管网突发水污染溯源模型构建及应用研究——以深圳东部某水质净化厂为例

邝燕良，程 浪，赵贝贝，任子奇，王慧君

(1. 深圳深态环境科技有限公司，深圳 518048；2. 中国农业大学，北京 100000； 3.中节能铁汉生态环境股份有限公司，深圳 518048)

前 言

随着我国经济的快速发展，同时也将我国带入了突发性水环境污染的高发期。市政污水管网连接排污单位和水质净化厂，当超标工业废水偷排漏排进入污水管网，会导致水质净化厂运行异常，造成水环境迅速恶化现象[1-2]。突发性水环境污染具有速度快、诱因复杂、危害影响大等特点，其防范和应急处置较为困难，而且污水管网系统拓扑结构及水力条件复杂多变，现有溯源方法效率低下反馈时间长，不利于突发性水环境污染事故的快速有效识别，成为水质净化厂水质异常溯源中的难题[3-4]。突发性水环境污染溯源技术在理论和实践上都得到了国内外科研工作者的关注和重视[5～9]。当前水污染溯源方法有资料溯源、人工排查和技术溯源，其中技术溯源方法主要有水质指纹法、同位素示踪法和线粒体DNA溯源法。清华大学吴静老师利用三维荧光光谱技术研究了我国南、北方城市污水水质特点[10],水质指纹方法主要通过发光有机物的荧光峰的位置和强度来识别废水特征，但对重金属特征效果不明显。同位素示踪技术在水环境污染物源解析中主要使用碳、氢、氧、氮、硫、铅、汞等稳定性同位素[11]，对电镀行业铜、镍、铬等重金属有待进一步研究。线粒体DNA溯源法主要通过分析水体中粪便的线粒体脱氧核糖核酸(DNA)的种属特异性确定污染排放来源，不适用于工业污水重金属应用。本文针对深圳管网突发污染多为含铜、镍、铬，氰等的电镀相关废水的特点，选取深圳东部某水质净化厂为研究对象，在资料溯源和人工排查成果的基础上构建管网突发性水环境污染溯源模型对该区域污水管网发生突发性水环境污染过程进行模拟，分析不同污染源工业废水突发排放对水质净化厂进水的影响，以及通过识别不同污染源影响特征和污染风险的可能性、差异性分析来进行技术溯源，并结合管网关键节点快速验证的方法进行污染溯源应用。一方面为当地相关部门污染源管理加强针对性提供参考意见和技术支持；另一方面对区域水环境突发污染溯源提供技术指导，缩短溯源时间提升溯源的准确性。同时为具有相似特征的其他区域和城市的水环境污染溯源工作提供思路和方法上的参考。

1 材料与方法

1.1 研究区域概况

以深圳市东部某水质净化厂为研究对象，研究区域为水质净化厂20.84 km2的污水收纳范围，范围内有36个居民小组和1 400多家工业企业。经调查主要工业废水污染源来自金属表面加工和电镀行业，其产生的电镀废水中含有各种金属离子污染物和氰化物等有机污染物，对环境和人类身体健康产生极大危害[12]。依据企业清单筛选出9家相关排污企业,分别用字母A到I表示，其在空间上分布比较分散，空间分布如图1所示。该区域2020年曾发生过一起工业废水偷排导致进水氰化物超标事件，严重影响水质净化厂正常运行。

图1 研究区域范围及工业排污企业位置Fig.1 Study area and location of industrial polluters

1.2 研究思路和方法

1.2.1 总体思路

在对深圳东部某水质净化厂收集范围内污水管网数据、企业空间分布数据、遥感卫星影像数据、片区供水数据以及工业污水检测等大量数据采集分析的基础上，基于SWMM( Storm Water Management Model)建立管网突发水污染溯源模型。在率定调参的基础上对污染源突发排污情景进行模拟，分析不同污染源污水排放对水质净化厂进水的特征因子影响可能性以及差异性情况。最后将模型模拟及分析结果应用于溯源分析，通过模型模拟明确该区域的不同污染源对水质净化厂进水的影响特征、突发情景排污特征关联性分析进一步缩小排污嫌疑范围、管网关键节点快速验证从空间上锁定嫌疑排放源三个步骤来对管网突发污染进行溯源。技术路线如图2所示，各环节具体工作方法和过程见1.2.2～1.2.5节。

图2 技术路线图Fig.2 Technology roadmap

1.2.2 数据采集和处理

由于城市污水系统的复杂性以及排污源头数量庞大，建立水质净化厂污水系统排放模型需要大量的数据采集和处理工作。数据采集主要包括污染源空间分布数据采集、污水管网数据收集及踏勘校核、用排水数据收集分析、污水水质采样监测、水质净化厂进水数据、区域降雨数据收集分析等。数据处理主要包括大批量的污染排放源的空间分布获取、用排水数据和空间位置链接匹配、以及排污管网梳理分析。

1.2.2.1 污染源空间分布数据采集

根据调研踏勘研究范围内污染源主要分为居民聚集区和数量众多的的企业(园区)。其中企业污染源空间分布数据采集采用大数据抓取技术从百度地图POI数据库中获取研究区域内的企业空间分布信息，包括企业名称、地址、经纬度等，共获取大小企业1 437家。居民聚集区统计共36个居民小组6 453栋建筑，识别出102个居民居住聚集区。

1.2.2.2 用排水数据收集分析

收集片区自来水厂2020年的自来水供用水数据(无地下水水源)，筛选出一定规模(1 000 m3/月)以上的用水户175家，核算污水排放量共20 478 m3/d；居民生活用水统计总计4 168个用水账号5 818.6 m3/d用水量。依据地址匹配至识别出的102个居住聚集区，统计出单个聚集区的生活污水排放量。剩余1 262家企业采用剩余用水的均值作为单个企业的用水量,平均21.3 m3/d,共26 880 m3/d，污水排系数取深圳市平均值0.8[13]。

1.2.2.3 污水水质采样监测

污水水质监测数据主要分为三类，分别是居民聚集区生活污水水质数据、一般工业企业生产生活污水水质数据和筛选出的9家工业企业工业废水水质数据。2021年实际居民聚集区采样检测数据和一般工业企业生产生活污水采样监测数据，见表1；水质净化厂进水在线监测水质数据统计见表2，9家企业工业废水采样检测数据见表3。

表1 纳污范围及周边居民聚集区、工业区污染物浓度监测数据详情表 Tab.1 Pollutant concentration monitoring data in pollutant absorption area of residential gathering area and industrial area (mg/L)

续表1

表2 水质净化厂近3年晴天进水指标数据统计Tab.2 The statistics of inlet flow and water quality index in the fine day of recent 3 years

表3 收纳范围内工业废水监测数据详情表Tab.3 The detailed table of industrial wastewater monitoring data in absorption area (mg/L)

1.2.3 建立污水排放系统模型

SWMM( Storm Water Management Model，中文名“暴雨洪水管理模型”)是EPA(美国环保署)开发的动态的降水-径流模拟模型。可以通过节点、管网、出水口和泵站等来演算城市雨污水管网的径流和水质，水流在管网系统中的运动原理是以连续方程和动量方程组成的圣维南方程组来演算。该模型可以跟踪模拟不同时间步长任意时刻每个子流域所产生的水量和水质，同时还能够模拟每个管道和河道中的流量、水深及污染物浓度等状况[14]。

根据当地排水管养公司提供的雨污水管网矢量图，利用GIS梳理提取污水管网系统，明确管网走向，绘制研究范围的污水管网流向图。然后沿管网路径提取沿线的管径、长度以及污水井的经纬度、编号名和井底标高等数据作为SWMM模型的输入文件，构建水质净化厂的污水管网系统模型，共概化建立3482个污水管段、2483个模型节点，1539个污水排放源，SWMM模型概化图如3所示。

图3 研究区域污水系统SWMM概化图Fig.3 SWMM generalization diagram of regional sewage system

1.2.4 模型率定及调参

采用水质净化厂在在线监测统计数据来对模型进行检验，统计水质净化厂近3年的晴天日进水量均值，其中2019年由于缺少日降雨统计数据选择旱季均值替代，水质净化厂统计数据如下表2，近三年平均晴天日进水量45 106 m3/d,平均COD进水浓度211.7 mg/L。2020～2021年日降雨量与日进水量对应关系见图4。

图4 水质净化厂进水量与降雨量对应关系Fig.4 The corresponding relationship between water intake of water purification plant and rainfall

根据水质净化厂的进水量及进水指标浓度调整污染源排水参数，其中1 262家企业平均污水排放量调整至16.0 m3/d,企业排放污水水质指标调整为COD浓度195 mg/L，氨氮平均浓度为18.9 mg/L，总磷为4.2 mg/L。率定调整后水质净化厂进水参数与2019～2021年晴天进水均值一致。

1.2.5 突发排污情景模拟分析

研究范围内有编号为A到I的 9家工业废水排放企业，通过对其工厂内部废水处理站的工业废水采样检测，获得企业含氰废水处理池、含镍废水处理池、含铬废水池处理池以及综合废水调节池的水质数据，如表3所示。进一步作为企业废水突发排放情景模拟输入条件，分别对其日废水产生量不同排放时长(2～8h)情景进行模拟，其中2h情景代表突发排放事件，8小时代表缓慢排水时长。

2 结果与讨论

2.1 废水排放对水质净化厂进水影响

企业产生的废水中工业因子氰、镍、铬和氟化物异常偏高，不仅增大了企业废水站处理的处理难度，同时也增大了企业超标排放污水的风险[3]，进而对水质净化厂运行造成影响。本文通过SWMM模型对企业工业废水突发排放情景进行了模拟，其中生活因子COD、氨氮、总磷部分企业也存在高浓度特征，但通过模拟分析其突发排放并未对水质净化厂造成进水冲击，仍在设计进水标准正常波动范围内。工业因子氰、镍、铬和氟化物却会导致进水指标异常升高，具体模拟结果如表4所示。

表4 水质净化厂进水水质指标模拟结果Tab.4 The simulation results of inlet water quality index in water purification plant (mg/L)

续表4

通过企业废水检测数据可以发现不同企业间因生产工艺和管理水平的不同所产生的废水特征有所不同，如D和F的废水含有远高于其他企业的高浓度的氟化物；B企业因为生产工艺设计和环保设施运行良好，其废水重金属镍含量低于20 mg/L，远低于其他企业；而G企业的废水则呈现出镍废水浓度远高于废水中其他指标的特征等。进而推测其污水排放对水质净化厂的影响也会呈现出不同的指标特征。通过SWMM模型对9家企业污水排放情景模拟分析得出不同企业废水排放对水质净化厂进水指标影响大小，如G企业排放对水质净化厂的影响表现在总镍异常偏高、其他污染因子指标正常的特征。根据废水突发排放对水质净化厂影响大小绘制了9家企业工业因子影响风险排序图，其中影响风险采用污染源企业废水未处理突发排放时导致的水质净化厂污染物进水浓度与排污许可证的排放标准的比值倍数来表示(不同污染物的允许排放标准不同)，具体如下图5所示，最终确定各企业工业因子影响风险的大小。根据相关研究，活性污泥暴露在下水道标准1.0 mg/L浓度的镍1天情况下磷的去除效率会降低60%[15]，严重影响水质净化厂运行。

注：纵坐标表示突发排放模拟浓度/下水道排污标准，氟化物因其特殊性标准值采用模拟浓度1.5mg/L。图5 工业因子影响风险分析图Fig.5 Risk analysis chart of industrial factors

根据影响风险分析，D和F的氟化物影响风险显著偏高；氰化物则是F和I 的影响风险显示迅速上升；镍因子则呈阶梯状分布，G和D的影响风险最高，铬因子I的影响风险显著高于其他企业。

为检验风险分析的结果，本文对上述9家企业的工业污水排入市政污水管网的节点的氟化物和镍指标进行了采样检测，检测结果显示D和F的出水氟化物浓度分别为21.8 mg/L和5.75 mg/L，明显高于其他企业，镍离子则D和I的出水超过了排污许可证允许值0.5 mg/L,与影响风险相对一致，9家企业的具体检测结果如图6所示。对模型影响风险分析结果和实测市政节点出水数据进行了皮尔逊相关性分析，分析结果表明镍离子的皮尔逊相关性为0.704*，氟化物的皮尔逊相关性为0.901**。

图6 污水排放实测水质指标Fig.6 Measured water quality index of industrial sewage discharge

究其原因，研究范围内的9家企业采用的废水排放标准、污水处理工艺均无明显差别，其污水处理效率相似，实际排放废水与企业工艺原水特征具有明显的一致性。

2.2 突发污染溯源应用分析

在上述2.1节突发水环境污染溯源模型对区域内不同污染源突发排放情景模拟的基础上，分析识别污染源的污染排放指标特征，明确不同污染源污染排放影响风险的差异性。在发生管网突发水污染事件时主要通过缩小排污嫌疑锁定范围、影响风险特征比对以及关键节点验证三个步骤来指导突发污染现场溯源。

2.2.1 缩小排污嫌疑锁定范围

根据水质净化厂收纳范围内突发污染排放情景模拟分析结果，将水质净化厂的进水指标氰、镍和铬按照异常浓度分为4个等级：0.1～0.2 mg/L、0.2～0.5 mg/L、0.5～1.0 mg/L和1.0 mg/L以上；氟化物分为1.0～1.5 mg/L(需要关注超标风险)和1.5 mg/L(存在超标风险)及以上两类。分别确定9家排污企业是否存在排放未处理或者未完全处理的工业废水造成该进水指标浓度的嫌疑，缩小嫌疑排污企业的范围。下面以镍离子为例进行溯源应用分析。根据分析9家企业中能导致镍离子进水异常0.2～0.5 mg/L的有7家，0.5～1.0 mg/L的有6家，1.0 mg/L以上的企业有4家，通过水质净化厂进水浓度检测缩小锁定企业范围具体如表5所示。

表5 水质净化厂进水镍离子异常企业嫌疑筛选排序Tab.5 Screening and sorting of suspected enterprises with abnormal nickel ion in water purification plant

2.2.2 影响风险特征相关性分析比对

在缩小排污嫌疑锁定范围后将水质净化厂进水指标特征与嫌疑对象的影响风险特征进行比对，通过SPSS软件进行相似性分析并排序筛选特征匹配相似度，最后根据特征相似度进一步缩小嫌疑突发排污企业范围，A至I 的排污影响风险特征如图7所示。

图7 A至I 9家企业影响风险特征示意图Fig.7 Schematic diagram of 9 enterprise impact risk characteristics

图8 快速验证关键节点示意图Fig.8 Quick validation of key node diagrams

2.2.3 关键节点快速验证

结合GIS 地理信息技术在污水系统模型概化的基础上自水质净化厂进水口沿干管反溯确定验证关键节点。如图8所示，研究区域净化厂有左右2根进水干管，通过快速检测临近的关键节点J1和J2即可缩小约50%的嫌疑范围，然后对沿线排入该干管的嫌疑企业的下游污水管线节点(J4-J3-J1、J6-J5-J2)进行快速检测即可进一步验证确认嫌疑企业是否是造成本次突发污染的源头。

3 结 论

3.1 不同污染源的废水排放特征存在差异性

不同的废水排放企业由于生产工艺、车间管理程度和废水处理设施运维状态的不同，导致存在排放废水特征差异性，通过废水排放特征的差异性进行污染溯源识别在一定的范围内是可行的。本次研究范围1 437家企业中识别出9家废水排放企业，且其废水排放特征存在明显的差异性。

3.2 原始废水特征、处理后排放特征以及对水质净化厂的影响风险具有相关性

突发污染溯源情景模拟结果和企业排入市政管网的污水浓度特征存在较为显著的一致性，其中镍因子的一致性为0.701，氟化物的一致性为0.901，表明相同行业企业在污水处理工艺差别不大的情况下原始废水特征、处理后排放特征以及对水质净化厂的影响风险是具有相关性。下一步研究考虑把污水处理设施运维状态、工业用/排水平衡等风险因素加入到废水排放影响风险计算中，更全面准确的反映企业的污染风险大小。

3.3 探索突发污染溯源分析应用实践方法

通过预先模拟分析污染源指标特征明确不同污染源污染排放影响风险的差异性；在发生突发污染事件时分析水质净化厂进水指标特征和不同污染源的排放特征相关性，筛选并不断缩小可疑排放源范围；再结合空间地理信息进行管网关键节点快速验证从空间上最终锁定嫌疑排放源的溯源分析应用方法，从污染物特征关联性和空间地理信息关联性两个角度建立起“污染源-水质厂”之间的逻辑联系，进而实现反向溯源。可以指导和帮助溯源和执法人员快速反应、短时间溯源锁定嫌疑污染源，提升污染溯源的工作效率。下一步计划利用这种方法编制突发水污染智能溯源软件，在该区域实践应用并进一步优化改进。