1. 서 론

대부분의 하수처리장은 처리 효율과 비용을 고려하여 생물학적 처리 방법인 활성슬러지공정(Activated Sludge Process)을 주로 사용한다. 활성슬러지공정은 기본적으로 유입 하수에 미생물을 투입하고, 이 미생물이 유입 하수의 유기물을 섭취 분해하는 과정을 통하여 정화하는 방법이다. 따라서 미생물을 건강하게 유지하여 유기물을 섭취 분해하는 능력을 최대로 하는 것이 중요하다. 이 미생물을 건강하게 유지하는 방법은 이 미생물에게 적절한 산소를 공급하는 것이다. 산소공급은 주로 송풍기를 미생물과 유입 하수가 혼합되는 포기조에 설치하여 공기를 불어 넣어 주는 것이다. 실제 공정에서 하수처리 총 운영유지비의 약 21%가 전력비, 전력비 중 약 54~60%가 송풍기 운영에 사용된다. 그림 1은 일반적인 하수처리시스템의 에너지 사용량 분석 결과를 보여준다⁽¹⁾. 따라서 하수처리시스템의 에너지 절감을 위해서는 송풍기에 소비되는 전력량을 줄이는 것이 핵심이다.

하수처리시스템의 송풍기의 소비 전력을 줄이는 방법은 크게 2가지로 구분된다. 첫째는 송풍기 자체의 효율을 개선하여 동일한 전력으로 최고의 송풍량을 생산하는 것이고, 둘째는 송풍기에서 소비되는 전력량을 최소화 하면서도 목표 수질을 유지하는 것이다⁽²⁾.

고효율 송풍기의 경우 많이 개발되고 있고 비용만 투자되면 간단히 구축이 가능하나, 시간이 지나면서 자연적으로 효율이 떨어지기 때문에 비용 대비 장기적 측면에서 문제를 가지고 있다. 두 번째의 방법은 최소의 송풍량으로 목표 수질을 달성하는 방법인데 여기에는 다양한 AI 기법들이 적용되고 있다⁽³⁾. 주로 데이터 분석을 통한 예측시스템을 개발하여 운영하는 방식인데 예측시스템 개발에 주로 AI가 사용된다. 처리장의 포기조의 운전조건에 따른 송풍기 가동율을 데이터 분석을 통해 송풍기의 운전 용량을 예측하는 방식으로 수행된다. 그러나, 여기에는 중요한 문제가 하나가 있다. 그것은 활성슬러지공정이 생물학적 공정이고 여기에는 입력에 따른 출력이 평균적으로 4~6시간 걸린다는 것이다. 입력의 변화에 따른 출력의 영향이 생물학적 반응의 특성으로 4~6시간 걸린다는 것인데, 기존의 연구들은 이를 고려하지 않고 포기조 안에서 입력 대 출력을 같은 시간의 데이터를 이용하여 예측 시스템을 구현하는 것이다. 즉, 현재의 출력은 이전 4~6시간 전의 입력에 의한 것이므로 예측 모델은 기본적으로 오류를 가질 수 밖에 없다⁽⁴⁾.

따라서, 본 논문에서는 이를 해결하기 위해 1) 입력에 의한 출력의 생물학적 반응시간을 고려한 입출력 데이터 생성, 2) 이러한 데이터를 이용한 인공신경망 예측 모델 구축, 3) 이 모델로부터 목표 수질을 달성하기 위한 최소의 송풍량을 구하고자 한다. 이를 통해 송풍기의 전력 절감이 가능하도록 하고자 한다.

본 논문의 구성은 다음과 같다. 2장에서는 생물학적 반응시간을 고려한 입출력 데이터 생성, 3장에서는 인공신경망 예측 모델 구축, 4장에서는 최소의 송풍량 산출 방식, 5장에서는 시뮬레이션, 마지막으로 6장에서는 결과를 고찰하고자 한다.

2. 반응 시간을 고려한 입출력 데이터 생성

그림 2는 하수처리시스템의 활성슬러지공정과 수질 측정 항목을 보여준다.

침사지(Grit Chamber)에서는 유입되는 하수의 모래 및 진흙을 제거하며 스크린에서는 이물질(비닐, 협작물 등)을 제거해준다. 1차 침전지(Primary Clarifier)에서는 약 2시간 체류하면서 BOD 및 SS를 각각 30~50% 제거해 준다. 포기조(Aeration Tank)에서는 공기를 불어 넣어 주면 호기성 미생물이 성장번식하여 유기물을 미생물 어리로(활성슬러지)로 만든다. 2차 침전지(Secondary Clarifier)에서는 약 3시간 체류하면서 활성슬러지는 침전되며 대부분 포기조로 반송되며 일부는 잉여슬러지로 농축조로 보내진다⁽⁵⁾.

1차 침전지에서는 수온(Temp.), 화확적 산소요구량 COD(Chemical Oxygen Demand), N(Nitrogen), 인(P, Phosphorus), pH, SS(Suspended Solid)가 측정되고, 포기조에서는 용존산소(DO, Dissolved Oxygen), MLSS(Mixed Liquid Suspended Solid), pH, NH4, NO3가 측정되고, 2차 침전지에서는 COD, N, P, SS, pH가 측정된다. 여기서 이차침전지 방류수의 COD, N, P, SS를 포함한 7가지 수질 데이터가 실시간으로 한국환경관리공단 관제시스템으로 전송되어 지며 기준치 초과시 벌금을 부과하기 때문에 목표 수질이 된다.

중요한 사실은 각각의 과정에서 하수의 체류 시간이 다르다는 것이다. 이러한 사실에도 불구하고 대부분의 연구에서는 이를 무시하고 모델링 및 시뮬레이션에 사용되는 데이터 생성은 같은 시간대의 데이터를 하나의 데이터 셋으로 만들어 모델링과 시뮬레이션을 수행한다. 따라서 이러한 방식의 데이터 생성은 근본적인 문제를 가질 수 밖에 없다⁽⁶⁾.

본 논문에서는 이를 해결하기 위해 2차 침전지에서의 5개 수질 데이터에 영향을 미치는 1차 침전지와 포기조의 수질 데이터를 구하기 위해 체류 시간을 고려하고자 한다. 체류시간은 유입 유량에 따라 달라질 수 있으므로 실질적으로 2차 침전지의 수질 데이터가 변화는 경우 체류 시간을 역으로 분석하여 2차 침전지의 수질 데이터의 영향 받는 체류 시간을 결정한다. 예를 들어 2차 침전지의 COD가 급격하게 변화는 경우, 포기조에서 수질값의 변화를 시간 역순으로 추적하여 체류 시간을 결정하고, 포기조의 수질값의 변화를 기준으로 1차 침전지 수질값의 변화를 시간 역순으로 추적하여 체류 시간을 결정한다. 각 프로세스에서의 수질 변화율의 결정은 해당 프로세스 전체 수질 항목의 평균변화율을 사용한다. 2차 침전지에서의 수질의 평균 변화율은 식 (1)과 같이 표현된다.

여기서, $AV_{2nd Clar{if}ier}(t)$는 시간 $t$에서 2차침전지 수질의 평균 변화율, $x_{i}(t)$는 시간 $t$에서 $i$번째 수질, $N$은 2차 침전지에서의 전체 수질 항목의 수를 나타낸다. $t$는 하수처리 공정에서 모든 데이터가 시간 단위로 측정 저장되므로 시간(Hour)이다.

$AV_{2nd Clar{if}ier}(t)$가 기준값(보통 10%)를 초과하면 포기조에서 원인이 되는 데이터를 찾아야 한다. 즉, 몇시간 전의 포기조의 수질 값이 현재의 2차 침전지에서의 수질의 변화를 초래한 것인지를 찾아야 한다. 포기조에서의 수질의 평균 변화율은 식 (2)와 같이 표현된다.

여기서, $AV_{Aeration}(t,\:r)$은 시간 $t$에서 $r$시간 전의 포기조 수질의 평균 변화율, $x_{i}(t)$는 시간 $t$에서 $i$번째 수질, $N$은 포기조에서의 전체 수질 항목의 수를 나타낸다. 보통 포기조에서 최대 체류시간이 6시간이므로 $r$은 1부터 6까지이다.

$AV_{Aeration}(t,\:r)$ 값 중에서 최대값의 $r$이 체류시간이 된다.

$r$이 결정되면, 1차 침전지에서 포기조와 같은 방식으로 체류시간을 결정한다. 결정된 체류시간을 $r_{1}$이라고 하자.

1차 침전지에서의 수질의 평균 변화율은 식 (3)과 같이 표현된다.

여기서, $AV_{1st Cla{if}ier}(t,\:r)$은 시간 $t$에서 $r$시간 전의 1차 침전지 수질의 평균 변화율, $x_{i}(t)$는 시간 $t$에서 $i$번째 수질, $N$은 1차 침전지에서의 전체 수질 항목의 수를 나타낸다. 보통 1차 침전지에서 최대 체류시간이 4시간이므로 $r$은 1부터 4까지이다.

1차 침전지에서 결정된 체류시간을 $r_{2}$이라고 하자. 그러면 최종적으로 시간 $t$에서의 결정된 데이터는 식 (4)로 표현할 수 있다.

여기서, $X_{1st Clar{if}ier}(t-r_{2})$는 1차 침전에서의 현재시간 $t$ 에서 $r_{2}$시간 전의 데이터, $X_{Aeration}(t-r_{1})$는 포기조에서 현재시간 $t$ 에서 $r_{1}$시간 전의 데이터, $Y(t)$는 2차 침전지에서의 현재시간 $t$ 에서의 데이터이다.

이와 같은 식으로 전체 데이터에 대하여 모델링 및 시뮬레이션을 위한 데이터 셋을 준비한다.

3. 인공신경망 예측 모델

2절에서 준비된 데이터 셋을 이용하여 그림 3과 같은 인공신경망을 구성한다. 입력 부분은 3개 부분으로 구성된다. 체류시간 $r_{2}$를 갖는 1차 침전지의 수질 6개(Temp., COD, N, P, pH, SS), 체류시간 $r_{1}$를 갖는 포기조 수질 4개( MLSS, pH, NH4, NO3), 현재 시간 $t$의 2차 침전지의 수질 5개(COD, N, P, SS, pH)가 입력 노드로 할당된다, 궁극적으로 용존산소 농도 DO를 선출해야 되므로 출력노드는 DO를 할당한다. 2차 침전지의 수질 항목 5개를 출력으로 하고 나머지 1차 침전지의 수질 6개와 DO를 포함한 포기조 수질 5개(DOo, MLSS, pH, NH4, NO3)를 입력으로 하는 경우도 있다. 그러나 이 경우 현재 수질을 기반으로 역으로 용존산소 DO를 계산해야 되므로 별도로 모델 기반 DO계산 로직을 만들어야 하므로 실제적 운영시 계산상의 어려움이 존재한다. 따라서, 본 논문에서 제안한 인공신경망의 구조가 실제적 운영에는 유리하다⁽⁷⁾.

제안된 인공신경망 모델에서 중간층은 입력의 2배에서 3배를 사이에서 하나씩 증가하면서 모델의 오차를 최소화하도록 구성할 수 있다.

제안된 인공신경망 모델에서는 역전파 알고리즘(BP, Back Propagation)을 사용하여 연결하중을 학습한다. 인공신경망의 입력은 각 수질 항목의 값의 범위의 편차가 크기 때문에 정규화 하여 사용한다,

입력 데이터 $X(t)=\left\{x_{1}(t),\:x_{2}(t),\:\cdots ,\:x_{n}(t)\right\}$에 대하여 정규화는 식 (5)와 같다.

여기서, $x_{i}(t)$는 $i$번째 입력의 시간 $t$에서의 데이터이고, $x_{i,\:\min}$는 $i$번째 입력 최소값, $x_{i,\:\max}$는 $i$번째 입력 최대값을 나타낸다. $\dot x_{i}(t)$는 구간 [-1.0, 1.0]으로 $i$번째 입력의 시간 $t$에서의 정규화된 입력을 의미한다.

중간층의 입력은 식 (6)과 같이 연결하중과 입력 $\dot x_{i}(t)$ 값들의 곱을 합한 후, 문턱값을 더한다.

여기서, $"net "_{j}$는 중간층의 $j$번째 노드의 입력, $n$은 입력의 수, $w_{ij}$는 $i$층과 $j$층을 연결하는 연결하중, $\theta_{th}$는 문턱값을 의미한다. 중간층의 출력 $o_{j}$는 식 (6)의 Activation 함수값으로 식 (7)과 같다.

여기서, $a$는 Activation 함수의 기울기 결정 인자이고, 출력단의 $k$번째 노드의 출력은 중간층의 출력단에서 계산값 $o_{j}$을 입력으로 식 (8)로 계산된다.

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

제안된 인공신경망 모델의 실제적 적용 측면에서 성능은 최소 ±8% 성능을 유지하여야 한다. 일반적으로 하수처리장에 주로 사용되는 수질 센서의 경우 유효 오차 범위가 ±3%이고, 일반적 예측 모델의 실제적 적용 가능성을 고려하면 예측 모델의 최대 학습오차는 ±5%이기 때문이다.

4. 최적 송풍량 제어

1차 침전지 수질 데이터, 포기조 수질 데이터가 제안된 인공신경망에 입력되면 용존산소 농도인 DO가 산출된다. 이 DO를 설청치로 하여 실제적인 제어는 그림 4와 같은 방식으로 제어된다⁽¹⁾.

실제적 제어는 공기 흐름을 최소화하는 용존 산소(DO) 제어, 효율성 최적화를 위한 송풍기 제어, 압력을 최소화하는 직접 흐름 제어, 개방형 밸브 제어, 송풍기 보호 등으로 구성된다. 이러한 포기 제어 시스템 목표는 처리 과정의 산소 요구량 충족하면서 가능한 최저 비용으로 프로세스 요구사항 달성하는 것이다. DO(용존 산소) 농도는 공정에 대한 적절한 공기 흐름을 간접적으로 나타내는 지표이기 때문에 송풍기 제어에 대한 부분도 매우 중요하다. 제안된 인공신경망에서 계산된 DO 농도가 공정에서 최적을 의미하는 것으로 한계치를 의미하는 것은 아니다. 일반적으로 DO가 매우 낮거나 0이면 적절한 공정 성능을 가질 수 없고, 또는 DO는 높다고 해서 공정 성능이 높은 것은 아니다. 대부분의 작업자는 DO 농도를 너무 높게 설정합니다. 이로 인해 과도한 전력이 소비된다. 즉, DO가 낮아도 바람직하지 않은 유기체가 발생할 수 있고, DO가 높아도 바람직하지 않은 유기체가 발생할 수 있다. 과도한 DO가 항상 더 많은 생물학적 활동을 초래하지는 않는다. 결론적으로 높은 DO는 전력을 낭비할 뿐이다⁽⁸⁾.

송풍량이 일정한 상태에서 부하가 증가하면 DO 농도가 떨어진다. 이 경우 OTE(Oxygen Tranfer Efficiency)가 변경되고 증가된 부하를 보상할 수 있으므로 DO 농도가 0으로 떨어지지 않는다, 즉, OTE가 상수가 아니기 때문이다. 따라서 실제적 제어에서는 OTE를 고려하여야 한다. 그림 5는 OTE에 따른 공기 확산을 보여준다. 본 논문에서는 이를 고려하여 DO로부터 송풍량을 결정한다.

정상 상태에서 공정에 필요한 OTR은 포기 시스템에서 제공하는 OTR과 동일하다. 이것이 사실이 아닌 경우 공정은 정상 상태가 아니며 새로운 정상 상태 조건에서 새로운 평형이 확립될 때까지 DO 농도가 변경된다.

또한, 한 개의 송풍기에 다수의 포기조가 연결되어 있으므로 그룹 유역 DO 제어가 되어야 한다. 이를 위해 그림 4와 같이 MOV(대부분 개방 밸브)를 통한 개별 유역 DO 및 공기 흐름 제어를 하여야 한다. 또한, 개별 Zone DO 및 유역별 흐름 제어도 수행하여야 한다. 최적의 포기 시스템 공기 흐름이 결정되면 송풍기에서 올바른 흐름을 제공해야 한다. 송풍기 제어의 목적은 올바른 공기 흐름을 제공하는 것으로 프로세스에는 제어된 질량 유량이 필요하고, 제어 기술은 송풍기 유형에 따라 다르다. 송풍기 제어 개념은 다단계 원심분리로 거의 일정한 압력에서 가변 흐름을 제어하는 것으로 일반적으로 입구 스로틀링으로 제어되어 흐름을 조절한다. 또한, 공기 흐름을 조절하는 VFD는 효율성과 턴다운을 향상시킨다.

송풍기 에너지 평가는 현실적인 Inlet 조건, 평균 온도 및 압력, 입구 손실, 예상되는 작동 공기 흐름 범위 사용 등이다. 따라서, DO 농도는 압력이 아닌 공기 흐름에 따라 달라지고, 송풍기는 압력이 아닌 공기 흐름을 생성하고, 시스템은 공기 흐름에 대한 저항을 통해 압력을 생성하는 형태로 송풍기 제어가 수행된다.

압력 제어에서, DO는 시스템 압력의 함수가 아니고 DO 제어에는 공기 흐름 제어만 필요로 한다. 따라서 송풍기 제어는 공기 흐름 속도를 조절하는 것을 의미한다. 압력 제어는 포기조들 사이의 간섭을 최소화하고 송풍기 출력과 포기조 공기 흐름 수요를 조정하도록 되어 있어 직접 흐름 제어 및 MOV 로직을 사용하여 압력과 전력 감소가 가능하다.

5. 결 론

본 논문에서는 하수처리 생물학적 공정의 에너지 절감방법을 제안하였다. 하수처리 생물학적 공정은 입력의 변화에 따른 출력의 영향이 생물학적 반응의 특성으로 4~6시간 걸린다는 것인데, 기존의 연구들은 이를 고려하지 않고 입력 대 출력을 같은 시간의 데이터를 이용하여 예측 시스템을 구현하였는데, 본 논문에서는 이를 해결하기 위해 1) 입력에 의한 출력의 생물학적 반응시간을 고려한 입출력 데이터 생성, 2) 이러한 데이터를 이용한 인공신경망 예측 모델 구축, 3) 이 모델로부터 목표 수질을 달성하기 위한 최소의 송풍량을 산출하여 송풍기를 제어하였다. 입력에 의한 출력의 생물학적 반응시간을 고려하는 수식적 방법을 제안하였고, 이러한 경우 인공신경망 모델 구현 방법과 실제적인 송풍량 제어 방법을 제안하였다.

이 결과 기존의 단순 DO를 무조건 높여서 목표 수질을 달성하고자 하여 발생하였던 전력 소비를 줄일 수 있었다. 즉, DO 농도가 제안된 인공신경망에서 계산된 값보다 큰 경우, 송풍기의 송풍량을 감소시켜 DO 농도를 감소시켰으며, 반대로 제안된 인공신경망에서 계산된 값보다 DO 값이 작은 경우 다시 송풍기의 송풍량을 증가하였다. 결과적으로 포기조에서 DO 농도를 제어함으로 목표 수질을 유지하면서도 15% 이상의 송풍량을 절감할 수 있었다. 결론적으로 송풍량의 15% 감소는 전력량 15% 감소의 결과를 보였고 목표 수질 또한 달성이 가능하였다.