基于全过程的农村小型化污水处理设施的监控

叶斌 张华

（湖南航天电团网络科技有限公司，湖南 长沙410000）

2017 年环境保护部环境规划院发布了由环境保护部、财政部联合印发的《全国农村环境综合整治“十三五”规划》，环境保护部环境规划院受环境保护部委托，全程负责《规划》研究编制和实施的技术牵头工作。《规划》明确，到2020 年，新增完成环境综合整治的建制村13 万个，累计达到全国建制村总数的三分之一以上。建立健全农村环保长效机制，整治过的7.8 万个建制村的环境不断改善，确保已建农村环保设施长期稳定运行。

农村污水治理设施普遍存在“建好不用、只晒太阳”的现象。根据国家审计署发布的2018 年第2 号公告--2017 年第四季度国家重大政策措施落实情况跟踪审计结果显示，环保项目建设缓慢或建成后闲置情况较为严重。例如，江苏省195 个污水处理设施有146 个闲置，涉及投资10449.77 万元，真正运行率还不到10%。

1 全过程监控预测技术路径

对小型化污水处理设施实施全过程监控的方法，是以大数据为基础的水质预测技术路线。即将各类传感器对电控部分、进出水量、浊度、温湿度、雨滴等影响水质结果的各类支撑因素实现对全处理过程的实施在线监控、分层管理和预测预警。

终端硬件全面采集小型污水处理设备的关键节点组件的电气指标数据，包括电压电流能耗等。配备了两型流量计来采集流量数据；温湿度传感器来采集气象数据和反应池水体温度；反应池内配备了液位计来测量液位高度，出水口还配备了开关量的浊度传感器，开关量的雨滴传感器来监测雨水量的影响。

2 处理措施

由于农村环境特点，大部分处污设备安装在较为恶劣的室外环境下，传感和传输系统需通过升级电路设计、更换更加稳定的芯片、增加外部保护元器件、提高主板集成度来使主控板工作更加稳定。

2.1 流量精准度预测。针对日均100 吨以下的一体化设备污处设施，通过涡轮流量计进行计量；针对大于日均100 吨以上的污处设备通过高精度的电磁流量计。对于多管并联式的工程现场环境，需直接在进口和出口终端进行流量监控进行合计计算；但光有硬件的保障依然无法确保计量的真实性。于是我们对于污处设施监控进行每日进、出流量数据相比较，而设施进、出流量历史数据陡然增大的情况，我们通过终端雨滴传感器，排除雨污分流因素影响和综合能耗、提升泵组件能耗等因素来判定异常数据信息。确保了污处设施流量数据在统一规则下进行全流程监测，即使污处某一个单点数据环节被篡改，也能及时发现，从而确保污处流量的计量的准确性与真实性。

2.2 工况预警。由于处污设备的组件如：风机，提升泵，抽吸泵，回流泵，搅拌机，加药机，螺杆泵，格栅机等各自都具备自身不同的电气衰减指征，即在用电设备出现故障之前，电气指征运行曲线会出现特定波动。因此在线数采终端需对污处工况组件进行高密度信息采集，可以将实时数据与该工况组件的历史电气衰减指征进行对比，找出改工况组件发生故障点，以便达到预警目的。

2.3 节能依据。农村环境下的小时污水处理设施极易产生过度运行情况，即在没有污水或者污水不足的情况下各组件依然按照满负荷状态运行，通过大数据自学模型，可分析本设施污水来水的周期特征，制定出新的设备自运行时间表，优化处理流程，将最优工况组合作为同类设备工况运行调整的基准，得出处理单位水量的能耗（吨水能耗比），来优化其各组件运行时间表，达到节能目的。

2.4 数采仪信号采集上传的连续性和稳定性。我公司自研新一代环保物联网终端数采仪：通过自检、自我恢复能力、远程更新固件等功能，通过主控板与各个传感器的连接信号是否正常，当任意传感器发生故障导致信号无法上传时，主控板会将异常情况在30 秒之内上传到上位机服务器，进行数据分析，经APP、小程序、短信推送给污处运维人员及时调试修复。在当下农村环境，监控终端实际工作环境经常会遇到通信信号、速度带宽不稳定的情况，当无法连接上信号基站的情况下，数采系统可以设置10～30 分钟进行重启通信模块，直至重新连接上基站为止，在此阶段采集上来的数据进行本地化存储，并且在下次重新连接上位机服务后将以历史数据的形式上传上位机；为提高通讯模块工作过程中的稳定性，监控终端对传输效率进行了智能监控，在效率下降或者连接时间过长的情况下，将自动重启通讯模块，以更好地预防和解决因芯片机制问题，导致传输效率下降的情况，使系统通讯模块长期保持连接状态。

2.5 以大数据为基础水质预测技术路线的可行性。农村的一体化、小型化设备设计选型、建设施工、验收都是一次性的流程。现有排出的水质信息与污设设施日常的运行状态，实际上取样化验最后结果的好坏大部分取决于污水处理装置是否按照设定的工艺流程合规运行，比如：各个组件在每个工艺处理节点上运行的时间是否达到标准，与各个组件开启关闭的顺序是否正确，污水在处理池停留的时间是否合适等其他因素密切相关。所以能影响水质结果的所有客观因素我们都尽可能的去把握，通过这些高密度的监测数据形成大数据，来准确的判断机器运转的状态、计量污水处理量和预测水质结果的好坏。

首先就是工况数据和水质数据的数据链接的时间点。即使两种数据结合形成数据模型的时间点是一致的，但是用这个方式建立模型是不正确的。因为污水处理和污水排放是由先后顺序的，虽然农村污水处理的滞留时间不长，但是在时间上也是有滞后的，（即下午三点的设备的工况数据，不能与下午三点的出水水质数据进行链接形成大数据模型，因为节点相同，缺不是同一批次水）。污水处理设备的处理能力越大，这个时间点的滞后越长；处理的流程工艺越复杂，这个时间点的滞后也越长。正是由于这样的时间点滞后的特征，也让我们用工况预警成为了可能，实际上时间点滞后的长短也就等于我们预测时间的长短。

2.6 污水处理设施数据模型。污水处理设施数据模型计算准确与否，第一个前置条件设置污水处理设施运行标准工况参数，通过数采仪采集工况过程的大量近实时（周期短、频率高）的时序数据，包括工况过程中的成百上千个指标量，加上污水处理设施本身的运转设计量参数，拥有这些丰富的数据，加上大数据存储和计算体系工具的支撑，通过机器学习等领域的算法来分析预测（比如可以通过傅里叶变换、小波变换、LSTM长短时记忆网络、PCA 降维等算法来实现聚类分析），提升了整体预测的实时性和准确性。

污水处理设施工艺类型不相同，数据模型的内部计算机制也差别很大，K-means 无监督学习法。即将每类数据随机选取一个作为K 点指标数，然后计算所有其他数据到K 值距离，通过距离计算得出新的数据群的聚集中心点。这样就无监督的自动的找到了设备稳定的值区间。然后可通过Box-plot 来对每个设备每次采集的实时状态进行比对，根据高斯分布的概率论箱形图分三个区间，最中间的即为中位线，这一区间的数据就是无监督学习法得到的一个稳定值区间，然后是两个内限区，这两个内限区的产生就是由于前面介绍的抗冲击因素得出的内限区，处于这个区间内的值我们称之为温和异常值（mild outliers），他的异常的可能性低；最外面区域是外限区，这个区域的值是一定会产生异常的区间，我们称这个区间的值为极端异常值。总结说来就是我们用无监督学习法来整理归类数据，分析出稳定区间。然后用箱形图来对实时采集上来的分时段数据给出异常判断。由此得出，以大数据为基础水质预测技术路线是可行的，而且随着数据采集量的增大，大数据预测将越来越准确。

2.7 及时捋清责任和取证问题尤为重要。当系统中发现了明显的异常数据，虽然通过大数据的分析我们可以准确判断，但是仍然无法作为执法依据，并且如果不及时到现场勘察取证，很难判断是否是人为因素，就算确认了是人为因素也很难发现责任人。因此可借助弱物联全时摄像头，24 小时不间断的记录处污设备情况并将数据在本地进行保存，并能在无市电供电亦能工作。视频压缩技术，画质高，储存量低，采用弱物联的通讯技术，带宽占用极低。

3 结论

通过对不同工艺和规模、不同气候、不同应用环境下的样本点进行了长达4 年的高密度信息采集分析，我们从中找到了大量的形成水质预测大数据模型的关键因素，找到了工况数据和水质数据以及分时段数据的预测时间点对数据链接点的影响。并随着大数据经验的积累，大数据模训练粒度的不断加强，进一步证实了，通过工况过程信息与大数据模型技术有机结合、运算方法和经验信息相结合，以“支撑因素元数据影响水质结果”“以物理现象影响化学结果”的技术路径形成的以大数据为基础的水质预测技术路线，可达到对水质进行预测的目的。