太湖地区某水厂原水及出厂水水质统计

2021-08-17魏郭子建林秋风黄永斌潘博伦

净水技术 2021年8期

魏郭子建，林秋风，李聪,*，黄永斌，易娟，潘博伦

(1. 上海理工大学环境与建筑学院，上海 200093；2. 蒙特克莱尔州立大学，新泽西蒙特克莱尔 07043；3. 湖州市水务集团有限公司，浙江湖州 313000；4. 深圳市水务<集团>有限公司，广东深圳 518000)

太湖地区人口密度、经济规模大，产业发达。由于以往重视发展速度忽视生态环境问题，出现了本地水资源不足、水污染严重、水生态环境恶化等恶劣情况，并发生过恶性污染事件。太湖区域曾暴发大规模蓝藻污染事件，江苏省太湖地区蓝藻污染严重、太湖水质恶化，进而导致无锡自来水供应受到影响，严重影响当地居民日常生产生活[1-2]。

据相关报道，自2007年以后，太湖治理成就显著，太湖地区地表水水质大幅改善[3]。2016年，太湖水体评价中高锰酸盐、氨氮、总磷等水质指标较2007年分别提高15.6%、84.6%和3.6%，总氮相比于2007年提高38.0%，综合富营养状态评价指数由2007年的中度改善为轻度。2007年太湖15条主要入湖河道中9条河水水质为劣Ⅴ类，经过治理后，2013年已消除Ⅴ类和劣Ⅴ类河道，其中12条年均水质达到或好于Ⅲ类,地区内检测的65个截面水质达标率为77.4%，比2007年升高15.5%，治理效果显著。太湖周边城市希望加大在太湖的取水量或开辟新的饮用水源地，以满足日益增长的生产生活用水需求。

本文研究的水厂以东太湖水作为水源，臭氧预氧化+混凝沉淀砂滤作为常规处理工艺，臭氧活性炭作为深度处理工艺，出厂水进行氯消毒，为当地居民提供饮用水。

现该水厂处理工艺成熟稳定，原水出水水质均达到相关水质标准。为了进一步提高出水水质，保障供水安全性，本次研究运用统计分析软件SPSS与数理统计的方法，就水厂原水水质及主要污染成分变化进行分析，为水厂处理原水及消毒副产物提供一定参考。

1 原水水质分析

1.1 主成分分析主要污染物

主成分分析又称主分量分析或矩阵数据分析，可以将一组具有一定相关性的变量进行变换，通过正交变换将这组变量重新组合成一组线性独立的变量[4]。该方法可以对具有一定相关性的数据集进行降维，从而简化问题分析[5-6]。

使用SPSS软件对某水厂2018年1月—2019年3月，共15个月的原水水质报告中浑浊度、耗氧量、菌落总数、pH、色度、铁、锰、总氮、总磷、氯化物、总硬度共11项水质指标(表1)进行主成分分析。

表1 样本数据Tab.1 Data of Water Samples

这些样本中水质指标间具有一定相关性，通过对样本进行正交变换，将水质指标重新组合成互不相关的11个主成分，并将主成分按照特征值大小依次排列。特征值描述对应特征向量方向上包含的信息量，而单个成分特征值除以总特征值(11个水质指标就意味着总特征值为11)等于该特征向量的贡献率，贡献率代表了该维度下蕴含的信息量的比例。提取前3个特征值大于1的主成分(说明这些主成分的信息量多于1个水质指标，可以用来降维)，且其累计贡献率超过75%(表2)，即选取的3个主成分可以解释原始数据中11个水质指标所含75%的信息，重新组合的主成分与原始数据相比会有一定模糊性，这是变量降维过程中不得不付出的代价[7]。由于表2中主成分可以描述样本中大部分信息，可以认为是有效主成分[8]。

表2 成分特征值与贡献率Tab.2 Component Eigenvalue and Contribution Rate

通过最大方差正交旋转后可得荷载矩阵的各元素值(表3)。由表3可知，主成分1中大部分系数多为正数，且浑浊度、色度系数最高，铁、锰其次。研究表明，太湖中铁、锰等重金属的存在形式主要为颗粒[9-10]。因此，第一主成分中变量主要与水中颗粒相关，称第一主成分为固体颗粒成分。主成分2中由pH起主要作用，而受到pH变化影响，水中硬度和磷会与水下沉积物发生物质交换[11-13]。因此，主成分2中磷具有较大的正相关系数，而与总硬度与氯化物具有较大的负相关系数，称主成分2为沉积溶解成分。主成分3中由总氮起主要作用，而耗氧量与菌落总数也具有较大的系数，铁、锰则具有较大的负相关系数，则称主成分3为有机污染成分。

表3 成分系数矩阵Tab.3 Component Coefficient Matrix

其中，得分系数为载荷矩阵除以表2中的特征值，得到3个互不相关的主成分，主成分得分如式(1)。

(1)

其中：i——主成分序号，i=1，2，3；

j——水质指标序号，j=1，2，3，…，11；

n——水质报告样本序号，n=1，2，3，…，15；

Fni——第n个水质报告中的第i主成分得分；

kij——第i个主成分中第j个水质指标得分系数；

Xj——标准化后的第j个水质指标。

对每个主成分得分与表2中的贡献率计算得到综合得分，以及运用3个主成分的水质评价表(表4)，综合得分表达如式(2)。

(2)

其中：Sn——第n个水质报告的综合得分；

ci——第i个主成分的贡献率。

SPSS软件进行成分分析时，会对原始数据进行Z-score标准化预处理，因此，得到的15份报告的成分评分与综合得分和都为0。即表4中分数越高，意味着该报告与其他相比受到该成分影响越大，相反分数越低，则受到该成分影响越低；综合得分越高说明水质越差，综合得分越低说明水质越好。由表4可知，这段时间内原水水质明显好转，其中，固体颗粒成分和有机污染成分评分随着时间的推进显著下降，而沉积溶解则相对稳定。

表4 水质成分评价Tab.4 Evaluation of Water Quality Composition

1.2 聚类分析污染指标关联性

为了进一步研究原水中各水质指标的关系，对其采用聚类分析。聚类分析是一种多元统计分析方法，聚类分析与其他分析不同之处在于其所要求的划分的类别未知。聚类分析根据样本或指标的特征，按照在数据间的相似程度进行分类。同一个类中的对象会具有一定的相似性，相反，不同类的则会具有较大的相异性[14]。

1.2.1 数据标准化

首先对原始数据进行预处理，本文选择的是Z-score标准化处理。被Z-score标准化转化的水质数据均值为0，标准差为1，将所有数据转换到一个统一的数值区间内，消去了量纲的影响，从而可以对不同指标进行比较和处理，如式(3)。

(3)

其中：i——样本序号，i=1，2，3，…，n(n为样品数)；

j——水质指标序号，j=1，2，3，…，m(m为变量数)；

Xij——原始数据；

Sj——变量在样品的标准差；

Zij——标准化数据。

1.2.2 相关性

本文采用浙江省湖州流域某水厂2017年1月—2019年3月连续监测27个月的水质数据，选取浑浊度、色度、耗氧量、总硬度、铁、锰、氯化物、总氮、总磷共9项水质指标进行相关性分析。采用皮尔逊简单相关系数[15]，如式(4)，结果如表5所示。

(4)

其中：n——样本量；

xi——样本i中水质指标x的值；

yi——样本i中水质指标y的值。

由表5可知，当显著性水平α为0.01时，色度与浑浊度、铁与浑浊度、铁与色度、铁与锰、氯化物与总硬度、锰与浑浊度具有较强的线性关系。

表5 各水质指标相关系数Tab.5 Correlation Coefficients of Each Water Quality Index

1.2.3 聚类分析

使用SPSS对1.2.2相关系数矩阵的9个水质因子进行R型聚类分析，并根据结果，绘制聚类分析树形图(图1)。图1展现了聚类分析中水质指标之间与小类之间每一次合并的情况，且将各类间的距离映射到0～25[16]。

图1 R型聚类分析树状图Fig.1 Tree Diagram of R-Type Cluster Analysis

由图1可知，浑浊度、色度和锰、铁距离最近，率先分别合并成一类；其次是总硬度、氯化物合并；然后是耗氧量、总磷合并成一类。最终所有类型聚成一类。由聚类过程可知，浑浊度和色度、锰和铁关系最为密切。由1.2.2中的相关系数可知，浑浊度和色度、锰和铁具有很强的线性相关性。

1.2.4 线性回归

为了进一步分析水质指标间的统计关系，对相关性较好的两组水质指标进行回归分析[17]。通过线性回归方程来描述和反映1.2.3中得到的相关性最为密切的水质指标的关系，为水质分析及预测提供科学依据。分别对浑浊度和色度、锰和铁进行线性回归拟合，拟合的过程与结果如图2和表6所示。

表6 线性回归过程Tab.6 Linear Regression Process

浑浊度和色度、锰和铁的线性回归关系，如式(5)～式(6)。

A=0.125×I+11.908

(5)

CMn=0.053×CFe+0.023

(6)

其中：A——色度，CU；

I——浑浊度,NTU；

CMn——水中锰的含量，mg/L；

CFe——水中铁的含量，mg/L。

由表6可知，两个线性拟合R2分别为0.819和0.793，Sig.均小于0.01，说明色度与浑浊度、锰与铁的线性拟合关系具有较好的拟合性且通过显著性检验。铁锰回归显著性检验中，常数项的Sig.为0.171，说明该表达式中常数项与0差异性不显著，即常数项接近于0，对拟合关系无其他影响。

利用回归方程，根据浑浊度和铁的监测值，分别得出色度和锰的计算值，并与实际监测数据进行对比，计算误差。表7为 2018年1月—2019年3月预测值与检测数据的对比，除个别点外，两者的误差均在合理范围内(预测色度与实测值的绝对误差的绝对值不超过5，预测铁与检测值的相对误差的绝对值不超过0.05)，计算值可以一定程度上反应实测值大小，说明两个线性回归方程是可以接受的。

表7 监测数据对比Tab.7 Comparison of Monitoring Data

2 消毒副产物分析

氯是一种被广泛应用的传统消毒剂，具有对微生物杀灭能力强、在水中可以长时间维持一定数量余氯、可持续消毒等优点[18]，但氯会与水中的有机物、无机物发生反应生成消毒副产物(disinfection by-products，DBPs)。目前，已发现有数百种DBPs，且预计还有大量未知的DBPs等待研究揭示。DBPs中三卤甲烷和卤乙腈因水中含量较高受到重视，已被确认具有致癌、致畸、致突变的特性，对人体具有严重的危害性[19-20]。相关研究表明，DBPs大都具有毒性，一般会对人体内脏有刺激作用或麻醉作用[21-22]。例如，人长期饮用经过氯消毒的自来水，其消化和泌尿系统癌变风险会比饮用其他消毒自来水要高[23]。

2.1 消毒副产物主要成分

为了更直观地反映水中主要的DBPs以及DBPs之间的关系，按照DBPs的分子结构与官能团进行归类，将水厂出厂水DBPs水质指标分为4大类，即三卤甲烷(三氯甲烷、一氯二溴甲烷、二氯一溴甲烷、三溴甲烷)、卤乙腈(二氯乙腈、溴氯乙腈、二溴乙腈)、卤代酮类(二氯丙酮等)、卤乙醛(三氯乙醛等)，并对这4类消毒副产物进行统计分析(表8)。