2.1 활성슬러지 공정

국내 하수처리장의 대부분은 활성슬러지공정을 설계하여 운영한다. 그림 2는 하수처리시스템의 활성슬러지 공정을 보여준다. 일차침전에서는 침강성 고형물질을 제거하는 과정으로 물의 체류시간을 길게 늘여서 침강성 고형물질이 아래로 침강 퇴적되게 한 뒤, 위에 뜬 물을 분리하여 다음 공정인 혐기조로 보낸다. 혐기조에서는 인의 방출이 일어나고 무산소조에서는 질소가 제거된다.

포기조에서는 활성슬러지가 폐수 속의 유기물질을 섭취하며 저분자 물질로 분해하는 과정으로 분해될 물질 중의 탄소 성분은 대부분 이산화탄소가 되거나 세포에 잔류하게 되며, 질소와 인이 또한 일부 소비된다. 포기조는 무산소조와 혐기성조에서 미처리된 유기물질을 제거하고 암모니아성 질소(NH4)를 질산성 질소(NO3)로 산화시키기 위하여 호기성상태를 유지한다. NH4를 NO3로 질산화시키는 미생물은 호기성 미생물이기 때문에 호기 상태로 유지시켜 주고, NO3 혼합액을 무산소조로 내부 반송시켜 탈질이 일어나도록 한다. 또한 인을 섭취한다. 마지막으로 2차 침전지는 폐수 속의 부유물을 침강하는 곳에서 슬러지를 제외한 정화된 물만 배출할 수 있는 구조를 가지고 있다⁽⁴⁾.

전체 과정에서 측정되는 수질 측정 항목은 유입수/유출수의 수질(COD, T-N(총 질소), T-P(총 인), pH, SS(Suspended Solid)), 무산소조의 pH와 NO3, 포기조 수질(NH4, MLSS(Mixed Liquid SS), DO)로 구성된다. 각 수질 항목별로 처리장의 크기와 조건에 따라 복수개의 센서가 설치되어 운영된다. 특히, 유출수의 COD, T-N, T-P, SS는 매 시간 환경관리공단으로 전송되는 값으로 기준치를 초과하는 경우 벌금이 부과되므로 운전자가 기준값 이하로 관리하기 위해 DO 제어, MLSS 제어, RRSP 제어 등을 수행한다.

2.2 용존산소(DO) 제어

하수처리 공정인 활성슬러지 공정에서 미생물이 산소를 전자수용체로 활용하여 유기물을 산화시키기 위해서는 포기조 내 용존산소인 DO가 적절한 농도로 유지되어야 한다. 실제로 포기조 내 용존산소농도는 포기조 전체에 걸쳐 약 1.5~4 [mg/L] 범위 내에서 유지되어야 하며, 일반적으로 2[mg/L]를 기준으로 유지한다. 만약 용존산소 DO의 농도가 미생물이 성장하기에 부족한 경우, 활성슬러지의 침전성이 나빠져 유츌수의 수질이 악화되는 요인이 된다. 용존산소를 4 [mg/L] 이상으로 유지하면 수질의 개선 효과가 저하되며 , 경제성 측면에서 낭비가 발생한다. 또한, 하수처리장에서는 유입 유량과 유기물 농도인 부하가 지속적인 변화여 활성슬러지 공정의 포기조 내 용존산소의 농도는 시시각각으로 변하게 된다. 송풍기 공기량이 일정한 상태에서 유기물 부하율이 증가하면 슬러지의 먹이의 증가로 포기조 내 미생물의 호홉율(Actual Respiration rate, Ra)이 증가하고, 이에 따라 용존산소 농도는 낮아진다. 반면, 유기물 부하율이 감소하면 먹이인 용존 산소의 부족으로 포기조 내 미생물의 호홉율이 낮아지고, 이에 따라 용존산소 농도는 높아지는 경향을 보인다, 따라서 포기조 내 용존산소 농도는 처리수 수질개선 효과와 함께 효율적 운전비용 절감을 위해 제어되어야 될 중요한 운전인자이다⁽⁵⁾.

포기조 내 용존산소 농도의 변화특성은 유입수 유량, 유기물의 부하 변동으로 인한 질산화 반응 등의 여러 조건에 의해 연속적으로 변함으로 용존산소 농도를 일정하게 유지하는 데는 산소전달함수의 비선형성, 각종 센서의 불안정성 및 신호의 잡음 등으로 어려움이 있다. 그림 3은 DO제어 구성도이다.

실제 하수처리장의 활성오니공정에서는 DO와 MLSS에 제어 방식에 의한 자동운전시 정확도의 위험성 등으로 수동운전을 실시한다. 이러한 수동운전의 이유는 첫째, 제어량 조절의 어려움이 있다. 송풍기의 가동시간 또는 설정치로 DO를 제어하는 데, 포기조별로 송풍기가 설치된 것이 아니고 여러 개의 포기조가 하나의 송풍기에 병렬로 연결되어 있고 일정 시간을 가동시켜도 각 포기조마다 주입되는 용존 산소의 량이 다른 경우가 있다. 따라서, 운전자는 경험치를 근거로 송풍기 가동시간 조절 또는 일정한 회전수로 제어를 실시한다. 이러한 경우, 실제 필요 이상의 송풍기 가동으로 전력량의 과도 사용과 포기조별 용존 산소량 차이로 수질의 조절이 어렵다는 것이다. 둘째로, 수질 계측기가 상당한 오차가 있다는 것이다. 실제 활성슬러지공정의 제어는 용존 산소 DO 제어와 반송오니, 잉여오니 설정인데, 많은 연구에가 이에 대한 상관관계 연구에 집중하여 왔고, 다수의 시뮬레이터들도 개발되어 있다. 그러나, 실제 현장 적용에서의 문제는 입력 센서 데이터가 간혹 변화가 크고 실제 값과의 차이가 커서 현장 근무자들은 사용하지 않는다. 대부분의 시뮬레이터도 성능은 우수하나 위와 같은 문제로 현정 적용이 어려운 문제를 가지고 있다. 실제 제어의 경우도 제어 설정치인 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 포기조의 용존산소를 보면서 송풍기 가동시간을 결정하는 것이 보편적이다. 그러나, 이 경우도 최적한 제어치 설정이 어려워 과도한 전력 낭비가 발생된다⁽⁶⁾.

3.1 설명가능한 신경회로망

용존 산소인 DO에 영향 미치는 유입수의 수질항목을 결정하기 위해서 설명가능한 신경회로망을 이용한다. 설명가능한 신경회로망은 사용자가 신경회로망의 동작과 최종 결과를 이해하고 올바르게 해석하여 결과물이 생성되는 과정을 설명 가능하도록 해주는 기술이다. 그림 4와 같이 예를 들어 인공지능 시스템이 고양이 이미지를 분류할 경우, 기존 시스템은 입력된 이미지의 고양이 여부만을 도출하지만, 설명가능한 신경회로망은 고양이 여부를 도출하고, 이것의 근거(털, 수염 등)까지 사용자에게 제공한다. 이러한 딥러닝 모델의 설명 및 예측을 위한 대표적인 2가지 해석 기법은 1) sensitivity analysis(SA)와 2) Layer-wise relevance propagation(LRP)이다. SA는 딥러닝 모델에서 국소적인 입력 변화에 대한 예측 결과의 변화량을 정량화하여 입력 이미지의 어떤 부분이 딥러닝 모델의 결과 도출에 큰 영향을 미쳤는지 설명하는 방법이다. LRP는 딥러닝 모델에서 예측 결과로부터 역전파 형태로 신경망의 각 계층별 기여도를 측정할 수 있는 방법으로, 각 계층의 기여도를 히트 맵 형태로 시각화하여 직관적으로 이해할 수 있다^(9)(10).

본 논문에서는 LRP 방법으로 용존 산소인 DO에 영향 미치는 유입수의 수질항목을 결정하고자 한다. 그림 5는 본 논문에 적용한 설명가능한 신경회로망 구조를 보여준다. 입력은 유입수 수질인 $x_{1}$=COD, $x_{2}$=T-N, $x_{3}$=T-P, $x_{4}$=pH, $x_{5}$=SS, 포기조의 $x_{6}$=NH4, $x_{7}$=MLSS 7개로 하고, 출력은 포기조의 $y$=DO로 한다. 모델의 학습은 역전파 알고리즘을 이용하였다.

DO에 변화에 크게 영향 미치는 입력변수를 찾기 위해 각 Layer별로 노드의 연결강도의 크기를 기반으로 하고자 한다. 이 경우 문제는 연결강도가 양의 값 또는 음의 값으로 가질 수 있는데, 이를 단순히 합하는 경우, 서로 상쇄되어 정확한 결과를 얻지 못하는 경우가 발생한다. 본 논문에서는 이를 해결하기 위해 모델의 학습 완료 후, 연결강도를 양수와 음수로 구분하고 양수는 양수중에서 제일 큰 값의 연결노드를 택하고, 음수는 음수중에서 제일 작은 값의 연결 노드를 선택한다. 이 경우 중간노드는 2개가 선택된다. 이 중간노드에서 입력노드의 연결강도도 같은 식으로 계산하면 입력 노드 4개 정해진다. 다음은 양수와 음수의 연결강도 중에서 절대값이 2번째로 큰 값을 취하여 동일한 방식으로 입력변수를 선택한다. 전체적인 절차는 다음과 같다.

Step 1 : if $W_{j}$>0, A={$W_{j}$}, else B={$W_{j}$}, j=1...n

여기서, n은 중간노드 수

Step 2 : $J_{k}$ = max A, $J_{m}$=min B

여기서, $J_{k}$, $J_{m}$은 k, m번째 중간노드이다.

Step 3 : if $W_{ik}$>0, A={$W_{ik}$}, else B={$W_{ik}$}, i=1...7

Step 4 : if $W_{im}$>0, C={$W_{im}$}, else D={$W_{im}$}, i=1...7

Step 4 : $I_{s}$ = max A, $I_{t}$=min B,

$I_{p}$ = max C, $I_{r}$=min D,

여기서, $I_{s}$, $I_{t}$, $I_{p}$, $I_{r}$은 s, t, p, r번째 입력노드, 이다.

따라서, s, t, p, r번째 입력 노드가 출력에 영양 미치는 정도가 큰 입력변수로 결정된다. 이와 같은 방식으로 처음에 선택된 $W_{j}$ 2개(양수와 음수)를 제외하고 반복하면 그 다음으로 출력에 미치는 영향이 큰 입력변수가 선택된다. 선택된 노드가 중복되지 않으면 출력에 미치는 영향이 큰 입력변수는 2의 제곱승으로 증가된다.

3.2 활성슬러지 신경회로망 모델

출력인 용존산소 DO에 영향 미치는 입력변수가 정해지면 이것을 포함하여 가장 정확한 수질인 유출수의 수질인 $x_{1}$=COD, $x_{2}$=T-N, $x_{3}$=T-P, $x_{4}$=pH, $x_{5}$=SS를 입력으로 하는 신경회로망을 설계한다. 적용된 신경회로망은 그림 6과 같은 구조가 된다.

학습은 역전파 알고리즘을 이용한다. 신경회로망 입력층의 출력단은 입력 데이터의 값을 정규화한 값으로, 데이터 $X_{t}=\left\{x_{1}(t),\:x_{2}(t),\:\cdots ,\:x_{n}(t)\right\}$에 대하여 식(1)과 같이 정규화 함으로써 입력변수의 출력변수에 대한 영향력을 균등화하였다.

여기서, $x_{i}(t)$는 $i$번째 입력변수의 $t$번째 데이터를 의미하고 $x_{i,\:\min},\:x_{i,\:\max}$는 각각 $i$번째 입력변수의 최대값과 최소값을 의미한다.$\dot x_{i}(t)$는 폐구간 [-1.0, 1.0]으로 정규화된 $i$번째 입력변수의 시간 $t$에서의 데이터를 의미한다. 중간층의 입력단은 식(2)와 같이 연결강도와 정규화된 입력들의 곱의 총합에다 문턱값을 합한 값으로 표현된다.

여기서, $net _{j}$는 중간층의 $j$번째 노드의 입력, $n$은 입력변수의 수,$w_{ij}$는 $i$층과 $j$층을 연결하는 연결강도, $\theta_{th}$는 문턱값을 나타낸다.

또한 중간층의 출력단의 출력 $o_{j}$는 식(2)의 활성화 함수값으로 식(3)과 같이 표현된다.

여기서, $a$는 활성화 함수의 기울기를 결정하는 인자이다.

출력계층의 출력단의 $k$번째 노드의 출력은 중간층의 출력단에서 얻은 값 $o_{j}$을 입력으로 식(4)에 의해 얻어진다.

여기서, $m$은 출력층의 노드 수, $\hat y(t)$는 신경회로망으로부터 계산된 $t$번째 값, $w_{jk}$는$j$층과$k$층을 연결하는 연결강도를 나타낸다.

3.3 DO 제어

일반적으로 포기조 공기량 조절밸브는 수동 조작으로, 최종침전지 제어실 운전자가 포기조 전체적인 DO를 주기적으로 감시하여 평균값을 계산하여 각 포기조 DO가 전체적인 평균 이상인 곳은 공기량 조절밸브의 개도율을 줄이고 포기조 DO가 전체적인 평균 이하인 곳은 공기량 조절밸브의 개도율을 높이는 방법으로 한다. 이 경우, 기존에 시스템에 의해 DO 설정값을 PID 제어 하는 경우, 계열별 또는 포기조별 DO 차이와 생물학적 반응시간에 따라 밸브가 과도하게 열리고 송풍기가 과도하게 운영되는 것을 방지할 수 있다. 다른 이유는 자동제어 하는 경우, 하수처리장의 밸브가 일반적으로 제어용 밸브가 아니라 버터플라이 밸브로 자동제어시 잦은 개도 조절에 의해 액추에이터에 무리가 가게되어 고장의 큰 원인이 되기 때문이다. 본 논문에서는 공기량 조절밸브의 개도율 제어에 있어서 Full Close되거나 Full Open되는 경우를 방지하기 위하여 상하한 범위를 지정하여 일정한 범위이내로만 작동시키도록 하고, DO 평균치도 자동 계산 되고, PID 제어의 각종 설정값을 현장여건에 맞도록 지정하도록 한다. 또한, 포기조의 특성을 반영하여 개도 조정 테이블을 작성하여 조정하도록 한다.

4.1 DO에 영향 미치는 입력변수 결정

설명가능한 신경회로망 모델 구성을 위해 사용된 데이터는 시간 데이터 625개를 사용하였다. 여기에서 정상값의 범위를 벗어나는 데이터는 삭제하였다. 입력변수는 입력은 유입수 수질인 $x_{1}$=COD, $x_{2}$=T-N, $x_{3}$=T-P, $x_{4}$=pH, $x_{5}$=SS, 포기조의 $x_{6}$=NH4, $x_{7}$=MLSS 7개로 하고, 출력은 포기조의 $y$=DO로 하였다.

모델을 학습한 결과 모델의 최소좌승오차는 0.22이고, 첫 번째 연결강도 2개 선택에서 용존산소에 영향을 많이 미치는 입력 변수는 유입수의 $x_{1}$=COD, $x_{5}$=SS, 포기조의 $x_{6}$=NH4, $x_{7}$=MLSS 4개로 결정되었다. 두 번째 이후의 연결강도 선택에서도 동일한 결과가 반복되어 최종적으로 유입수의 $x_{1}$=COD, $x_{5}$=SS, 포기조의 $x_{6}$=NH4, $x_{7}$=MLSS 4개를 용존산소에 영향을 많이 미치는 입력변수로 결정되었다.

4.2 설정값 결정

DO 설정치를 위하여도 4.1절과 같이 동일한 데이터로 시간 데이터 625개를 사용하여 신경회로망 모델을 구현하였다. 입력변수로는 유출수의 수질인 $x_{1}$=COD, $x_{2}$=T-N, $x_{3}$=T-P, $x_{4}$=pH, $x_{5}$=SS, 포기조의 $x_{7}$=NH4, $x_{8}$=MLSS로 하고 출력은 포기조의 용존산소 DO로 하였다. 제안된 모델의 최소 좌승오차를 기존 퍼지 모델, 신경회로망 모델과 비교한 결과 모두 우수한 결과를 보였다. 퍼지 모델의 경우는 운전자의 경험을 근거로 하는 것으로 일반적으로 적용하기 어렵고, 보통의 신경회로망 모델을 적용하는 경우에 비해서는 입력변수의 수가 적으면서도 우수한 성능을 나타내었다⁽⁷⁾⁽⁸⁾.

4.3 DO 제어

전체적인 제어시스템 그림 7과 같이 분산제어시스템인 DCS, SCADA, DB서버 및 EWS로 구성된다. DCS는 실시간 제어를 하고, SCADA는 제안 기법의 적용 제어 감시를, DB 서버는 제어기로의 제어 설정치 전송 및 그 결과 값의 피드백 제어를 수행한다. EWS의 제어기에서는 모델링 생성 및 시뮬레이션, 주기설정에 의한 실시간 제어가 이루어지며, 그 결과 값이 DB 서버를 거쳐 SCADA로 전송되어, DCS에 의해 송풍량 제어가 이루어진다.