm, the optimal settings of the controller were searched for optimal multi-purpose operation according to the inflow characteristics, so that the sewage treatment facility could be stably operated despite severe fluctuations in the inflow characteristics, and the operation was maintained while maintaining the quality of the effluent. The purpose is to provide a hybrid machine learning-based multi-purpose control system and control method for sustainable operation of sewage treatment facilities according to inflow sewage fluctuations that can reduce costs by 8%.
또한 본 발명의 실시예에 따르면, 하이브리드 머신러닝 기술을 활용하여 다양한 종류의 유입수 오염물질의 농도에 따라 다목적 최적제어 전략 수립이 가능하여 다양한 수처리 분야에 적용될 수 있고, 또한 환경/화학/반도체 폐수/배기 산업체 공정에 확장 가능하며 국내외 화학 및 수처리 기업 등과 사업화가 가능한, 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어시스템 및 제어방법을 제공하는데 그 목적이 있다. In addition, according to an embodiment of the present invention, it is possible to establish a multi-purpose optimal control strategy according to the concentration of various types of influent pollutants by utilizing hybrid machine learning technology, which can be applied to various water treatment fields, and can also be applied to environmental/chemical/semiconductor wastewater/ Its purpose is to provide a hybrid machine learning-based multi-purpose control system and control method for sustainable operation of sewage treatment facilities according to changes in inflow sewage that can be expanded to the exhaust industry process and commercialized with domestic and foreign chemical and water treatment companies.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.On the other hand, the technical problems to be achieved in the present invention are not limited to the above-mentioned technical problems, and other technical problems that are not mentioned will become clear to those skilled in the art from the description below. You will be able to understand.
본 발명의 제1목적은 유입 하수 변동에 따른 하수처리시설의 제어방법으로서, 하수처리시설의 유입수의 성상데이터를 이용하여 주요운전인자를 산출하는 제1단계; 주요운전인자를 시나리오별로 분류하는 제2단계; 및 하수처리시설 예측모델을 생성하고 상기 예측모델을 기반으로 하수처리시설의 운전성능을 예측하는 제3단계;를 포함하는 것을 특징으로 하는 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어방법으로서 달성될 수 있다. A first object of the present invention is a method for controlling a sewage treatment facility according to changes in inflow sewage, comprising: a first step of calculating a main operation factor using property data of inflow water of the sewage treatment facility; A second step of classifying key driving factors by scenario; and a third step of generating a sewage treatment facility prediction model and predicting the operation performance of the sewage treatment facility based on the prediction model. It can be achieved as a multi-purpose control method based on machine learning.
그리고 상기 제1단계에서 유입수의 성상 데이터 중 COD와 TKN을 이용해 주요운전인자인 C/N 비를 산출하는 것을 특징으로 할 수 있다. And in the first step, it may be characterized in that the C/N ratio, which is a major operating factor, is calculated using COD and TKN among the property data of the influent.
또한 상기 제2단계는, 산출된 C/N비를 퍼지 클러스터링(Fuzzy clustering)을 활용해 서로 다른 시나리오로 분류하는 것을 특징으로 할 수 있다. In addition, the second step may be characterized in that the calculated C/N ratio is classified into different scenarios using fuzzy clustering.
그리고 상기 제3단계는, 심층 신경망(Deep neural network)에 기반하여 하수처리시설의 근사 모델을 생성하는 단계; 및 상기 근사 모델을 학습시키고 유입성상 및 제어 설정치에 따른 하수처리시설의 운전 성능을 예측하는 단계;를 포함하는 것을 특징으로 할 수 있다. In the third step, generating an approximate model of the sewage treatment facility based on a deep neural network; And learning the approximate model and predicting the operation performance of the sewage treatment facility according to the inflow characteristics and control settings.
또한 상기 제3단계는, 상기 근사모델을 기반으로 하여 다목적 최적화 유전 알고리즘(Multi-objective genetic algorithm, MOGA)을 활용해 유입성상에 따라 다목적 최적 운전이 가능하도록 하는 제어기 최적설정치를 탐색하는 것을 특징으로 할 수 있다. In addition, in the third step, based on the approximate model, a multi-objective genetic algorithm (MOGA) is used to search for optimal controller settings that enable multi-purpose optimal operation according to the inflow characteristics. can do.
그리고 상기 운전성능은 방류수 수질, 운전 비용, 바이오가스 생산량이고, 상기 제어기 최적설정치는 하수처리시설의 3개의 로커 PI-제어기의 회적 설정치인 것을 특징으로 할 수 있다. In addition, the operation performance may be effluent water quality, operating cost, and biogas production, and the optimal setting value of the controller may be a cumulative setting value of three rocker PI-controllers of the sewage treatment facility.
본 발명의 제2목적은 유입 하수 변동에 따른 하수처리시설의 제어시스템으로서, 하수처리시설의 유입수의 성상데이터를 이용하여 유입수의 성상 데이터 중 COD와 TKN을 이용해 주요운전인자인 C/N 비를 산출하는 주요운전인자 산출부; 산출된 C/N비를 퍼지 클러스터링(Fuzzy clustering)을 활용해 서로 다른 시나리오로 분류하는 시나리오 분류부; 하수처리시설의 근사 모델을 생성하는 근사 모델 생성부; 및 상기 근사 모델을 기반으로 하수처리시설의 운전성능을 예측하는 운전성능 예측부;를 포함하는 것을 특징으로 하는 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어시스템으로 달성될 수 있다. A second object of the present invention is a control system for a sewage treatment facility according to changes in inflow sewage, which uses COD and TKN among the property data of influent water to determine the C/N ratio, which is a major operating factor. Calculating the main operating factor calculating unit; a scenario classification unit that classifies the calculated C/N ratio into different scenarios using fuzzy clustering; An approximate model generation unit for generating an approximate model of a sewage treatment facility; And an operation performance prediction unit for predicting the operation performance of the sewage treatment facility based on the approximate model; a hybrid machine learning-based multi-purpose control system for sustainable operation of the sewage treatment facility according to the inflow sewage change, characterized in that it comprises a. can be achieved
그리고 상기 근사 모델 생성부는 심층 신경망(Deep neural network)에 기반하여 하수처리시설의 근사 모델을 생성하고, 상기 운전성능 예측부는 상기 근사 모델을 학습시키고 유입성상 및 제어 설정치에 따른 하수처리시설의 운전 성능을 예측하는 것을 특징으로 할 수 있다. And the approximate model generation unit generates an approximate model of the sewage treatment facility based on a deep neural network, and the operation performance predictor learns the approximate model and the operation performance of the sewage treatment facility according to the inflow characteristics and control settings. It can be characterized by predicting .
또한 상기 근사모델을 기반으로 하여 다목적 최적화 유전 알고리즘(Multi-objective genetic algorithm, MOGA)을 활용해 유입성상에 따라 다목적 최적 운전이 가능하도록 하는 제어기 최적설정치를 탐색하는 최적 설정치 탐색부를 더 포함하는 것을 특징으로 할 수 있다. In addition, based on the approximate model, a multi-objective genetic algorithm (MOGA) is used to enable multi-purpose optimal operation according to the inflow characteristics. It further includes an optimal set point search unit that searches for the optimal set point of the controller. can be done with
본 발명의 실시예에 따르면, 하수처리장에 유입되는 하수의 변동에도 하수처리시설이 지속가능한 운전을 할 수 있도록 하이브리드 머신러닝 알고리즘을 활용한 다목적 제어 전략 방법론을 제공할 수 있다. According to an embodiment of the present invention, it is possible to provide a multi-purpose control strategy methodology using a hybrid machine learning algorithm so that the sewage treatment facility can operate sustainably despite the fluctuations in the sewage flowing into the sewage treatment plant.
본 발명의 실시예에 따르면, 하수처리시설의 지속가능한 운전을 위하여 인공지능 방법론 중 Fuzzy clustering, genetic algorithm, deep neural network을 활용하여 유입 하수의 C/N 변동에 따라 3개의 local PI-controller의 최적 설정치를 탐색하여 하수처리시설의 지속가능하도록 운전할 수 있는 다목적 제어 전략 방법론을 제공할 수 있다. According to an embodiment of the present invention, for sustainable operation of sewage treatment facilities, fuzzy clustering, genetic algorithm, and deep neural network among artificial intelligence methodologies are used to optimize three local PI-controllers according to C / N fluctuations of inflow sewage. Exploring setpoints can provide a versatile control strategy methodology for sustainably operating sewage treatment plants.
그리고 본 발명의 실시예에 따른 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어시스템 및 제어방법에 따르면, 세부 기술 원리로는 유입수의 성상 데이터 중 COD와 TKN을 이용해 주요운전인자인 C/N 비를 계산하고 Fuzzy clustering을 활용해 C/N 값에 따라 서로 다른 5개의 시나리오로 분류하고, 이를 바탕으로 Deep neural network 기반 하수처리시설의 approximation 모델을 개발하고 유입성상 및 제어 설정치에 따른 하수처리시설의 운전 성능(방류수 수질, 운전 비용, 바이오가스 생산량)을 예측하고 평가하며, 이에 Multi-objective genetic algorithm을 활용해 유입성상에 따라 다목적 최적 운전이 가능하도록 하는 제어기 최적설정치를 탐색하게 됨으로써 유입성상의 심한 변동에도 불구하고 하수처리시설을 안정적인 운전할 수 있었으며 방류수 수질을 유지하면서 운전 비용을 8% 저감할 수 있는 효과를 갖는다. And according to the hybrid machine learning-based multi-purpose control system and control method for sustainable operation of sewage treatment facilities according to the inflow sewage fluctuations according to the embodiment of the present invention, COD and TKN among the influent property data are used as detailed technical principles. Calculate the C/N ratio, which is a major operating factor, and use fuzzy clustering to classify into 5 different scenarios according to the C/N value. Based on this, develop an approximation model of sewage treatment facilities based on deep neural networks, Predict and evaluate the operation performance (effluent water quality, operation cost, biogas production) of the sewage treatment facility according to the control set point, and use the multi-objective genetic algorithm to optimize the controller's optimal set point for multi-purpose operation according to the inflow characteristics. By searching for , it was possible to stably operate the sewage treatment facility despite severe fluctuations in inflow characteristics, and it had the effect of reducing operating costs by 8% while maintaining the quality of effluent water.
또한 본 발명의 실시예에 따른 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어시스템 및 제어방법에 따르면, 하이브리드 머신러닝 기술을 활용하여 다양한 종류의 유입수 오염물질의 농도에 따라 다목적 최적제어 전략 수립이 가능하여 다양한 수처리 분야에 적용될 수 있고, 또한 환경/화학/반도체 폐수/배기 산업체 공정에 확장 가능하며 국내외 화학 및 수처리 기업 등과 사업화가 가능한 장점을 갖는다. In addition, according to the hybrid machine learning-based multi-purpose control system and control method for sustainable operation of sewage treatment facilities according to the inflow sewage fluctuations according to an embodiment of the present invention, the concentration of various types of influent pollutants using hybrid machine learning technology It is possible to establish a multi-purpose optimal control strategy according to the method, so it can be applied to various water treatment fields, and it can be expanded to environmental/chemical/semiconductor wastewater/exhaust industrial processes, and has the advantage of commercialization with domestic and foreign chemical and water treatment companies.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.On the other hand, the effects obtainable in the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below. You will be able to.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술적 사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석 되어서는 아니 된다.
도 1 및 도 2는 본 발명의 실시예에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어방법의 프레임 워크,
도 3은 영향을 미치는 오염물질 부하의 월별 및 계절적 변동 (a) BSM2의 월별 변동, (b) BSM2의 계절적 변동, (c) H-WWTP의 월별 변동, (d) H-WWTP의 계절적 변동,
도 4는 (a) BSM2의 단일 루프 제어기 및 (b) 캐스케이드 PI-NO3 제어 루프의 구성,
도 5는 본 발명의 실시예에 따른 하이브리드 머신 러닝 알고리즘을 기반으로 하는 MOSC 전략의 피드포워드 제어 방식의 흐름 블록도,
도 6은 제어 목적을 예측하기 위한 심층 신경망 근사 모델의 아키텍처,
도 7은 (a) 생성된 유입 데이터 세트 및 (b) FCM 알고리즘을 사용하여 탄소 및 질소 성분의 다양한 구성 비율에 대한 구성원 값의 FCM 클러스터링 절차,
도 8은 C&N 강화 시나리오에서 3개의 단일 루프 제어기 성능 제어:(a) PI-DO 제어기를 사용하는 네 번째 반응기의 DO 농도, (b) 캐스케이드 PI-NO3 제어기를 사용한 유출 NO3 농도, 및 (c) PI-CH4 제어기를 사용한 바이오가스 생산,
도 9은 (a) QQ 플롯, (b) approximation performances에 의한 개발된 DNN 근사 모델의 상관 관계 결과,
도 10은 NSGA-II를 사용하는 C&N 강화 유입 부하 시나리오에서 MOSC 전략에 대한 Pareto 결과: (a) EQI, OCI 및 바이오가스 생산에 대한 3차원 Pareto 전면 곡선, (b) Pareto에 대한 컨트롤러 설정값의 설계 공간 솔루션 및 (c) EQI 및 OCI, (d) EQI 및 바이오가스 생산, (e) OCI 및 바이오가스 생산에 대한 2차원 파레토 선단 곡선,
도 11은 C&N 강화 유입 부하 시나리오에서 MOSC 전략의 선택된 개선된 솔루션에 대한 민감도 다이어그램: (a) OCI, (b) 바이오가스 생산, (c) 제어 성능의 EQI, (d) SNH, (e) TN , (f) TSS, (g) COD, (h) 표준 기준에 따른 폐수 성분의 BOD,
도 12는 FCM 알고리즘을 기반으로 새로운 유입 조건을 판별하기 위한 보로노이 다이어그램,
도 13은 동적 유입수의 변화하는 TKN/COD 비율에 대한 본 발명의 실시예에 따른 MOSC 전략의 제어 성능: (a) 동적 유입수의 TKN/COD 비율 변화, (b) 유입 조건 시나리오의 최적 설정점에 의한 제어 성능 및 (c) 유출 성분 프로파일 폐수 품질 제한의 표준 기준.The following drawings attached to this specification illustrate preferred embodiments of the present invention, and together with the detailed description of the invention serve to further understand the technical idea of the present invention, the present invention is limited only to those described in the drawings. and should not be interpreted.
1 and 2 are a framework of a hybrid machine learning-based multi-purpose control method for sustainable operation of a sewage treatment facility according to an embodiment of the present invention;
Figure 3 shows monthly and seasonal variations in pollutant loads that affect (a) monthly variations in BSM2, (b) seasonal variations in BSM2, (c) monthly variations in H-WWTP, (d) seasonal variations in H-WWTP,
Figure 4 shows the configuration of (a) a single loop controller of BSM2 and (b) a cascade PI-NO3 control loop;
5 is a flow block diagram of a feedforward control scheme of a MOSC strategy based on a hybrid machine learning algorithm according to an embodiment of the present invention;
6 is an architecture of a deep neural network approximation model for predicting control objectives;
7 shows (a) the generated influent data set and (b) the FCM clustering procedure of member values for various composition ratios of carbon and nitrogen components using the FCM algorithm;
Figure 8 shows three single loop controller performance controls in a C&N enhanced scenario: (a) DO concentration in the fourth reactor using a PI-DO controller, (b) effluent NO3 concentration using a cascade PI-NO3 controller, and (c) Biogas production using PI-CH4 controller,
9 shows (a) a QQ plot, (b) a correlation result of the developed DNN approximation model by approximation performances,
Figure 10 shows the Pareto results for the MOSC strategy in the C&N enhanced influent load scenario using NSGA-II: (a) three-dimensional Pareto front curves for EQI, OCI and biogas production, (b) controller setpoints for Pareto. Design space solutions and (c) EQI and OCI, (d) EQI and biogas production, (e) 2D Pareto front curves for OCI and biogas production,
11 is a sensitivity diagram for selected improved solutions of the MOSC strategy in the C&N enhanced inrush scenario: (a) OCI, (b) biogas production, (c) EQI of control performance, (d) SNH, (e) TN , (f) TSS, (g) COD, (h) BOD of wastewater components according to standard criteria,
12 is a Voronoi diagram for determining a new inflow condition based on an FCM algorithm;
13 shows the control performance of the MOSC strategy according to an embodiment of the present invention for the changing TKN/COD ratio of dynamic influent: (a) the TKN/COD ratio change of dynamic influent, (b) the optimal set point of the influent condition scenario. and (c) standard criteria for effluent quality limits with effluent component profiles.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 통상의 기술자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.The above objects, other objects, features and advantages of the present invention will be easily understood through the following preferred embodiments in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments described herein and may be embodied in other forms. Rather, the embodiments introduced herein are provided so that the disclosed content will be thorough and complete and the spirit of the present invention will be sufficiently conveyed to those skilled in the art.
본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다. 또한 도면들에 있어서, 구성요소들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다.In this specification, when an element is referred to as being on another element, it means that it may be directly formed on the other element or a third element may be interposed therebetween. Also, in the drawings, the thickness of components is exaggerated for effective description of technical content.
본 명세서에서 기술하는 실시예들은 본 발명의 이상적인 예시도인 단면도 및/또는 평면도들을 참고하여 설명될 것이다. 도면들에 있어서, 막 및 영역들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다. 따라서 제조 기술 및/또는 허용 오차 등에 의해 예시도의 형태가 변형될 수 있다. 따라서 본 발명의 실시예들은 도시된 특정 형태로 제한되는 것이 아니라 제조 공정에 따라 생성되는 형태의 변화도 포함하는 것이다. 예를 들면, 직각으로 도시된 영역은 라운드지거나 소정 곡률을 가지는 형태일 수 있다. 따라서 도면에서 예시된 영역들은 속성을 가지며, 도면에서 예시된 영역들의 모양은 소자의 영역의 특정 형태를 예시하기 위한 것이며 발명의 범주를 제한하기 위한 것이 아니다. 본 명세서의 다양한 실시예들에서 제1, 제2 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.Embodiments described in this specification will be described with reference to cross-sectional views and/or plan views, which are ideal exemplary views of the present invention. In the drawings, the thicknesses of films and regions are exaggerated for effective explanation of technical content. Accordingly, the shape of the illustrated drawings may be modified due to manufacturing techniques and/or tolerances. Therefore, embodiments of the present invention are not limited to the specific shape shown, but also include changes in the shape generated according to the manufacturing process. For example, a region shown at right angles may be rounded or have a predetermined curvature. Accordingly, the regions illustrated in the drawings have attributes, and the shapes of the regions illustrated in the drawings are intended to illustrate a specific shape of a region of a device and are not intended to limit the scope of the invention. Although terms such as first and second are used to describe various elements in various embodiments of the present specification, these elements should not be limited by these terms. These terms are only used to distinguish one component from another. Embodiments described and illustrated herein also include complementary embodiments thereof.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.Terminology used herein is for describing the embodiments and is not intended to limit the present invention. In this specification, singular forms also include plural forms unless specifically stated otherwise in a phrase. The terms 'comprises' and/or 'comprising' used in the specification do not exclude the presence or addition of one or more other elements.
아래의 특정 실시예들을 기술하는데 있어서, 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는데 있어 별 이유 없이 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다.In describing the specific embodiments below, several specific contents are prepared to more specifically describe the invention and aid understanding. However, readers who have knowledge in this field to the extent that they can understand the present invention can recognize that it can be used without these various specific details. In some cases, it is mentioned in advance that parts that are commonly known in describing the invention and are not greatly related to the invention are not described in order to prevent confusion for no particular reason in explaining the present invention.
이하에서는 본 발명의 실시예에 따른 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어시스템 및 제어방법에 대해 설명하도록 한다. Hereinafter, a hybrid machine learning-based multi-purpose control system and control method for sustainable operation of a sewage treatment facility according to an embodiment of the present invention will be described.
본 발명의 실시예에서는 다양한 영향 조건에서 지속 가능한 목적을 달성하기 위해 머신 러닝(ML) 알고리즘을 기반으로 하는 WWTP 운영을 위한 다목적 제어 시스템(MOSC) 전략을 제공한다. 또한 다양한 유형의 ML 알고리즘을 통합하는 하이브리드 접근 방식을 사용하여 WWTP 운영의 동적 특성에 대한 모델 기능을 향상했다. fuzzy c-means(FCM) 클러스터링 알고리즘은 먼저 시나리오에 따라 특정 조건을 구별한다. 차례로, 각 유입 조건에 대해 DL의 심층 신경망(DNN) 모델은 산소 원자로, 외부 탄소 및 바이오가스 생산을 목적으로 하는 3개의 로컬 제어기와 함께 BSM2를 사용하여 WWTP 작동을 근사화했다. 그런 다음 원하는 제어 목적을 충족시키기 위한 각 제어기의 최적 설정값은 비우세 분류 유전자 알고리즘 II(NSGA-II, non-dominated sorting genetic algorithm II)에 의해 자동으로 검색되었다.Embodiments of the present invention provide a multipurpose control system (MOSC) strategy for WWTP operation based on machine learning (ML) algorithms to achieve sustainable goals under various impact conditions. We also used a hybrid approach incorporating different types of ML algorithms to improve the model capabilities for the dynamic nature of WWTP operations. The fuzzy c-means (FCM) clustering algorithm first distinguishes certain conditions according to the scenario. In turn, for each inlet condition, DL's deep neural network (DNN) model approximated WWTP operation using BSM2 with an oxygen reactor, three local controllers aimed at external carbon and biogas production. Then, the optimal settings of each controller to meet the desired control objective were automatically retrieved by the non-dominated sorting genetic algorithm II (NSGA-II).
본 발명의 실시예에 따르면, 1) 다양한 유입 교란으로부터 강화된 특성의 정도를 인식하여 FCM 알고리즘 클러스터링된 유입 조건, 2) 우수한 예측 성능으로 DNN 모델에 의해 제어 목적을 예측한 것을 통합한다. 그리고 WWTP 메커니즘의 비선형 거동을 근사화하고 3) NSGA-II에 의해 결정된 최적 설정치는 극한 현상을 포함한 유입 조건의 전환에서 경제적이고 지속 가능한 운영을 달성한다. 또한 후에 설명되는 바와 같이, 본 발명에 따른 제어 방법의 타당성을 검증하기 위해 한국의 H-WWTP 사례 연구에 적용하였다. 결과는 MOSC 전략이 WWTP를 안정적으로 제어하여 WWTP의 메커니즘에 대한 사전 지식 없이도 유입의 비정상 및 비선형 거동을 처리함으로써 지속 가능한 목적을 달성할 수 있음을 보여주었다.According to an embodiment of the present invention, 1) FCM algorithm clustered inflow conditions by recognizing the degree of enhanced characteristics from various inflow disturbances, and 2) the prediction of the control objective by the DNN model with excellent prediction performance is integrated. and 3) the optimal settings determined by NSGA-II achieve economical and sustainable operation in transitions of inflow conditions including extreme phenomena. Also, as will be described later, it was applied to a Korean H-WWTP case study to verify the validity of the control method according to the present invention. The results showed that the MOSC strategy can stably control the WWTP to achieve its sustainable goal by dealing with the unsteady and nonlinear behavior of the inflow without any prior knowledge of the mechanism of the WWTP.
먼저 도 1, 및 도 2는 다양한 유입 부하 하에서 지속 가능한 하수처리시설(WWTP)에서 운영할 수 있는 다목적 관리 제어(이하, MOSC) 전략에 대한 제안된 프레임워크를 도시한 것이다. 프레임워크는 1) 유입 데이터 생성 및 시나리오 클러스터링, 2) 3개의 단일 루프 컨트롤러의 BSM2 구현, 3) 심층 신경망(DNN)을 사용한 다목적 전략 및 NSGA-II의 세 부분으로 나눌 수 있다. 그런 다음 MOSC 전략에서 결정된 최적 설정치의 제어 성능은 TKN/COD 비율을 변경하고 각 유입 시나리오에서 새로운 영향 조건에 대한 증강 데이터를 고려한 민감도 분석을 사용하여 평가되었다.First, FIGS. 1 and 2 illustrate a proposed framework for a Multipurpose Management Control (MOSC) strategy that can operate in a Sustainable Wastewater Treatment Plant (WWTP) under various influent loads. The framework can be divided into three parts: 1) incoming data generation and scenario clustering, 2) BSM2 implementation of three single-loop controllers, and 3) multipurpose strategy using deep neural networks (DNN) and NSGA-II. Then, the control performance of the optimal settings determined in the MOSC strategy was evaluated using a sensitivity analysis by varying the TKN/COD ratio and taking into account the augmented data for the new impact condition in each inflow scenario.
탄소 및 질소 부하는 하수 유입수의 두 가지 기본 특성이다. 둘다의 변화는 WWTP 시스템의 제거 성능에 영향을 미칠 수 있다. MOSC 전략에서 다양한 유입 조건을 다루기 위해 한국 N-city에 있는 H-WWTP의 유입수 특성에 대한 정보에서 데이터를 생성했다. 도 3은 BSM2와 H-WWTP의 오염물질 부하 변화를 보여준다. 도 3(a)와 (b)에서 도시된 바와 같이 BSM2의 오염부하량은 2월에 가장 큰 변동을 보인 월평균값의 15% 변동을 보였으며, 모든 오염부하의 월별 및 계절별 자료는 유사한 변동패턴을 보였다. 도 3(c) 및 (d)에 도시된 H-WWTP의 오염물질 부하 변동은 BSM2보다 더 광범위하여 개월 및 계절 내에서 일치하지 않는 패턴을 나타낸다. 유입 조건에 대한 데이터 세트는 평균값과 질소 및 탄소 조성비(N-비 및 C-비)에서 각각 10% 변동을 갖는 가우스 노이즈를 추가하여 증대되었다. Carbon and nitrogen loading are two basic properties of sewage influent. Changes in both can affect the removal performance of the WWTP system. Data were generated from information on the influent characteristics of the H-WWTP in N-city, Korea to address the various influent conditions in the MOSC strategy. Figure 3 shows the pollutant load change of BSM2 and H-WWTP. As shown in Fig. 3 (a) and (b), the pollutant load of BSM2 showed a 15% variation of the monthly average value, which showed the greatest fluctuation in February, and the monthly and seasonal data of all pollutant loads showed similar fluctuation patterns. seemed The pollutant load variations of H-WWTP shown in Fig. 3(c) and (d) are more extensive than BSM2, showing inconsistent patterns within months and seasons. The data set for the inlet conditions was augmented by adding Gaussian noise with 10% variation in mean values and nitrogen and carbon composition ratios (N-ratio and C-ratio), respectively.
생성된 유입 데이터 세트에서 MOSC에 대한 최적의 설정치를 찾으려면 각 유형의 유입 부하 조건에 대한 모든 MOSC 전략을 검색하는 것이 비현실적이기 때문에 유사한 유입 부하 조건을 가진 데이터 세트를 그룹으로 묶을 필요가 있다. 따라서 WWTP 조건을 분석, 진단 및 제어하기 위해 다양한 양의 탄소 및 질소 성분을 고려한 유입부하 시나리오가 생성되었다. 유입의 특성은 주기적인 영향 패턴과 오염원으로 인해 다양하며, 각 영향 조건은 동시에 하나 이상의 영향 시나리오에 속할 수 있다. 퍼지 c-mean(FCM) 클러스터링 알고리즘, ML의 비교사 학습 기법(unsupervised learning technique)은 선명한 클러스터링 알고리즘으로 생성할 수 있는 것보다 더 현실적인 파티션을 제공하기 위해 구현되었다. FCM 알고리즘의 목적 함수와 제약 조건은 식 (1)에 해당한다. To find the optimal setpoint for MOSC from the generated influent data set, it is necessary to group data sets with similar influent load conditions as it is impractical to search for all MOSC strategies for each type of influent load condition. Therefore, influent load scenarios considering various amounts of carbon and nitrogen components were created to analyze, diagnose and control WWTP conditions. The nature of inflows varies due to cyclical impact patterns and pollutants, and each impact condition can belong to more than one impact scenario at the same time. The fuzzy c-means (FCM) clustering algorithm, an unsupervised learning technique in ML, was implemented to provide more realistic partitions than can be produced with sharp clustering algorithms. The objective function and constraints of the FCM algorithm correspond to Equation (1).
[식 1][Equation 1]
여기서 C는 클러스터의 총 수, N은 관측 수, ui,k ∈ [0, 1]은 i번째 클러스터에 있는 k번째 객체의 멤버십 값을 나타내고, m은 퍼지기, vi는 i번째 클러스터 프로토타입, xk는 k번째 객체에 영향을 미치는 N-ratio 및 C-ratio의 벡터를 나타낸다. FCM 클러스터링 알고리즘은 목적함수를 최소화하여 반복적으로 최적화하였다. where C is the total number of clusters, N is the number of observations, u i,k ∈ [0, 1] denotes the membership value of the kth object in the ith cluster, m is the spread, v i is the ith cluster prototype , x k represents the vectors of N-ratio and C-ratio affecting the kth object. The FCM clustering algorithm was iteratively optimized by minimizing the objective function.
WWTP에서 제어 방법을 설계, 분석 및 진단하기 위해 BSM2(Benchmark Simulation Model No. 2)가 적절한 모델링 도구로 선택되었다. 이 모델은 1차 정화조, 5개의 생물 반응기, 2차 정화조, 농축기, 혐기성 소화조, 탈수 장치, 저장조 등 일반 WWTP의 모든 단위 공정으로 구성된다. BSM2에 기반한 가상 WWTP를 운영하기 위한 총 시뮬레이션 시간은 609일이며 동적 유입 데이터는 15분 간격으로 수집되었다. 처음 245일은 동적 유입 조건에서 WWTP 안정화에 사용되었으며 마지막 365일은 유량 및 오염 부하의 계절적 및 월별 변동을 포함하는 동적 유입수 정보를 수집하는 데 사용되었다. 또한, BSM2 프로토콜은 제어 방법을 평가하기 위해 두 가지 성능 기준, 즉 배출수 품질 지수(EQI)와 운영 비용 지수(OCI)를 제안했다. 또한 지속 가능한 운영을 유지하기 위한 MOSC 전략의 통제 목적으로서 에너지원으로 재사용되고 AD에서 생산될 수 있는 메탄 가스(CH4)의 양을 고려한다.Benchmark Simulation Model No. 2 (BSM2) was chosen as an appropriate modeling tool to design, analyze and diagnose the control method in WWTP. This model consists of all unit processes of a typical WWTP, such as a primary septic tank, five bioreactors, a secondary septic tank, a thickener, an anaerobic digester, a dewatering unit, and a storage tank. The total simulation time to operate the virtual WWTP based on BSM2 was 609 days, and dynamic inflow data were collected at 15-minute intervals. The first 245 days were used for WWTP stabilization under dynamic influent conditions and the last 365 days were used to collect dynamic influent information including seasonal and monthly variations in flow and pollutant loads. In addition, the BSM2 protocol proposed two performance criteria to evaluate control methods: Effluent Quality Index (EQI) and Operating Cost Index (OCI). It also considers the amount of methane gas (CH 4 ) that can be reused as an energy source and produced in AD as a control objective for the MOSC strategy to maintain sustainable operations.
배출수 품질 지수 EQI는 관찰 기간 동안 폐수의 평균 및 가중 오염 부하를 요약하면, 식(2)과 같이 나타낼 수 있다. The effluent quality index EQI can be expressed as Equation (2) by summarizing the average and weighted pollutant loads of wastewater during the observation period.
[식 2][Equation 2]
여기서 t0 및 tf는 각각의 시작 및 종료 시간이고, tobs는 총 관찰 시간(일)이다. Q는 유량(m3/d)이고 TSS, COD, BOD, SNK 및 SNO는 각각 총 부유물질, 화학적 산소 요구량, 생물학적 산소 요구량, 킬달 질소 및 산화 질소의 농도(mg/L )이다. 아래첨자 e는 배출수를 나타내고 β는 배출수의 각 오염물질 농도에 대한 가중치 인자(βTSS = 2, βCOD = 1, βTKN = 30, βNO = 10, bBOD = 2)이다. where t 0 and t f are the respective start and end times, and t obs is the total observation time (days). Q is the flow rate in m 3 /d and TSS, COD, BOD, S NK and S NO are the concentrations of total suspended solids, chemical oxygen demand, biological oxygen demand, Kjeldahl nitrogen and nitric oxide in mg/L, respectively. The subscript e denotes the effluent and β is the weighting factor for the concentration of each pollutant in the effluent (β TSS = 2, β COD = 1, β TKN = 30, β NO = 10, b BOD = 2).
다음으로 운영비용지수 OCI는 필요한 자원, 에너지 수요 및 WWTP에서 생성된 에너지를 합산하여 계산되며, 식 (3)으로 표현될 수 있다. Next, the operating cost index OCI is calculated by summing the required resources, energy demand, and energy generated in the WWTP, and can be expressed as Equation (3).
[식 3][Equation 3]
여기서 AE는 폭기 에너지(kWh/d), PE는 펌핑 에너지(kWh/d), SP는 처분을 위한 슬러지 생산량(kg/d), EC는 외부 탄소 첨가(kg COD/d), ME는 혼합 에너지(kWh/d), HEnet은 혐기성 소화조를 가열하는 데 필요한 순 가열 에너지(kWh/d)이다. where AE is aeration energy (kWh/d), PE is pumping energy (kWh/d), SP is sludge production for disposal (kg/d), EC is external carbon addition (kg COD/d), and ME is mixed energy (kWh/d), HE net is the net heating energy (kWh/d) required to heat the anaerobic digester.
AD에서 생성된 CH4의 질량 유량은 이상 기체 법칙에 따라 식 (4)로 계산된다. The mass flow rate of CH 4 produced in AD is calculated by Equation (4) according to the ideal gas law.
[식 4][Equation 4]
여기서 pgas,CH4는 CH4 가스의 부분압(bar), Pgas 및 Qgas는 AD에서 생산된 바이오가스의 압력(bar) 및 유량(m3/d), Patm은 대기 압력(bar), Tad는 AD(℃)의 작동 온도이고 R은 이상 기체 상수이다.where p gas,CH4 is the partial pressure of CH 4 gas (bar), P gas and Q gas are the pressure (bar) and flow rate (m 3 /d) of the biogas produced in AD, P atm is the atmospheric pressure (bar), T ad is the operating temperature in AD (°C) and R is the ideal gas constant.
도 4(a)와 같이 WWTP 배출수의 질산염(NO3) 농도, 호기성 반응기의 용존산소(DO), AD로부터의 바이오가스 생산을 제어하기 위해 3개의 단일 루프 제어기가 구현되었다. 단일 루프 제어기는 비례 적분(PI) 컨트롤러(즉, PI-DO, PI-NO3 및 PI-바이오가스 제어기)로 설정되었으며, 간단한 구성과 효과적인 제어 성능을 갖는다.. PI-NO3 제어기는 도 4(b)와 같이 캐스케이드 PI 컨트롤러로 설계되었다. 외부 루프는 배출수의 NO3 농도를 기반으로 내부 루프 제어기의 설정값을 조작했다. 내부 루프는 첫 번째 무산소 반응기에 도입된 외부 탄소원의 유량을 조작하여 두 번째 무산소 반응기의 NO3 농도를 제어했다. As shown in Fig. 4(a), three single-loop controllers were implemented to control the concentration of nitrate (NO 3 ) in the WWTP effluent, dissolved oxygen (DO) in the aerobic reactor, and biogas production from AD. The single-loop controller was set up as a proportional-integral (PI) controller (i.e., PI-DO, PI-NO3, and PI-biogas controller), and has a simple configuration and effective control performance. The PI-NO3 controller is shown in FIG. 4(b). ) is designed as a cascade PI controller. The outer loop manipulated the setpoint of the inner loop controller based on the concentration of NO 3 in the effluent. The inner loop controlled the NO 3 concentration in the second anoxic reactor by manipulating the flow rate of the external carbon source introduced into the first anoxic reactor.
MOSC 전략은 WWTP 운영 중 유입 교란이 극한 상황으로 변경되더라도 피드포워드 제어 방식에서 비용 효율적이고 지속 가능한 운영을 유지하기 위한 로컬 제어기의 최적 설정치를 결정하기 위한 지침을 제공해야 한다. 전술한 FCM 알고리즘에 의한 유입 시나리오 클러스터링과 통합된 MOSC 전략과 제안된 제어 전략의 피드포워드 방식은 도 5에 설명되어 있다. 이로써 제어 성능 예측을 위한 DNN 기반 근사 모델과 NSGA-II 기법이 최적의 설정값을 결정하기 위해 구현되었다.A MOSC strategy should provide guidance for determining optimal settings for local controllers to maintain cost-effective and sustainable operation in feedforward control schemes even as influent disturbances change to extremes during WWTP operation. The MOSC strategy integrated with the influx scenario clustering by the aforementioned FCM algorithm and the feedforward scheme of the proposed control strategy are illustrated in FIG. 5 . As a result, a DNN-based approximation model and NSGA-II technique for predicting control performance were implemented to determine the optimal settings.
유입 조건, 각 제어의 설정치 및 관련된 다중 목적 간의 기능적 관계를 설정하기 위해 DL 알고리즘이 구현되었다. DNN은 하나 이상의 은닉층과 모든 계층에 더 많은 단위가 있는 피드포워드 신경망을 위한 계층 구조를 특징으로 한다. DNN 방법은 범용 근사기(approximator)로 활용될 수 있다. 또한 네트워크 크기가 충분히 크고 깊은 구조인 경우 근사 오류를 얻을 수 있다. DNN 기반 근사 모델은 정확한 함수에 가깝지만 순차 계층 i와 j의 단위를 연결하는 가중치(w)는 식 (5) 내지 (7)에 의해 최적화된다. A DL algorithm was implemented to establish a functional relationship between the inflow condition, the set point of each control, and the multi-objective involved. DNNs are characterized by a hierarchical structure for feedforward neural networks with one or more hidden layers and more units in every layer. The DNN method can be utilized as a general-purpose approximator. Also, if the network size is large enough and the structure is deep, the approximation error can be obtained. The DNN-based approximation model is close to an exact function, but the weights (w) connecting units of sequential layers i and j are optimized by equations (5) to (7).
[식 5][Equation 5]
[식 6][Equation 6]
[식 7][Equation 7]
여기서 z는 레이어 l에서 j번째 유닛의 출력을 의미하고, b는 레이어 유닛의 바이어스를 의미한다. DNN 구조가 깊을수록 근사 성능이 향상되어 대규모, 비선형 및 비정상 데이터 패턴을 처리할 수 있다. 도 6은 각 제어 목적에 대한 DNN 기반 근사 모델의 최적화된 아키텍처를 보여준다. 제어 목적을 예측하기 위해 유입된 유입수의 N 및 C 비율과 PI-DO, NO3 및 바이오가스 제어기의 설정값을 DNN 기반 모델의 입력 변수로 적용했다. 본 발명에 따른 근사 모델(approximation model)은 4개의 레이어(입력 레이어 1개와 은닉 레이어 3개)로 구성되며, 입력 레이어는 64개의 노드와 은닉 레이어는 64, 16, 16개의 노드로 구성된다. 과적합 문제와 그라디언트 소실 문제를 피하기 위해 정규화 기술과 정류기 선형 단위가 구현되었다. 정규화를 위해 입력 레이어의 10% 노드를 입력 레이어에서 삭제하고 각 은닉 레이어에 0.001의 L2 regularizer를 사용했다.Here, z means the output of the jth unit in layer l, and b means the bias of the layer unit. The deeper the DNN structure, the better the approximation performance, which can handle large, non-linear and non-stationary data patterns. Figure 6 shows the optimized architecture of the DNN-based approximation model for each control objective. In order to predict the control purpose, the N and C ratios of the inflow water, PI-DO, NO 3 and the set values of the biogas controller were applied as input variables of the DNN-based model. The approximation model according to the present invention is composed of 4 layers (one input layer and 3 hidden layers), and the input layer is composed of 64 nodes and the hidden layer is composed of 64, 16, and 16 nodes. A regularization technique and a rectifier linear unit are implemented to avoid overfitting and vanishing gradient problems. For regularization, we removed 10% of the nodes from the input layer and used an L2 regularizer of 0.001 for each hidden layer.
그런 다음 NSGA-II를 사용하여 1) 배출수의 최대화, 2) 운영 비용의 최소화, 3) AD로부터 바이오가스 생산의 최대화라는 세 가지 상충되는 제어 목적을 동시에 달성했다. NSGA-II는 여러 목적을 최적화할 수 있는 GA의 확장이며 동등하게 유용한 Pareto 솔루션 그룹을 제공한다. 세 가지 제어 목적은 NSGA-II에 대한 목적 함수로 나타낼 수 있으며 수학적으로 다음과 같이 표현될 수 있다.NSGA-II was then used to simultaneously achieve three conflicting control objectives: 1) maximization of effluent, 2) minimization of operating costs, and 3) maximization of biogas production from AD. NSGA-II is an extension of GA that can be optimized for multiple purposes and provides a group of equally useful Pareto solutions. The three control objectives can be expressed as an objective function for NSGA-II and mathematically expressed as:
[식 8][Equation 8]
여기서, f1, f2, f3은 동시에 최적화될 각 제어 목적을 나타낸다. X는 제어 변수의 벡터이다. x1, x2 및 x3은 각각 PI-DO 제어기, 캐스케이드 PI-NO3 제어기 및 PI-바이오가스 제거이의 설정값이며 Ω = {X⊂R3 | 1.5 mg/L < x1 < 8 mg/L, 8 mg/L < x2 < 14 mg/L, 0 kg/day < x3 <1844 kg/day}는 BSM2 리포트를 기반으로 하는 각 설정치의 실행가능한 영역이다. Here, f 1 , f 2 , and f 3 represent each control objective to be optimized simultaneously. X is a vector of control variables. x 1 , x 2 and x 3 are set values of PI-DO controller, cascade PI-NO3 controller and PI-biogas removal, respectively, and Ω = {X⊂R 3 | 1.5 mg/L < x 1 < 8 mg/L, 8 mg/L < x 2 < 14 mg/L, 0 kg/day < x3 < 1844 kg/day} is the feasible value of each setpoint based on the BSM2 report. is the area
다양한 유입 부하 시나리오에서 상충되는 목적을 충족하고 최적의 설정을 결정하기 위해 본 발명에 따른 MOSC 전략은 다음 단계로 수행된다.To meet the conflicting objectives in various inrush load scenarios and to determine the optimal settings, the MOSC strategy according to the present invention is performed in the following steps.
(1) DNN 기반 근사 모델을 구축하기 위해 실험 샘플을 생성하고 시뮬레이션했다. 다음과 같이 유입의 각 조건점에 대해 수행되었다. 실험 샘플은 DNN 기반 근사 모델의 과적합 문제를 피하기 위해 각 요인에서 3개의 설정값(즉, X = [x1 x2 x3])의 9개 세트를 무작위로 선택하여 생성되었다. 인자(factor) 레벨은 각 설정점에 대해 낮음, 보통 또는 높음이었다. 예를 들어:(1) An experimental sample was created and simulated to build a DNN-based approximate model. The following was performed for each condition point in the inflow. Experimental samples were generated by randomly selecting 9 sets of 3 settings (i.e., X = [x 1 x 2 x 3 ]) in each factor to avoid the overfitting problem of DNN-based approximate models. Factor levels were low, medium or high for each set point. for example:
세트 1: 낮은 DO 농도, NO3 농도 및 바이오가스 생산; Set 1: low DO concentration, NO3 concentration and biogas production;
세트 2: 적당한 DO 농도, 낮은 NO3 농도, 낮은 바이오가스 생산; Set 2: moderate DO concentration, low NO3 concentration, low biogas production;
세트 3: 높은 DO 농도, 낮은 NO3 농도 및 낮은 바이오가스 생산; Set 3: high DO concentration, low NO3 concentration and low biogas production;
세트 9: 높은 DO 농도, NO3 농도 및 바이오가스 생산이 유입 조건에서 실험 샘플로 선택되었고, 그 후 실험 샘플 데이터 세트가 DNN 기반 근사 모델로 전파되었다 Set 9: High DO concentration, NO3 concentration and biogas production were selected as experimental samples under influent conditions, after which the experimental sample data set was propagated to a DNN-based approximate model.
(2) DNN 모델은 다양한 유입 조건에서 WWTP 시스템(BSM2 사용)의 제어 다목적 제어 시스템 성능을 근사화하도록 훈련되고 테스트되었다. 모델을 훈련시키기 위해 시뮬레이션 시간으로 609일의 완전한 실행에서 BSM2 시뮬레이션을 실행하여 제어 다목적 제어 시스템 및 실험 샘플의 데이터 세트를 얻었다. 그런 다음, 훈련 세트와 테스트 세트를 수집된 실험 샘플 데이터 세트에서 7:3으로 분할했다. 훈련된 DNN 기반 근사 모델은 높은 정확도로 다양한 설정값과 유입 조건에서 MOSC 전략의 제어 목적을 예측하도록 설계되었다.(2) A DNN model was trained and tested to approximate the control multipurpose control system performance of a WWTP system (using BSM2) under various influent conditions. To train the model, BSM2 simulations were run in a complete run of 609 days with simulation time to obtain a data set of control multipurpose control system and experimental samples. Then, the training set and test set were split 7:3 in the collected experimental sample data set. The trained DNN-based approximation model was designed to predict the control objective of the MOSC strategy under various settings and inflow conditions with high accuracy.
(3) 본 발명에 따른 DNN 기반 근사 모델에서 NSGA-II 알고리즘에 의해 MOSC 전략에 대한 최적 설정값 집합을 검색했다. 파레토 솔루션(Pareto solutions은 유입 부하 시나리오에 의해 생성되었으며, 개선된 파레토 솔루션은 여러 제어기에 대한 기준 제어(RC)를 비교하여 선택되었다.(3) In the DNN-based approximation model according to the present invention, an optimal set of settings for the MOSC strategy was searched by the NSGA-II algorithm. Pareto solutions were generated by influent load scenarios, and improved Pareto solutions were selected by comparing the reference control (RC) for several controllers.
최적의 클러스터링 지역은 유입 조건에 따라 먼저 정의되며 다양한 유입 조건에서 지속 가능한 WWTP 운영을 위한 MOSC 전략 개발의 전제 조건이다. 생성된 유입 데이터 세트에는 H-WWTP 영향의 주기적인 패턴을 기반으로 탄소의 경우 0.93~1.25, 질소의 경우 0.80~1.25의 조성비가 포함되었다. 도 7(a)는 FCM 알고리즘을 사용하여 유입 조건 데이터 세트에 대한 클러스터링 절차와 그 결과를 보여ㅈ준. 결과는 클러스터 영역이 FCM 알고리즘에 의해 자동으로 결정되었으며 십자 기호는 클러스터 프로토타입의 최적 지점을 나타냄을 보여준다. 이러한 군집 중심은 군집 내의 객체로부터 등가 거리에 있는 각 군집을 나타낼 수 있다.Optimal clustering regions are first defined according to influent conditions and are a prerequisite for the development of MOSC strategies for sustainable WWTP operation under various influent conditions. The resulting influent data set contained compositional ratios ranging from 0.93 to 1.25 for carbon and 0.80 to 1.25 for nitrogen based on the periodic pattern of H-WWTP impacts. Figure 7(a) shows the clustering procedure and results for the inflow condition data set using the FCM algorithm. The results show that the cluster area was automatically determined by the FCM algorithm and the cross symbol represents the optimal point of the cluster prototype. These cluster centroids may represent each cluster at an equivalent distance from an object within the cluster.
FCM 알고리즘은 탄소 및 질소 성분이 강화된 정도에 따라 유입조건을 클러스터링할 수 있다. 본 발명에서 클러스터는 탄소(C-강화), 질소(N-강화), 탄소 및 질소(C&N-강화)에 대해 낮음, 보통 및 강화 시나리오로 레이블이 지정되었다. 정상적인 시나리오에서 샘플은 5%의 변동으로 (1, 1)의 클러스터 중심 근처에 밀집했다. N-강화 시나리오에서 N-비율 변동은 1.05-1.25였으며 C-비율의 낮은 범위는 0.95-1.07dl다. C 강화 시나리오에서 중심은 (0.9, 1.05)였으며 질소 대 탄소 조성비(N/C 비율)는 0.66에서 1.03 및 0.97에서 1.40으로 다양했다. C&N 강화 시나리오는 중심점(1.15, 1.11)에서 광범위한 탄소 및 질소 변동을 나타내며 N/C 비율은 10% 변동 내에서 1.05에서 1.25까지 다양하다. The FCM algorithm can cluster inflow conditions according to the degree of enrichment of carbon and nitrogen components. Clusters in the present study were labeled as low, medium and enriched scenarios for carbon (C-enriched), nitrogen (N-enriched), and carbon and nitrogen (C&N-enriched). In the normal scenario, the sample clustered near the center of the cluster at (1, 1) with 5% variation. In the N-enhanced scenario, the N-ratio variance was 1.05-1.25, and the lower range of the C-ratio was 0.95-1.07 dl. In the C-enhanced scenario, the center was (0.9, 1.05) and the nitrogen-to-carbon composition ratio (N/C ratio) varied from 0.66 to 1.03 and from 0.97 to 1.40. The C&N enrichment scenario exhibits a wide range of carbon and nitrogen fluctuations at the central point (1.15, 1.11), with N/C ratios ranging from 1.05 to 1.25 within 10% fluctuations.
도 7(b)는 탄소와 질소 성분의 비율에 따른 모든 시료의 구성원 값을 나타낸다. 클러스터링 결과에 따라 각 클러스터는 탄소 및 질소 성분의 변화에 따라 구성원 값의 다른 분포를 보였다. 낮은 시나리오는 탄소 및 질소 성분 비율에 걸쳐 광범위하게 분포되었으며 C 강화 시나리오 및 C&N 강화 시나리오는 탄소-질소 비율에서 질소보다 탄소 비율이 더 높은 것을 선호했다. 정상 및 N 강화 시나리오는 탄소 성분보다 질소 성분을 선호했다. 따라서 클러스터링된 유입 조건은 다양한 유입 부하의 상황을 반영하고 다양한 유입 조건에 대한 최적의 MOSC 전략을 개발하는 데 활용될 수 있다.Figure 7 (b) shows the member values of all samples according to the ratio of carbon and nitrogen components. According to the clustering results, each cluster showed a different distribution of member values according to changes in carbon and nitrogen components. The lower scenarios were widely distributed across the carbon and nitrogen component ratios, and the C-enhanced and C&N-enhanced scenarios favored a higher carbon than nitrogen ratio in the carbon-nitrogen ratio. Normal and N-enhanced scenarios favored the nitrogen component over the carbon component. Therefore, the clustered inflow conditions can be used to reflect the situation of various inflow loads and develop optimal MOSC strategies for various inflow conditions.
표 1은 WWTP 운영에 대한 영향을 식별하기 위해 다양한 유입 시나리오에서 단일 루프 제어기의 성능을 요약했다. 클러스터 중심점의 유입 조건은 각 유입 시나리오를 나타내기 위해 선택되었다. 기준 제어(RC)의 경우 DO 및 NO3 캐스케이드 제어기의 설정값은 NO3 캐스케이드 제어기의 2mg/L 및 9mg/L로 할당되었다. 바이오 가스 제어기의 설정값은 시나리오별로 할당되었다. 낮고 정상적인 시나리오의 경우 900kg/day, N 강화 시나리오의 경우 1100kg/day, C 및 C&N 강화 시나리오의 경우 1200kg/day이다.Table 1 summarizes the performance of the single loop controller in various inlet scenarios to identify the impact on WWTP operation. The inflow condition of the cluster centroid was chosen to represent each influx scenario. For reference control (RC), the settings of the DO and NO 3 cascade controllers were assigned to 2 mg/L and 9 mg/L of the NO 3 cascade controller. The setting values of the biogas controller were allocated for each scenario. 900 kg/day for the low and normal scenario, 1100 kg/day for the N enriched scenario, and 1200 kg/day for the C and C&N enriched scenarios.
[표 1][Table 1]
첫째, 구현된 제어기의 성능을 제외하고 WWTP 운영에 대한 유입 시나리오의 기본 효과는 개루프 사례를 사용하여 분석할 수 있다. OCI는 C&N 강화 시나리오에서 가장 높았고, C 강화, N 강화, 보통, 낮음 시나리오 순으로 나타났다. 세 가지 강화된 시나리오는 다른 시나리오에 비해 영향을 받는 더 강화된 오염물질 부하를 포함한다. 이것은 반응기에서 종속영양 및 독립영양 바이오매스의 성장을 촉진하여 높은 농도의 바이오매스가 OCI 값과 연결된 슬러지 생산을 증가시켰다. 또한, 슬러지의 증가된 양은 AD에서 바이오가스 생산을 증가시켜 강화된 시나리오의 바이오가스 양이 낮고 정상적인 시나리오의 바이오가스 양보다 더 많았다.First, except for the performance of the implemented controller, the basic effects of inflow scenarios on WWTP operation can be analyzed using open-loop cases. OCI was the highest in the C&N enhanced scenario, followed by C enhanced, N enhanced, medium, and low scenarios. The three enhanced scenarios include more enhanced pollutant loads affected than the other scenarios. This stimulated the growth of heterotrophic and autotrophic biomass in the reactor, resulting in increased sludge production with high concentrations of biomass associated with OCI values. In addition, the increased amount of sludge increased the biogas production in the AD so that the biogas amount in the enhanced scenario was low and more than that in the normal scenario.
강화된 시나리오에서 총 질소(TN) 제거 효율은 낮고 정상적인 시나리오보다 더 높았다. 질산염은 탈질소화 과정을 통해 종속영양 바이오매스의 세포를 합성하는 데 이용되었고 강화된 탄소원은 탈질소율을 상당히 증가시킬 수 있기 때문이다. 따라서 강화된 시나리오에서 고농도 탄소원은 종속영양생물의 무산소 성장과 질산염 제거를 순차적으로 향상시킬 수 있다. 이것은 강화 시나리오, 특히 C 강화 시나리오가 낮음 및 보통 시나리오보다 더 높은 영향 오염 부하에도 불구하고 더 낮은 EQI 값을 갖는 이유를 설명한다. 그러나 강화된 시나리오에서 종속영양생물의 더 높은 성장률은 호기성 반응기에서 DO 농도를 약 0.1-0.9 mg/L로 유지했다. 이는 강화된 영향 조건이 WWTP의 운영 안정성을 약화시킬 수 있음을 보여주었다. 따라서 다양한 유입 조건을 수용할 수 있도록 환경적 이점과 에너지 보존 조치를 모두 유지할 수 있는 제어 루프를 구현해야 한다.Total nitrogen (TN) removal efficiencies in the enhanced scenario were lower and higher than in the normal scenario. This is because nitrate is used to synthesize cells of heterotrophic biomass through the process of denitrification and enriched carbon sources can significantly increase denitrification rates. Therefore, in the enhanced scenario, high-concentration carbon sources can sequentially enhance heterotrophic anoxic growth and nitrate removal. This explains why the enhanced scenarios, especially the C enriched scenarios, have lower EQI values despite higher impact pollutant loads than the Low and Normal scenarios. However, the higher growth rate of heterotrophs in the enhanced scenario maintained the DO concentration in the aerobic reactor to about 0.1–0.9 mg/L. This showed that enhanced influence conditions could weaken the operational stability of WWTPs. Therefore, it is necessary to implement a control loop capable of maintaining both environmental benefits and energy conservation measures to accommodate different inlet conditions.
단일 루프 PI 제어기는 각 유입 시나리오에서 서로 다른 제어 성능과 연관되었다. 낮은 시나리오에서 PI-DO 제어기는 평균 DO 농도를 2.0mg/L의 설정점으로 유지하여 폭기 에너지(AE)를 17.3% 줄일 수 있는 반면 개루프 전략은 3.1mg/L의 DO를 생성한다. 다른 시나리오에서는 PI-DO 제어기가 OCI 측면에서 더 나쁜 성능을 보였다. 앞서 언급한 바와 같이 강화된 시나리오의 DO 농도는 호기성 반응기의 무산소 수준에서 유지되었다. PI-DO 제어기의 구현은 AE를 10.9%에서 30.1%로 증가시키고 평균 DO 농도를 2mg/L로 개선했다. 증가된 DO 농도는 또한 암모니아와 질산염 산화의 반응 속도를 향상시켰다. 강화된 시나리오에서 유출 TKN 농도는 크게 감소했다. EQI와 관련하여 PI-DO 제어기는 개회로의 경우 호기성 반응기의 비정상적 무산소 운전에 의한 탈질 강화로 인해 개회로의 경우에 비해 WWTP 운전을 악화시켰다.A single loop PI controller was associated with different control performance in each inlet scenario. In the low scenario, the PI-DO controller can maintain the average DO concentration at a set point of 2.0 mg/L, reducing aeration energy (AE) by 17.3%, while the open-loop strategy produces 3.1 mg/L of DO. In other scenarios, the PI-DO controller performed worse in terms of OCI. As mentioned earlier, the DO concentration in the enhanced scenario was maintained at the anoxic level of the aerobic reactor. Implementation of the PI-DO controller increased the AE from 10.9% to 30.1% and improved the average DO concentration to 2 mg/L. Increased DO concentration also enhanced the kinetics of ammonia and nitrate oxidation. In the enhanced scenario, effluent TKN concentrations decreased significantly. Regarding the EQI, the PI-DO controller deteriorated the WWTP operation compared to the open circuit case due to the enhanced denitrification by the abnormal anoxic operation of the aerobic reactor in the case of the open circuit.
캐스케이드 PI-NO3 제어기는 방해된 유입 조건에서 유출되는 질산염 농도를 제어하기 위해 사용되었다. 낮음, 보통 및 N 강화 시나리오에서 캐스케이드 PI-NO3 제어기는 OCI 값을 악화시키기는 했지만 EQI 값을 3%에서 20% 사이로 줄였다. 제어기는 추가 용량의 외부 탄소(EC)를 통해 반응기에서 쉽게 생분해되는 기질을 증가시켰고 종속 영양체의 농도 증가를 통해 질화 및 탈질화를 향상시켰다. 따라서 PI-NO3 제어기는 EQI와 관련하여 질소 제거 및 폐수 품질을 개선했다. 그러나 C 및 C&N 강화 시나리오에서 PI-NO3 제어기는 EC 및 OCI 값의 양을 38% 줄였다. 이러한 시나리오는 유입수에서 탄소원이 강화되었기 때문에 PI-NO3 제어기는 EC의 양을 줄이는 동시에 질산염 농도를 9mg/L(즉, 캐스케이드 PI-NO3 제어기의 설정값)로 증가시켜야 한다. 개회로의 경우와 비교에서 PI-NO3 조절제에 의한 EC의 감소된 주입은 종속영양생물의 낮은 무산소 성장과 함께 탈질율을 감소시켰다. 이러한 의미에서 종속영양생물의 농도는 호기성 반응기에서 약간 감소하여 상대적으로 DO 이용 증가에 의한 호기성 성장이 촉진되어 독립영양생물 농도가 증가할 것이다. 결과적으로 호기성 반응기에서 증가된 독립영양생물 농도에 의한 암모니아 제거의 개선과 함께 OCI 감소를 초래하였다.A cascade PI-NO3 controller was used to control the effluent nitrate concentration under obstructed inlet conditions. In the low, medium, and N enhancement scenarios, the Cascade PI-NO3 controller reduced the EQI value between 3% and 20%, although it worsened the OCI value. The controller increased readily biodegradable substrates in the reactor through an additional dose of external carbon (EC) and enhanced nitrification and denitrification through increased concentrations of heterotrophs. Thus, the PI-NO3 controller improved nitrogen removal and wastewater quality in relation to EQI. However, in the C and C&N enhanced scenarios, the PI-NO3 controller reduced the amount of EC and OCI values by 38%. In this scenario, since the carbon source is enriched in the influent, the PI-NO3 controller must reduce the amount of EC while increasing the nitrate concentration to 9 mg/L (i.e., the setpoint of the cascade PI-NO3 controller). Compared to the case of open loop, reduced EC injection by the PI-NO3 modulator reduced the denitrification rate with lower anoxic growth of heterotrophs. In this sense, the concentration of heterotrophs will decrease slightly in the aerobic reactor, and the aerobic growth will be promoted by relatively increasing DO utilization, which will increase the concentration of autotrophs. As a result, the increased autotrophic concentration in the aerobic reactor resulted in a reduction in OCI along with an improvement in ammonia removal.
AD 동안 바이오가스를 생성하기 위해 PI-바이오가스 제어기는 폐기물 슬러지(WAS) 비율을 조작하여 반응기의 활성 바이오매스 농도를 조절했다. 제어기가 WAS 유량을 증가시켰을 때, 더 낮은 농도의 바이오매스로 인해 질산화 및 탈질화가 약화되었다. 그 결과, EQI와 바이오가스 양 사이의 상관관계(표 1)는 폐수 품질과 바이오가스 생산 간의 균형 때문에 존재했다. 더 높은 WAS 유량은 더 많은 슬러지를 생성하기 때문에 바이오가스 생산이 높을 때 OCI 값이 증가했다.To generate biogas during AD, the PI-biogas controller controlled the active biomass concentration in the reactor by manipulating the waste sludge (WAS) ratio. When the controller increased the WAS flow rate, nitrification and denitrification were attenuated due to the lower concentration of biomass. As a result, the correlation between EQI and biogas quantity (Table 1) existed because of the balance between wastewater quality and biogas production. OCI values increased when biogas production was high because higher WAS flow rates produced more sludge.
도 8은 ZN 조정 규칙에 따라 조정된 C&N 강화 시나리오에서 단일 루프 PI 제어기가 생성하는 제어 성능을 보여준다. 이는 구현된 로컬 PI 제어기가 유입의 비정상 및 비선형 거동을 모두 처리하여 WWTP의 주요 프로세스 변수를 안정적으로 제어할 수 있음을 나타낸다. 그러나 세 가지 단일 루프 제어기는 서로 다른 유입 부하 시나리오에서 세 가지 제어 목적을 동시에 개선할 수 없다. 따라서 다양한 유입 조건에서 지속 가능한 WWTP 운영을 유지하려면 최적의 MOSC 전략이 필요하다. Figure 8 shows the control performance produced by the single loop PI controller in a C&N enhanced scenario tuned according to the ZN coordination rule. This indicates that the implemented local PI controller can stably control the main process variables of the WWTP by handling both the unsteady and nonlinear behavior of the inflow. However, three single-loop controllers cannot simultaneously improve all three control objectives in different inrush load scenarios. Therefore, an optimal MOSC strategy is required to maintain sustainable WWTP operation under various influent conditions.
DNN 기반 근사 모델은 변동하는 유입 부하와 MOSC의 설정점에서 제어 성능을 즉시 예측하기 위해 개발되었다. 도 9는 EQI, OCI 및 바이오가스 생산 제어 다목적 제어 시스템에 대해 개발된 근사 모델의 예측 성능을 제공한다. 도 9(a)에서 각 QQ 플롯의 모든 산점은 검은색 점선 근처에 밀집되어 있어 훈련 세트와 테스트 세트의 측정값과 예측값 사이의 상관 관계가 각 목적에 대해 매우 만족스러웠음을 나타낸다. 도 9(b)는 개발된 DNN 모델이 고도로 분산된 값을 근사화하고 각 다목적 제어 시스템에서 피크 포인트를 포착할 수 있음을 보여준다.A DNN-based approximation model was developed to instantly predict the control performance at fluctuating inrush load and setpoint of MOSC. Figure 9 provides the predictive performance of approximate models developed for EQI, OCI and biogas production control multi-purpose control systems. In Fig. 9(a), all scatter points in each QQ plot are clustered near the black dotted line, indicating that the correlation between measured and predicted values in the training and test sets was very satisfactory for each purpose. Fig. 9(b) shows that the developed DNN model can approximate highly distributed values and capture peak points in each multipurpose control system.
표 2의 수치적 평가에 따르면 개발된 DNN 기반 모델의 근사 성능은 각 제어 성능 값을 예측하는데 높은 정확도(R2 > 90%)를 보였다. DNN 기반 근사 모델은 테스트 데이터 세트에서 95.52%, 훈련 데이터 세트에서 94.49%의 R2로 EQI를 예측했다. 특히 OCI 및 바이오 가스 생산의 경우 제안된 근사 접근 방식은 테스트 데이터 세트에서 96.68% 및 97.91%의 예측 성능을 달성했으며 R2 값은 훈련 데이터 세트에 대해 98.72% 및 97.92%였다.According to the numerical evaluation in Table 2, the approximate performance of the developed DNN-based model showed high accuracy (R2 > 90%) in predicting each control performance value. The DNN-based approximation model predicted EQI with R2 of 95.52% on the test data set and 94.49% on the training data set. Specifically for OCI and biogas production, the proposed approximation approach achieved predictive performance of 96.68% and 97.91% on the test data set, and R2 values were 98.72% and 97.92% on the training data set.
[표 2][Table 2]
이 결과는 DNN 기반 근사 모델이 복잡한 WWTP 운영에서 OCI 값 및 바이오 가스 생산에 대한 제어 메커니즘을 근사할 수 있음을 확인했다. EQI에 대한 DNN 기반 근사 모델은 WWTP에서 생물학적 및 물리적 오염 물질 제거 메커니즘을 통해 입력 변수와 EQI 사이의 얽힌 관계를 근사화하기 어렵기 때문에 가장 낮은 예측 성능을 보였다. 그러나 EQI 근사 모델은 90% 이상의 예측 성능을 달성했다. 제어 성능을 위한 DNN 기반 근사 모델은 과적합 문제 없이 수용 가능한 예측 성능을 보여주었으며 WWTP에 통합된 다중 컨트롤러의 제어 메커니즘에서 비선형 동작을 포착할 수 있었다. 이러한 결과는 본 발명에 따른 DNN 기반 근사 모델이 WWTP의 복잡한 역학을 정확하게 모델링할 수 있음을 시사한다.These results confirm that the DNN-based approximation model can approximate OCI values and control mechanisms for biogas production in complex WWTP operations. The DNN-based approximation model for EQI showed the lowest predictive performance in WWTP because it is difficult to approximate the entangled relationship between input variables and EQI through biological and physical contaminant removal mechanisms. However, the EQI approximate model achieved over 90% predictive performance. The DNN-based approximate model for control performance showed acceptable predictive performance without overfitting problems and was able to capture nonlinear behavior in the control mechanism of multiple controllers integrated in the WWTP. These results suggest that the DNN-based approximation model according to the present invention can accurately model the complex dynamics of WWTP.
NSGA-II를 사용하여 다양한 유입 시나리오에서 가장 낮은 운영 비용으로 폐수 품질과 바이오가스 생산을 극대화하기 위한 MOSC 전략에 대한 최적 설정값을 검색했다. 도 10은 C&N 강화 시나리오에서 지속 가능한 운영을 달성하기 위한 MOSC 전략의 Pareto 세트를 보여준다.NSGA-II was used to search for optimal settings for the MOSC strategy to maximize wastewater quality and biogas production at the lowest operating cost in various inflow scenarios. Figure 10 shows the Pareto set of MOSC strategies for achieving sustainable operations in C&N enhanced scenarios.
3차원 Pareto 전면 곡선에서, 그리고 도 10(a)의 63개의 파레토 솔루션 포인트는 C&N 강화 시나리오에서 개선된 솔루션(검은색으로 채워진 원)의 후보였다. 이러한 개선된 솔루션은 MOSC 전략이 여러 제어기에 대한 RC와 비교하여 WWTP 운영의 지속 가능성을 동시에 개선할 수 있음을 나타낸다. 도 10(b)는 Pareto 집합을 사용하는 통합 PI 제어기의 설정값의 설계 공간을 나타낸다. DO 및 NO3 제어기의 설정값은 각각 1.514~2.263mg/L, 8.067~10.7mg/L이다. 개선된 솔루션은 바이오가스 제어기 설정값에 대해 1226.9~1331.1kg/day의 범위를 보였다. 앞서 언급한 바와 같이 WAS는 반응기에서 활성화된 바이오매스 농도를 유지하면서 고형물 체류 시간 측면에서 안정적인 시스템 제어와 관련된 중요한 공정 변수이다. 바이오가스 제어기 설정값 증가는 WWTP 프로세스를 불안정하게 만들 수 있다. 그러나 C&N 강화 시나리오에서 유입을 받는 오염 물질 부하는 생물학적 처리를 통해 많은 양의 슬러지 폐기물을 생성할 수 있기 때문에 WWTP 프로세스는 다른 시나리오에 비해 바이오 가스의 더 높은 생산성으로 더 안정적으로 유지될 수 있다.In the three-dimensional Pareto front curve, and 63 Pareto solution points in Fig. 10(a) were candidates for improved solutions (black filled circles) in the C&N enhanced scenario. These improved solutions indicate that the MOSC strategy can simultaneously improve the sustainability of WWTP operations compared to RC for multiple controllers. Fig. 10(b) shows the design space of the setting values of the integrated PI controller using the Pareto set. The setting values of the DO and NO3 controllers are 1.514 to 2.263 mg/L and 8.067 to 10.7 mg/L, respectively. The improved solution showed a range of 1226.9 to 1331.1 kg/day for the biogas controller setpoint. As mentioned earlier, WAS is an important process parameter related to stable system control in terms of solids retention time while maintaining the activated biomass concentration in the reactor. Increasing the biogas controller setpoint can destabilize the WWTP process. However, the WWTP process can be maintained more reliably with a higher productivity of biogas compared to other scenarios, as the pollutant load receiving the inflow in the C&N enrichment scenario can generate large amounts of sludge waste through biological treatment.
도 10(c)는 EQI와 OCI에 대한 2차원 Pareto 전면 곡선을 나타낸다. 이것은 개선된 솔루션을 포함하는 Pareto 솔루션이 EQI와 OCI 간의 충돌 트레이드오프 관계를 달성했음을 검증한다. 개선된 솔루션은 EQI에서 6.28%, OCI에서 21.22%의 최대 감소를 달성했다. 바이오가스 생산의 경우 도 10(d)와 (e)와 같이 MOSC 전략의 솔루션이 RC를 능가하여 WAS를 조작하여 바이오가스 생산성을 최대 6.44%까지 향상시키면서 동시에 오염물질 부하를 줄였다. 배출수에서 OCI를 최소화한다. 따라서 개선된 솔루션은 C&N 강화 시나리오에서 MOSC 전략을 위한 최적의 설정값이다.10(c) shows the two-dimensional Pareto front curve for EQI and OCI. This verifies that the Pareto solution with the improved solution achieved a conflicting trade-off relationship between EQI and OCI. The improved solution achieved a maximum reduction of 6.28% in EQI and 21.22% in OCI. In the case of biogas production, as shown in Fig. 10(d) and (e), the solution of the MOSC strategy outperforms the RC and manipulates the WAS, improving the biogas productivity by up to 6.44% while reducing the pollutant load at the same time. Minimize OCI in the effluent. Therefore, the improved solution is an optimal set-up for the MOSC strategy in the C&N enhanced scenario.
제어기의 최적 설정값은 특정 유입 조건에서 정성적 제어 성능을 유지해야 한다. 제어기의 최적 설정값을 식별하기 위해 감도 분석을 수행하여 다양한 TKN/COD 비율에서 개선된 솔루션의 제어 성능을 평가했다. 제어 목적을 통합하여 TKN/COD 비율에 걸쳐 TSS, COD, BOD, SNH 및 TN과 같은 폐수 구성 요소를 추가로 평가하여 MOSC 전략에 의한 오염 배출이 폐수 품질 제한의 표준 기준을 위반함을 식별했다.MOSC 전략 및 C&N 강화 시나리오의 선택된 개선된 솔루션에서 다양한 TKN/COD 비율에서 제어 성능을 도 11에 표시했다. TKN/COD 비율의 변화는 히스토그램의 도수분포에 따라 대표점 10개를 선정하여 표현하였다. 히스토그램 결과는 C&N 강화 시나리오의 TKN/COD 비율이 0.065에서 0.105까지 분포되어 있음을 보여주었으며, 가정 폐수에서 0.07에서 0.14 사이의 표준 TKN/COD 범위에서 탄소원(TKN/COD 비율의 0.065)으로 극단적으로 편향되었다. Optimal settings of the controller should maintain qualitative control performance under specific inlet conditions. To identify the optimum settings of the controller, a sensitivity analysis was performed to evaluate the control performance of the improved solution at various TKN/COD ratios. Incorporating control objectives, wastewater components such as TSS, COD, BOD, SNH and TN were further evaluated across the TKN/COD ratio to identify pollutant discharges by the MOSC strategy in violation of standard criteria for wastewater quality limits. The control performance at various TKN/COD ratios in the selected improved solutions of the MOSC strategy and C&N enhanced scenarios is shown in Fig. 11. Changes in the TKN/COD ratio were expressed by selecting 10 representative points according to the frequency distribution of the histogram. The histogram results showed that the TKN/COD ratios of the C&N intensification scenarios ranged from 0.065 to 0.105, with an extreme bias towards the carbon source (0.065 of the TKN/COD ratio) in the standard TKN/COD range from 0.07 to 0.14 in domestic wastewater. It became.
제어 목적의 경우, 도 11(a)는 TKN/COD 비율을 증가시켜 OCI 값의 상승 추세를 나타낸다. NO3 제어기를 사용하여 유입수에서 증가된 질소 소스를 처리하기 위해 추가 EC가 주입되었기 때문이다. 이에 반해 바이오가스 생산량은 TKN/COD 비율에 걸쳐 감소하였다(도 11(b)). 낮은 TKN/COD 비율에서 탄소원의 과도한 부하는 바이오가스 제어기에서 AD에 대한 WAS가 감소했음에도 불구하고 바이오가스 생산성을 향상시켰다. 그 결과, 바이오가스 생산량은 개선된 솔루션에 의해 결정된 설정값보다 더 컸다. TKN/COD 비율이 증가함에 따라 바이오가스 제어기는 최적의 설정값에 도달하도록 WWTP를 조작할 수 있었다. EQI는 도 11(c)와 같이 더 높은 TKN/COD 비율에서 크게 개선되었다.For control purposes, Fig. 11(a) shows an upward trend of OCI values by increasing the TKN/COD ratio. This is because additional EC was injected to treat the increased nitrogen source in the influent using the NO3 controller. In contrast, biogas production decreased over the TKN/COD ratio (FIG. 11(b)). Excessive loading of carbon sources at low TKN/COD ratios improved biogas productivity despite a decrease in WAS for AD in the biogas controller. As a result, the biogas yield was greater than the setpoint determined by the improved solution. As the TKN/COD ratio increased, the biogas controller was able to manipulate the WWTP to reach an optimal set point. EQI was greatly improved at higher TKN/COD ratios, as shown in Fig. 11(c).
배출수 성분에 대한 민감도 분석 결과는 도 11(d)-(h)와 같다. 간단히 말해서, 모든 유입 시나리오에서 C&N 강화 시나리오에서 TKN/COD 비율이 0.65인 개선된 솔루션은 배출수 품질 제한의 표준 기준을 위반하는 결과를 낳는다. 이러한 솔루션은 탄소원에 극도로 편향된 영향 조건에서 1290kg/day 미만의 더 낮은 PI 바이오가스 제어기 설정값을 갖는다. 제어기가 WAS 유량을 줄이면 반응기에서 바이오매스의 농도가 증가해야 한다. 그러면 TSS 농도가 증가하고 느린 생분해성 기질(XS)은 무산소 및 호기성 가수분해로 인해 쉽게 생분해성 기질(SS)로 분해된다. 이 메커니즘은 배출수의 TSS와 COD를 증가시킨다. 추가로, 반응기에 SS의 증가를 통합하면 종속 영양체의 호기성 성장은 종속 영양체의 더 높은 농도로 인해 독립 영양체의 성장에 대해 경쟁적으로 지배될 수 있다. 결과적으로 질산화 과정을 약화시키고 폐수의 암모니아 농도를 증가시킨다. 따라서 매우 낮아진 TKN/COD 비율의 극한 영향 조건을 처리하기 위해 PI-바이오가스 제어기의 설정값은 WAS 유량을 증가시키기 위해 더 높은 설정값으로 유지되어야 하며, 이는 지속 가능한 운영을 위한 바이오가스 생산도 증가시킬 수 있다.The results of the sensitivity analysis for the effluent components are shown in FIGS. 11(d)-(h). In short, the improved solution with a TKN/COD ratio of 0.65 in the C&N enhanced scenario in all inflow scenarios results in violation of the standard criterion of effluent quality limits. This solution has a lower PI biogas controller setpoint of less than 1290 kg/day under carbon source-biased influence conditions. As the controller reduces the WAS flow rate, the concentration of biomass in the reactor should increase. Then, the TSS concentration increases and the slow biodegradable substrate (XS) is easily decomposed into the biodegradable substrate (SS) due to anoxic and aerobic hydrolysis. This mechanism increases the TSS and COD of the effluent. Additionally, incorporating an increase in SS in the reactor allows aerobic growth of heterotrophs to be competitively dominated over growth of autotrophs due to higher concentrations of heterotrophs. As a result, it weakens the nitrification process and increases the ammonia concentration in the wastewater. Therefore, to handle the extreme impact conditions of a very low TKN/COD ratio, the setpoint of the PI-biogas controller must be maintained at a higher setpoint to increase the WAS flow rate, which also increases biogas production for sustainable operation. can make it
TKN/COD 비율의 극단적인 경우를 제외하고 NO3 제어기는 추가 EC를 주입하여 SNH에서 질소원의 질산염 성분으로의 질산화를 향상시켰다(도 11(d) 및 (e)). 낮은 TKN/COD 비율에서 본 발명에 따른 MOSC 전략은 DO 제어기가 탄소원의 제어를 지배하기 때문에 더 낮은 폐수 품질과 광범위한 EQI 값을 초래했다. 이는 개선된 Pareto 솔루션의 더 높은 DO 설정점이 도 11(f 내지 h)에서와 같이 TSS, COD 및 BOD에 대한 유출 표준 기준을 충족함을 의미한다. 종합적으로 각 제어기의 최적 솔루션은 TKN/COD 비율의 0.07에서 0.105까지 제어 목적을 향상시킬 수 있다. 그러나 OCI를 최소화하기 위한 더 낮은 DO 설정값과 관련된 일부 최적 솔루션은 탄소 공급원의 증가로 인해 TKN/COD 비율의 0.065와 같은 극단적인 유입 조건에서 배출수 품질을 유지할 수 없다. 따라서 표준 기준에 따라 폐수 품질을 보존하고 비용 효율적이고 지속 가능한 WWTP 운영을 달성할 수 있는 개선된 Pareto 솔루션의 후보를 고려하는 동시에 AD에서 바이오가스의 생산성을 증가시켜야 한다.Except for the extreme cases of the TKN/COD ratio, the NO3 controller injected additional EC to enhance the nitrification of SNH to the nitrate component of the nitrogen source (Fig. 11(d) and (e)). At low TKN/COD ratios, the MOSC strategy according to the present invention resulted in lower wastewater quality and a wider range of EQI values because the DO controller dominates the control of the carbon source. This means that the higher DO set point of the improved Pareto solution meets the effluent standard criteria for TSS, COD and BOD as in FIGS. 11(f to h). Collectively, the optimal solution of each controller can improve the control objective from 0.07 to 0.105 of the TKN/COD ratio. However, some optimal solutions involving lower DO setpoints to minimize OCI cannot maintain effluent quality under extreme influent conditions, such as a TKN/COD ratio of 0.065, due to increased carbon sources. Therefore, it is necessary to consider candidates for improved Pareto solutions that can preserve wastewater quality according to standard criteria and achieve cost-effective and sustainable WWTP operations while increasing the productivity of biogas in AD.
본 발명에 따른 MOSC 전략의 제어 성능은 1) N/C 비율의 극단적인 상황 및 2) 다양한 TKN/COD 비율을 갖는 동적 유입을 고려하여 유입 조건을 보강하여 조사되었다. 유입 조건은 FCM에 따라 식별되고 특정 시나리오에 할당되었다. FCM의 결과는 도 12에 Voronoi 다이어그램으로 나타내었다.The control performance of the MOSC strategy according to the present invention was investigated by reinforcing inflow conditions considering 1) extreme situations of N/C ratio and 2) dynamic inflow with various TKN/COD ratios. Inflow conditions were identified according to the FCM and assigned to specific scenarios. The results of FCM are shown as Voronoi diagrams in FIG. 12 .
극단적인 상황에서 증가된 영향 조건은 (1.21,0.86) 및 (1.4,1.15)의 N/C 비율을 생성했다. 이 결과는 본 발명의 MOSC 전략이 증강된 극한 조건을 N 및 C&N 강화 시나리오로 각각 식별했음을 보여준다. 본 발명에 따른 MOSC 전략과 RC의 제어 성능을 비교한 결과는 표 3과 같다. 본 발명에 따른 지능형 MOSC 전략은 8%와 5%의 OCI 절감과 2%의 EQI 감소로 증가된 극한 영향 조건의 두 시나리오 모두에서 RC를 능가했다. 이는 강화된 시나리오 하에서 N/C 비율의 극단적인 상황으로 인해 MOSC 전략의 결정된 최적 설정값이 RC에 비해 EQI를 악화시켰음을 의미한다. 그러나 발명에 따른 제어 전략은 유출된 표준 기준을 유지했고 WWTP가 비용 효율적이고 지속 가능한 운영을 달성하도록 할 수 있었다.At the extremes, increased impact conditions produced N/C ratios of (1.21,0.86) and (1.4,1.15). These results show that our MOSC strategy identified enhanced extreme conditions as N and C&N enhanced scenarios, respectively. The results of comparing the control performance of the MOSC strategy and the RC according to the present invention are shown in Table 3. The intelligent MOSC strategy according to the present invention outperformed RC in both scenarios of increased extreme impact conditions with OCI reductions of 8% and 5% and EQI reductions of 2%. This means that the determined optimal settings of the MOSC strategy worsened the EQI compared to the RC due to the extreme situation of the N/C ratio under the enhanced scenario. However, the control strategy according to the invention maintained the standard criteria that had been leaked and was able to enable the WWTP to achieve cost-effective and sustainable operation.
[표 3][Table 3]
본 발명에 따른 지능형 MOSC 전략은 도 13에서와 같이 변동하는 유입 조건과 변화하는 TKN/COD 비율 동안 WWTP를 제어하기 위한 지침도 제공한다. 도 13(a)는 0.06-0.18의 다양한 TKN/COD 비율로 동적 영향을 표시한다. 변동하는 TKN/COD 비율에서 스마트 MOSC 전략은 도 12(b)와 같이 유입 조건을 자동으로 특성화하여 각 제어기의 최적 설정값을 결정할 수 있다. 이는 동적 유입 하에서 WWTP 운영을 제어하기 위한 본 발명에 따른 MOSC 전략의 최적 설정값을 나타낸다. 이러한 결과는 MOSC 전략이 3개의 단일 루프 제어기를 동시에 활용함으로써 활성 슬러지 공정에서 운영 안정성을 유지하고 다양한 TKN/COD 비율을 처리할 수 있음을 보여주었다.The intelligent MOSC strategy according to the present invention also provides guidance for controlling the WWTP during fluctuating inflow conditions and varying TKN/COD ratios, as shown in FIG. Fig. 13(a) displays the dynamic influence with various TKN/COD ratios from 0.06–0.18. At a fluctuating TKN/COD ratio, the smart MOSC strategy can automatically characterize the inlet conditions to determine the optimal settings for each controller, as shown in Fig. 12(b). This represents the optimal setting of the MOSC strategy according to the present invention for controlling WWTP operation under dynamic influx. These results showed that the MOSC strategy can maintain operational stability and handle various TKN/COD ratios in the activated sludge process by utilizing three single-loop controllers simultaneously.
또한, 도 13(c)는 배출수의 주요 성분에 대한 프로파일을 보여주고 있다. TSS, COD, BOD 및 SNH는 유입수 조건이 낮은 시나리오에서 C&N 강화 시나리오로 전환되는 동안 배출수 품질 한계를 초과하지 않았다. 그러나 TN 성분은 20일 동안 3.5시간 동안 첨두시 배출수 수질의 표준 기준을 위반하는데, 그 이유는 본 발명에 따른 MOSC 전략이 유입 교란의 전이에 대한 데드 타임 보상을 고려하지 않고 로컬 컨트롤러의 최적 설정값을 즉시 결정했기 때문이다. 이는 본 발명에 따른 제어 전략의 여전히 한계로 남아 있으며, 유입 교란을 완벽하게 처리할 수 있는 WWTP 시스템의 스마트한 운영과 지속 가능한 관리를 실현하기 위한 향후 작업에서 해결되어야 한다. 그럼에도 불구하고 이 TN 부품 위반 기간은 전체 가동 시간의 0.72%에 불과했다. 따라서 이러한 결과는 ML 기반 MOSC 전략이 WWTP 레이아웃을 업그레이드할 필요 없이 극한 상황에서도 폐수 품질을 유지하고 바이오가스를 생산하면서 비용 효율적으로 WWTP를 관리할 수 있음을 검증했다. 따라서 본 발명의 실시예에Ekfms ML 기반 MOSC 전략은 기존 WWTP에서 예상되는 유입 조건을 처리하기 위해 구현할 수 있는 실용적인 접근 방식에 해당한다. In addition, FIG. 13(c) shows the profile of the major components of the discharged water. TSS, COD, BOD and SNH did not exceed effluent quality limits during the transition from scenarios with low influent conditions to enhanced C&N scenarios. However, the TN component violates the standard criterion of peak effluent water quality for 3.5 hours in 20 days, because the MOSC strategy according to the present invention does not consider the dead time compensation for the transition of influent disturbance and the optimal setting of the local controller. because it was decided immediately. This remains a limitation of the control strategy according to the present invention and should be addressed in future work to realize a smart operation and sustainable management of a WWTP system that can perfectly handle inflow disturbances. Nonetheless, this TN component violation period accounted for only 0.72% of total uptime. Thus, these results validated that the ML-based MOSC strategy can cost-effectively manage WWTPs while maintaining wastewater quality and producing biogas even under extreme conditions without the need to upgrade the WWTP layout. Therefore, the Ekfms ML-based MOSC strategy in the embodiment of the present invention corresponds to a practical approach that can be implemented to handle inflow conditions expected in existing WWTPs.
또한, 상기와 같이 설명된 장치 및 방법은 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.In addition, the device and method described above are not limited to the configuration and method of the above-described embodiments, but all or part of each embodiment is selectively combined so that various modifications can be made. may be configured.
Claims (9)
하수처리시설의 유입수의 성상데이터를 이용하여 주요운전인자를 산출하는 제1단계;
주요운전인자를 시나리오별로 분류하는 제2단계; 및
하수처리시설 예측모델을 생성하고 상기 예측모델을 기반으로 하수처리시설의 운전성능을 예측하는 제3단계;를 포함하는 것을 특징으로 하는 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어방법.
As a control method of sewage treatment facilities according to the inflow sewage fluctuations,
A first step of calculating the main operating factors using the property data of the inflow water of the sewage treatment facility;
A second step of classifying key driving factors by scenario; and
A hybrid machine for sustainable operation of a sewage treatment facility according to changes in inflow sewage comprising a; third step of generating a sewage treatment facility prediction model and predicting the operation performance of the sewage treatment facility based on the prediction model. A multipurpose control method based on running.
상기 제1단계에서 유입수의 성상 데이터 중 COD와 TKN을 이용해 주요운전인자인 C/N 비를 산출하는 것을 특징으로 하는 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어방법.
According to claim 1,
Hybrid machine learning-based multi-purpose control method for sustainable operation of sewage treatment facilities, characterized in that in the first step, the C / N ratio, the main operating factor, is calculated using COD and TKN among the influent property data.
상기 제2단계는, 산출된 C/N비를 퍼지 클러스터링(Fuzzy clustering)을 활용해 서로 다른 시나리오로 분류하는 것을 특징으로 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어방법.
According to claim 2,
The second step is a hybrid machine learning-based multi-purpose control method for sustainable operation of sewage treatment facilities, characterized in that the calculated C / N ratio is classified into different scenarios using fuzzy clustering.
상기 제3단계는, 심층 신경망(Deep neural network)에 기반하여 하수처리시설의 근사 모델을 생성하는 단계; 및 상기 근사 모델을 학습시키고 유입성상 및 제어 설정치에 따른 하수처리시설의 운전 성능을 예측하는 단계;를 포함하는 것을 특징으로 하는 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어방법.
According to claim 3,
The third step may include generating an approximate model of a sewage treatment facility based on a deep neural network; and learning the approximate model and predicting operation performance of the sewage treatment facility according to inflow characteristics and control settings.
상기 제3단계는, 상기 근사모델을 기반으로 하여 다목적 최적화 유전 알고리즘(Multi-objective genetic algorithm, MOGA)을 활용해 유입성상에 따라 다목적 최적 운전이 가능하도록 하는 제어기 최적설정치를 탐색하는 것을 특징으로 하는 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어방법.
According to claim 4,
In the third step, based on the approximate model, a multi-objective genetic algorithm (MOGA) is used to enable multi-purpose optimal operation according to the inflow characteristics. Characterized in that the optimal setting of the controller is searched Multi-purpose control method based on hybrid machine learning for sustainable operation of sewage treatment facilities.
상기 운전성능은 방류수 수질, 운전 비용, 바이오가스 생산량이고,
상기 제어기 최적설정치는 하수처리시설의 3개의 로커 PI-제어기의 회적 설정치인 것을 특징으로 하는 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어방법.
According to claim 5,
The operation performance is effluent water quality, operating cost, and biogas production,
The controller optimum setting is a multi-purpose control method based on hybrid machine learning for sustainable operation of a sewage treatment facility, characterized in that the rotational setting of three rocker PI-controllers of the sewage treatment facility.
하수처리시설의 유입수의 성상데이터를 이용하여 유입수의 성상 데이터 중 COD와 TKN을 이용해 주요운전인자인 C/N 비를 산출하는 주요운전인자 산출부;
산출된 C/N비를 퍼지 클러스터링(Fuzzy clustering)을 활용해 서로 다른 시나리오로 분류하는 시나리오 분류부;
하수처리시설의 근사 모델을 생성하는 근사 모델 생성부;
상기 근사 모델을 기반으로 하수처리시설의 운전성능을 예측하는 운전성능 예측부;를 포함하는 것을 특징으로 하는 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어시스템.
As a control system for sewage treatment facilities according to the inflow sewage fluctuations,
A main operating factor calculation unit that calculates a C/N ratio, which is a major operating factor, using COD and TKN among the influent property data of the influent by using the property data of the influent of the sewage treatment facility;
a scenario classification unit that classifies the calculated C/N ratio into different scenarios using fuzzy clustering;
An approximate model generation unit for generating an approximate model of a sewage treatment facility;
A hybrid machine learning-based multi-purpose control system for sustainable operation of a sewage treatment facility according to changes in inflow sewage, comprising: an operating performance predictor for predicting the operating performance of the sewage treatment facility based on the approximate model.
상기 근사 모델 생성부는 심층 신경망(Deep neural network)에 기반하여 하수처리시설의 근사 모델을 생성하고,
상기 운전성능 예측부는 상기 근사 모델을 학습시키고 유입성상 및 제어 설정치에 따른 하수처리시설의 운전 성능을 예측하는 것을 특징으로 하는 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어시스템.
According to claim 7,
The approximate model generation unit generates an approximate model of a sewage treatment facility based on a deep neural network,
The operation performance prediction unit learns the approximate model and predicts the operation performance of the sewage treatment facility according to the inflow characteristics and control settings. control system.
상기 근사모델을 기반으로 하여 다목적 최적화 유전 알고리즘(Multi-objective genetic algorithm, MOGA)을 활용해 유입성상에 따라 다목적 최적 운전이 가능하도록 하는 제어기 최적설정치를 탐색하는 최적 설정치 탐색부를 더 포함하는 것을 특징으로 하는 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어시스템.
According to claim 8,
Based on the approximate model, it further comprises an optimal setpoint search unit that searches for the optimal setpoint of the controller that enables multi-purpose optimal operation according to the inflow characteristics by using a multi-objective genetic algorithm (MOGA). A hybrid machine learning-based multi-purpose control system for sustainable operation of sewage treatment facilities according to changes in inflow sewage.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210174835A KR20230086851A (en) | 2021-12-08 | 2021-12-08 | A hybrid machine learningebased multiobjective supervisory control strategy of a fullscale wastewater treatment for costeffective and sustainable operation under varying infuent conditions |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210174835A KR20230086851A (en) | 2021-12-08 | 2021-12-08 | A hybrid machine learningebased multiobjective supervisory control strategy of a fullscale wastewater treatment for costeffective and sustainable operation under varying infuent conditions |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230086851A true KR20230086851A (en) | 2023-06-16 |
Family
ID=86948415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210174835A KR20230086851A (en) | 2021-12-08 | 2021-12-08 | A hybrid machine learningebased multiobjective supervisory control strategy of a fullscale wastewater treatment for costeffective and sustainable operation under varying infuent conditions |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230086851A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102665565B1 (en) * | 2023-08-18 | 2024-05-17 | 주식회사 씨케이테크피아 | Greenhouse Gas Monitoring System and Method for Wastewater Treatment Plant |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100834187B1 (en) | 2007-01-17 | 2008-06-10 | 부산대학교 산학협력단 | Diagnosis system for biological wastewater treatment process using bayesian networks |
| KR101629240B1 (en) | 2013-06-04 | 2016-06-10 | 전남대학교산학협력단 | Artificial Intelligence Programmable Logic Controller System for a Sewage and Wastewater Treatment Apparatus |
| KR20210026507A (en) | 2019-08-30 | 2021-03-10 | 에스케이인천석유화학 주식회사 | System and method for wastewater treatment using machine learning model |
-
2021
- 2021-12-08 KR KR1020210174835A patent/KR20230086851A/en not_active Application Discontinuation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100834187B1 (en) | 2007-01-17 | 2008-06-10 | 부산대학교 산학협력단 | Diagnosis system for biological wastewater treatment process using bayesian networks |
| KR101629240B1 (en) | 2013-06-04 | 2016-06-10 | 전남대학교산학협력단 | Artificial Intelligence Programmable Logic Controller System for a Sewage and Wastewater Treatment Apparatus |
| KR20210026507A (en) | 2019-08-30 | 2021-03-10 | 에스케이인천석유화학 주식회사 | System and method for wastewater treatment using machine learning model |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102665565B1 (en) * | 2023-08-18 | 2024-05-17 | 주식회사 씨케이테크피아 | Greenhouse Gas Monitoring System and Method for Wastewater Treatment Plant |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Heo et al. | A hybrid machine learning–based multi-objective supervisory control strategy of a full-scale wastewater treatment for cost-effective and sustainable operation under varying influent conditions | |
| Gibert et al. | Knowledge discovery with clustering based on rules by states: A water treatment application | |
| Do et al. | A design of higher-level control based genetic algorithms for wastewater treatment plants | |
| CN109711070A (en) | A kind of dissolved oxygen concentration optimization method based on activated sludge water process | |
| US11365140B2 (en) | Decision support system and method for water treatment | |
| CN115356930B (en) | Multi-objective optimization control system and method in sewage treatment process | |
| Tejaswini et al. | Multi-objective optimization based controller design for improved wastewater treatment plant operation | |
| Piotrowski | Supervisory fuzzy control system for biological processes in sequencing wastewater batch reactor | |
| Han et al. | Robust optimal control for anaerobic-anoxic-oxic reactors | |
| Grochowski et al. | Supervised model predictive control of wastewater treatment plant | |
| KR20230086851A (en) | A hybrid machine learningebased multiobjective supervisory control strategy of a fullscale wastewater treatment for costeffective and sustainable operation under varying infuent conditions | |
| CN114565154A (en) | Prediction method and optimization algorithm for carbon source adding amount of biochemical section of leachate | |
| KR20230128190A (en) | An intelligent protocol of multi-agent reinforcement learning- based autonomous model calibration for ASM-type model of membrane bioreactor | |
| CN117634707A (en) | Multi-index modeling and optimizing operation method for low-carbon sewage treatment process | |
| Francisco et al. | A comparative study of deterministic and stochastic optimization methods for integrated design of processes | |
| Liu et al. | Multi-objective optimization of cascade controller in combined biological nitrogen and phosphorus removal wastewater treatment plant | |
| Heo et al. | End-to-end autonomous and resilient operability strategy of full-scale PN-SBR system: From influent augmentation to AI-aided optimal control and scheduling | |
| Brdys et al. | Application of fuzzy model predictive control to the dissolved oxygen concentration tracking in an activated sludge process | |
| Swarnalatha | Simulation and Analysis of Ammonium-Based Aeration Control Strategies to Enhance Efficiency in Wastewater Treatment Plant | |
| Husin et al. | Energy efficiency in activated sludge process using adaptive iterative learning control with PI ABAC | |
| Huang et al. | Modeling and optimization of the activated sludge process | |
| JP4327013B2 (en) | Plant-wide optimum process controller | |
| Piotrowski et al. | Adaptive stochastic and hybrid nonlinear optimization algorithms for improving the effectiveness of the biological processes at WWTP | |
| Roda et al. | Development of a case-based system for the supervision of an activated sludge process | |
| Aparna et al. | Enhancing Wastewater Treatment Plant Efficiency: Constraint Optimization and Regression Analysis Approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |