The water supply sector has been experiencing a decline in workforce, and 314 water treatment plants (WTPs) of the 483 WTPs in South Korea, which were mostly built during the period of economic development, are now over 20 years old and deteriorating. Furthermore, the decrease in population and the rise in labor costs have led to a continuous reduction in water treatment plant personnel, resulting in a deterioration of operational expertise. Additionally, the deteriorating condition of facilities and the challenges in securing reinvestment for facility and operational improvements have further exacerbated the situation. The increase in WTP accidents can be attributed to the declining expertise of water supply personnel. To effectively respond to global climate change, innovative transformations are required in the water supply sector, including improvements in operational processes.
Following the COVID-19 pandemic, the most critical aspect in the water supply sector is the automation of operations and the enhancement of real-time accident detection capabilities, aiming to replace manual workforce with automation. Future water treatment plants need to implement automated operations using big data and AI technologies.
This study focuses on the automation and optimization of coagulant dosing, which has been a challenging aspect of WTP operation. Coagulant dosing accounts for more than 60% of the chemical treatment costs, and the production costs have been continuously increasing. In the past and present still, coagulant dosing has been carried out by overdosing for stable operation (called sweep floc coagulation method), but complete automation control based on feedback using physicochemical domain knowledge has shown limitations and issues.
Physicochemical models in water treatment, although capable of simulation based on existing domain knowledge, face challenges in real-time automation and optimization. In contrast, deep learning models can achieve complete automation and optimization with using big data. In this study, the acquisition of real-time big data, Prophet outlier removal for time series data, data normalization, and Optuna hyperparameter tuning for deep learning model optimization were researched.
To predict coagulant dosing and sedimentation basin turbidity in water treatment, one-dimensional convolutional neural network (Conv1D) models were established to enhance the correlation analysis between time series data, while gated recurrent unit (GRU) models were developed for time series interpretation. The study presented coagulant dosing predictions (training: 2016-2019, prediction: 2020) using five years of real-time big data and compared and analyzed the accuracy and characteristics of the Conv1D and GRU models against physicochemical models through verification of sedimentation basin turbidity prediction.
Lastly, to optimize coagulant dosing, the predicted dosage of coagulant was determined while maintaining sedimentation basin turbidity below 1.0 NTU. For the low turbidity season, the predicted dosage of coagulant obtained through deep learning was gradually reduced by 5% to 20% increments, and the sedimentation basin turbidity was predicted. By considering the results for both the high turbidity and low turbidity seasons, the final optimization of coagulant dosage was achieved. Furthermore, the reduction in coagulant dosage was used to calculate the cost reduction in chemical production of WTP, resulting in an estimated 12% reduction in production chemical unit cost.
상수도 분야의 근무인력은 꾸준히 감소되어 왔으며 현재 483개 정수장중 314개의 정수장이 20년 이상으로 점점 노후도가 심해지고 있다. 또한, 인구감소 및 인건비 상승으로 정수장 근무인력은 계속 감소됨에 따라 운영의 전문성이 악화되고 있으며, 시설 노후화에 따른 시설 및 운영개선을 위한 재투자 여건도 악화되고 있다. 상수도 운영인력의 전문성 약화로 정수장의 사고사례도 계속 증가하고 있으며, 전세계적인 기후변화 대응을 위해서는 운영인력 프로세스 개선 등 상수도분야의 혁신적 전환이 필요하다. COVID-19 이후 상수도 분야에 가장 필요한 분야는 운영근무자를 대체하는 자동화와 이를 통한 실시간 사고감지능력의 향상에 있다. 현재 운영근무자에 기반한 운전에서 미래의 정수장은 Big data와 AI 기술을 통한 자동운전 구현을 실현하여야 한다.
본 연구에서는 정수장 운영관리 중에서 자동화가 그동안 힘들었던 약품처리 중 응집제 투입 자동화와 최적화를 연구하고자 한다. 약품처리비용 중 응집제는 60% 이상을 차지하며, 생산단가도 계속 증가하여 왔다. 그동안 정수장에서 응집제 투입은 안정적으로 운전하기 위하여 과량으로 투입하여 왔으며, 투입량의 결정을 위한 물리화학 도메인 지식에 기반한 feed back 완전 자동화 제어도 한계점과 문제점을 보여왔다. 정수처리 물리화학 모델(Physicochemical model)은 기존의 도메인 지식을 기반으로 구현된 모델로 시뮬레이션은 가능하지만, 실시간 자동화 및 최적화에는 어려움이 있다. 그에 반해 Deep learning 모델은 빅데이터 기반의 완전 자동화와 최적화를 구현할 수 있다. 본 연구에서는 실시간 Big-data를 취득하고, time series 기반의 Prophet outlier 제거, data normalization 및 deep learning 모델 최적화를 위한 Optuna hyperparameter tunning 방법론 등을 연구하였다. 정수처리 분야 중 응집제 투입량 및 침전지 탁도 예측을 위해 deep learning 모델 중에서, time series 빅데이터 사이의 상관분석 강화를 위한 One dimensional convolution neural network (Conv1D) 모델과 time series 해석을 위한 Gated recurrent unit(GRU) 모델을 정립하였다. 그리고 이를 통해 실시간 Big-data를 활용하여 응집제 투입량 예측결과(Training : 2016년-2019년, Prediction : 2020년)을 제시하였으며, 침전지 탁도예측은 물리화학적 모델과 비교 검증을 통해 Conv1D and GRU 모델의 정확도 및 특성을 분석하였다.
마지막으로, 응집제 투입량 최적화를 위하여 침전지 탁도를 1.0 NTU 이하로 유지할 때의 응집제 주입량을 예측하였으며, 저 탁도 시즌의 경우 딥러닝으로 예측된 응집제 투입량에서 5% ~ 20%까지 줄여가면서 침전지 탁도를 예측하여, 고탁도 시즌과 저탁도 시즌의 결과를 반영하여 최종적으로 응집제 최적화를 수행할 수 있었다. 최종적으로, 응집제 절감량을 바탕으로 약품 생산단가 절감량(12%)을 산정 제시하였다.
