WO2015147351A1 - 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법 - Google Patents

하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법 Download PDF

Info

Publication number
WO2015147351A1
WO2015147351A1 PCT/KR2014/002585 KR2014002585W WO2015147351A1 WO 2015147351 A1 WO2015147351 A1 WO 2015147351A1 KR 2014002585 W KR2014002585 W KR 2014002585W WO 2015147351 A1 WO2015147351 A1 WO 2015147351A1
Authority
WO
WIPO (PCT)
Prior art keywords
anaerobic digester
sewage treatment
operating
treatment plant
digester
Prior art date
Application number
PCT/KR2014/002585
Other languages
English (en)
French (fr)
Inventor
김창원
김효수
김민수
박문화
김동관
Original Assignee
부산대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Publication of WO2015147351A1 publication Critical patent/WO2015147351A1/ko

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F11/00—Treatment of sludge; Devices therefor
    • C02F11/02—Biological treatment
    • C02F11/04—Anaerobic treatment; Production of methane by such processes
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/006—Regulation methods for biological treatment
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/28—Anaerobic digestion processes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W10/00—Technologies for wastewater treatment
    • Y02W10/30—Wastewater or sewage treatment systems using renewable energies
    • Y02W10/37—Wastewater or sewage treatment systems using renewable energies using solar energy

Definitions

  • the present invention relates to a diagnosis system for the anaerobic digester of a sewage treatment plant and a prediction system for the amount of digested gas and a method thereof.
  • a diagnosis system for the anaerobic digester operated in the sewage treatment plant is operating within the proper operating range, and how much increase or decrease of the digested gas may be achieved under any operating condition compared to the presently generated digestive gas.
  • the present invention relates to a diagnosis system for an anaerobic digester in a sewage treatment plant and a prediction system for the amount of digested gas generated therein, which can provide a quantitative prediction of whether the water can be discharged.
  • the most important operational goal of a sewage treatment plant is to reliably treat incoming sewage, to prevent ecosystem disturbances in the streams or coasts that are discharged, and to maintain continuous water circulation. Therefore, the sewage treatment plant has been operated by focusing more on maintaining stable water treatment performance than on accurate analysis of the cost of treatment.
  • the Ministry of Environment announced the basic plan for energy independence in 2010, considering that it is necessary to prepare measures for the high energy consumption of sewage treatment plants and to shift the paradigm from energy waste facilities to energy reproduction facilities.
  • the basic plan is to expand the sewage treatment plant and its associated public sewage through the expansion of new and renewable energy facilities using wind and solar power generation that can utilize digestive gas, hydropower generation, sewage heat generation, and regional characteristics generated from sewage treatment.
  • the energy independence rate (0.8%) of the treatment facilities will be gradually improved by 2030, with the goal of achieving 50%.
  • the characteristics of the incoming sludge can also have a great influence on the amount of generated digestion gas, but it is difficult to derive the optimum operating conditions considering the effective digestion gas production with stable water treatment. This is because the main goal of the sewage treatment plant has been limited to water treatment in the past few decades, and there is a lack of know-how of field operators for the stable operation of anaerobic digesters. This can take considerable time to restore the process back to its original state.
  • the present invention has been made to solve such a problem, diagnoses whether the operating conditions of the anaerobic digester operating in the sewage treatment plant operating within the proper operating range, under any operating conditions compared to the currently generated digestive gas
  • the purpose of the present invention is to provide a system and method for diagnosing the operating state of anaerobic digester in a sewage treatment plant and predicting the amount of digested gas which can provide a quantitative prediction about how the digested gas can increase or decrease.
  • the data call unit for calling the data necessary for the operation of the anaerobic digestion tank of the sewage treatment plant from the database storing the inflow / outflow water quality data and process operation data of the sewage treatment plant;
  • a digester state diagnosis unit which receives the data called from the data caller and derives a diagnosis result of an operation state of the anaerobic digester currently operating by comparing the called data with the optimum operating ranges of the anaerobic digester;
  • the amount of digested gas can be predicted by changing the operating condition of the anaerobic digester to increase or decrease the amount of digested gas generated in the anaerobic digester.
  • Extinguishing gas generation prediction unit Diagnosis of the operation status of the anaerobic digester of the sewage treatment plant and the amount of digestion gas generated by the digestion gas increase and decrease operating conditions application unit for applying the operating conditions changed by the digestion gas generation amount prediction unit to each actuator (actuator) of the sewage treatment plant To provide a predictive system.
  • the data call unit is characterized in that automatically call the main data associated with the operation of the anaerobic digester of the sewage treatment plant of all the past data accumulated in the database operated separately in the individual sewage treatment plant.
  • the main data related to the operation of the anaerobic digester of the sewage treatment plant are digestion tank inflow, inflow total sludge, outflow total sludge, extinguishing temperature, alkalinity, inflow volatile sludge, outflow volatile sludge, organic acid, organic load and residence time. It is characterized by at least one or more.
  • the optimum operating range of the anaerobic digester of the digester status diagnosis unit is derived by extracting the operating parameters associated with the operation of the anaerobic digester from the anaerobic digesters of a plurality of sewage treatment plants, the digester status diagnostic unit is operating the anaerobic digester currently operating It is characterized by diagnosing the operating state of the anaerobic digester by determining whether a variable deviates from at least one or more ranges of operating variables corresponding to the optimum operating range of the anaerobic digester.
  • the artificial neural network model of the digestion gas generation prediction unit is repeatedly inputted to the artificial neural network using operating parameters corresponding to the operating state of the anaerobic digester derived from the digester state diagnosis unit to perform the signal transmission through the hidden layer, Learning to minimize the error is adjusted to adjust the connection weight, characterized in that for predicting the generation amount of the digestive gas by inputting the operating variable according to the connection weight.
  • the digester inflow, outflow total sludge, outflow total sludge, extinguishing temperature, alkalinity, inflow volatile sludge, outflow volatile sludge, organic acid, from a database storing inflow / outflow water quality data and process operation data of the sewage treatment plant
  • Digestion tank condition diagnosis step of receiving the called data and derives a diagnosis result for the operating state of the anaerobic digester currently operating by comparing the called data and the optimum operating range of the anaerobic digester;
  • the optimum operating range of the anaerobic digester of the digester status diagnosis step is derived by extracting the operating variables associated with the operation of the anaerobic digester from the anaerobic digesters of a plurality of sewage treatment plants, the diagnostic status of the digester is currently operating anaerobic digester It is characterized by diagnosing the operating state of the anaerobic digester by determining whether the operating variable of the deviation of at least one or more of the operating parameters corresponding to the optimum operating range of the anaerobic digester.
  • the artificial neural network model of the digestion gas generation step of predicting the operation of the anaerobic digester derived from the digestive gas state diagnosis step as an input value into the artificial neural network by repeatedly performing the signal transmission through the hidden layer , To adjust the weight by learning to minimize the error, and input the operating variable according to the weight to predict the generation amount of the digestive gas.
  • the appropriate range of the operating parameters associated with the operation of the anaerobic digester By presenting the anaerobic digester, it is possible to continuously identify the operation status of the anaerobic digester, and if it exceeds the proper operating range, it is possible to operate the anaerobic digester in a long term by knowing about it.
  • FIG. 1 is a block diagram showing a system for diagnosing the operating state of an anaerobic digester of a sewage treatment plant and predicting the amount of digested gas generated according to an embodiment of the present invention.
  • FIG. 2 is a flow chart illustrating a method of diagnosing an operating state of an anaerobic digester in a sewage treatment plant and predicting the amount of digested gas generated in accordance with an embodiment of the present invention.
  • FIG 3 is a view showing the structure of the artificial neural network model for predicting the amount of digestion gas generated by the present invention.
  • FIG. 4 is a view showing a training result of the artificial neural network model of FIG.
  • FIG. 5 is a diagram illustrating a verification result of the artificial neural network model of FIG. 3.
  • Figure 6 is a screen showing a program that is equipped with a diagnostic model for predicting the operating state of the anaerobic digester according to an embodiment of the present invention and the amount of digestion gas generated.
  • the data call unit for calling the data necessary for the operation of the anaerobic digestion tank of the sewage treatment plant from the database storing the inflow / outflow water quality data and process operation data of the sewage treatment plant;
  • a digester state diagnosis unit which receives the data called from the data caller and derives a diagnosis result of an operation state of the anaerobic digester currently operating by comparing the called data with the optimum operating ranges of the anaerobic digester;
  • the amount of digested gas can be predicted by changing the operating condition of the anaerobic digester to increase or decrease the amount of digested gas generated in the anaerobic digester.
  • Extinguishing gas generation prediction unit Diagnosis of the operation status of the anaerobic digester of the sewage treatment plant and the amount of digestion gas generated by the digestion gas increase and decrease operating conditions application unit for applying the operating conditions changed by the digestion gas generation amount prediction unit to each actuator (actuator) of the sewage treatment plant To provide a predictive system.
  • FIG. 1 is a block diagram showing a system for diagnosing an operating state of an anaerobic digester of a sewage treatment plant according to an embodiment of the present invention and predicting the amount of digestion gas generated
  • FIG. 2 is an anaerobic digester of a sewage treatment plant according to an embodiment of the present invention.
  • 3 is a flowchart illustrating a method of diagnosing an operating state and a method of predicting the amount of digestive gas generated
  • FIG. 3 is a diagram illustrating a structure of an artificial neural network model for predicting the amount of digested gas generated by the present invention
  • FIG. 4 is a diagram of the artificial neural network model of FIG. 3.
  • FIG 5 is a view showing the results of training of the artificial neural network model of Figure 3
  • Figure 6 is a diagram showing the diagnosis of the operating state of the anaerobic digester according to an embodiment of the present invention and the predicted amount of digestion gas generation model This is a screen showing the loaded program.
  • the system 10 for diagnosing an operating state of an anaerobic digester of a sewage treatment plant and predicting an amount of digestion gas generation includes a data call unit 100, a digester state diagnosis unit 200, and an amount of digestion gas generated.
  • the prediction unit 300 and the digestion gas increase and decrease operating conditions application unit 400 is included.
  • the data call unit 100 serves to call data necessary for the operation of the anaerobic digester of the sewage treatment plant from a database storing inflow / outflow water quality data and process operation data of the sewage treatment plant.
  • the inflow / outflow water quality data includes inflow / outflow flow rate and inflow / outflow component concentration (BOD 5 , COD Mn , SS, TN, TP, etc.).
  • Process operation data includes at least one of aeration, sludge waste, sludge conveyance, chemical injection, sedimentation capacity, and suspended solids concentration in the sewage treatment plant.
  • the data caller 100 can call the data on a daily basis by selecting in advance the days required for the operation of the anaerobic digester of the actual sewage treatment plant from such various input data.
  • the data call unit 100 may automatically call the main data associated with the operation of the anaerobic digester of the sewage treatment plant of all the past data accumulated in the database operated separately in the individual sewage treatment plant.
  • the main data related to the operation of the anaerobic digester in the sewage treatment plant are: digester inflow, inflow total sludge (inflow TS), outflow total sludge (outflow TS), digestion temperature, alkalinity, inflow volatile sludge (inflow VS), outflow It may be composed of at least one of volatile sludge (effluent VS), organic acid (VA), organic load and residence time.
  • the digester status diagnosis unit 200 receives the data called from the data call unit 100 and compares the called data with the optimum operating ranges of the anaerobic digester to determine the operating state of the anaerobic digester currently in operation. It is responsible for deriving diagnosis results.
  • the optimum operating range of the anaerobic digester of the digester status diagnosis unit 200 is derived by extracting the operating parameters associated with the operation of the anaerobic digester from the anaerobic digesters of a plurality of sewage treatment plants, the digester status diagnostic unit 200 Determining whether the operating parameters of the anaerobic digester currently operating is out of at least one or more ranges of operating variables corresponding to the optimum operating range of the anaerobic digester to diagnose the operating state of the anaerobic digester.
  • the diagnosis of digester status determines whether operating parameters related to anaerobic digester operation are operating within the appropriate range, and for this purpose, analyzes the domestic anaerobic digester operation status, and the temperature, upper and lower temperature difference, pH, VA, residence time and organic load in the tank. It suggests an appropriate range of operating variables such as Diagnosis of such a digester condition is well shown in the upper right of FIG.
  • the digestive gas generation prediction unit 300 applies an artificial neural network model to the operating state of the anaerobic digester derived from the digester state diagnosis unit 200 to increase or decrease the amount of digestive gas generated in the anaerobic digester. By changing to the operating conditions of the role of predicting the amount of extinguishing gas generated.
  • the artificial neural network model of the digestion gas generation prediction unit 300 is inputted into the artificial neural network by operating parameters corresponding to the operating state of the anaerobic digester derived from the digester state diagnosis unit 200 as an input value through the hidden layer Signal transmission is repeatedly performed, learning to minimize the error is performed to adjust the connection weight, and input the operation variable according to the connection weight to predict the generation amount of the digestive gas (see FIG. 3).
  • the prediction of extinguishing gas generation predicts the amount of extinguishing gas that can be generated under any operating condition by applying an artificial neural network model to the operating variables affecting the amount of extinguishing gas.
  • Inflow TS, outflow TS, inflow VS, outflow VS, fire extinguishing temperature, VA, alkalinity and organic load were used as input variables in the neural network model, and the neural network structure consists of one input layer, three hidden layers, and one output layer. (See FIG. 3).
  • the extinguishing gas increase and decrease operation condition applying unit 400 serves to apply the operating condition changed by the extinguishing gas generation amount predicting unit 300 to each actuator of the sewage treatment plant. Therefore, if the sewage treatment plant operator wants to operate the anaerobic digester under the same operating conditions after confirming the quantitative amount of digestion gas generated, he / she inputs each set value and checks the application result.
  • the arbitrarily set operating conditions are preferably applied after the sewage treatment plant driver's decision rather than being automatically reflected in the plant operation.
  • FIG. 2 describes the method of diagnosing the operating state of the anaerobic digester of the sewage treatment plant according to the present invention and the amount of digestion gas generation as follows.
  • the first step is digestion tank inflow, inflow total sludge, outflow total sludge, extinguishing temperature, alkalinity, inflow volatile sludge, outflow volatile sludge, organic acid, organic load from the database storing inflow / outflow water quality data and process operation data of sewage treatment plant.
  • the second step is a digester state diagnosis step of receiving the called data and comparing the called data with the optimum operating ranges of the anaerobic digester to derive a diagnosis result for the operating state of the anaerobic digester currently operating (S120). ).
  • the optimum operating range of the anaerobic digester of the digester status diagnosis step (S120) is derived by extracting the operating parameters associated with the operation of the anaerobic digester from the anaerobic digesters of a plurality of sewage treatment plants, the diagnostic step of the digester status (S120) Determining whether the operating parameters of the anaerobic digester currently operating is out of at least one or more ranges of operating variables corresponding to the optimum operating range of the anaerobic digester to diagnose the operating state of the anaerobic digester.
  • the third step is to apply the artificial neural network model to the operation state of the anaerobic digester derived from the anaerobic digester operating conditions that can increase or decrease the amount of digestion gas generated in the anaerobic digester to predict the amount of digested gas generated Digestion gas generation step is predicted (S130).
  • the artificial neural network model of the step of predicting the digestion gas generation step (S130) is inputted into the artificial neural network using operating parameters corresponding to the operating state of the anaerobic digester derived from the digestion state diagnosis step (S120) as an input value through the hidden layer Signal transmission is repeatedly performed, learning to minimize the error is performed to adjust the weight, and the operation variable is input according to the weight to predict the amount of extinguishing gas.
  • the fourth step is the step of applying the digestion gas increase and decrease operating conditions to apply the operating conditions changed by the digestion gas generation amount prediction step (S130) to each actuator (actuator) of the sewage treatment plant (S140).
  • S sewage treatment plant has a capacity of 39,414 m 3 and is operated in a two-stage fire extinguishing process.
  • operation data were collected from January to December 2012.
  • Digestion tank operation data of a general sewage treatment plant is measured only two to three times a month, the subject of the present invention was recorded twice a week about the internal operation status of the digester.
  • a total of 121 operational data were utilized after removing data that did not satisfy the mean ⁇ 3 standard deviations by the control chart method.
  • the operational data for a number of anaerobic digesters in addition to the anaerobic digester of the target sewage treatment plant were obtained. This resulted in six key operating variables among various operating variables associated with anaerobic digester operation.
  • the derived operating variables were tank temperature, upper and lower temperature difference, pH, VA (organic acid), residence time and organic matter, and the appropriate operating range for each was as follows.
  • the anaerobic digester operation of the sewage treatment plant is maintained within an appropriate range as shown in the upper right of FIG. Program was developed.
  • the artificial neural network model is applied to predict the amount of digestion gas generated, and the variables related to anaerobic digester operation are firstly derived in order to derive the optimal input parameters. After confirming that 15 variables such as influent sludge concentration, inflow total sludge (TS), digester inflow flow rate, and tank temperature are related to anaerobic digester operation, correlation analysis is made through correlation analysis with digestion gas generation among 15 variables. Items with low ( ⁇ 0.4) were excluded. Finally, eight variables with a correlation of 0.4 or higher were applied as input variables of the artificial neural network as operational variables for predicting the amount of digestion gas generated. The eight variables are well shown in Table 1 below.
  • the multi-layer feed-forward network was selected as the artificial neural network.
  • the multi-layer feed-forward network is composed of an input layer, a hidden layer, and an output layer.
  • the number of neurons in the input layer and the hidden layer varies depending on the predictor variable.
  • three hidden layers were derived for the prediction of digestive gas, five neurons in the first hidden layer, eight neurons in the second hidden layer, and seven neurons in the third hidden layer. . Neurons in each layer are connected by link weights.
  • the derived neural network structure is shown in FIG. 3.
  • the neural network model training results are shown in Figure 4, and the model verification results are shown in Figure 5.
  • the training and verification results of the neural network model showed that a model capable of predicting the amount of digestion gas was successfully derived.
  • the root mean square error (RMS) value was derived for more quantitative analysis.
  • the RMSE equation used for the calculation is as follows.
  • N is the total number of variables
  • Xm, i is the measured value
  • Xs, i is the simulation result.
  • the RMSE of the training course was 951.27 m 3 / day and the RMSE of the verification course was 2741.9 m 3 / day, which was confirmed with a low error of less than 10%.
  • the derived neural network model it is possible to predict the amount of extinguishing gas that can be generated by the field operator by arbitrarily adjusting the values of eight input variables.
  • an artificial neural network model for diagnosing the anaerobic digester operating state and predicting the digestive gas is installed in the program to provide the driver.
  • the developed program screen is shown in FIG.
  • the upper left of Figure 6 shows the sludge treatment process of the target sewage treatment plant, the upper right shows the appropriate range of operating parameters such as tank temperature, upper and lower temperature difference, pH, VA, residence time and organic load.
  • the developed artificial neural network model is equipped with the entire program to present the amount of digestive gas that can be generated when the user arbitrarily adjusts the operating parameters. If the sewage treatment plant driver's decision value is reflected in the actual anaerobic digester operation through the driver's decision-making, the sewage treatment plant operator can increase the amount of digestion gas generated in the anaerobic digester.
  • the present invention relates to a system for diagnosing the operating state of an anaerobic digester of a sewage treatment plant and a prediction system for the amount of digestion gas and the method thereof, and thus, it can be applied to a number of sewage treatment plants, and thus it can be widely used in industrial fields.

Abstract

본 발명은 하수처리장에서 운영되는 혐기성 소화조의 현재 운영상태에 대해 적정 운전범위 내에서 운영되고 있는지를 진단하고, 현재 발생되는 소화가스 대비 임의의 운전조건 하에서 소화가스가 얼마나 증가 또는 감소할 수 있는지에 대한 정량적인 예측치를 제공해 줄 수 있는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법에 관한 것이다. 본 발명에 의하면, 하수처리장의 유입/유출 수질 데이터 및 공정운영 데이터를 저장하는 데이터베이스로부터 하수처리장의 혐기성 소화조의 운전에 필요한 데이터를 호출하는 데이터호출부; 상기 데이터호출부로부터 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 소화조 상태 진단부; 상기 소화조 상태 진단부로부터 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 소화가스 발생량 예측부; 및 상기 소화가스 발생량 예측부에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 소화가스 증감 운전조건 적용부;를 포함하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템을 제공한다.

Description

하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법
본 발명은 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법에 관한 것이다. 보다 상세하게 설명하면, 하수처리장에서 운영되는 혐기성 소화조의 현재 운영상태에 대해 적정 운전범위 내에서 운영되고 있는지를 진단하고, 현재 발생되는 소화가스 대비 임의의 운전조건 하에서 소화가스가 얼마나 증가 또는 감소할 수 있는지에 대한 정량적인 예측치를 제공해 줄 수 있는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법에 관한 것이다.
하수처리장의 가장 핵심적인 운전 목표는 유입되는 하수를 안정적으로 처리하여, 방류되는 하천 또는 연안의 생태계 교란을 방지하고, 지속적인 물 순환을 유지하는 것이다. 이에 그간 처리에 소요되는 비용에 대한 정확한 분석보다는 안정적인 수처리 성능 유지에 더욱 집중하여 하수처리장을 운영해왔다.
하지만, 최근 전지구적인 자원 고갈 및 에너지 낭비에 따른 정부차원에서의 효율적인 하수처리장 운영에 대한 요구가 증가되고 있다. 환경부는 하수처리장의 높은 에너지 소비량에 대한 대책 마련 및 에너지 다소비 시설에서 에너지 재생산 시설로의 패러다임 전환이 필요하다고 판단하여 지난 2010년 에너지 자립화 기본계획을 발표하였다. 기본계획에는 하수처리 과정에서 발생하는 소화가스, 소수력 발전, 하수열 발전 및 지역적 특성을 활용할 수 있는 풍력, 태양광 발전을 활용한 신재생에너지 시설의 확대를 통해, 하수처리장 및 이와 연계된 공공하수처리시설의 에너지 자립율(0.8%)을 2030년까지 단계적으로 향상시켜 최종적으로 50% 달성을 목표로 하고 있다.
현재 공공하수처리시설에서 운영하는 신재생에너지의 90%는 소화조 운영으로 얻은 전력으로, 소화조 운영이 에너지 자립율을 좌지우지하는 상황이다. 하지만 국내 소화조의 운영 효율은 40% 정도로 저조한 편이다. 이는 해당 하수처리장에서 운영되는 소화조에 대하여 운전자가 충분히 적정 운전 범위에 대한 정보를 숙지하고 못하고 있기 때문이다. 실제 국내에서 현재 64개의 혐기성 소화조가 운영되고 있으나, 이에 대한 정확한 운영 실태가 분석되기 시작한 시점은 최근이며, 대부분의 하수처리장 운전자들이 혐기성 소화조에 대한 상세한 지식이 없이 최소한의 운전만 유지되고 있는 실정이다. 실제 혐기성 소화조는 슬러지 내에 존재하는 유기물의 가수분해, 산 발효, 아세트산 생성반응 및 메탄생성반응을 통해 소화가스가 생산되는데, 이러한 일련의 소화 반응에 대한 전문적인 지식을 보유하고 있는 현장 운전자는 드물며, 혐기성 소화조의 특성상 공정을 임의적으로 개폐 또는 일부분 분리할 수 없이, 초기 운전이후 소화조 내부에 대한 수리가 불가능하기 때문에 대부분의 현장 운전자는 단지 소화조 운전의 경우 유입되는 지점에 대한 점검만을 수행하고 있는 실정이다.
이와 더불어, 유입되는 슬러지의 성상 역시 발생되는 소화가스량에 큰 영향을 미칠 수 있으나, 안정적인 수처리와 더불어 효과적인 소화가스 생산을 동시에 고려하는 최적 운전 조건은 도출하기 어려운 실정이다. 이는 지난 몇십년간 하수처리장의 주요 목표가 수처리에 국한되어, 혐기성 소화조의 안정적인 운전에 대한 현장 운전자의 노하우가 부족한 상황이며, 소화가스 발생량을 증가시키기 위한 운전을 유지하다가 하수 처리 과정에서의 문제가 발생하게 되면 공정을 다시 원상태로 회복하는데 상당한 시일이 걸릴 수 있기 때문이다.
따라서, 안정적인 수처리와 동시에 혐기성 소화조를 효율적으로 운전하기 위해서는 혐기성 소화조의 운전 성능을 파악할 수 있는 운전 변수를 도출해야 하며, 타 하수처리장의 혐기성 소화조들과의 비교를 통해 운전 데이터가 적정 운전 범위 내에서 운영되고 있는 가에 대한 진단이 필요하다. 또한, 소화조에서 발생되는 소화가스에 대한 예측을 통해, 운전 조건 변경을 통해 얻을 수 있는 정량적인 소화가스량을 파악함으로써, 시행착오없이 필요로하는 소화가스 발생을 유도할 수 있다. 이를 위해 국내 다수의 혐기성 소화조를 분석하여 도출된 최적 운전 조건 범위와의 비교 진단이 필요하며, 혐기성 소화조에서 발생될 수 있는 소화가스를 예측할 수 있는 예측 모델의 개발이 필요한 실정이다.
본 발명은 이와 같은 문제점을 해결하기 위해 안출된 것으로서, 하수처리장에서 운영되는 혐기성 소화조의 현재 운영상태에 대해 적정 운전범위 내에서 운영되고 있는지를 진단하고, 현재 발생되는 소화가스 대비 임의의 운전조건 하에서 소화가스가 얼마나 증가 또는 감소할 수 있는지에 대한 정량적인 예측치를 제공해 줄 수 있는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법을 제공하는데 그 목적이 있다.
본 발명에 의하면, 하수처리장의 유입/유출 수질 데이터 및 공정운영 데이터를 저장하는 데이터베이스로부터 하수처리장의 혐기성 소화조의 운전에 필요한 데이터를 호출하는 데이터호출부; 상기 데이터호출부로부터 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 소화조 상태 진단부; 상기 소화조 상태 진단부로부터 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 소화가스 발생량 예측부; 및 상기 소화가스 발생량 예측부에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 소화가스 증감 운전조건 적용부;를 포함하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템을 제공한다.
한편, 상기 데이터호출부는 개별 하수처리장에서 별도로 운영되고 있는 데이터베이스에 축적되는 과거의 모든 데이터 중 하수처리장의 혐기성 소화조의 운전과 연관성이 있는 주요 데이터들을 자동으로 호출하는 것을 특징으로 한다.
한편, 상기 하수처리장의 혐기성 소화조의 운전과 연관성이 있는 주요 데이터들은 소화조 유입유량, 유입 총슬러지, 유출 총슬러지, 소화 온도, 알칼리도, 유입 휘발성슬러지, 유출 휘발성슬러지, 유기산, 유기물 부하 및 체류시간 중에서 적어도 하나 이상인 것을 특징으로 한다.
한편, 상기 소화조 상태 진단부의 혐기성 소화조의 최적의 운전범위는 다수의 하수처리장의 혐기성 소화조들로부터 혐기성 소화조의 운전과 연관된 운전변수들을 추출하여 도출되며, 상기 소화조 상태 진단부는 현재 운전 중인 혐기성 소화조의 운전변수가 상기 혐기성 소화조의 최적의 운전범위에 해당하는 운전변수들의 범위를 적어도 하나 이상 벗어나는지를 판단하여 혐기성 소화조의 운영상태를 진단하는 것을 특징으로 한다.
한편, 상기 소화가스 발생량 예측부의 인공신경망 모델은 상기 소화조 상태 진단부로부터 도출된 혐기성 소화조의 운영상태에 해당하는 운전변수를 입력값으로 하여 인공신경망에 대입하여 은닉층을 통한 신호전달을 반복적으로 행하고, 오차를 최소화하기 위한 학습을 행하여 연결 가중치를 조절하며, 상기 연결 가중치에 따라 운전변수를 입력하여 소화가스의 발생량을 예측하는 것을 특징으로 한다.
또한 본 발명에 의하면, 하수처리장의 유입/유출 수질 데이터 및 공정운영 데이터를 저장하는 데이터베이스로부터 소화조 유입유량, 유입 총슬러지, 유출 총슬러지, 소화 온도, 알칼리도, 유입 휘발성슬러지, 유출 휘발성슬러지, 유기산, 유기물 부하 및 체류시간 중에서 적어도 하나 이상으로 구성되는 하수처리장의 혐기성 소화조의 운전에 필요한 데이터를 자동으로 호출하는 데이터호출단계; 상기 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 소화조 상태 진단단계; 상기 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 소화가스 발생량 예측단계; 및 상기 소화가스 발생량 예측단계에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 소화가스 증감 운전조건 적용단계;를 포함하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법을 제공한다.
한편, 상기 소화조 상태 진단단계의 혐기성 소화조의 최적의 운전범위는 다수의 하수처리장의 혐기성 소화조들로부터 혐기성 소화조의 운전과 연관된 운전변수들을 추출하여 도출되며, 상기 소화조 상태 진단단계는 현재 운전 중인 혐기성 소화조의 운전변수가 상기 혐기성 소화조의 최적의 운전범위에 해당하는 운전변수들의 범위를 적어도 하나 이상 벗어나는지를 판단하여 혐기성 소화조의 운영상태를 진단하는 것을 특징으로 한다.
한편, 상기 소화가스 발생량 예측단계의 인공신경망 모델은 상기 소화조 상태 진단단계로부터 도출된 혐기성 소화조의 운영상태에 해당하는 운전변수를 입력값으로 하여 인공신경망에 대입하여 은닉층을 통한 신호전달을 반복적으로 행하고, 오차를 최소화하기 위한 학습을 행하여 가중치를 조절하며, 상기 가중치에 따라 운전변수를 입력하여 소화가스의 발생량을 예측하는 것을 특징으로 한다.
기존의 혐기성 소화조 운전의 경우, 운전자가 적정 운전범위에 대한 충분한 정보를 숙지하지 못하고 있는 실정에서, 최소한의 운전만 유지되고 있는 상황이었지만, 본 발명을 통해 혐기성 소화조의 운전과 연관된 운전변수들의 적정범위를 제시해줌으로써, 혐기성 소화조 운영상태를 지속적으로 파악할 수 있으며, 적정 운전범위를 초과할 경우 이에 대한 숙지를 통해 장기적으로 안정적인 혐기성 소화조 운영이 가능한 효과가 있다.
또한, 일련의 소화반응에 대한 전문적인 지식을 보유하고 있는 현장 운전자가 드물어 발생되는 소화가스량을 정확하게 예측하여 그 활용방안을 효과적으로 도모하거나, 운전효율을 증가하기가 어려웠지만, 본 발명을 통해 제시되는 인공신경망 모델을 통해 임의의 운전 조건하에서 발생될 수 있는 소화가스 발생량의 예측치를 확인할 수 있게 됨으로써, 소화가스 발생량을 증가시킬 수 있는 운전조건으로 혐기성 소화조를 운영하는 것이 가능한 효과가 있다.
도 1은 본 발명의 실시예에 따른 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템을 나타내는 구성도이다.
도 2는 본 발명의 실시예에 따른 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법을 나타내는 순서도이다.
도 3은 본 발명에 의한 소화가스의 발생량 예측을 위한 인공신경망 모델의 구조를 나타낸 도면이다.
도 4는 도 3의 인공신경망 모델의 훈련결과를 나타낸 도면이다.
도 5는 도 3의 인공신경망 모델의 검증결과를 나타낸 도면이다.
도 6은 본 발명의 실시예에 의한 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량 예측 모델이 탑재되어 있는 프로그램을 나타낸 화면이다.
본 발명에 의하면, 하수처리장의 유입/유출 수질 데이터 및 공정운영 데이터를 저장하는 데이터베이스로부터 하수처리장의 혐기성 소화조의 운전에 필요한 데이터를 호출하는 데이터호출부; 상기 데이터호출부로부터 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 소화조 상태 진단부; 상기 소화조 상태 진단부로부터 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 소화가스 발생량 예측부; 및 상기 소화가스 발생량 예측부에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 소화가스 증감 운전조건 적용부;를 포함하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템을 제공한다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조번호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
도 1은 본 발명의 실시예에 따른 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템을 나타내는 구성도이고, 도 2는 본 발명의 실시예에 따른 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법을 나타내는 순서도이고, 도 3은 본 발명에 의한 소화가스의 발생량 예측을 위한 인공신경망 모델의 구조를 나타낸 도면이고, 도 4는 도 3의 인공신경망 모델의 훈련결과를 나타낸 도면이고, 도 5는 도 3의 인공신경망 모델의 검증결과를 나타낸 도면이고, 도 6은 본 발명의 실시예에 의한 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량 예측 모델이 탑재되어 있는 프로그램을 나타낸 화면이다.
도 1을 참조하면, 본 발명에 의한 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템(10)은 데이터호출부(100), 소화조 상태 진단부(200), 소화가스 발생량 예측부(300) 및 소화가스 증감 운전조건 적용부(400)를 포함한다.
상기 데이터호출부(100)는 하수처리장의 유입/유출 수질 데이터 및 공정운영 데이터를 저장하는 데이터베이스로부터 하수처리장의 혐기성 소화조의 운전에 필요한 데이터를 호출하는 역할을 한다. 여기서, 상기 유입/유출 수질 데이터는 유입/유출유량과 유입/유출성분농도(BOD5, CODMn, SS, TN, TP 등)를 포함한다. 그리고 공정운영 데이터는 하수처리장의 폭기량, 슬러지폐기량, 슬러지반송량, 약품주입량, 침전능 및 반응조 내 부유물질 농도 중 적어도 하나 이상을 포함한다.
따라서 상기 데이터호출부(100)는 이와 같은 다양한 입력 데이터들로부터 실제 하수처리장의 혐기성 소화조의 운전에 필요한 데이들을 사전에 선정하여 일별로 데이터들을 호출할 수 있는 것이다. 한편, 상기 데이터호출부(100)는 개별 하수처리장에서 별도로 운영되고 있는 데이터베이스에 축적되는 과거의 모든 데이터 중 하수처리장의 혐기성 소화조의 운전과 연관성이 있는 주요 데이터들을 자동으로 호출할 수도 있다. 특히, 하수처리장의 혐기성 소화조의 운전과 연관성이 있는 주요 데이터들은 소화조 유입유량, 유입 총슬러지(유입 TS), 유출 총슬러지(유출 TS), 소화 온도, 알칼리도, 유입 휘발성슬러지(유입 VS), 유출 휘발성슬러지(유출 VS), 유기산(VA), 유기물 부하 및 체류시간 중에서 적어도 하나 이상으로 구성될 수 있다.
상기 소화조 상태 진단부(200)는 상기 데이터호출부(100)로부터 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 역할을 한다. 한편, 상기 소화조 상태 진단부(200)의 혐기성 소화조의 최적의 운전범위는 다수의 하수처리장의 혐기성 소화조들로부터 혐기성 소화조의 운전과 연관된 운전변수들을 추출하여 도출되며, 상기 소화조 상태 진단부(200)는 현재 운전 중인 혐기성 소화조의 운전변수가 상기 혐기성 소화조의 최적의 운전범위에 해당하는 운전변수들의 범위를 적어도 하나 이상 벗어나는지를 판단하여 혐기성 소화조의 운영상태를 진단하게 된다. 따라서 소화조 상태 진단은 혐기성 소화조 운영과 연관된 운전 변수들이 적정 범위 내에서 운전되고 있는 지를 판단해 주며, 이를 위해 국내 혐기성 소화조 운영 실태를 분석하여 조내 온도, 상하부 온도차, pH, VA, 체류시간 및 유기물 부하와 같은 운전 변수들의 적정범위를 제시해준다. 이와 같은 소화조 상태에 대한 진단은 도면 6의 우측 상단에 잘 나타나 있다.
상기 소화가스 발생량 예측부(300)는 상기 소화조 상태 진단부(200)로부터 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 역할을 한다. 한편, 상기 소화가스 발생량 예측부(300)의 인공신경망 모델은 상기 소화조 상태 진단부(200)로부터 도출된 혐기성 소화조의 운영상태에 해당하는 운전변수를 입력값으로 하여 인공신경망에 대입하여 은닉층을 통한 신호전달을 반복적으로 행하고, 오차를 최소화하기 위한 학습을 행하여 연결 가중치를 조절하며, 상기 연결 가중치에 따라 운전변수를 입력하여 소화가스의 발생량을 예측하게 된다(도 3참조). 따라서 소화가스 발생량 예측은 소화가스 발생량에 영향을 미치는 운전 변수들을 대상으로 인공신경망 모델을 적용하여 임의의 운전 조건하에서 발생될 수 있는 소화가스량을 예측해 준다. 인공신경망 모델에 입력변수로 유입 TS, 유출 TS, 유입 VS, 유출 VS, 소화 온도, VA, 알칼리도 및 유기물 부하가 사용되었으며, 인공신경망 구조는 1개의 입력층, 3개의 은닉층 및 1개의 출력층으로 구성되었다(도 3참조).
상기 소화가스 증감 운전조건 적용부(400)는 상기 소화가스 발생량 예측부(300)에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 역할을 한다. 따라서 하수처리장 운전자는 정량적인 소화가스 발생량 수치를 확인한 이후 동일한 운전 조건으로 혐기성 소화조를 운전하길 원할 경우, 각 설정치를 입력하고 적용 결과를 확인하게 된다. 임의적으로 설정한 운전 조건은 자동적으로 처리장 운전에 반영되는 것보다 하수처리장 운전자의 의사결정 이후 적용되는 것이 바람직하다.
도 2를 참조하여 본 발명에 의한 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법을 설명하면 다음과 같다.
제 1단계는 하수처리장의 유입/유출 수질 데이터 및 공정운영 데이터를 저장하는 데이터베이스로부터 소화조 유입유량, 유입 총슬러지, 유출 총슬러지, 소화 온도, 알칼리도, 유입 휘발성슬러지, 유출 휘발성슬러지, 유기산, 유기물 부하 및 체류시간 중에서 적어도 하나 이상으로 구성되는 하수처리장의 혐기성 소화조의 운전에 필요한 데이터를 자동으로 호출하는 데이터호출단계이다(S110).
제 2단계는 상기 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 소화조 상태 진단단계이다(S120). 여기서, 상기 소화조 상태 진단단계(S120)의 혐기성 소화조의 최적의 운전범위는 다수의 하수처리장의 혐기성 소화조들로부터 혐기성 소화조의 운전과 연관된 운전변수들을 추출하여 도출되며, 상기 소화조 상태 진단단계(S120)는 현재 운전 중인 혐기성 소화조의 운전변수가 상기 혐기성 소화조의 최적의 운전범위에 해당하는 운전변수들의 범위를 적어도 하나 이상 벗어나는지를 판단하여 혐기성 소화조의 운영상태를 진단하게 된다.
제 3단계는 상기 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 소화가스 발생량 예측단계이다(S130). 여기서, 상기 소화가스 발생량 예측단계(S130)의 인공신경망 모델은 상기 소화조 상태 진단단계(S120)로부터 도출된 혐기성 소화조의 운영상태에 해당하는 운전변수를 입력값으로 하여 인공신경망에 대입하여 은닉층을 통한 신호전달을 반복적으로 행하고, 오차를 최소화하기 위한 학습을 행하여 가중치를 조절하며, 상기 가중치에 따라 운전변수를 입력하여 소화가스의 발생량을 예측하게 된다.
제 4단계는 상기 소화가스 발생량 예측단계(S130)에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 소화가스 증감 운전조건 적용단계이다(S140).
이하, 실시예를 기준으로 본 발명에서 언급하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법을 설명하기로 한다.
본 실시예에서는 D시에 위치한 S 하수처리장의 혐기성 소화조를 대상으로 실시 적용하였으며, 그 결과는 다음과 같다.
S 하수처리장의 경우 소화조 용량이 39,414 m3 으로 2단 소화공정으로 운영되고 있다. 본 발명에서는 2012년 1월부터 12월까지의 운전 데이터를 수집하였다. 일반적인 하수처리장의 소화조 운전 데이터는 한 달에 2 ~ 3회 밖에 측정하지 않는데, 본 발명의 실시 대상은 일주일에 2번씩 정기적으로 소화조 내부 운전상황에 대해 기록이 존재하였다. 관리도 기법에 의하여 평균±3표준편차의 범위를 만족하지 않은 데이터를 제거한 후 총 121개의 운전 데이터를 활용하였다.
혐기성 소화조의 적정 운전범위를 도출하기 위해 대상 하수처리장의 혐기성 소화조 외에 다수의 혐기성 소화조에 대한 운전자료들을 확보하였으며, 환경부의 혐기성 소화조 운영 권고조건을 참고하였다. 이를 통해 혐기성 소화조 운전과 연관된 다양한 운전 변수들 중 핵심적인 운전 변수 6개를 도출하였다. 도출된 운전 변수는 조내 온도, 상하부 온도차, pH, VA(유기산), 체류시간 및 유기물 부하였으며, 각각에 대한 적정 운전범위는 다음과 같다.
·조내 온도 : 35±2℃
·상하부 온도차 : 2 ℃이내
·pH : 7 ~ 7.5
·VA : 300 ~ 2000 mg/L
·체류시간 : 20 ~ 30 day
·유기물 부하 : 0.48 ~ 1.6 kg/m3d
본 발명에서는 도출된 적정 운전범위를 활용하여 도면 6의 우측 상단과 같이 해당 하수처리장의 혐기성 소화조 운전이 적정 범위내에서 유지되고 있는 지를 판단하여, 범위를 벗어나게 될 경우 운전자에게 그 정보를 제공할 수 있도록 프로그램을 개발하였다.
또한 본 발명에서는 소화가스 발생량 예측을 위해 인공신경망 모델을 적용하였으며, 최적의 입력변수를 도출하기 위해 우선적으로 혐기성 소화조 운전과 연관된 변수를 도출하였다. 유입 슬러지 농도, 유입 TS(유입 총슬러지), 소화조 유입 유량, 조내 온도 등의 총 15개 변수가 혐기성 소화조 운전과 연관되어 있음을 확인한 이후 15개의 변수 중 소화가스 발생량과의 상관분석을 통해 상관도가 낮은(≤0.4) 항목을 제외하였다. 이 과정을 통해 최종적으로 상관도 0.4보다 높은 8개 변수가 소화가스 발생량 예측을 위한 운전변수로서 인공신경망의 입력변수로 적용되었다. 상기 8개의 변수는 아래의 [표 1]에 잘 나타나 있다.
표 1
No. 운전 변수 평균 표준편차 단위
1 유입 TS 37522.8595 5831.00754 mg/L
2 유입 VS 28319.5785 5333.04220 mg/L
3 조내 온도 36.7562 2.55222 ℃
4 유출 TS 22916.5041 4033.35327 mg/L
5 유출 VS 13264.6281 2550.94030 mg/L
6 VA (유기산) 221.3884 112.67877 mg/L
7 알칼리도 3411.7107 801.44398 mg/L
8 유기물 부하 1.8612 0.42191 kg/m3d
인공신경망 구조로는 multi-layer feed-forward network를 선정하였다. multi-layer feed-forward network는 입력층(Input layer), 은닉층(Hidden layer), 출력층(Output layer)으로 구성되어 있으며, 입력층과 은닉층의 뉴런의 수는 예측변수에 따른 특성으로 달라진다. 시행착오법을 적용하여, 소화가스 예측을 위해 3개의 은닉층이 도출되었으며, 첫 번째 은닉층의 뉴런 수는 5개, 두 번째 은닉층의 뉴런 수는 8개 및 세 번째 은닉층의 뉴런 수는 7개가 적용되었다. 각 층의 뉴런들은 연결 가중치에 의해 연결된다. 도출된 인공신경망 구조는 도면 3에 나타내었다.
인공신경망 모델 훈련을 위해 85개의 운전 데이터가 활용되었으며, 이를 제외한 36개의 운전 데이터가 모델 검증에 활용되었다. 인공신경망 모델 훈련 결과를 도면 4에 나타내었고, 모델 검증 결과를 도면 5에 나타내었다. 인공신경망 모델 훈련 및 검증 결과를 통해 소화가스 발생량 예측이 가능한 모델이 성공적으로 도출되었음을 확인할 수 있었다. 보다 정량적인 분석을 위해 RMSE(Root Mean Square Error)값을 도출하였다. 계산에 사용된 RMSE 분석식은 다음과 같다.
Figure PCTKR2014002585-appb-I000001
여기서, N은 변수의 총 수, Xm,i은 측정값, Xs,i은 시뮬레이션 결과값을 나타낸다.
훈련 과정의 RMSE는 951.27 m3/day이며, 검증 과정의 RMSE는 2741.9 m3/day로 10% 이하의 낮은 오차로 확인되었다. 도출된 인공신경망 모델을 통해, 현장 운전자가 8개의 입력 변수의 값을 임의적으로 조정함으로써 발생될 수 있는 소화가스량을 예측할 수 있다.
본 발명에서는 혐기성 소화조 운전상태 진단과 소화가스 예측을 위한 인공신경망 모델을 프로그램 내부에 탑재하여 운전자에게 제공할 수 있도록 프로그램을 개발하였다. 개발된 프로그램 화면을 도면 6에 나타내었다. 도면 6의 좌측 상단에는 대상 하수처리장의 슬러지 처리 공정도를 나타내었으며, 우측 상단에는 조내 온도, 상하부 온도차, pH, VA, 체류시간 및 유기물 부하와 같은 운전 변수들의 적정 범위를 제시해준다. 하단에는 개발된 인공신경망 모델이 탑재되어 사용자가 임의적으로 운전 변수를 조정하였을 때 발생될 수 있는 소화가스량을 제시할 수 있도록 전체 프로그램을 구성하였다. 이와 같은 프로그램을 통해 임의로 입력한 운전 변수의 설정치를 하수처리장 운전자가 확인 후 운전자 의사결정을 통해 실제 혐기성 소화조 운영에 반영한다면, 하수처리장 혐기성 소화조에서 발생되는 소화가스량을 증가시킬 수 있을 것으로 판단된다.
이상의 설명은 본 발명을 예시적으로 설명한 것에 불과한 것으로, 본 발명이 속하는 기술분야에서 통상의 지식을 가지는 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 변형이 가능할 것이다. 따라서 본 명세서에 개시된 실시예들은 본 발명을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 사상과 범위가 한정되는 것은 아니다. 본 발명의 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
본 발명은 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법에 관한 것이기 때문에 다수의 하수처리장에 적용할 수 있어 널리 산업상 이용가능성이 있다고 볼 수 있다.

Claims (8)

  1. 하수처리장의 유입/유출 수질 데이터 및 공정운영 데이터를 저장하는 데이터베이스로부터 하수처리장의 혐기성 소화조의 운전에 필요한 데이터를 호출하는 데이터호출부;
    상기 데이터호출부로부터 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 소화조 상태 진단부;
    상기 소화조 상태 진단부로부터 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 소화가스 발생량 예측부; 및
    상기 소화가스 발생량 예측부에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 소화가스 증감 운전조건 적용부;를 포함하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템.
  2. 제 1항에 있어서,
    상기 데이터호출부는 개별 하수처리장에서 별도로 운영되고 있는 데이터베이스에 축적되는 과거의 모든 데이터 중 하수처리장의 혐기성 소화조의 운전과 연관성이 있는 주요 데이터들을 자동으로 호출하는 것을 특징으로 하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템.
  3. 제 2항에 있어서,
    상기 하수처리장의 혐기성 소화조의 운전과 연관성이 있는 주요 데이터들은 소화조 유입유량, 유입 총슬러지, 유출 총슬러지, 소화 온도, 알칼리도, 유입 휘발성슬러지, 유출 휘발성슬러지, 유기산, 유기물 부하 및 체류시간 중에서 적어도 하나 이상인 것을 특징으로 하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템.
  4. 제 1항에 있어서,
    상기 소화조 상태 진단부의 혐기성 소화조의 최적의 운전범위는 다수의 하수처리장의 혐기성 소화조들로부터 혐기성 소화조의 운전과 연관된 운전변수들을 추출하여 도출되며, 상기 소화조 상태 진단부는 현재 운전 중인 혐기성 소화조의 운전변수가 상기 혐기성 소화조의 최적의 운전범위에 해당하는 운전변수들의 범위를 적어도 하나 이상 벗어나는지를 판단하여 혐기성 소화조의 운영상태를 진단하는 것을 특징으로 하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템.
  5. 제 1항에 있어서,
    상기 소화가스 발생량 예측부의 인공신경망 모델은 상기 소화조 상태 진단부로부터 도출된 혐기성 소화조의 운영상태에 해당하는 운전변수를 입력값으로 하여 인공신경망에 대입하여 은닉층을 통한 신호전달을 반복적으로 행하고, 오차를 최소화하기 위한 학습을 행하여 연결 가중치를 조절하며, 상기 연결 가중치에 따라 운전변수를 입력하여 소화가스의 발생량을 예측하는 것을 특징으로 하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템.
  6. 하수처리장의 유입/유출 수질 데이터 및 공정운영 데이터를 저장하는 데이터베이스로부터 소화조 유입유량, 유입 총슬러지, 유출 총슬러지, 소화 온도, 알칼리도, 유입 휘발성슬러지, 유출 휘발성슬러지, 유기산, 유기물 부하 및 체류시간 중에서 적어도 하나 이상으로 구성되는 하수처리장의 혐기성 소화조의 운전에 필요한 데이터를 자동으로 호출하는 데이터호출단계;
    상기 호출된 데이터를 전달받아 상기 호출된 데이터와, 혐기성 소화조의 최적의 운전범위들과 비교하여 현재 운전 중인 혐기성 소화조의 운영상태에 대한 진단결과를 도출하는 소화조 상태 진단단계;
    상기 도출된 혐기성 소화조의 운영상태에 대해 인공신경망 모델을 적용하여 혐기성 소화조에서 발생되는 소화가스의 발생량을 증감시킬 수 있는 혐기성 소화조의 운전조건으로 변경하여 소화가스의 발생량을 예측할 수 있는 소화가스 발생량 예측단계; 및
    상기 소화가스 발생량 예측단계에 의해 변경된 운전조건을 하수처리장의 각 구동기(actuator)에 적용하는 소화가스 증감 운전조건 적용단계;를 포함하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법.
  7. 제 6항에 있어서,
    상기 소화조 상태 진단단계의 혐기성 소화조의 최적의 운전범위는 다수의 하수처리장의 혐기성 소화조들로부터 혐기성 소화조의 운전과 연관된 운전변수들을 추출하여 도출되며, 상기 소화조 상태 진단단계는 현재 운전 중인 혐기성 소화조의 운전변수가 상기 혐기성 소화조의 최적의 운전범위에 해당하는 운전변수들의 범위를 적어도 하나 이상 벗어나는지를 판단하여 혐기성 소화조의 운영상태를 진단하는 것을 특징으로 하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법.
  8. 제 6항에 있어서,
    상기 소화가스 발생량 예측단계의 인공신경망 모델은 상기 소화조 상태 진단단계로부터 도출된 혐기성 소화조의 운영상태에 해당하는 운전변수를 입력값으로 하여 인공신경망에 대입하여 은닉층을 통한 신호전달을 반복적으로 행하고, 오차를 최소화하기 위한 학습을 행하여 가중치를 조절하며, 상기 가중치에 따라 운전변수를 입력하여 소화가스의 발생량을 예측하는 것을 특징으로 하는 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측방법.
PCT/KR2014/002585 2014-03-26 2014-03-27 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법 WO2015147351A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020140035316A KR20150111675A (ko) 2014-03-26 2014-03-26 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법
KR10-2014-0035316 2014-03-26

Publications (1)

Publication Number Publication Date
WO2015147351A1 true WO2015147351A1 (ko) 2015-10-01

Family

ID=54195848

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2014/002585 WO2015147351A1 (ko) 2014-03-26 2014-03-27 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법

Country Status (2)

Country Link
KR (1) KR20150111675A (ko)
WO (1) WO2015147351A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334977A (zh) * 2017-12-28 2018-07-27 鲁东大学 基于深度学习的水质预测方法及系统
CN113912255A (zh) * 2021-11-05 2022-01-11 烟台清泉实业有限公司 一种污泥半干化处理系统及处理方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101830150B1 (ko) * 2016-12-30 2018-02-20 서울시립대학교 산학협력단 혐기성 소화가스 생산촉진을 위한 공정모델 예측제어 시스템 및 그 방법
KR102348977B1 (ko) * 2020-11-18 2022-01-11 (주)파이브텍 바이오가스플랜트 통합운영관리 플랫폼 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004025160A (ja) * 2002-06-21 2004-01-29 H2L Co Ltd 神経回路網及び逆転波アルゴリズムによる下排水処理人工知能制御システム及び方法
KR20090078501A (ko) * 2008-01-15 2009-07-20 부산대학교 산학협력단 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분농도의 예측 방법 및 장치
KR100965756B1 (ko) * 2008-01-15 2010-06-24 부산대학교 산학협력단 하수처리장 공정 운영 상태 진단을 위한 방법 및 장치
KR20100109172A (ko) * 2009-03-31 2010-10-08 주식회사 에코솔루션 혐기성 소화조 예측제어시스템 및 혐기성 소화조 예측제어시스템으로 유기성 폐기물을 처리하는 방법
KR20110001532A (ko) * 2009-06-30 2011-01-06 부산대학교 산학협력단 사전 예측 제어 기반 하·폐수 처리 시스템 및 하·폐수 처리 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004025160A (ja) * 2002-06-21 2004-01-29 H2L Co Ltd 神経回路網及び逆転波アルゴリズムによる下排水処理人工知能制御システム及び方法
KR20090078501A (ko) * 2008-01-15 2009-07-20 부산대학교 산학협력단 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분농도의 예측 방법 및 장치
KR100965756B1 (ko) * 2008-01-15 2010-06-24 부산대학교 산학협력단 하수처리장 공정 운영 상태 진단을 위한 방법 및 장치
KR20100109172A (ko) * 2009-03-31 2010-10-08 주식회사 에코솔루션 혐기성 소화조 예측제어시스템 및 혐기성 소화조 예측제어시스템으로 유기성 폐기물을 처리하는 방법
KR20110001532A (ko) * 2009-06-30 2011-01-06 부산대학교 산학협력단 사전 예측 제어 기반 하·폐수 처리 시스템 및 하·폐수 처리 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334977A (zh) * 2017-12-28 2018-07-27 鲁东大学 基于深度学习的水质预测方法及系统
CN108334977B (zh) * 2017-12-28 2020-06-30 鲁东大学 基于深度学习的水质预测方法及系统
CN113912255A (zh) * 2021-11-05 2022-01-11 烟台清泉实业有限公司 一种污泥半干化处理系统及处理方法
CN113912255B (zh) * 2021-11-05 2023-05-02 烟台清泉实业有限公司 一种污泥半干化处理系统及处理方法

Also Published As

Publication number Publication date
KR20150111675A (ko) 2015-10-06

Similar Documents

Publication Publication Date Title
CN103744293B (zh) 基于模糊神经网络的废水处理监控方法和系统
EP0432267B1 (en) Supporting method and system for process control
WO2015147351A1 (ko) 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법
Ferrer et al. DESASS: a software tool for designing, simulating and optimising WWTPs
Comas et al. Risk assessment modelling of microbiology-related solids separation problems in activated sludge systems
Akbaş et al. An integrated prediction and optimization model of biogas production system at a wastewater treatment facility
Carrasco et al. Diagnosis of acidification states in an anaerobic wastewater treatment plant using a fuzzy-based expert system
EP3353613A1 (en) System and method for wastewater treatment process control
CN109928493A (zh) 一种基于大数据与进化算法的精确溶氧控制调节方法
US11403546B2 (en) Fault monitoring method for sewage treatment process based on fuzzy width adaptive learning model
KR102348977B1 (ko) 바이오가스플랜트 통합운영관리 플랫폼 시스템
US20200331783A1 (en) Decision support system and method for watertreatment
WO2012002713A2 (ko) 하폐수 처리장의 공정진단 시스템 및 방법
JP2000218263A (ja) 水質制御方法及びその装置
Flores-Alsina et al. Including the effects of filamentous bulking sludge during the simulation of wastewater treatment plants using a risk assessment model
Shi et al. Back propagation neural network (BPNN) prediction model and control strategies of methanogen phase reactor treating traditional Chinese medicine wastewater (TCMW)
CN114565154A (zh) 一种渗滤液生化段碳源投加量的预测方法及优化算法
Türkmenler et al. Performance assessment of advanced biological wastewater treatment plants using artificial neural networks
CN112250166B (zh) 基于智能化sbr电极工艺的印染废水高效脱毒梯度处理方法
CN112250246B (zh) 一种智能化偶氮染料废水脱毒与深度处理方法
Bernard et al. An integrated system to remote monitor and control anaerobic wastewater treatment plants through the internet
CN109740783A (zh) 基于危废处理场选址的双目标规划方法
Fu et al. Dissolved oxygen control system based on the TS fuzzy neural network
Comas et al. Extension of the IWA/COST simulation benchmark to include expert reasoning for system performance evaluation
Jing et al. Wastewater treatment plant network design using a multiscale two-stage mixed integer stochastic model

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14887026

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14887026

Country of ref document: EP

Kind code of ref document: A1