남의석
(Eui-Seok Nahm)
†iD
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Activated Sludge Process, Fuzzy Model, Calibration, Environmental Standards, Sewage Treatment, TMS
1. 서 론
하수처리장은 환경 수질 기준 강화에 따라 지능형 공정제어를 통한 배출수의 수질 개선과 공정의 효율 개선을 포함한 처리장의 운영비 절감을 위한 다양한
노력들이 시도되어 운영되고 있다. 특히, 해외에서는 수질 개선을 위한 다양한 지능형(AI)기법들과 운영비 절감을 위한 전력비 절감 기술들이 공정에
적용되고 있다. 그러나, 국내에서는 하수처리 공정 데이터의 신뢰성이 부족하여 이러한 기술들의 현장 적용을 못하고 있는 실정이다. 데이터의 신뢰성이
떨어지는 이유는 일반적으로 하수처리장에 설치된 센서 계측기가 저가형으로 일정기간이 지나면 자주 보정을 해야 되나 경비 측면에서 실질적으로 보정이 수행되지
않기 때문이다. 또한 설치 장소에 따라 계측기 값이 변동이 심하기 때문이다.
따라서, 본 논문에서는 이러한 하수처리 공정의 입출력 데이터의 신뢰성을 확보하기 위하여 정밀한 계측기로 측정된 센서 값을 기반으로 실제 설치된 계측기
센서 값을 실시간 보정하여 지능형 기법들의 적용을 가능하게 하고자 한다.
국내의 경우, 대부분 공정의 데이터 값은 신뢰성이 있다는 전제 조건하에 공정 개선 연구들이 진행되어 왔다. 실제로 데이터 신뢰성 부분은 대부분 제어시스템에서
센서값의 상하한 설정으로만 진행되어 왔다. 따라서, 좋은 연구결과들을 현장에 적용할려고 하면 운전자들이 이런 데이터의 문제를 제시하여 실질적으로 적용되지
않고 단지 데이터를 이용한 시뮬레이터 또는 전문가 시스템 정도로만 적용되어 왔다.
국내의 경우는 대부분의 연구는 모델링과 시뮬레이션에 대한 연구로 진행되어 왔다. 즉, 하수처리장에서 수질 개선 공정처리 효율과 더불어 운영 측면의
운영비 절감 차원에서 최적 공법의 선택 및 설계의 필요성으로 인해 국내에서도 하수처리 공정모델 및 동적 시뮬레이션 중심으로 연구가 진행되어 왔다.
그러나, 그 어느 것도 현장에 적용되어 운영되는 것은 없다.
활성오니공정 모델 및 지능형 알고리즘 등과 관련하여 진행되고 있는 국내 연구를 살펴보면, 부산대학교에서는 IWA 활성슬러지모델의 민감도 분석 및 매개변수
최적화로부터 고도 하․폐수처리 공정의 거동분석 및 각종 운전변수의 영향에 대한 연구를 진행하였다. 서울시립대학교에서는 주로 선형모델과 활성슬러지모델을
개발하여 SBR 공정 최적화에 대한 연구를 수행하였으며, KAIST에서는 인공신경망 기반 하수처리장의 주요변수 추정 software-sensor를
최근 개발하였다. 포스텍(POSTECH)에서는 지난 6여 년간 하․폐수처리공정을 대상으로 수학적 모델 개발과 함께 인공신경망을 적용하는 연구를 지속적으로
수행해오고 있다[2-6]. 이러한 연구들은 대부분 시뮬레이터로서 기능으로 실제 제어가 수행된 결과는 거의 없고, 국외에서 개발된 GPS-X, WEST++, Aquasim을
사용하는 경우도 실제 적용된 사례는 없는 실정이다. 즉, 이 모든 연구들은 주로 모델의 구조와 성능에 관한 것으로, 이 연구들이 실제적으로 적용되기
위해서는 일차적으로 데이터의 신뢰성이 확보 되어야 한다. 따라서 국내 하수처리장의 적용을 위해서는 국내 특성에 적합한 간단한 활성슬러지모델과 공정
데이터의 신뢰성 확보와 모델 기반의 실질적인 제어 기술을 확보하고 이를 시제품화 하는 개발이 시급한 실정이다[7].
해외의 경우도, 현재까지 이들 공정에 대한 모델링 결과로서 가장 널리 알려진 연구 내용은 1983년에 구성된 'International Association
on Water Pollution Research and Control (IAWPRC)' 에서 보고한 활성슬러지모델 No. 1(Activated Sludge
Model No.1, ASM1)으로 단일 미생물군을 사용한 부유성장 미생물 공정에 대해 광범위한 적용이 가능한 것으로 알려지고 있다[8]. 한편, 캐나다의 Grandjean 그룹은 활성슬러지모델의 오차를 보정하기 위하여 인공신경망을 사용하였으며, 미국 Hao 그룹은 연속회분기반응기에서의
질소, 인화합물 농도를 예측하기 위하여 활성슬러지모델과 인공신경망을 결합한 복합모델을 개발하였다.
국내 하수처리장은 대표적으로 활성오니공정을 사용한다. 이 공정은 생물학적 특성으로 인해 NH$_4$, NO$_3$, DO (Dissolved Oxygen),
PH, ORP, 온도, MLSS(Mixed Liquid Suspended Solid) 등의 다수 영향 인자에 따라 송풍량, 반송오니량, 잉여오니량을 제어하는데 상호 복합적으로 운영되어
각각의 제어목표를 결정하기가 어렵다. 또한, 국내 하수처리장 대부분이 송풍기는 DO값에 의해 운전하고 슬러지 반송 펌프는 MLSS 값에 의해 운전이
되도록 설계되고 있으나 실제 운전은 대부분 운전자의 경험에 근거하여 운영된다.
이상의 공정 특성과 이렇게 많은 연구에도 불구하고 운전자들이 자신들의 경험에 근거하여 운전하는 이유는 입출력 데이터를 신뢰하지 않기 때문이다. 하수처리장의
입출력 데이터의 센서 기기는 주로 저가형을 많이 사용하고, 운영비 문제로 보정이 적절하게 수행되지 않기 때문에 대부분의 운전자들은 데이터를 신뢰하지
않고 자신들의 경험으로 운전하는 것이 안전하다고 생각하고, 신기술 또는 외국의 소프트웨어의 사용이 불가능하다고 생각한다.
따라서, 본 연구에서는 이러한 하수처리장의 활성슬러지 공정의 입출력 데이터를 정확한 계측기에 계측된 값과 실제 센서값을 비교하여 실시간으로 보정하여
데이터 신뢰성을 확보하고자 한다. 즉, 데이터의 구간별로 보정치를 산출하여 실제값(센서값)에 보정하는 방법을 제안한다. 데이터별로 보정값을 구하고,
이를 기존에 개발된 하수처리 활성오니 공정 퍼지모델에 적용하여 기존 퍼지모델의 성능과 보정된 데이터에 의한 모델의 성능을 비교하여 제안된 기법을 검증한다.
또한, 본 연구에서는 이 모델로부터 송풍량을 최소로 하면서도 방류수의 수질을 보장할 수 있는 퍼지제어기를 구현하고자 한다.
전체적인 시스템 구성도는 그림 1과 같다. 그림 1은 전반적인 하수처리 활성오니 공정에 퍼지모델이 적용되는 방식을 보여준다. 입력 데이터를 받은 퍼지모델이 최적의 제어량을 결정하여 공정에 적용하는
구조이다.
그림. 1. 시스템 구성도
Fig. 1. Block Diagram of System
2. 하수처리 활성오니 공정
국내 하수처리장의 대부분은 활성오니공정을 설계하여 운영한다. 이 방법은 생물학적 산소요구량인 BOD와 부유물인 SS(Suspended Solid)
등을 90% 정도를 제거하는, 반면 질소(NO$_3$)와 인(P)은 미생물에 필요한 영양소로만 제거되어 질소는 10~30%, 인은 10~30% 정도만
제거된다.
그림. 2. 하수처리 활성오니공정
Fig. 2. Activated Sludge Process in Sewage Treatment
그림 2는 하수처리시스템의 활성오니공정을 보여준다. 포기조는 무산소조와 혐기성조에서 미처리된 유기물질을 제거하고 암모니아성 질소(NH$_4$)를 질산성 질소(NO$_3$)로
산화시키기 위하여 호기성 상태를 유지한다. H$_4$를 NO$_3$로 질산화 시키는 미생물은 호기성 미생물이기 때문에 호기 상태로 유지시켜 주고,
NO$_3$ 혼합액을 무산소조로 내부 반송시켜 탈질이 일어나도록 한다. 또한 인을 섭취한다. 마지막으로 종침은 물 속의 부유물을 가라앉히는 곳에서 부유물(슬러지)을
제외한 정화된 물만 배출할 수 있는 구조를 가지고 있다.
활성오니공정에서는 DO 및 MLSS에 의한 방식에 의한 자동운전의 정확도 위험성으로 수동운전을 실시하고 있다. 수동운전의 이유는 첫째, 제어량 조절이
어렵다는 것이다. 송풍기의 가동시간으로 DO를 제어하는 데, 특정한 용존 산소 DO 값을 가지도록 송풍기의 가동 시간을 조정하나 포기조별로 송풍기가
설치된 것이 아니고 여러 개의 포기조가 하나의 송풍기에 병렬로 연결되어 있고 특정 시간을 가동시켜도 각 포기조마다 들어가는 용존 산소의 량이 다른
경우가 있다. 따라서, 운전자는 경험치를 근거로 송풍기 가동시간을 조절한다. 이 경우, 실제 필요 이상의 송풍기 가동으로 전력량 과도 사용과 포기조별
용존 산소량 차이로 수질의 조절이 어려다는 것이다. 둘째로, 입력 영향 요소 계측기의 상당한 오차가 발생한다. 제어의 핵심은 용존 산소인 DO와 반송오니,
잉여오니 설정인데, 많은 연구에서 이에 대한 상관관계를 연구를 진행하여 왔으며 상당한 시뮬레이터들도 개발되어 있다. 그러나, 정작 큰 문제는 입력
센서가 상당히 부정확 하다는 것이다. 실제 데이터를 보면 계측기의 입력값이 요동을 치고 있어 현장 근무자들은 사용하지 않는다. 따라서, 아무리 좋은
시뮬레이터도 현장에서 사용이 불가능하다. 제어의 경우도 제어 설정치 본 연구 경우, 송풍기 가동시간, 반송량, 잉여 오니량의 결정이 입력 요소에 따라
결정되어야 하는데 현장에서는 이런 입력 데이터가 유효하지 않다고 한다. 따라서, 실제적인 제어를 위해서는 입력 데이터에 대한 보정 기술이 제어기 안에
반드시 포함되어야 한다. 셋째로 제어량인 송풍기 가동시간, 반송 및 잉여 슬러지 펌프 가동 시간과 제거대상인 질소, 인과 상관관계가 정확하지 않다는
것이다. 현재까지는 운전자가 포기종의 용존 산소를 보면서 송풍기 가동시간을 결정한 것이 보편적이다. 그러나, 이 경우 최적한 제어치 설정이 어려워
과도한 전력 낭비가 발생된다.
3. 퍼지 모델링 및 실시간 보정 방법
3.1 퍼지모델링
실제 하수처리장 활성오니공정 입출력 데이터는 표 1과 같다. 본 연구의 활성오니공정 퍼지모델 입출력 변수의 멤버쉽 함수는 이산치형으로 0~1 사이의 값을 공정에 적합하도록 멤버쉽 함수 값을 0~10
사이의 값으로 설정하였다. 즉, “$NH_{4}$ is Small”에 대한 멤버쉽 함수는 다음과 같다.
$$\mu s(NH_{4})=[10/2,\:10/4,\:5/6,\:5/8,\:0/10,\:0/12,\:0/14,\: 0/16,\:0/18,\:0/20]$$
실제적인 제어를 위해서는 포기조의 데이터를 참조하므로, 제어를 위해서는 포기조 입력항목을 사용하는 것이 최선이다. 따라서, 포기조 데이터로 퍼지모델의
입력변수로 DO, MLSS, NH$_4$로 정하였다. 그러나 이 데이터는 상기의 이유로 신뢰성이 떨어지므로 보정이 필요하다.
출력변수는 실제 하수처리장에서 관리하는 항목으로 매시간 환경관리공단으로 전송되는 4개 방류수 항목임(COD, T-N, T-P, SS)으로 신뢰할 수
있다. 또한, 이 항목은 각각 법정 기준치 이하를 유지해야 된다. 따라서, 출력변수는 4개 방류수 항목으로 정하였고 이에 대해서는 보정이 불필요하다.
표 1. 하수처리 활성오니공정 입출력
Table 1. Inputs/Outputs in Activated Sludge Process
|
Influent Variables(Aeration Tank)
|
|
DO
(Dissolved Oxygen)
|
NH$_4$
|
MLSS
(Mixed Liquid Suspended Sloid)
|
|
Effluent Variables
|
|
COD
(Chemical Oxygen Demand)
|
T-P
(Total P)
|
T-N
(Total N)
|
SS
Suspended Solid)
|
|
Control Variables
|
|
DOSP
(Dissolved Oxygen Set Pont)
|
RRSP
(Recycled Return Sludge Set Point)
|
WSR
(Wasted Sludge Set Point)
|
퍼지모델 구축을 위한 전문가의 경험은 아래와 같다.
• 송풍량의 결정 요소는 T-N, T-P로, T-N과 T-P가 떨어지면 송풍량을 내리고, T-N, T-P 상승하면 송풍량을 올린다.
• 암모니아(NH$_3$)가 T-N에 영향을 미친다.
• 비가 오면 DO 올라간다.(그래프 특성 파악이 필요)
• 송풍량으로 암모니아 제어를 하는 경우도 있음.
• pH 변화에 따른 DO 그래프 분석이 필요
• 암모니아(NH$_3$)가 1.0 이하이면, 송풍량, MLSS, 반송오니를 올려야 한다.
이를 기반으로 최종 퍼지모델에서 입력변수는 포기조 NH$_4$, DO, MLSS로 하였고, 출력변수는 4개로 방류수 COD, T-N, T-P, SS로
하였다.
따라서, 퍼지모델(퍼지 규칙 2개인 경우)은 아래 식 (1)과 같다.
각각의 퍼지모델 후반부는 식 (2)와 같다.
퍼지모델의 출력 계산은 아래 식 (3)과 같다.
퍼지모델별 오차는 아래 식 (4)로 계산한다.
3.2 퍼지 제어기
퍼지 모델로부터 퍼지제어기의 구현은 다음과 같다.
[단계 1] 식 (1)의 퍼지모델에서 NH$_4$, MLSS 값은 고정시키고 제어가 가능한 입력항목인 용존산소 DO 값을 현재의 입력에서 0.01 연속적으로 변화시켜 출력값인
방류수의 수질 COD, T-N, T-P, SS 값이 법정 기준치를 범워나지 않은 DO 범위를 구한다.
[단계 2] 단계1에서 구한 DO의 범위에서 송풍량을 구하기 위해, DO-송풍량의 DO에 따른 송풍량 변화치를 산출한다. 이것은 포기조에 연결된 송풍기의
구성에 따라 달라지므로 기존 데이터를 이용하여 평균치를 계산하여 활용한다.
[단계 3] 현재의 DO 값이 단계2에서 구한 DO의 범위 안에 있으면 송풍기를 멈춘다. 제어 주기는 30분 단위로 한다. 보통 1시간 단위로 수행하나,
전력비 절감 효율을 위해 필요하다. 기존의 1시간 단위의 제어에서는 DO가 적정 범위 안에 있어도 DO값 설정치로 하기 위해 송풍기를 가동하여 불필요한
전력을 사용한다.
실제 운전상에서 제어는 송풍기 가동시간으로 한다. 설정 DO 값을 가지도록 송풍기의 가동 시간을 조정하나 포기조별로 한 대의 송풍기가 설치되지 않은
경우가 많다. 즉, 복수의 포기조가 하나의 송풍기에 병렬로 연결되어 있는 구조이다. 따라서, 목적 시간 동안 송풍기를 가동해도 각 포기조마다 들어가는
DO의 값이 다르게 나타난다. 이러한 문제로 운전자는 자신의 경험치 기반으로 송풍기를 가동한다. 따라서, 실제 필요 이상의 송풍기 가동으로 전력량이
낭비가 발생하고, 포기조별 DO의 차이로 수질의 조절이 어려움이 발생한다.
3.3 실시간 보정 알고리즘
본 논문의 핵심은 고도의 지능형 기법 적용을 위한 하수처리장에서의 센서 입출력 데이터를 실시간으로 보정하여 지능형 기법의 효과와 실제적 적용을 가능하게
하는 것이다.
공정에서 가장 정확한 데이터는 최종침전지의 방류수의 COD, T-N, T-P, SS이다. 이는 법적으로 SS, COD, T-N, T-P, PH, 온도,
방류량 등 7가지 항목을 실시간 측정된 자료는 한국환경공단 관제시스템으로 전송되어지며 기준치 초과시 벌금을 부과하기 때문이다. 본 논문에서는 상기의
운전자 경험기반으로 Fuzzy Model을 만들고, 이 모델에 사용되어지는 입출력 센서 데이터를 실시간으로 보정하여 모델의 데이터로 사용하게 함으로써
모델의 성능을 개선하고 실제적으로 현장에 적용가능하게 하는 것이다. Fuzzy Model에 사용되는 데이터는 정확성이 검증된 법적관리 수질항목과 나머지
검증하고자 하는 수질데이터는 포기조 NH$_4$, DO, MLSS로 정확한 계측기에 의해 검증된 데이터 또는 실험 데이타를 사용하고자 한다.
Fuzzy Model로부터 검증하고자 하는 입출력 센서 데이터가 유효범위인 ±5%(법적 기준치는 ±3%)를 벗어나는 경우, 이를 분석하여 유효하지
않은 입출력 센서 데이터를 유효한 형태로 변형하는 것이다. 이를 위한 방법으로는 트랜드 분석을 통하여 오차의 범위에 따라 구간을 나누고 평균 보정치를
산술평균하여 오차가 목표치 안에 들어어도록 한다. 먼저 목표 센서 값과 실제값을 트랜드로 표시하고 수질공정의 특성상 반응시간, 센서 위치, 유입수의
수질(COD, TP, TN. PH, SS) 등의 모든 상관 변수들을 트랜드로 표시하여 이들 간에 상관관계를 수치화하여 구간을 나눈다.
여기서 기준이 되는 유효성의 범위는 법적 기준치인 ±3%를 적용하고자 한다. 센서 데이터의 유효성을 ±3%로 적용하는 것은 퍼지 모델의 최대 오차가
±5% 점을 고려하면 최대 ±8% 오차가 발생할 수 있으므로 이는 일반적인 모델의 유효치(수처리 공정의 경우) ±10% 오차 범위 이내로 예측되므로
의미가 있다고 판단된다.
4. 성능평가
4.1 퍼지 모델 성능
퍼지모델 구성을 위해 사용된 데이터는 시간 데이터 625개를 사용하였다. 여기에서 정상값의 범위를 벗어나는 데이터는 삭제하였다. 입력변수는 3개로
포기조 NH$_4$, DO, MLSS로 하고, 출력변수는 4개로 방류수 COD, T-N, T-P, SS로 하였다. 퍼지모델은 운전자의 경험을 근거로
규칙 2개와 4개로 식 (2)와 같이 구현하였다.
입력변수는 3개로 포기조 NH$_4$, DO, MLSS에 대하여 제안된 기법의 트랜드 분석을 통한 보정을 수행하여 구간을 5개구간으로 나누고 실제
센서값과 계측값의 평균오차를 구하여 표준편차 만금만 실제 계측 값에 보정하여 동일한 데이터에 동일한 알고리즘을 적용하여 모델링을 하고 각각의 오차를
구하였다.
오차 구간을 나누는 기준은 공정의 특성상 3개의 입력변수의 평균 변동률이 10% 이상이고, 이중에서 오차가 10% 이상인 것을 기준으로 구간을 정하였다.
오차 구간은 연속적이지 않고 특정 구간에서만 적용되었다. 표 2는 기존 모델의 오차와 보정된 데이터에 의한 오차를 보여준다. 모든 모델에서 오차가 개선됨을 확인할 수 있었다.
표 2. 제안된 퍼지모델 오차 비교
Table 2. Least Square Error of the Proposed Fuzzy Model
|
|
COD
|
TN
|
TP
|
SS
|
|
|
기존
|
보정
|
기존
|
보정
|
기존
|
보정
|
기존
|
보정
|
|
Rule 2
|
0.43
|
0.40
|
1.27
|
1.11
|
0.085
|
0.079
|
0.20
|
0.17
|
|
Rule 4
|
0.50
|
0.48
|
1.60
|
1.50
|
0.106
|
0.099
|
0.23
|
0.20
|
4.2 전력비 절감을 위한 최적 DO 결정
목표 DO값과 현재의 DO값을 비교하여 현재 DO 값이 목표 DO값보다 적은 경우, 송풍기를 추가 가동하여 DO값을 올려주어야 한다. 이 경우, 송풍량을
얼마나 올려야 DO값이 목표치에 접근할 수 있는지가 매우 중요하다. 즉, DO-송풍량의 DO에 따른 송풍량 변화치를 산출해야 되는데. 이것은 포기조에
연결된 송풍기의 구성에 따라 달라지므로 기존 데이터를 이용하여 평균치를 계산하여 활용한다.
1일의 시간 데이터(24시간 데이터)를 1주일 데이터를 이용하여 트렌드 분석 결과 DO와 송풍량 패턴은 매우 유사하였다. 이를 산술평균하면 DO 편차
0.1 이상 증가하고 송풍량이 증가한 경우, DO 0.1 상승을 위한 송풍량은 79.916톤로, 즉, DO 0.1 상승에 필요한 송풍량은 약 70.961
∼ 79.916[톤]임을 알 수 있었다.
사용된 데이터는 서울시의 모 하수처리장의 데이터로, 실제적으로 DO농도를 제어하였으며, 이때 실제 운영에서의 전력사용량과 송풍기량을 비교하였다.(그림 3)
폭기조의 DO가 0.1 이상 감소하고 송풍량이 감소한 경우, DO의 0.1 감소를 위한 송풍량은 70.961톤이다(그림 4)
그림. 3. DO 증가에 따른 송풍량 그래프
Fig. 3. Graph of DO(△0.1) to Blower
그림. 4. DO 감소-송풍량 그래프
Fig. 4. Graph of DO(△0.1) to Blower
제어 방식은 포기조의 DO 농도를 실시간으로 계측하여 DO 최적값 보다 높을 경우, 송풍기의 속도를 감속 제어하여 반응조에 주입되는 송풍량을 감소시키며
DO 최적값보다 낮을 경우 송풍기의 속도를 증가시켜 반응조에 주입되는 송풍량을 증가시키는 방식으로 제안하였다.
결과적으로, DO를 0.1 상승을 위해 송풍량을 80을 상승, DO 0.1 감소를 위해서는 송풍량을 70을 감소시키는 방식으로 진행하였다. 시험은
DO 농도를 제어하지 않은 상태와 제어하는 상태를 비교 하였고, 이 때, 방류수 수질이 법정 기준 값 및 관리 설정 값을 초과하지 않아야 한다는 것이다.
DO 농도를 제어하지 않을 때, DO 농도는 0.3mg/L ~ 0.5mg/L, DO농도를 제어하며 방류수 수질을 관찰한 결과 일 평균 10% 이상의
송풍기량을 감소시킨 경우에도 방류수 수질이 기준 값과 설정 값을 만족함을 확인할 수 있었다. DO 농도가 최적 값보다 큰 경우에는 송풍기의 감속기를
통하여 반응조에 주입되는 공기량이 제어되어 반응조의 DO 농도가 감소되었으며, 이와 반대로 DO 값이 최적 값보다 작은 경우 다시 송풍기의 속도를
증가하여 반응조의 DO 농도가 증가하였다. 결과적으로 반응조에서 DO 농도를 제어함으로 적정한 DO 농도를 유지할 수 있고 나아가서 시스템의 안정성을
도모할 수 있었다.
DO 농도를 제어하고자 할 경우, 보다 효과적인 제어를 위해서는 각 현장에 설치되어 있는 송풍기를 DO 농도와 연계하여 미세하게 제어할 수 있으면
더욱더 효과적일 것이다. 현재 전력량계 데이터가 단위 송풍기별로 설치되어 있지 않아 전력량의 절감을 직접 비교는 불가능하여 계측 송풍기 사용량을 전체
사용량으로 가정하였다. 방류수(COD, T-N, T-P, SS)의 기준 값 및 설정 값은 표 3과 같다.
표 3. 방류수 기준/관리 값
Table 3. Standards and Management Value of Effluent
|
|
Legal Standards (mg/L)
|
Management Value(mg/L)
|
|
COD
|
18.00
|
16.00
|
|
T-N
|
20.00
|
17.00
|
|
T-P
|
2.00
|
1.80
|
|
SS
|
10.00
|
6.00
|
이상의 결과로, 송풍량을 10% 감소하여도 방류수 COD, T-N, T-P, SS의 수질변화는 법정 기준 값 및 설정값 이하를 유지하고 있음을 확인
할 수 있었다. 또한, 기존 보정 없이 수행한 퍼지모델과 제안한 보정을 수행한 퍼지모델에 따른 송풍량 비교 결과 제안된 기법이 더 효율적임을 알 수
있다. 아래 표 4는 방류수의 실제값과 오차값 평균과 실제 송풍량 절감률 평균을 보여준다.
표 4. 송풍량 절감 결과(2개월)
Table 4. Results of Blower Saving for 2 Months
|
|
Effluent(mg/L)
|
Blower
(Nm3/hr)
|
|
|
COD
|
T-N
|
T-P
|
SS
|
|
RMS
(Previous)
|
0.43
(0.45)
|
1.29
(1.32)
|
0.87
(0.90)
|
0.20
(0.22)
|
Under 10% Saving
|
RMS : Root Mean Square Error
결론적으로 1) 송풍량 10% 감소는 전력비 10% 감소에 비례하고, 2) 방류수 수질이 기준값/설정값을 만족하므로 제안 기법이 전력비 10% 절감이
가능, 3) 제안된 보정기법을 적용한 것이 더 효율적임을 알 수 있었다.
5. 결 론
본 논문에서는 하수처리 활성오니공정의 포기조 NH$_4$, DO, MLSS에 대하여 계측기 오류를 보정하기 위해 트렌드 분석을 통해 실시간으로 보정하고,
기존의 퍼지모델에 기존 데이터와 보정된 데이터를 각각 사용하여 모델의 성능오차를 비교함으로써 제안된 기법의 유효성을 검증하였다. 시뮬레이션 결과 출력변수
4개애 대한 16개의 퍼지모델 모두 기존 기법보다 성능 오차면에서 개선됨을 확인할 수 있었다.
트렌드 분석은 먼저 목표 센서 값과 실제값을 트랜드로 표시하고 수질공정의 특성상 반응시간, 센서 위치, 유입수의 수질(COD, T-P, T-N, PH,
SS)의 평균 변동률이 10% 이상인 것을 기준으로 하여 오차 구간을 구하고, 오차의 표준편차 만큼을 보정하여 전체적으로 3% 이내의 오차로 데이터를
보정하여 시뮬레이션 하였다. 여기서 기준이 되는 유효성의 범위는 법적 기준치인 ±3%를 적용하였고. 센서 데이터의 유효성을 ±3%로 적용하는 것은
퍼지 모델의 최대 오차가 ±5% 점을 고려하면 최대 ±8% 오차가 발생할 수 있으므로 이는 일반적인 모델의 유효치(수처리 공정의 경우) ±10% 오차
범위 이내로 예측되므로 의미가 있다고 판단된다.
또한, 개발한 퍼지제어기는 기본적으로 최소의 DO를 공급하면서도 환경부에서 관리하는 방류수 수질(COD, T-N, T-P, SS)을 법정 기준치 이하로
제어가 가능하게 하며, 이를 통해 전력비를 10% 이상 절감하는 것이다. 기존 모델과 제안된 보정 기능을 갖는 퍼지모델을 방류수 수질(COD, T-N,
T-P, SS)별로 4개의 모델을 구현하고, 이 모델로부터 최적의 용존산소인 DO를 계산 적용하는 방식, 그리고, 기존 운영 방식과는 다르게 현재
DO가 최적 DO보다 큰 경우 송풍기를 운영하지 않은 방식, 실용화를 위해 실제 현장에서 신뢰성이 높은 계측 데이터만을 이용한 모델 구성, 이를 통한
전력비 10% 이상 절감 등은 본 논문의 큰 효과라고 할 수 있다.
Acknowledgements
이 연구는 2019년도 극동대학교 교내연구비 지원에 의하여 수행된 것임(FEU2019S06)
References
Keon-Jun Park, Sung-Kwun Oh, Su-Chong Joo, December 16-20, 2010, Design of FCM-based
FIS and Genetic Optimization Using Successive Tuning Method, KSII The first International
Conference on Internet (ICONI) 2010
Wook-Dong Kim, Ho-Sung Park, Sung-Kwun Oh, Nov 5-6, 2010, Architectural Analysis of
Type-2 Interval pRBF Neural Networks Using Space Search Evolutionary Algorithm, Proceedings
of KIIS Fall Conference 2010, Vol. 20, No. 2, pp. 235-236
APHA, 2005, Standard Methods for the Examination of Water and Wastewater, 21st edition.
American Public Health Association, Washington DC, USA
J.-H. Ahn, C. F. Forster, 2002, A comparison of mesophilic and thermophilic anaerobic
upflow filters treating paper-pulpliquors, Process Biochem., Vol. 38, pp. 256-261
C. Eskicioglu, R. L. Droste, K. J. Kenedy, 2007, Performance of anaerobic waste activated
sludge digestion by microwave pretreatment, Water Environment Research, Vol. 79, No.
11, pp. 2265-2273
S. Garja, J. Chayzy, P. Fernandes, L. Parria, D. Cretenot, 2004, Enhanced anaerobic
conversion of WWTP sludge: an efficient way to reduce sludge production, in Proc.
of 10th World Congress, Anaerobic Digestion, Montreal, Canada
M. Kim, Y. H. Ahn, R. E. Speece, 2004, Comparative process stability and efficiency
of anaerobic digestion; mesophilic vs. thermophilic, Water Res., Vol. 36, pp. 43694385
G. Lastella, C. Testa., G. Cornacchia, M. Notornicola, F. Voltasio, V. K. Sharma,
2002, Anaerobic digestion of semi-solid organic waste: biogas production and its purification,
Energy Convers. Manage., Vol. 43, pp. 63-75
저자소개
1991년 2월:연세대학교 전기공학과(공학사).
1993년 2월:연세대학교 전기공학과(공학석사).
1998년 2월:연세대학교 전기공학과(공학박사).
1998년~2002년:LS산전 책임연구원.
2003년 2월~현재:극동대학교 항공IT융합학과 교수