KR20160114211A

KR20160114211A - 수 처리 시스템 및 방법

Info

Publication number: KR20160114211A
Application number: KR1020150039883A
Authority: KR
Inventors: 김만수; 이승필; 김진식; 황규석; 박균영
Original assignee: 대양엔바이오(주); 주식회사 광명전기
Priority date: 2015-03-23
Filing date: 2015-03-23
Publication date: 2016-10-05

Abstract

본 발명은 수 처리 시스템 및 방법에 관한 것이다. 본 발명은 안정적인 수 처리뿐만 아니라 에너지를 절감하는 경제 효율적인 수 처리 시스템 및 방법을 제공한다.

Description

수 처리 시스템 및 방법{WASTEWATER TREATMENT SYSTEME AND METHOD}

본 발명은 수 처리 시스템 및 방법에 관한 것으로, 더욱 상세하게는 효율적으로 에너지 최적화 운영기술이 도입된 수 처리 시스템 및 방법에 관한 것이다.

하수처리장은 생물학적 공정으로써 그 반응이 매우 복잡하여 공정 거동을 이해하기가 어려우며, 또한 공정상태 및 거동을 알기 위해서는 많은 분석을 필요로 한다. 이에 따라, 현재 거의 모든 하수처리장의 운영은 숙련된 운전자의 경험 지식에 의존하고 있다. 이는 수 처리 공정의 자동화 및 인건비 절감이라는 측면에서 바람직하지 않을 뿐 아니라 운전자의 경험적 지식은 누적된 지식의 양이 크면 클수록 신뢰성이 보장되나 그 영속성과 객관성, 처리 가능한 정보의 양은 보장받기 힘들다. 또한 운전자의 경험적 지식에 의존하여 하수처리장을 운영할 경우, 하수처리장의 에너지를 절감하는데 많은 어려움이 존재하게 된다.

본 발명의 배경기술은 대한민국 공개특허 제2006-0095273호(2006.08.31 공개, 하수 처리 시스템과 열병합 발전 시스템을 연계하는 통합에너지 순환 이용 시스템)에 개시되어 있다.

본 발명은 안정적인 수 처리뿐만 아니라 에너지를 절감하는 경제 효율적인 수 처리 시스템 및 방법을 제공한다.

본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

본 발명의 일 측면에 따르면 수 처리 시스템이 제공된다.

본 발명의 일 실시 예에 따른 수 처리 시스템은 각 수 처리 공정에서 수질데이터를 수집하는 수질데이터 수집부, 각 수 처리 공정에 설치된 전력기기로부터 전력 데이터를 수집하는 전력데이터 수집부, 수질데이터 및 전력데이터를 이용하여 수질 기준 범위에 만족하는 운영인자 및 전력 사용량에 기초하여 산출한 운영비용에 따른 최적 수 처리 제어 방법을 설정하는 수 처리 관리 시스템을 포함할 수 있다.

본 발명의 다른 일 측면에 따르면 수 처리 방법 및 이를 실행하는 컴퓨터 프로그램이 제공된다.

본 발명의 일 실시 예에 따른 수 처리 방법 및 이를 실행하는 컴퓨터 프로그램은 각 수 처리 공정의 수질데이터, 각 수 처리 공정에서 사용되는 전력기기의 전력데이터를 포함하는 운영데이터를 수집하는 단계, 미리 설정된 수질 기준 및 수질 기준을 달성하기 위하여 활용하는 수 처리 공정의 운영인자를 도출하는 단계, 수질 데이터 및 전력 데이터를 이용하여 수질 기준의 범위에 만족하는 운영인자의 범위를 산출하는 단계, 운영인자 및 유출수의 수질데이터를 각각 변수로 설정하여 운영인자와 처리 수질의 상관 관계 분석을 위한 최적 모델을 선정하는 단계, 최적 모델의 운영인자에 따른 전력사용량을 분석하는 단계, 운영인자 및 전력사용량에 기초한 운영비용을 산출하는 단계 및 운영비용에 기초한 수 처리 공정의 최적 제어방법을 설정하는 단계를 포함할 수 있다.

본 발명은 수 처리 시스템의 효율적 관리를 통하여 현장 중심의 스마트 운영 진단이 가능하다.

본 발명은 주요 운영인자와 처리수질, 에너지 효율과의 상관관계를 분석하고 최적 운영인자를 제시하여 수 처리 시스템의 에너지 최적화 운영기술의 확립이 가능하다.

본 발명은 하수 및 폐수 처리시설의 스마트 운영을 통하여 유지관리 비용 및 에너지 절감방안을 제시하고 공정진단의 표준화 기술의 개발이 가능하다.

도 1은 본 발명의 일 실시 예에 따른 수 처리 시스템을 설명하기 위한 도면.
도 2는 본 발명의 일 실시 예에 따른 수 처리 시스템의 구성도.
도 3은 본 발명의 일 실시 예에 따른 수 처리 방법을 설명하기 위한 도면.
도 4 내지 도 15는 본 발명의 일 실시 예에 따른 수 처리 방법을 더욱 상세하게 설명하기 위한 도면들.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명하도록 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 또한, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.

이하, 첨부된 도면을 참고하여, 본 발명의 실시를 위한 구체적인 내용을 설명하도록 한다.

도 1은 본 발명의 일 실시 예에 따른 수 처리 시스템을 설명하기 위한 도면이다.

도 1을 참조하면, 본 발명에 따른 수 처리 시스템은 수 처리 관리 시스템(100), 수질 데이터 수집 장치(200) 및 전력 데이터 수집 장치(300)를 포함한다.

수 처리 관리 시스템(100)은 각 수 처리 공정에서 수질 데이터를 입력하고, 수 처리 공정에 설치된 전력기기로부터 전력 데이터를 입력한다. 수 처리 관리 시스템(100)은 수집한 수질 데이터 및 전력 데이터를 이용하여 수질 기준 범위에 만족하는 수 처리 공정 운영인자의 범위를 산출하고, 운영인자와 처리수질과의 상관 관계 분석을 위한 최적 모델을 선정한다. 수 처리 관리 시스템(100)은 선정된 최적 모델의 운영인자의 범위에 따른 전력 사용량을 분석하고, 운영인자 및 전력사용량에 기초한 경제 효율적 운영비용을 산출한다. 수 처리 관리 시스템(100)은 경제 효율적 운영비용에 기초하여 최적 수 처리 제어방법을 설정하고, 각 수 처리 공정을 제어한다. 이에 대해서는 도 2에서 더욱 상세히 설명하기로 한다.

수질 데이터 수집 장치(200)는 각 수 처리 공정에 설치되어 수질 데이터를 수집한다. 여기서, 수 처리 공정은 1차 침전지, 혐기조, 무산소조, 호기조, 2차 침전지 중 적어도 하나를 포함할 수 있으며, 이에 한정되지 않는다. 또한, 수질 데이터는 수질을 나타내는 데이터로 예를 들면, 온도, pH, 용존산소량(DO), 생물학적산소요구량(BOD), 화학적 산소요구량(COD), 슬러지양(SS), 총인(T-P), 총질소(T-N) 중 적어도 하나를 포함할 수 있으며, 이에 한정되지 않는다. 수질 데이터 수집 장치(200)는 네트워크를 통하여 유무선으로 수 처리 관리 시스템(100)과 연결되어 수집한 수질 데이터를 수 처리 관리 시스템(100)으로 전송한다. 여기서, 수질 데이터는 수 처리 관리 시스템(100)으로의 전송을 위하여 데이터 포맷이 변환될 수 있다.

전력 데이터 수집 장치(300)는 각 수 처리 공정의 공정 설비와 연결된 전력 사용량 측정장치로부터 공정 설비의 전력 사용량을 나타내는 전력 데이터를 수집한다. 여기서, 공정 설비는 예를 들면, 유입펌프, 송풍기, 모터 등을 포함하되 이에 한정되지 않는다. 여기서, 전력 데이터는 수 처리 관리 시스템(100)으로의 전송을 위하여 데이터 포맷이 변환될 수 있다.

도 2는 본 발명의 일 실시 예에 따른 수 처리 시스템의 구성도이다.

도 2를 참조하면, 수 처리 관리 시스템(100)은 운영데이터 수집부(110), 운영인자 도출부(120), 최적모델 선정부(130), 전력사용량 분석부(140), 경제효율성 분석부(150) 및 최적제어방법 설정부(160)를 포함한다.

운영데이터 수집부(110)는 각 수 처리 공정에서 운영데이터를 수집한다. 여기서, 운영데이터는 각 수 처리 공정에서 수집된 수질 데이터 및 각 수 처리 공정에 설치된 전력기기로부터 수집된 전력 데이터를 포함한다. 수 처리 공정은 하수 처리공정, 상수 처리공정 및 폐수처리 공정 등 수질 개선을 위하여 물리적, 화학적 및 생물학적 처리 중 적어도 하나의 처리를 적용하는 공정을 모두 포함한다. 전력기기는 예를 들면, 유입펌프, 송풍기 등의 전력을 사용하는 공정 장비를 포함한다.

운영인자 도출부(120)는 수 처리 공정을 운영하기 위한 운영인자를 도출하고, 수집한 운영데이터를 이용하여 수질 기준 범위에 만족하는 수 처리 공정 운영인자의 범위를 산출한다. 여기서, 운영인자는 수 처리 관리 시스템(100)의 운영과 관련된 인자로 예를 들면, F/M(Food to Microorganism)비, SRT(Solids Retention Time), C/N(Carbon to Nitrogen)비, C/P(Carbon to Phosphorus)비, HRT(Hydraulic Retention Time), SNR(Specific Nitrification Rate), SDNR(Specific Denitrification Rate), DO(Dissolved Oxygen) 중 적어도 하나를 포함할 수 있으며, 이에 한정되지 않는다.

최적모델 선정부(130)는 운영인자와 처리 수질과의 상관 관계 분석을 위한 최적 모델을 선정한다. 여기서, 최적 모델은 선형적 확률론적 모델인 다중회귀분석 모델, 비선형적 확률론적 모델인 인공신경망 모델, 결정론적 모델인 ASM(Activated Sludge Models) 모델 중 적어도 둘을 시뮬레이션 하여 가장 예측정확도가 높은 모델을 선정될 수 있다. 최적모델 선정부(130)는 선형적 확률론적 모델로 다중회귀분석 모델을 분석하고, 조건을 달리 설정하여 생성한 복수의 다중회귀분석 모델들의 예측정확도가 미리 설정된 허용 범위 이내인 경우, 복수의 다중회귀분석 모델 각각에 대해 산출된 제어 가능한 운영인자의 표준화 회귀계수의 합이 높은 하나의 다중회귀분석 모델을 선정할 수 있다. 최적모델 선정부(130)는 비선형적 확률론적 모델로 인공신경망 모델을 분석하고, 인공신경망 모델의 데이터 학습을 위한 파라미터를 달리 설정하여 생성한 복수의 인공신경망 모델들의 예측정확도가 미리 설정된 허용 범위 이내인 경우, 복수의 인공신경망 모델 각각에 대해 산출된 제어 가능한 운영인자의 민감도가 높은 하나의 인공신경망 모델을 선정할 수 있다. 최적 모델 선정부(130)는 결정론적 모델로 ASM(Activated Sludge Models) 모델을 분석하며 ASM 모델의 반응식 변수를 달리 설정하여 생성한 복수의 ASM 모델들의 예측정확도가 미리 설정된 허용 범위 이내인 경우, 복수의 ASM 모델 각각에 대해 산출된 제어 가능한 운영인자의 민감도가 높은 하나의 ASM 모델을 선정할 수 있다. 이후, 최적모델 선정부(130)는 각각 선정한 다중회귀분석모델, 인공신경망 모델 및 ASM 모델 중 예측정확도가 가장 높은 하나의 모델을 최종적으로 선정할 수 있다.

전력사용량 분석부(140)는 선정된 최적 모델의 운영인자의 범위에 따른 전력 사용량을 분석한다.

경제효율성 분석부(150)는 분석한 운영인자 및 전력사용량에 기초한 경제 효율적 운영비용을 산출한다. 여기서, 경제 효율적 운영비용은 수 처리 공정의 운영인자의 범위에 기초한 약품비용, 전력사용비용, 설비 유지관리비용 및 인건비용 중 적어도 하나를 포함할 수 있다. 여기서, 전력사용비용은 시간대별, 계절별, 전력피크 중 적어도 하나에 따라 변동될 수 있다.

최적제어방법 설정부(160)는 경제효율성 분석에 따른 수 처리 공정의 최적 제어 방법을 설정한다.

도 3은 본 발명의 일 실시 예에 따른 수 처리 방법을 설명하기 위한 도면이다.

도 3을 참조하면, 단계 S310에서 수 처리 관리 시스템(100)은 각 수 처리 공정의 수질데이터, 각 수 처리 공정에서 사용되는 전력기기의 전력데이터를 포함하는 운영데이터를 수집한다.

단계 S320에서 수 처리 관리 시스템(100)은 미리 설정된 수질 기준 및 수질 기준을 달성하기 위하여 활용하는 수 처리 공정의 운영인자를 도출한다.

단계 S330에서 수 처리 관리 시스템(100)은 수집한 수질 데이터 및 전력 데이터를 이용하여 수질 기준 범위에 만족하는 수 처리 공정 운영인자의 범위를 산출한다.

단계 S340에서 수 처리 관리 시스템(100)은 도출한 운영인자 및 유출수의 수질데이터를 각각 변수로 설정하여 운영인자와 처리 수질의 상관 관계 분석을 위한 최적 모델을 선정한다. 이에 대해서는 이하 도 4 내지 도 12에서 상세히 설명하기로 한다.

단계 S350에서 수 처리 관리 시스템(100)은 최적 모델의 수 처리 공정 운영인자 범위에 따른 전력사용량을 분석한다.

단계 S360에서 수 처리 관리 시스템(100)은 수 처리 공정 운영인자 및 전력사용량에 기초한 경제 효율적 운영비용 산출한다. 수 처리 관리 시스템(100)은 예를 들면, 각 운영인자 별 전력사용량에 따른 일별, 시간대별 산정된 전력요금을 검색하여 각 운영인자 별 전력요금을 정확히 계산할 수 있다.

단계 S370에서 수 처리 관리 시스템(100)은 경제 효율적 운영비용에 기초한 수 처리 공정의 최적 제어방법을 설정한다.

도 4 내지 도 15는 본 발명의 일 실시 예에 따른 최적 모델 선정 방법을 더욱 상세하게 설명하기 위한 도면들이다.

도 4를 참조하면, 단계 S342에서 수 처리 관리 시스템(100)은 도출한 운영인자를 독립변수로 선정하고, 설정된 수질 기준을 종속변수로 선정한다. 여기서, 수질 기준은 유출수의 수질 데이터를 이용할 수 있다.

단계 S344에서 수 처리 관리 시스템(100)은 운영인자와 처리 수질의 상관 관계 분석을 시뮬레이션 하는 복수의 모델을 생성한다. 여기서, 복수의 모델은 선형적 확률론적 모델인 다중회귀분석 모델, 비선형적 확률론적 모델인 인공신경망 모델, 결정론적 모델인 ASM(Activated Sludge Models) 모델 중 적어도 둘을 포함할 수 있다.

이하에서는 우선 다중회귀분석 모델 생성에 대해 순서대로 상세히 설명하기로 한다.

도 5를 참조하면, 단계 S510에서 수 처리 관리 시스템(100)은 선정된 독립변수(운영인자)와 종속변수(설정된 수질 기준)을 다중회귀분석 모델에 입력한다.

도 8을 참조하면, 수 처리 관리 시스템(100)은 예를 들면, 처리수질 데이터로 유출수 COD(810), 유출수 T-N(820), 유출수 T-P(830) 등 3개 변수를 종속변수로 설정하였고 나머지 28개 변수를 독립변수로 설정할 수 있다.

단계 S520에서 수 처리 관리 시스템(100)은 단계선택법 다중회귀 분석을 실행한다. 여기서, 다중 회귀분석(Regression Analysis)은 종속변수(Y)와 독립변수들(X1, X2, X3 ...... Xn) 사이의 관계를 분석하는 통계적 기법이다. 다중선형회귀모형의 일반적인 형태는 다음 수식 1과 같이 표현한다.

수식1

: 종속변수

: 부분회귀계수

: 독립변수

: 오차항

다중회귀모형의 변수선택 방법에는 전진선택법(Forward selection), 후진제거법(Backward elimination), 단계선택법(Stepwise selection) 3가지가 있다. 전진선택법은 종속변수에 가장 영향이 큰 독립변수부터 하나씩 증가시키면서 가장 적절한 모형을 찾아가는 방법이고, 후진제거법은 설정한 모든 독립변수를 포함시킨 후 유의하지 않는 독립변수들을 하나씩 제거해 나가면서 가장 적절한 모형을 찾는 방법이다. 이러한 두 가지 변수선택방법들은 한번 선택된 독립변수는 모형에서 제거되지 않는다는 단점이 있다. 이러한 단점을 보완한 방법이 단계선택법이다. 단계선택법은 전진선택법과 유사하나 독립변수가 모형에 포함될 때 마다 이미 선택된 독립변수들에 대하여 유의성 검정을 실시하여 독립변수의 존속여부를 다시 판단하는 방법이다. 수 처리 관리 시스템(100)은 다중회귀분석을 위하여 통계분석 소프트웨어인 SAS 9.2을 사용할 수 있으며, 모형의 F검정과 변수선택법의 변수 선택 시 유의수준을 0.05로 설정할 수 있다.

단계 S530에서 수 처리 관리 시스템(100)은 회귀분석 과정 중 독립변수 간의 다중공선성 문제가 발생되게 되면, 검토 후 독립변수를 제거한다. 여기서, 다중공선성에 대한 검토는 단계선택법을 이용하여 변수를 선정한 다음 변수의 분산팽창계수(variance inflation factor, VIF)를 산출한 후 그 값이 10이상인 변수가 존재한 경우, 검토 후 모형에서 제거하고 다시 단계선택법을 사용하여 변수를 선택한다.

이후 수 처리 관리 시스템(100)은 이상치와 영향치에 대한 검정 적용 유무에 따라 CASE 1 및 CASE 2로 구분하여 표준화 회귀계수를 확인한다. 여기서, CASE 1은 이상치와 영향치에 대한 검정을 비적용한 것이고, CASE 2는 이상치와 영향치에 대한 검정을 적용한 것이다.

단계 S540에서 수 처리 관리 시스템(100)은 이상치와 영향치에 대한 검정을 비적용(CASE 1)하기 위하여 이상치 및 영향치를 제거하고, 표준화 회귀계수를 산출한다.

단계 S550에서 수 처리 관리 시스템(100)은 이상치와 영향치에 대한 검정을 적용(CASE 2)하여 표준화 회귀계수를 산출한다.

도 9를 참조하면, 수 처리 관리 시스템(100)은 예를 들면, 도 9의 표와 같이 운영인자에 대한 표준화 회귀계수를 산출할 수 있다. 수 처리 관리 시스템(100)은 3가지 종속변수 유출수 COD(910), 유출수 T-N(920), 유출수 T-P(930)별로 표준화 회귀계수를 비교하여 영향력이 큰 순서대로 독립변수를 나열할 수 있으며, 그 중 제어가 가능한 운영인자에 대하여 별도로 분류할 수 있다.

단계 S560 및 단계 S570에서 수 처리 관리 시스템(100)은 CASE 1 및 CASE 2 각각의 RMSE 및 MAPE를 계산한다. 여기서, RMSE(Root Mean Square Error)는 직관적이면서도 의미 있는 예측모델의 정확도 평가 방법이며, RMSE는 아래 수식2로 계산된다.

수식2

여기서,

은 관측치의 수,

는 실측치 및

는 모델 예측치임.

RMSE는 각각의 차이 값인 잔차(residual)의 평균 제곱근으로, RMSE가 적을수록 모델이 보다 정확하다고 평가된다.

여기서, MAPE(Mean Absolute Percentage Error)는 아래 수식 3에 의해 계산된다.

수식 3

여기서

는 예측 자료의

번째 관측값,

는 예측 자료의

번째 예측값,

은 예측 자료의 수임.

MAPE는 MAPE < 10이면 매우 정확한 예측, 10 ≤ MAPE < 20이면 우수한 예측, 20 ≤ MAPE < 50 사이에 있으면 합리적 예측, MAPE > 50이면 부정확한 예측으로 해석될 수 있다.

도 10을 참조하면, 수 처리 관리 시스템(100)은 유출수 COD(1010), 유출수 T-N(1020), 유출수 T-P(1030) 등 3개 종속변수에 대해 RMSE 및 MAPE를 산출할 수 있다.

단계 S565 및 단계 S575에서 수 처리 관리 시스템(100)은 CASE 1 및 CASE 2 각각의 RMSE 및 MAPE가 미리 설정한 허용범위 이내인지 판단한다.

단계 S580에서 수 처리 관리 시스템(100)은 판단결과, RMSE 및 MAPE가 미리 설정한 허용범위 이내인 경우 각각 모델의 제어 가능한 운영인자의 표준화 회귀계수의 합이 높은 모델을 최종적으로 선택한다. 여기서, 표준화 회귀계수의 합이 높을수록 운전자의 선택으로 전력 사용량의 절감 가능성이 높을 수 있기 때문이다. 수 처리 관리 시스템(100)은 예를 들면, RMSE 오차의 허용 범위를 10% 이내로 설정한 경우 CASE 1의 오차는 8.5%, CASE 2의 오차는 9.0%라면, 각 모델이 허용범위 이내이기 때문에 제어 가능한 운영인자의 표준화 회귀계수의 합이 높은 모델을 선택할 수 있다. 수 처리 관리 시스템(100)은 예를 들면, CASE 1의 오차는 8.5%, CASE 2의 오차는 13%일 경우CASE 2의 오차가 미리 설정한 허용범위를 벗어나기 때문에 배제하고CASE 1 모델을 선택할 수 있다.

이하에서는 인공신경망 모델 생성에 대해 상세히 설명한다.

도 6을 참조하면, 단계 S610에서 수 처리 관리 시스템(100)은 선정된 독립변수(운영인자)와 종속변수(설정된 수질 기준)을 인공신경망 모델에 입력한다. 여기서, 인공신경망 모델은 생물의 신경전달 과정을 단순화하고 이를 수학적으로 해석한 모델로써, 복잡하게 얽혀있는 뉴런(neuron-신경세포: 신경망에서는 네트워크를 이루는 최소단위)을 통과시켜가면서 뉴런끼리의 연결강도를 조절하는 일종의 학습(training) 과정을 통해 문제를 분석한다. 이러한 과정은 사람이 학습하고 기억하는 과정과 비슷하며, 이를 통해 추론, 분류, 예측 등을 수행할 수 있다.

단계 S620에서 수 처리 관리 시스템(100)은 인공 신경망 데이터 학습을 위한 파라미터를 설정한다. 여기서, 파라미터는 은닉층수, 임계값, 사용할 알고리즘, 에러 값 중 적어도 하나를 포함할 수 있으며 이에 한정되지 않는다.

단계 S630 및 단계 S635에서 수 처리 관리 시스템(100)은 파라미터를 각각 다르게 설정한 제1 인공 신경망 모델 데이터 학습 및 제2 인공 신경망 모델 데이터 학습을 수행한다. 여기서, 제1 인공신경망 모델 및 제2 인공신경망 모델은 복수의 인공신경망 모델을 나타내며, 파라미터를 각각 다르게 설정한 둘 이상의 인공신경망이어도 상관없다. 도 11은 본 발명의 일 실시예에 따른 인공 신경망 학습 페이지의 예시 도면이다. 인공 신경망 학습 데이터는 학습 실행 일자 별로 구성되어 있으며 생성일자, 자료 설명, 입력 변수, 출력 변수의 리스트로 구성되어 있다. 선택된 신경망 학습 자료는 입력 변수와 출력 변수로 구성되어 있으며 사용자는 입력변수에 시뮬레이션 하고자 하는 입력 값을 입력 후 연산 버튼을 클릭 시 인공 신경망 서버에서 출력 변수의 시뮬레이션 값이 리턴 된다.

단계 S640 및 단계 S645에서 수 처리 관리 시스템(100)은 제1 인공신경망 모델 및 제2 인공신경망 모델 각각에 대한 RMSE 및 MAPE를 계산한다.

도 12를 참조하면, 수 처리 관리 시스템(100)은 예를 들면, 처리수질 데이터로 유출수 COD(1110), 유출수 T-N(1120), 유출수 T-P(1130) 등 3개 변수를 종속변수에 대해 RMSE 및 MAPE를 산출할 수 있다.

단계 S650 및 단계 S655에서 수 처리 관리 시스템(100)은 제1 인공신경망 모델 및 제2 인공신경망 모델 각각에 대한 운영인자 별 민감도를 분석한다. 여기서, 제어 가능한 운영인자는 별도로 분류될 수 있다.

단계 S660 및 단계 S665에서 수 처리 관리 시스템(100)은제1 인공신경망 모델 및 제2 인공신경망 모델 각각의 RMSE 및 MAPE가 미리 설정한 허용범위 이내인지 판단한다. 수 처리 관리 시스템(100)은 예를 들면, RMSE 오차의 허용 범위를 10% 이내로 설정한 경우, 제1 인공신경망 모델의 오차는 14.5%, 제2 인공신경망 모델의 오차는 9.5%일 경우 제1 인공신경망 모델의 오차가 미리 설정한 허용범위를 벗어나기 때문에 배제할 수 있다.

단계 S670에서 수 처리 관리 시스템(100)은 판단결과, RMSE 및 MAPE가 미리 설정한 허용범위 이내인 경우 각각 모델의 제어 가능한 운영인자의 민감도가 높은 인공신경망 모델을 최종적으로 선택한다. 수 처리 관리 시스템(100)은 예를 들면, 제1 인공신경망 모델의 오차는 7.5%, 제2 인공신경망 모델의 오차는 9.5%라면, 각 모델이 허용범위 이내이기 때문에 제어 가능한 운영인자의 민감도가 높은 모델을 선택할 수 있다.

이하에서는 ASM 모델의 생성에 대해 상세히 설명한다.

도 7을 참조하면, 단계 S710에서 수 처리 관리 시스템(100)은 종속변수(설정된 수질 기준)을 ASM 모델에 입력한다. 여기서, ASM모델은 일부 변수를 생략한 간략화된 ASM 모델일 수 있다.

단계 S720에서 수 처리 관리 시스템(100)은 반응조 별 대상물질의 반응식을 결정한다.

단계 S730 및 단계 S735에서 수 처리 관리 시스템(100)은 반응식 변수를 다르게 설정한 제1 ASM 모델 및 제2 ASM 모델 각각 반응식 변수를 최적화하고 모델을 최적화한다. 도 13 내지 도 15를 참조하면, 제1 ASM 모델 및 제2 ASM 모델은 각각 반응식 변수 및 파라미터가 달리 설정되어 모델이 최적화될 수 있다.

단계 S740 및 단계 S745에서 수 처리 관리 시스템(100)은제1 ASM 모델 및 제2 ASM 모델 각각의 RMSE 및 MAPE를 계산한다.

단계 S750 및 단계 S755에서 수 처리 관리 시스템(100)은 설정된 운영인자 대입조건 모델링을 통하여 제1 ASM 모델 및 제2 ASM 모델 각각에 대한 운영인자 별 민감도를 분석한다. 여기서, 제어 가능한 운영인자는 별도로 분류될 수 있다.

단계 S760 및 단계 S765에서 수 처리 관리 시스템(100)은제1 ASM 모델 및 제2 ASM 모델 각각의 RMSE 및 MAPE가 미리 설정한 허용범위 이내인지 판단한다. 수 처리 관리 시스템(100)은 예를 들면, RMSE 오차의 허용 범위를 10% 이내로 설정한 경우, 제1 ASM 모델의 오차는 8.5%, 제2 ASM 모델의 오차는 13.0%일 경우 제2 ASM 모델의 오차가 미리 설정한 허용범위를 벗어나기 때문에 배제할 수 있다.

단계 S770에서 수 처리 관리 시스템(100)은 판단결과, RMSE 및 MAPE가 미리 설정한 허용범위 이내인 경우 각각 모델의 제어 가능한 운영인자의 민감도가 높은ASM 모델을 최종적으로 선택한다. 수 처리 관리 시스템(100)은 예를 들면, 제1 ASM의 오차는 8.5%, 제2 ASM 모델의 오차는 9.0%라면, 각 모델이 허용범위 이내이기 때문에 제어 가능한 운영인자의 민감도가 높은 모델을 선택할 수 있다.

단계 S344에서 수 처리 관리 시스템(100)은 각 모델의 예측정확도에 기초하여 최적 모델을 선정한다. 여기서, 예측정확도는 RMSE 및 MAPE 중 적어도 하나에 기초할 수 있다.

본 발명의 다양한 실시예에 따른 수 처리 방법은 다양한 서버 등의 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현될 수 있다. 또한, 본 발명에 따른 수 처리 방법을 실행하는 프로그램은 컴퓨터 수단에 설치되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.

컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.

이제까지 본 발명에 대하여 그 실시 예들을 중심으로 살펴보았다. 다만, 전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 수 처리 관리 시스템
200: 수질 데이터 수집장치
300: 전력 데이터 수집장치

Claims

수 처리 시스템에 있어서,
각 수 처리 공정에서 수질데이터를 수집하는 수질데이터 수집부;
상기 각 수 처리 공정에 설치된 전력기기로부터 전력 데이터를 수집하는 전력데이터 수집부;
상기 수질데이터 및 상기 전력데이터를 이용하여 수질 기준 범위에 만족하는 운영인자 및 전력 사용량에 기초하여 산출한 운영비용에 따른 최적 수 처리 제어 방법을 설정하는 수 처리 관리 시스템을 포함하는 수 처리 시스템.
제1 항에 있어서,
상기 수 처리 관리 시스템은
상기 수질데이터 및 상기 전력데이터를 포함하는 운영데이터를 수집하는 운영데이터 수집부;
상기 수집한 운영데이터를 이용하여 수질 기준 범위에 만족하는 운영인자의 범위를 산출하는 운영인자 도출부;
상기 운영인자와 처리 수질과의 상관관계 분석을 위한 최적 모델을 선정하는 최적모델 선정부;
상기 최적 모델의 운영인자의 범위에 따른 전력 사용량을 분석하는 전력사용량 분석부;
상기 운영인자 및 상기 전력사용량에 기초한 운영비용을 산출하는 경제효율성 분석부; 및
상기 운영비용에 따른 상기 수 처리 공정의 최적 제어 방법을 설정하는 최적제어방법 설정부를 포함하는 수 처리 시스템.
제2항에 있어서,
상기 최적 모델 선정부는
상기 최적 모델을 선정하기 위하여 선형적 확률론적 모델, 비선형적 확률론적 모델 및 결정론적 모델 중 적어도 둘을 시뮬레이션 하는 수 처리 시스템.
제3항에 있어서,
상기 선형적 확률론적 모델, 상기 비선형적 확률론적 모델 및 상기 결정론적 모델 중 예측정확도가 높은 하나의 모델을 선정하는 수 처리 시스템.
제4항에 있어서,
상기 선형적 확률론적 모델은 다중회귀분석 모델이되,
조건을 달리 설정하여 생성한 복수의 다중회귀분석 모델들의 예측정확도가 미리 설정된 허용 범위 이내인 경우, 상기 복수의 다중회귀분석 모델 각각에 대해 산출된 제어 가능한 운영인자의 표준화 회귀계수의 합이 높은 하나의 다중회귀분석 모델을 선정하는 수 처리 시스템.
제4항에 있어서,
상기 비선형적 확률론적 모델은 인공신경망 모델이되,
상기 인공신경망 모델의 데이터 학습을 위한 파라미터를 달리 설정하여 생성한 복수의 인공신경망 모델들의 예측정확도가 미리 설정된 허용 범위 이내인 경우, 상기 복수의 인공신경망 모델 각각에 대해 산출된 제어 가능한 운영인자의 민감도가 높은 하나의 인공신경망 모델을 선정하는 수 처리 시스템.
제4항에 있어서,
상기 결정론적 모델은 ASM(Activated Sludge Models) 모델이되,
상기 ASM 모델의 반응식 변수를 달리 설정하여 생성한 복수의 ASM 모델들의 예측정확도가 미리 설정된 허용 범위 이내인 경우, 상기 복수의 ASM 모델 각각에 대해 산출된 제어 가능한 운영인자의 민감도가 높은 하나의 ASM 모델을 선정하는 수 처리 시스템.
제2항에 있어서,
상기 운영비용은 상기 각 수 처리 공정의 운영인자의 범위에 기초한 약품비용, 전력사용비용, 설비 유지관리비용 및 인건비용 중 적어도 하나를 포함하는 수 처리 시스템.
제8항에 있어서,
상기 전력사용비용은 각 운영인자 별 전력사용량에 따른 일별, 시간대별로 산정된 전력요금을 이용하여 계산하는 수 처리 시스템.
수 처리 방법에 있어서,
각 수 처리 공정의 수질데이터, 각 수 처리 공정에서 사용되는 전력기기의 전력데이터를 포함하는 운영데이터를 수집하는 단계;
미리 설정된 수질 기준 및 상기 수질 기준을 달성하기 위하여 활용하는 수 처리 공정의 운영인자를 도출하는 단계;
상기 수질 데이터 및 상기 전력 데이터를 이용하여 상기 수질 기준의 범위에 만족하는 상기 운영인자의 범위를 산출하는 단계;
상기 운영인자 및 유출수의 수질데이터를 각각 변수로 설정하여 운영인자와 처리 수질의 상관 관계 분석을 위한 최적 모델을 선정하는 단계;
상기 최적 모델의 운영인자에 따른 전력사용량을 분석하는 단계;
상기 운영인자 및 상기 전력사용량에 기초한 운영비용을 산출하는 단계; 및
상기 운영비용에 기초한 상기 수 처리 공정의 최적 제어방법을 설정하는 단계를 포함하는 수 처리 방법.
제10항에 있어서,
상기 운영인자 및 유출수의 수질데이터를 각각 변수로 설정하여 운영인자와 처리 수질의 상관 관계 분석을 위한 최적 모델을 선정하는 단계는
상기 도출한 운영인자를 독립변수로 선정하고, 상기 유출수의 수질데이터를 종속변수로 선정하는 단계;
상기 운영인자와 상기 처리 수질의 상관 관계를 시뮬레이션 할 복수의 모델을 생성하는 단계; 및
각 모델의 예측정확도에 기초하여 최적 모델을 선정하는 단계를 포함하는 수 처리 방법.
제11 항에 있어서,
상기 운영인자와 상기 처리 수질의 상관 관계를 시뮬레이션 할 복수의 모델을 생성하는 단계는
상기 선정된 독립변수 및 종속변수를 다중회귀분석 모델에 입력하는 단계;
조건을 다르게 설정한 복수의 다중회귀 분석을 실행하는 단계;
상기 복수의 다중회귀분석 모델의 표준화 회귀계수를 산출하는 단계;
상기 복수의 다중회귀분석 모델의 예측정확도를 산출하는 단계;
상기 예측정확도가 미리 설정된 허용범위 이내인지 판단하는 단계; 및
상기 판단 결과, 상기 예측정확도가 미리 설정된 허용범위 이내인 경우, 상기 복수의 다중회귀분석 모델 각각의 제어 가능한 운영인자의 표준화 회귀계수의 합이 가장 높은 다중회귀분석 모델을 선정하는 단계를 포함하는 수 처리 방법.
제12 항에 있어서,
상기 독립변수 간의 다중공선성 문제가 발생하는 경우 상기 독립변수를 제거하고 상기 단계선택법 다중회귀 분석을 재실행하는 단계를 더 포함하는 수 처리 방법.
제12 항에 있어서,
상기 표준화 회귀 계수를 산출하는 단계는
이상치와 영향치에 대한 검정을 적용하는 경우와 상기 이상치와 상기 영향치에 대한 검정을 비적용하는 경우에 각각 상기 표준화 회귀 계수를 산출하는 단계를 포함하는 수 처리 방법.
제11 항에 있어서,
상기 예측정확도는
RMSE(Root Mean Square Error) 및 MAPE(Mean Absolute Percentage Error) 중 적어도 하나를 이용하는 수 처리 방법.
제11 항에 있어서,
상기 운영인자와 상기 처리 수질의 상관 관계를 시뮬레이션 할 복수의 모델을 생성하는 단계는
상기 선정된 독립변수 및 종속변수를 인공신경망 모델에 입력하는 단계;
상기 인공신경망 모델의 데이터 학습을 위한 파라미터를 설정하는 단계;
상기 파라미터를 다르게 설정한 복수의 인공신경망 모델의 데이터 학습을 수행하는 단계;
상기 복수의 인공신경망 모델의 예측정확도를 산출하는 단계;
상기 예측정확도가 미리 설정된 허용범위 이내인지 판단하는 단계; 및
상기 판단 결과, 상기 예측정확도가 미리 설정된 허용범위 이내인 경우, 상기 복수의 인공신경망 모델 각각의 제어 가능한 운영인자의 민감도가 가장 높은 인공신경망 모델을 선정하는 단계를 포함하는 수 처리 방법.
제16 항에 있어서,
상기 인공신경망 모델의 데이터 학습을 위한 파라미터는 은닉층수, 임계값, 사용할 알고리즘 및 에러 값 중 적어도 하나를 포함하는 수 처리 방법.
제11 항에 있어서,
상기 운영인자와 상기 처리 수질의 상관 관계를 시뮬레이션 할 복수의 모델을 생성하는 단계는
상기 종속변수를 ASM(Activated Sludge Models) 모델에 입력하는 단계;
상기 수 처리 공정에 포함된 반응조 별 대상물질의 반응식을 결정하는 단계;
상기 반응식의 변수를 다르게 설정한 복수의 ASM 모델 각각에 대해 상기 반응식 변수를 최적화하여 상기 복수의 ASM 모델 각각을 최적화하는 단계; 및
상기 복수의 ASM 모델의 예측정확도를 산출하는 단계;
상기 예측정확도가 미리 설정된 허용범위 이내인지 판단하는 단계; 및
상기 판단 결과, 상기 예측정확도가 미리 설정된 허용범위 이내인 경우, 상기 복수의 ASM 모델 각각의 제어 가능한 운영인자의 민감도가 가장 높은 ASM 모델을 선정하는 단계를 포함하는 수 처리 방법.
제10항 내지 제18항 중 어느 한 항의 수 처리 방법을 실행하는 컴퓨터 프로그램.