污水处理厂运行维护与管理控制模式：模型模拟

曹徐齐，阮辰旼

（1.上海《净水技术》杂志社，上海 200082；2.上海净水技术学会，上海 200082）

随着城市化进程的加快，新建工业区、住宅区等不断地涌现和扩张，配套的污水处理厂也面临着不断增长的污水处理需求：越来越大的处理水量、越来越复杂的处理水质以及越来越严苛的排放标准。为此，一方面对于现有的处理设备设施，需要不断进行参数调整和工艺优化，在提高处理效率的同时努力将能耗最小化；另一方面，在掌握现有实际运行数据的基础上，需要进行合理的设计和规划，引入新的技术手段，对污水处理厂进行适时的扩建和工艺改造；另外，对于日常的人员管理、设备维护等方面的经营理念，也要不断进行更新和完善，在维持出水水质稳定达标的前提下，始终将“提效降耗”作为发展的目标。其中，模型模拟作为一种辅助手段，在数据分析、效果评估、水质预测等方面具有不可替代的重要作用。本文在文献调研的基础上，整理汇编了目前较为前沿的模型模拟及其在污水处理厂中的应用，包括用于补足进水缺失数据、性能评估、能耗估算及进水水质预测等各方面的模型，以期为行业相关人员提供参考。

1 用于生成污水处理厂进水缺失数据的黑箱模型

污水处理厂得到的数据集合大致可分为两类：一类是自动测得的数据，如流量计测得的流量数据等，它们大部分为定量数据，通常具有很高的记录频率，转化为不同的时间尺度进行处理；另一类是通过分析得到的数据，如进出水的水质参数等，大部分为定性数据，一般由24 h内的随机样或者混合样决定，时间分辨率（time resolution）较低。后者是进出水水质情况分析以及工艺控制优化的基础资料。这些数据不仅可作为污水处理厂扩建设计和整体布局的参考依据，也可用于构建污水处理厂模型，进行动态长期模拟来预测和验证多年海量数据的合理性与准确性。但是，对水质的模拟分析通常需要连续的进出水水质定性数据作为支持，这与一些污水厂常规的低频数据监测模式相悖，尤其是对于一些小型污水处理厂。为此需要采取一些合理的方法，替换和补充一部分遗漏的监测值来提高数据的时间分辨率。

针对现有的一座常规定性数据密度较低、存在定性数据丢失的污水处理厂，Ahnert等［1］基于威布尔分布（Weibull distribution），根据时间分辨率较高的定量数据（流量），采用一种简单而直接的方法来生成连续的进水水质数据值。该方法所需若干年内的原始数据包括：（a）进水流量的日均值（最好为合流制排水系统，分流制的进水流量范围较小）；（b）24 h混合样的有效COD值；（c）24 h混合样的有效总氮值（Ntot）和有效总磷值（Ptot）；（d）研究水域内Ntot／COD和Ptot／COD的实际比值，一般可通过文献调研得到，方法步骤如下。

（1）对于不同的进水流量，根据有效COD浓度值，计算威布尔分布的形式（shape）和规模（scale）参数：（a）根据流量范围，将原始数据归成若干组；（b）计算每一组数据的威布尔分布特征参数；（c）生成威布尔分布的形式指数方程和规模指数方程。

（2）基于进水流量，根据威布尔分布的特征参数随机生成COD浓度：（a）计算某一给定进水流量的威布尔特征参数；（b）根据特征参数生成一个符合威布尔分布的随机数字，作为随机生成COD数据的一部分。

（3）根据得到的Ntot／COD和Ptot／COD实际比值，计算缺失的Ntot和Ptot值；或者根据现有的Ntot／COD和Ptot／COD比值分布，分别生成符合正态分布的随机Ntot和Ptot值。

得到的随机数值具有和测得的实际数据值一样的特征和变化规律，可用于需要使用到连续进水水质数据的工艺模型构建，从而进行工艺优化、能耗分析（结合能量模型），以及控制策略的改进或者总体处理能力的分析。

2 用于对污水处理厂绩效进行评估的PDCA模型

维持污水处理厂高质量的运行和服务，需要对技术工艺、环境影响以及经济效益等多方面的性能表现进行持续评估。为此，国际水协基准和绩效评估专家组（specialist group of Benchmarking and Performance Assessment of the International Water Association）提出了一种基准化评价法来评估污水厂的绩效，依照“计划-执行-核对-改进（Plan-Do-Check-Act，PDCA）”的循环例程（图1），通过系统搜索和关键因素改进来提升污水厂的性能。

在此基础上，葡萄牙国家市政工程实验室（Portuguese National Civil Engineering Laboratory）开发了一套基于绩效指标（performance indicators，PIs）和绩效指数（performance indices，PXs）的绩效评估体系（PAS），应用于葡萄牙17座污水处理厂的基准化评价和工作性能改进［2］。

该污水厂绩效评估体系主要包括两方面：（a）PIs体系，以年为单位整体评估污水处理厂在出水水质、设备效率和稳定性、自然资源及原料使用（重点关注能源）、副产物管理、安全管理、人员管理、财政资源使用以及设计规划方面的表现；（b）PXs体系，以天为单位评估污水处理厂在出水水质、污染物去除率以及运行条件等方面的具体表现。PXs体系是PIs体系的补充，后者用来评估污水处理厂在某一给定时期内的整体表现，而前者用来评估污水处理厂的性能同预设目标之间的差距，并给出得出各档绩效（“不满意”、“可接受”、“良好”和“优秀”）结果的依据（时间、位置以及原因）。通过综合分析PIs和PXs，就能找到提升污水处理厂性能表现的突破口。

图1 适于污水处理厂基准化的PDCA模型［2］Fig.1 PDCA Model Adapted for Benchmarking WWTPs［2］

针对葡萄牙南部阿尔加维地区一座采用氧化沟和紫外消毒工艺的污水处理厂，Silva等［2］应用该套绩效评估体系，选择了七项PXs指标（水质检测执行率、水质指标分析率、水质指标达标率、污水处理体积率、处理单位水量能耗、处理单位BOD5能耗等）和四项PIs指数（COD、BOD5、TSS和大肠杆菌），依照前期研究得出的参考值，对2013年～2015年污水处理厂各工艺段的性能进行了评估计算。结果表明该污水处理厂的氧化沟工艺较为有效，而紫外消毒工艺的整体评定等级为“不满意”，相比之下缺乏可靠性。因此建议污水厂工艺提升的重心为紫外灯的维护、紫外光剂量的优化以及微孔筛网（UV工艺进水）的重新检验。

处理能耗的表现随着污水处理体积的增大而越佳，且与污水厂的产能利用率（capacity utilization）有关。处理水量越接近污水处理厂的设计能力，工艺单元处理能耗的表现就越好；而当产能利用率低于50%时，能耗表现为“不满意”。氧化沟工艺曝气环节的能耗占了总能耗的38%，总体表现为“不满意”；针对该结果，建议通过季节性调整进水曝气、温度以及浓度以降低能耗和提高经济效率。事实上，在该污水处理厂，由于COD、BOD5、TSS等指标的评定结果已为“良好”甚至“优秀”，因此处理能耗的表现存在一定的提升空间；可适当降低氧化沟工艺的能量和经济投入，重新校验水质指标的评定结果是否仍高于“可接受”至“良好”的水平，从而将氧化沟工艺的能耗表现提升至“可接受”至“良好”的水平。

需要指出的是，完整的PI体系和PX体系所涵盖的指标种类非常广，需要根据给定的污水处理厂和年限，结合评估目标，有针对性地挑选出一组合理的PIs指标和PXs指数。

3 用于考察设备老化对污水处理厂能源成本影响的能耗模型

污水处理厂的能量消费模式与当地环境条件、处理的水量和水质、厂区规模大小、选择工艺类型、设备服务年限等因素有关。目前，削减能源消耗已成为污水处理厂运行优化的重要目标之一。随着人口和经济的持续增长、水质标准更加严苛以及处理设施性能逐渐下降，污水处理厂的能源消耗会继续增长，其中设备老化引起的能源损耗和处理效率下降的问题已经引起了人们的重视。设备老化不仅会提高处理工艺所需的能源投入，也会增加运行维护所需的人力、试剂等成本，尽管它们之间存在一定的相关性，但很难定量。

Castellet-Viciano等［3］从能耗角度考察了设备运行时间对西班牙瓦伦西亚地区322座污水处理厂的影响。研究收集了该地区污水处理厂2010年～2012年的处理工艺代表性变量指标，并采用Kruskal-Wallis检验方法对数据进行了统计分析；然后根据设备年限采用模型逐年进行模拟，并预测下一年的能耗成本。研究结果表明，含曝气系统的二级生物处理单元，如活性污泥法和延时曝气法，其能源消耗随设备年限呈现出较大差异；这是由于曝气系统多由微孔扩散装置组成，由于结垢等造成的微孔阻塞会造成一部分的能量损失，而这一现象随时间推移愈发明显。此外，研究还发现，处理水量在275 000 m3／年以下的小型污水处理厂，设施年限对能源消耗的影响更为明显；大型污水厂由于大部分存在热电共生系统（cogeneration system），在能源供给方面能够实现自给自足，因此设备年限对能源消耗的影响并不显著。

研究得到的能量损耗预测值可作为评估污水厂处理设施机电设备老化状态的一个重要指标，帮助污水处理厂的管理者决定是否需要进行设备更替或者相关的维护工作。

4 用于预测进水BOD5浓度大小的MCDA模型

软传感器（soft sensor）测量法以及基于快速可得信息和历史数据的数理统计分析法，为污水处理厂实时信息报告和未来信息预测提供了一种简单有效的途径。Zhu等［4］在早先的研究中阐述了采用软传感器测量法预测污水处理厂进水情况的诸多优势，包括预测结果可靠以及灵活性较好等，但方法预测的是目标变量的均值，当进水的BOD5偏高时，实际值和预测值之间的偏差可能较大，使得出水水质不达标的风险增大；过量曝气可降低该风险，但也会产生不必要的能量消耗。

为此，Zhu等［5］针对芝加哥一座污水处理厂，在前面研究的基础上继续开发了一种整合了软传感器测量法与多标准决策分析（multi-criteria decision analysis，MCDA）技术的多层级混合方法，在进水含碳BOD5（CBOD5）的预报工作中更好地平衡能耗需求和出水超标风险。该方法采用MCDA技术之一的折衷规划法（compromise programming），确定了一个将进水CBOD5分为高低浓度的关键浓度值，对于低浓度的CBOD5，采用人工神经网络（artificial neural network，ANN）来准确预测，以寻求能耗需求的最小化；对于高浓度的CBOD5，将多元线性回归置信水平的置信上限设为95%进行高估，从而使得进水处理不达标的风险最小化。

研究结果表明：（1）当安全因子和预测精度采用相同的权重（0.5）时，根据训练数据集，CBOD5阈值的最优选择为87.5 mg／L；（2）与训练数据集相比，检验数据集的预测精度较低，而安全因子的范围更广，两种数据集均能得出同样的最优CBOD5阈值，表明决策过程的正确性；（3）与单一应用ANN方法相比，该混合方法可以显著降低较高的CBOD5进水浓度被低估情况所占的比例，而预测误差仅略微增长；（4）该混合方法具有很高的灵活性，可以使用不同的置信区间或纳入更高级的算法进行修正，以预测进水中的其他成分并针对不同污水处理厂的当地条件作出调整，如出水要求、能源成本、处理工艺、天气条件、控制灵活性等，通过调整安全因子和预测精度的权重，得到更符合地方实际的应用模型。

［1］Ahnert M，Marx C，Krebs P，et al．A black-box model for generation of site-specific WWTP influent quality data based on plant routine data［J］.Water Science and Technology，2016，74（12）：2978-2986.

［2］Silva C，Matos J S，Rosa M J.A comprehensive approach for diagnosing opportunities for improving the performance of a WWTP ［J］.Water Science and Technology，2016，74（12）：2935-2945.

［3 ］Castellet-Viciano L，Hernández-Chover V，Hernández-Sancho F.Modelling the energy costs of the wastewater treatment process：The influence of the aging factor［J］.Science of The Total Environment，2017，46（24）：363-372.

［4］Zhu J J，Anderson P R.Assessment of a soft sensor approach for determining influent conditions at the MWRDGC Calumet WRP ［J］.Journal of Environmental Engineering，2016，142（6）：04016023.

［5］Zhu J J，Kang L，Anderson P R.Predicting influent biochemical oxygen demand：Balancing energy demand and risk management［J］.Water Research，2018，52（1）：304-313.