JP5110891B2

JP5110891B2 - 水処理施設における流入水水質の統計的予測方法及びその装置

Info

Publication number: JP5110891B2
Application number: JP2007019587A
Authority: JP
Inventors: 新一平野; 孝緒坪井; 博年河村; 由雅高橋; 祥秋木曽
Original assignee: Toyohashi University of Technology NUC; Sinfonia Technology Co Ltd
Current assignee: Toyohashi University of Technology NUC; Sinfonia Technology Co Ltd
Priority date: 2006-10-02
Filing date: 2007-01-30
Publication date: 2012-12-26
Anticipated expiration: 2027-01-30
Also published as: JP2008112428A

Description

本発明は下水処理場、浄水場、産業排水処理設備等の水処理施設において、リアルタイムでの計測ができない水質パラメータを統計的に予測する方法及びその装置に関する。

水処理設備に導かれる流入水において、ＢＯＤ（生物化学的酸素要求量）、全窒素などの水質パラメータと呼ばれる要素は、リアルタイムでの計測ができない。例えば、流入水内のＢＯＤの正確な値を知るためには、被測定水をサンプリングした後、５日間、２０℃に保ち、この５日間に消費される溶存酸素の量（ｍｇ／ｌ）を測定する必要がある。すなわち、水処理に必要なＢＯＤのデータを得るためには、最低５日もの日数が必要であり、ＢＯＤの検査結果に基づくリアルタイムな水処理ができないという問題があった。そのため、このような問題を解決するために、リアルタイムで計測できない水質パラメータについては、概算したデータを事前に用意しておき、この既存のデータに基づき遅延を発生させない水処理を行っていた。

このような水処理に関連した技術としては、特開２０００−１０７７９６号公報（特許文献１）に示される下水処理プロセスシミュレータシステム、特開２００１−３３４２５３号公報（特許文献２）に示される水質シミュレータ、特開２００２−３３６８８９号公報（特許文献３）に示される水質シミュレーション装置、特開２００４−１０５９５２号公報（特許文献４）に示される下水処理運転支援装置、特開２００４−１２１９５３号公報（特許文献５）に示される下水処理プロセスのシミュレーション方法などが知られている。これらの特許文献に示される技術は、いずれも、外部から入力された水質データと、予め設定記憶させておいた演算式とに基づき、処理水中に含まれる成分の状況をシミュレーションするものである。
特開２０００−１０７７９６号公報特開２００１−３３４２５３号公報特開２００２−３３６８８９号公報特開２００４−１０５９５２号公報特開２００４−１２１９５３号公報

ところで、上記特許文献１〜５に示される技術では、水処理に係わる様々なシミュレーションを実施するものではあるが、リアルタイムで計測ができない例えばＢＯＤなどの水質パラメータについては未だ現状を正確に把握するのは困難であり、現状のＢＯＤを正確に把握するための、有効なシミュレーション技術の提供が求められていた。

本発明は、従来の有していた問題を解決しようとするものであって、リアルタイムで計測ができない例えばＢＯＤ、全窒素などの水質パラメータを効果的にシミュレーションすることができる水処理施設における流入水水質の統計的予測方法及びその装置の提供を目的とする。

そして、上記目的を達成するために本発明の水処理施設における流入水水質の統計的予測方法は、水処理施設における流入水水質の統計的予測装置の水処理施設における流入水水質の統計的予測方法であって、前記水処理施設における流入水水質の統計的予測装置のモニタリング手段が、被測定水をモニタリングして生成された測定データであって、リアルタイムで検出できない第１の測定データとリアルタイムで検出可能な複数の第２の測定データとの入力を受け付け、記憶手段が、前記モニタリング手段に入力された第１の測定データと第２の測定データとを記憶し、パラメータ判定手段が、前記記憶手段に記憶された第１の測定データと第２の測定データとを読み出し、読み出した第１の測定データと第２の測定データとの相関関係を分析し、その分析結果から、第１の測定データに対して最大の相関関係を有する第２の測定データの１つ又は複数を最適パラメータとして選択し、
予測手段が、期間毎にモニタリングした前記第１の測定データ、および、前記最適パラメータ以外のパラメータを含む第２の測定データを多変量空間においた後、主成分分析法により低次元の座標軸内に写像してそれぞれの期間毎の第１の測定データと第２の測定データの関係を表す代表パターンを作成し、この代表パターンから最近接法による全域木を分析することにより季節毎に複数の季節モデルにグループ化した上で、前記パラメータ判定手段で選択された最適パラメータと前記第１の測定データとの相関関係に基づき、季節ごとに被測定水における第１の測定データを予測する回帰モデルを設定し、演算部が、前記季節毎の回帰モデルを選択的に用いて、当該回帰モデルと前記最適パラメータの測定値に基づき前記第１の測定データの予測値を演算することを特徴とする。

また、本発明の水処理施設における流入水水質の統計的予測方法は、前記予測手段は、前記パラメータ判定手段で選択された最適パラメータと前記第１の測定データとの相関関係に基づき、被測定水における第１の測定データを予測する通年の回帰モデルを併せて設定し、前記演算部は、前記通年の回帰モデルと前記最適パラメータの測定値に基づき前記第１の測定データの予測値を併せて演算することを特徴とする。

また、本発明の水処理施設における流入水水質の統計的予測方法は、前記最適パラメータは、前記第２の測定データの中から任意に設定可能であることを特徴とする。

また、水処理施設における流入水水質の統計的予測装置は、被測定水をモニタリングして生成された測定データであって、リアルタイムで検出できない第１の測定データとリアルタイムで検出可能な複数の第２の測定データとの入力を受け付けるモニタリング手段と、前記モニタリング手段に入力された第１の測定データと第２の測定データとを記憶する記憶手段と、前記記憶手段に記憶された第１の測定データと第２の測定データとを読み出し、読み出した第１の測定データと第２の測定データとの相関関係を分析し、その分析結果から、第１の測定データに対して最大の相関関係を有する第２の測定データの１つ又は複数を最適パラメータとして選択するパラメータ判定手段と、期間毎にモニタリングした前記第１の測定データ、および、前記最適パラメータ以外のパラメータを含む第２の測定データを多変量空間においた後、主成分分析法により低次元の座標軸内に写像してそれぞれの期間毎の第１の測定データと第２の測定データの関係を表す代表パターンを作成し、この代表パターンから最近接法による全域木を分析することにより季節毎に複数の季節モデルにグループ化した上で、前記パラメータ判定手段によって選択された最適パラメータと前記第１の測定データとの相関関係に基づき、季節ごとに被測定水における第１の測定データを予測する回帰モデルを設定する予測手段と、前記季節毎の回帰モデルを選択的に用いて、当該回帰モデルと前記最適パラメータの測定値に基づき前記第１の測定データの予測値を併せて演算する演算する演算部とを有することを特徴とする。

また、水処理施設における流入水水質の統計的予測装置は、前記予測手段は、前記パラメータ判定手段で選択された最適パラメータと前記第１の測定データとの相関関係に基づき、被測定水における第１の測定データを予測する通年の回帰モデルを併せて設定し、前記演算部は、前記通年の回帰モデルと前記最適パラメータの測定値に基づき前記第１の測定データの予測値を併せて演算することを特徴とする。

また、水処理施設における流入水水質の統計的予測装置は、前記最適パラメータは、第２の測定データの中から任意に設定可能とすることを特徴とする。

そして、以上のように構成された水処理施設における流入水水質の統計的予測方法では以下に示す作用が得られる。すなわち、モニタリング手段によって、被測定水が一定期間モニタリングされて、リアルタイムで検出できない第１の測定データとリアルタイムで検出可能な第２の測定データとの入力が受け付けられる。そして、モニタリング手段に入力された第１の測定データと第２の測定データとが記憶手段に記憶される。さらに、パラメータ判定手段によって、記憶手段に記憶された第１の測定データと第２の測定データとが読み出され、これら読み出された第１の測定データと第２の測定データとの相関関係が分析され、その分析結果から、第１の測定データに対して最大の相関関係を有する第２の測定データの１つ又は複数が最適パラメータとして選択される。そして、予測手段によって、期間毎にモニタリングした前記第１の測定データ、および、前記最適パラメータ以外のパラメータを含む第２の測定データを多変量空間においた後、主成分分析法により低次元の座標軸内に写像してそれぞれの期間毎の第１の測定データと第２の測定データの関係を表す代表パターンを作成し、この代表パターンから最近接法による全域木を分析することにより季節毎に複数の季節モデルにグループ化した上で、パラメータ判定手段で選択された最適パラメータと第１の測定データとの相関関係に基づき、被測定水における第１の測定データを予測する回帰モデルが設定され、演算部が、前記季節毎の回帰モデルと前記最適パラメータの測定値に基づき前記第１の測定データの予測値を演算する。
これにより、従来のようにリアルタイムで検出できない水質パラメータの検査結果を得
るために数日の日数を費やす必要がない。そして、季節モデルを選択的に用いることにより、季節に応じた測定データの変動にも柔軟に対応することができる。なお、予測値としてはＢＯＤに限ることはなく、適宜変更可能である。

また、本発明に示される水処理施設における流入水水質の統計的予測方法では、前記予測手段は、前記パラメータ判定手段で選択された最適パラメータと前記第１の測定データとの相関関係に基づき、被測定水における第１の測定データを予測する通年の回帰モデルを併せて設定し、前記演算部は、前記通年の回帰モデルと前記最適パラメータの測定値に基づき前記第１の測定データの予測値を併せて演算する。

また、本発明に示される水処理施設における流入水水質の統計的予測方法では、最適パラメータが、第２の測定データの中から任意に設定される。
例えば、最適パラメータとしてＢＯＤと最も高い相関関係のあるＳＳを選択及び設定することにより、上述したＢＯＤの予測を高い精度で行なえる。なお、パラメータとしてはＢＯＤやＳＳに限ることはなく、適宜変更可能である。

また、本発明に示される水処理施設における流入水水質の統計的予測装置では、モニタリング手段によって、被測定水が一定期間モニタリングされて、リアルタイムで検出できない第１の測定データとリアルタイムで検出可能な第２の測定データとの入力が受け付けられる。そして、モニタリング手段に入力された第１の測定データと第２の測定データとが記憶手段に記憶される。さらに、パラメータ判定手段によって、記憶手段に記憶された第１の測定データと第２の測定データとが読み出され、読み出された第１の測定データと第２の測定データとの相関関係が分析され、その分析結果から、第１の測定データに対して最大の相関関係を有する第２の測定データの１つ又は複数が最適パラメータとして選択される。そして、予測手段によって、期間毎にモニタリングした前記第１の測定データ、および、前記最適パラメータ以外のパラメータを含む第２の測定データを多変量空間においた後、主成分分析法により低次元の座標軸内に写像してそれぞれの期間毎の第１の測定データと第２の測定データの関係を表す代表パターンを作成し、この代表パターンから最近接法による全域木を分析することにより季節毎に複数の季節モデルにグループ化した上で、パラメータ判定手段により選択された最適パラメータと第１の測定データとの相関関係に基づき、被測定水における第１の測定データを予測する回帰モデルが設定され、この回帰モデルに基づき前記第１の測定データの予測値が演算される。
これにより、従来のようにリアルタイムで検出できない水質パラメータの検査結果を得
るために数日の日数を費やす必要がない。そして、季節モデルを選択的に用いることにより、季節に応じた測定データの変動にも柔軟に対応することができる。なお、予測値としてはＢＯＤに限ることはなく、適宜変更可能である。

また、本発明に示される水処理施設における流入水水質の統計的予測装置では、前記予測手段は、前記パラメータ判定手段で選択された最適パラメータと前記第１の測定データとの相関関係に基づき、被測定水における第１の測定データを予測する通年の回帰モデルを併せて設定し、前記演算部は、前記通年の回帰モデルと前記最適パラメータの測定値に基づき前記第１の測定データの予測値を併せて演算することを特徴とする。

また、本発明に示される水処理施設における流入水水質の統計的予測装置では、最適パラメータが第２の測定データの中から任意に設定される。
例えば、最適パラメータとしてＢＯＤと最も高い相関関係のあるＳＳが選択及び設定されることにより、水質パラメータの予測を高い精度で行うことができる。なお、パラメータとしてはＢＯＤやＳＳに限ることはなく、適宜変更可能である。

本発明に示される水処理施設における流入水水質の統計的予測方法では、従来のようにリアルタイムで計測できない水質パラメータの検査結果を得るために数日の日数を費やすことがなく、回帰モデルに基づく計算によって、リアルタイムで被処理水の水質パラメータを検出することが可能となる。

また、本発明に示される水処理施設における流入水水質の統計的予測方法では、期間毎にモニタリングした最適パラメータに基づき季節毎に複数の季節モデルが設定されるので、これら季節モデルを選択的に用いることにより、季節に応じたの測定データの変動にも柔軟に対応することができ、正確な水質パラメータを予測することが可能となる。

また、本発明に示される水処理施設における流入水水質の統計的予測方法では、最適パラメータは、第２の測定データの中から任意に設定可能であることにより、水質パラメータの予測を高い精度で行うことができる。

また、本発明に示される水処理施設における流入水水質の統計的予測装置では、従来のようにリアルタイムで計測できない水質パラメータの検査結果を得るために数日の日数を費やすことがなく、回帰モデルに基づく計算によって、リアルタイムで被処理水の水質パラメータを検出することが可能となる。

また、本発明に示される水処理施設における流入水水質の統計的予測装置では、期間毎にモニタリングした最適パラメータに基づき季節毎の複数の季節モデルを設定したので、これら季節モデルを選択的に用いることにより、季節に応じたの測定データの変動にも柔軟に対応することができ、正確な水質パラメータを予測することが可能となる。

また、本発明に示される水処理施設における流入水水質の統計的予測装置では、最適パラメータは、第２の測定データの中から任意に設定可能であることにより、水質パラメータの予測を高い精度で行うことができる。

以下に本発明の実施の形態を図１〜図１６に基づいて説明する。

図１及び図２は、水処理施設における流入水水質の統計的予測装置１０の概略を示す図であって、この図において符号１は測定データ取込み部である。この測定データ取込み部１には、水温、ｐＨ、ＳＳ（浮遊物質濃度）、気温、降水量、流入水量などの測定データが毎日取込まれ、また、ＢＯＤ（生物化学的酸素要求量）、ＣＯＤ（化学的酸素要求量）、大腸菌群数などの測定データが一定期間毎（例えば１週間に１回）に取り込まれ一時記憶される。また、これら測定データはセンサーを通じて自動的に取込んでも良く、また、ＢＯＤなどの測定データは、測定結果が出るまでに数日を要するために、後日、キーボードなどの入力部（図示せず）を通じて取込んでも良い。

符号２は水質モニタリングデータ記憶部であって、測定データ取込み部１にて取込まれた長期間（例えば１年間）の測定データがモニタリングデータとして記憶されている。この水質モニタリングデータ記憶部２に記憶される測定データとしては、７種の水質パラメータ（水温、透視度、ｐＨ、ＳＳ、ＣＯＤ、ＢＯＤ、大腸菌群数）、３種の気象パラメータ（気温、降水量、流入水量）がある。なお、水質モニタリングデータ記憶部２は、統計的予測装置１０に内蔵されたＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）によって構成されるものである。

符号３はシミュレータであって、このシミュレータ３では、前述した測定データ取込み部１から供給される現状の水質を示す測定データと、水質モニタリングデータ記憶部２に記憶されている過去の測定データであるモニタリングデータとに基づき、種々のシミュレーションを実施する。なお、このシミュレータ３の内容は、図２のフローチャートを参照して後述する。

符号４は演算部であって、シミュレータ３で得た理想回帰モデルと、測定データ取込み部１から供給された最新の測定データとに基づき、リアルタイムで計測することができないＢＯＤなどの水質パラメータ（第１の測定データ）を算出する。
符号５は水処理施設制御部であって、演算部４にて演算されたＢＯＤなどの水質パラメータ、及び測定データ取込み部１からリアルタイムで供給されるＢＯＤ以外のパラメータ（第２の測定データ）に基づき、水処理施設１００内にある曝気装置、散気装置等の運転をコントロールする。

次に図２のフローチャートを参照して、統計的予測装置１０の水質シミュレーションの処理ステップについて説明する。なお、以下の処理ステップでは、リアルタイムで計測することができない水質パラメータ（第１の測定データ）の１つであるＢＯＤの値を、実測したＢＯＤ以外の測定データ（第２の測定データ）から予測することを、例として説明する。なお、図２のフローチャートにおいては、あらかじめ、測定データ取込み部１が各測定データを取り込み、これら取り込まれた測定データを水質モニタリングデータ記憶部２が記憶しているものとする。

まず、シミュレータ３は、ステップＳ１にて、水質モニタリングデータ記憶部２に記憶されている過去の測定データであるモニタリングデータ（７種の水質パラメータ及び３種の気象パラメータ）を読み出した後、ステップＳ２において、これら１０種類の水質及び気象パラメータの相関関係を解析する。図３は、その解析結果を相関係数行列として示すものである。そして、図３に示す「水質及び気象パラメータの相関解析の結果」を参照して判るように、ＢＯＤに関し、ＳＳ及びＢＯＤの２つのパラメータが最も高い相関性を有することが分析できる。また、気温と水温についても高い相関性があることが数値の上からも実証される。

さらに、シミュレータ３は、ステップＳ３にて、ＢＯＤと、ＢＯＤ以外のパラメータとについて単回帰分析を実施する。この単回帰分析では、まず、シミュレータ３が、水質モニタリングデータ記憶部２に過去の測定データとして記憶されたＢＯＤと、ＢＯＤ以外のパラメータとから、これらＢＯＤとＢＯＤ以外のパラメータとの相関関係を表す回帰直線の回帰係数（直線の傾き）と定数項（定数）とを計算により求める。その回帰分析の結果を図４に示す。なお、このステップＳ３では、シミュレータ３が、回帰係数及び定数項の他に、ｓで示される標準誤差、Ｆで示される回帰モデルに対する統計量も計算する。また、図４中、符号ｎで示されるものはサンプル数であり、符号ｒはＢＯＤとその他のパラメータとの相関を示す相関係数（図３に示す）である。

前記単回帰分析の結果において、ＢＯＤとＳＳとの相関関係を図５に示す。また、先に計算したＢＯＤとＢＯＤ以外のパラメータとの相関関係（図４）からは、ＢＯＤとＳＳとの相関関係を示す回帰直線は以下の式（１）ように表され、これを図５中に示す。
（式１）ＢＯＤ＝０.７９７××（ＳＳ）+２３.６８８
（ｎ＝４９、ｒ＝０.７９７、ｓ＝３１.１０１、Ｆ＝８１.８６２）

図５は、前記単回帰分析により求められたＢＯＤとＳＳとの相関関係を示す回帰直線（式１）と、水質モニタリングデータ記憶部２にモニタリングデータとして記憶されている「ＳＳに対するＢＯＤ」の値の分布を示すものであるが、この表からも明らかなように、両者の間には良好な正の相関がある。なお、図５中、丸で囲んだ測定データは回帰直線から大きく外れ、さらに標準誤差からも大きく外れている。

また、前記単回帰分析の結果において、ＢＯＤとＣＯＤとの関係を図６に示す。また、先に計算したＢＯＤとＢＯＤ以外のパラメータとの相関関係（図４）から、ＢＯＤとＣＯＤとの相関関係を示す回帰直線は以下の式（２）ように表され、これを図６に示す。
（式２）ＢＯＤ＝１.４８２×（ＣＯＤ）+３３．１７９
（ｎ＝４９、ｒ＝０.５３２、ｓ＝４３.６０３、Ｆ＝１８.５６２）

図６は、前記単回帰分析により求められたＢＯＤとＣＯＤとの相関関係を示す回帰直線（式２）と、水質モニタリングデータ記憶部２にモニタリングデータとして記憶されている「ＣＯＤに対するＢＯＤ」の値の分布を示すものであるが、この図６からも明らかなように、ＢＯＤとＳＳとの相関関係と同様、両者の間には正の相関がある。なお、図６中、丸で囲んだ部分には、回帰直線から大きく外れ、さらに標準誤差からも大きく外れた一測定データがある。そして、その後、図５及び図６にて回帰直線から大きく外れている２つの測定データを分析検討したところ、同一日のものであることが判明したため、これらを削除する。そして、削除した後の測定データに基づき、シミュレータ３が、ＢＯＤとＢＯＤ以外のパラメータとの相関関係を表す回帰直線の回帰係数（直線の傾き）と定数項（定数）とを再度計算するとともに、標準誤差ｓ、回帰モデルに対する統計量Ｆも再度計算する。その計算結果は図７に示す。なお、再度計算したＢＯＤとＳＳとの相関関係を示す回帰直線は式（３）、また、ＢＯＤとＣＯＤとの相関関係を示す回帰直線は式（４）のようになる。

（式３）ＢＯＤ＝０.７８４×（ＳＳ）+２３．３１３
（ｎ＝４８、ｒ＝０.８８３、ｓ＝２１.６６０、Ｆ＝１６３.２５５）
（式４）ＢＯＤ＝１.６１８×（ＣＯＤ）+１４.２８９
（ｎ＝４８、ｒ＝０.６５１、ｓ＝３５.０５４、Ｆ＝３３.９００）

さらに、シミュレータ３は、ステップＳ４で、ステップＳ２で求めたＢＯＤと他のパラメータとの相関関係（図３参照）、及びステップＳ３で再計算した標準誤差ｓ（図７参照）とから、ＢＯＤを計算するために最適パラメータを判定する。そして、シミュレータ３は、このステップＳ４で、ＢＯＤと相関関係が最大で、かつ標準誤差ｓが最小であるＳＳを最適パラメータとして選択する。また、ＳＳに次いで最適なパラメータはＣＯＤである。そして、その後、シミュレータ３は、ＢＯＤとＳＳとの相関関係を示す直線回帰式（３）を用い、ＳＳからＢＯＤを計算により求める。この計算したＢＯＤと、実測したＢＯＤとを比較する。その比較結果は図８、図９に示す。

これら図８及び図９に示されるように、ＳＳから計算により求めたＢＯＤと、実測したＢＯＤとの差は僅かであり、ＳＳから計算により求めたＢＯＤの数値が十分に使用に値することが実証されている。なお、ステップＳ４では単回帰分析を行ったが、重回帰分析であっても良い。この重回帰分析は、２つ以上のパラメータによりシミュレータ３がＢＯＤの予想演算を行うものであり、まず単回帰分析において最良の結果を得たパラメータ（本例の場合はＳＳ）を固定し、２番目の最適なパラメータ（本例ではＣＯＤ）について順次変数を変えながら演算されるＢＯＤの予想測定値を検討する方式である。さらに、３番目の最適なパラメータがあるのであれば、先の１番目、２番目のパラメータを固定し、３番目の最適なパラメータを変位させながら、ＢＯＤの予想測定値を検討する（以降、４番目以降の最適パラメータについても同様の方法で、ＢＯＤ予想測定値を検討する）。そして、このような重回帰分析を行うか、本実施例で説明しているような単回帰分析とするかは、演算結果の正確度から判断する。

さらに、シミュレータ３は、次のステップＳ５で、季節に応じた精度の高いＢＯＤを得ることを目的として、一定期間毎（本実施例では月毎）のＢＯＤと、ＢＯＤ以外のパラメータとの相関関係を分析する。ここでの分析は主成分分析法が採用される。主成分分析法は、多変量データを合成して、１つ又は少数の主成分（本実施例では２成分）からなる総合的指標に変換する方式であり、例えば、本実施例では、シミュレータ３が、変数となるモニタリングされた１０種類の測定データ（必要に応じて選択）を多変量空間内においた後、各測定データ点の位置関係を相互に保存しながら、互いの測定データをベクトルにより合成し、最終的には２成分からなる低次元の座標軸内に写像するものである。なお、このような主成分分析法自体は一般に知られた周知なものである。また、モニタリングされた変数となる測定データは１０種類であるが、ｐＨについては全ての月で同じ値であり変動がないので、実際の分析では、これを省略して９種類の測定データを用いる。

そして、上記のような主成分分析法を用いて、シミュレータ３は、モニタリングされた９種類の多次元測定データを２次元の座標軸内に写像する。そして、このような２次元の座標軸内への写像は、月毎の測定データについて行い、これにより、シミュレータ３は、
図１０に示されるような１２個の代表パターン（図１０中に示される１〜１２は、各月の代表パターンを示す）を有する２次元線形写像を作成する。なお、このステップＳ５にて実際に計算された累積寄与率（正確さの度合い）は７５％、誤差は２５％であった。

次いで、シミュレータ３は、ステップＳ６において、ステップＳ５で作成された１２ヶ月分の代表パターンについて、ユークリッド距離を基に、どの月の代表パターンがグループ化して季節モデルとなるのかを知るために、最近接法による全域木（ＭＳＴ：Minimal Spanning Tree）を分析する。そして、その分析結果から、シミュレータ３は、図１１に示されるように、冬グループ（１１月〜３月）、春夏グループ（４月〜６月及び８月）、秋グループ（９月、１０月）、７月グループ（７月）とにグループ化をする。そして、シミュレータ３は、これらの各グループについて、ＳＳを変数とする単回帰モデルを以下のように作成する（式（５）〜式（９）参照）。なお、これら回帰モデルは、ステップＳ３と同様に、水質モニタリングデータ記憶部２にモニタリングデータとして記憶された各グループの期間毎のＢＯＤ及びＳＳとから、シミュレータ３が、回帰直線の回帰係数（直線の傾き）と定数項（定数）とを計算によりそれぞれ求める。

冬グループ（式５）：ＢＯＤ＝０.６６０×（ＳＳ）＋５２.９０６
（ｎ＝１９、ｒ＝０.８６４、ｓ＝１６.１００、Ｆ＝５０.２８４）
春夏グループ（式６）：ＢＯＤ＝０.５６７×（ＳＳ）＋６５.００３
（ｎ＝１５、ｒ＝０.６８９、ｓ＝２３.７２５、Ｆ＝１１.７５３）
秋グループ（式７）：ＢＯＤ＝１.０３７×（ＳＳ）−４４.９６８
（ｎ＝１５、ｒ＝０.９５５、ｓ＝１９.２２９、Ｆ＝７２.７５４）
７月グループ（式８）：ＢＯＤ＝−２.５００×（ＳＳ）＋６６８.０００
（ｎ＝１５、ｒ＝０.８１５、ｓ＝１４.４９１、Ｆ＝５.９５２）

さらに、シミュレータ３は、ステップＳ７で、図１２に示されるように、ステップＳ６にて計算された回帰直線と、実際の測定値との関係を示す季節モデル毎のＢＯＤ値とをプロット（全４グループ）する。なお、ステップＳ６では、７月を独立した７月グループの季節モデルに分類したが、７月は、季節で見れば春夏グループ（４月〜６月及び８月）の季節モデルに近いために、この春夏グループ内に組み入れても良い。そして、この場合、春夏グループは４月〜８月となり、回帰直線の回帰係数（直線の傾き）と定数項（定数）は、再計算した結果、式（９）で示され、また、この回帰直線と、実際の測定値との関係を示す散布図は図１３で示される。

春夏グループ（式９）：ＢＯＤ＝０.５５４×（ＳＳ）＋６５.０９４
（ｎ＝２０、ｒ＝０.６２２、ｓ＝２３.８４２、Ｆ＝１１.３６９）

さらに、シミュレータ３は、ステップＳ８〜ステップＳ９で、ＢＯＤの実測値に対する、通年モデルの回帰直線式（３）により算出されるＢＯＤと、春夏モデルの回帰直線式（９）により算出されるＢＯＤとを比較する（ステップＳ８）。その比較結果を図１４に示す。そして、図１４を参照して判るように、通年モデルの回帰直線式（３）により算出されるＢＯＤの標準誤差は２６.８（ｍｇ／ｌ）であるのに対して、春夏モデルの回帰直線式（９）により算出されるＢＯＤの標準誤差は２３.８（ｍｇ／ｌ）と小さい。シミュレータ３は、これら標準誤差の大小を判定する。目的とする流入水中のＢＯＤの推定には、季節モデル毎の回帰直線式（５）（７）又は（９）を用いる方（標準誤差の小さい方）が、通年モデルの回帰直線式（３）よりも、より精度の高いＢＯＤ推定値が得られることになる。

さらに、シミュレータ３は、ステップＳ９で、回帰直線で得られたモデルを分割するに際してその予測安定性を調べるために交差検証法（Cross Validation）による検証を事前に実施している。この交差検証法は、過去にモニタリングされた測定データを複数のグループに分割し、そのグループ毎に回帰分析を実施し、その回帰分析の結果から予測されるＢＯＤの予測値が実測値とどれほど相違しているかを検証するものである。そして、交差検証法により各グループ毎にＢＯＤを予測及び実測を行った結果、全サンプルに対する標準誤差は２２．３５０であり、ＳＳを変数とする回帰モデルが高い予測安定性を有していることが実証されている。

なお、シミュレータ３は、ステップＳ１〜ステップＳ９にて求められた通年モデルの回帰直線式（３）、及び季節モデル毎の回帰直線式（５）（７）（９）を、シミュレータ３内の実測データ演算部（図示せず）内に記憶設定しておく。
演算部４は、ステップＳ１０で、その実測データ演算部に記憶された各回帰直線式と、測定データ取込み部１に入力された測定データとを読み出して、測定データから各回帰直線式によってＢＯＤの予測値を演算する。実際の演算を行った結果を、図１５及び図１６に示す。

これらの図１５及び図１６を参照して判るように、回帰直線式（３）及び季節モデルの回帰直線式（５）（７）（９）のいずれを用いてＢＯＤを予測しても、その予測ＢＯＤは、実際に計測された実測データの１０％以内の誤差範囲であり、十分に使用可能であることが確認された。なお、ステップＳ１０にて、ステップＳ１〜ステップＳ９にて求められた通年モデルの回帰直線式、及び季節モデルの回帰直線式を、シミュレータ３内の実測データ演算部（図示せず）内に記憶設定しているが、これらの回帰直線式は、新たな実測データがモニタリングされて取り込まれた場合、演算部４が、一定の期間毎（例えば１年毎）に演算をやり直し、アップデートすることが好ましい（ステップＳ１１）。

なお、水処理施設制御部５は、演算部４によって演算されたＢＯＤなどの水質パラメータと、測定データ取込み部１からリアルタイムで供給されるＢＯＤ以外のパラメータとに基づいて、水処理施設１００内にある曝気装置、散気装置等の運転を制御する。例えば、水処理施設制御部５は、演算部４によって演算された予測値と、不図示の記憶部にあらかじめ記憶された目標値とを読み出す。そして、水処理施設制御部５は、読み出した予測値と目標値とを比較して、予測値が目標値を越えていると判定すると、ＢＯＤ、ＣＯＤ、大腸菌群数などを管理対象として、曝気装置、散気装置等を駆動して、薬品の投入、攪拌、温度制御などを行う。そして、水処理施設制御部５は、予測値が目標値内であると判定すると、曝気装置、散気装置等の駆動を停止し、又は、薬品の投入量、攪拌速度、温度の制御量等を変更する。これにより、水処理施設１００の水質をリアルタイムで調整することができ、高精度な水質管理を行うことができる。

また、本実施例では、相関関係があるＳＳ又はＣＯＤを用いてＢＯＤを推定したが、これに限定されず、例えば、ＣＯＤの測定データがリアルタイムで得られない場合に、ＳＳのパラメータからＣＯＤを推測しても良く、どのパラメータを用いてどのパラメータを予測するかについては任意に設定できるものとする。また、本実施例では、シミュレーション３の制御内容を示すステップＳ１が、「モニタリング手段」の処理に相当し、ステップＳ２及び３が、「分析手段」の処理に相当し、ステップＳ４が、「最適パラメータ判定手段」の処理に相当し、ステップＳ５〜１１が「予測手段」の処理に相当する。

以上のように構成された水処理施設における流入水水質の統計的予測装置１０によれば、シミュレータ３において、被測定水を一定期間モニタリングすることによりＢＯＤを含む複数種の測定データを収集して（ステップＳ１）、ＢＯＤとＢＯＤ以外の測定データとの相関関係を分析し（ステップＳ２及び３）、その分析結果から、ＢＯＤに対して最大の相関関係を有する測定データを最適パラメータとして選択した後（ステップＳ４）、この最適パラメータに基づき、被測定水のＢＯＤを予測する回帰モデルを設定し、この回帰モデルに基づきＢＯＤの予測値を演算する（ステップＳ５〜１１）ようにしたので、従来のようにＢＯＤの検査結果を得るために数日の日数を費やすことがなく、計算によりリアルタイムで被処理水のＢＯＤを検出することが可能となる。また、上記流入水水質の統計的予測装置１０では、季節毎にグループ化した複数の回帰モデル（冬グループ、春夏グループ、秋グループの回帰モデル）を用いることにより、季節に応じたの測定データの変動にも柔軟に対応することができ、正確なＢＯＤを予測することが可能となる効果が得られる。

また、図１におけるシミュレータ３、演算部４、水処理施設演算部５の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、各種水質パラメータのシミュレーション、予測値の演算又は水処理施設の制御などを行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。

また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。

本発明は下水処理場、浄水場、産業排水処理設備等の水処理施設にて利用される水質パラメータ統計的予測方法及びその装置に関する。

水処理施設における流入水水質の統計的予測装置１０の概略図シミュレータ３の処理内容を示すフローチャート水質及び気象パラメータの相関解析の結果を示す表ＢＯＤに対する単回帰分析の結果を示す表ＢＯＤとＳＳとの相関関係を示す散布図及び回帰直線を示す図ＢＯＤとＣＯＤとの相関関係を示す散布図及び回帰直線を示す図誤差範囲外の測定データを除いて再計算したＢＯＤに対する単回帰分析の結果を示す表ＢＯＤの回帰推定値と実測値との相関プロットを示す図ＢＯＤの回帰推定値と実測値との誤差を示す表主成分分析の結果を示す図主成分分析の結果を季節モデル毎に分類した図各季節モデル毎の散布図及び回帰直線を示す図春夏モデルのＳＳに対するＢＯＤの散布図と回帰直線を示す図通年モデルと季節モデルとに別けて計算したＢＯＤの演算値を示す図通年モデルを使用した場合のＢＯＤの予測値を示す図季節モデルを使用した場合のＢＯＤの予測値を示す図

符号の説明

１測定データ取込み部
２水質モニタリングデータ記憶部
３シミュレータ
４演算部
５水処理施設制御部
１０統計的予測装置
１００水処理施設

Claims

水処理施設における流入水水質の統計的予測装置の水処理施設における流入水水質の統計的予測方法であって、
前記水処理施設における流入水水質の統計的予測装置のモニタリング手段が、被測定水をモニタリングして生成された測定データであって、リアルタイムで検出できない第１の測定データとリアルタイムで検出可能な複数の第２の測定データとの入力を受け付け、
記憶手段が、前記モニタリング手段に入力された第１の測定データと第２の測定データとを記憶し、
パラメータ判定手段が、前記記憶手段に記憶された第１の測定データと第２の測定データとを読み出し、読み出した第１の測定データと第２の測定データとの相関関係を分析し、その分析結果から、第１の測定データに対して最大の相関関係を有する第２の測定データの１つ又は複数を最適パラメータとして選択し、
予測手段が、期間毎にモニタリングした前記第１の測定データ、および、前記最適パラメータ以外のパラメータを含む第２の測定データを多変量空間においた後、主成分分析法により低次元の座標軸内に写像してそれぞれの期間毎の第１の測定データと第２の測定データの関係を表す代表パターンを作成し、この代表パターンから最近接法による全域木を分析することにより季節毎に複数の季節モデルにグループ化した上で、前記パラメータ判定手段で選択された最適パラメータと前記第１の測定データとの相関関係に基づき、季節ごとに被測定水における第１の測定データを予測する回帰モデルを設定し、
演算部が、前記季節毎の回帰モデルを選択的に用いて、当該回帰モデルと前記最適パラメータの測定値に基づき前記第１の測定データの予測値を演算する
ことを特徴とする水処理施設における流入水水質の統計的予測方法。
前記予測手段は、前記パラメータ判定手段で選択された最適パラメータと前記第１の測定データとの相関関係に基づき、被測定水における第１の測定データを予測する通年の回帰モデルを併せて設定し、
前記演算部は、前記通年の回帰モデルと前記最適パラメータの測定値に基づき前記第１の測定データの予測値を併せて演算することを特徴とする請求項１に記載の水処理施設における流入水水質の統計的予測方法。
前記最適パラメータは、前記第２の測定データの中から任意に設定可能であることを特徴とする請求項１又は請求項２に記載の水処理施設における流入水水質の統計的予測方法。
被測定水をモニタリングして生成された測定データであって、リアルタイムで検出できない第１の測定データとリアルタイムで検出可能な複数の第２の測定データとの入力を受け付けるモニタリング手段と、
前記モニタリング手段に入力された第１の測定データと第２の測定データとを記憶する記憶手段と、
前記記憶手段に記憶された第１の測定データと第２の測定データとを読み出し、読み出した第１の測定データと第２の測定データとの相関関係を分析し、その分析結果から、第１の測定データに対して最大の相関関係を有する第２の測定データの１つ又は複数を最適パラメータとして選択するパラメータ判定手段と、
期間毎にモニタリングした前記第１の測定データ、および、前記最適パラメータ以外のパラメータを含む第２の測定データを多変量空間においた後、主成分分析法により低次元の座標軸内に写像してそれぞれの期間毎の第１の測定データと第２の測定データの関係を表す代表パターンを作成し、この代表パターンから最近接法による全域木を分析することにより季節毎に複数の季節モデルにグループ化した上で、前記パラメータ判定手段によって選択された最適パラメータと前記第１の測定データとの相関関係に基づき、季節ごとに被測定水における第１の測定データを予測する回帰モデルを設定する予測手段と、
前記季節毎の回帰モデルを選択的に用いて、当該回帰モデルと前記最適パラメータの測定値に基づき前記第１の測定データの予測値を演算する演算部と、
を有することを特徴とする水処理施設における流入水水質の統計的予測装置。
前記予測手段は、前記パラメータ判定手段で選択された最適パラメータと前記第１の測定データとの相関関係に基づき、被測定水における第１の測定データを予測する通年の回帰モデルを併せて設定し、
前記演算部は、前記通年の回帰モデルと前記最適パラメータの測定値に基づき前記第１の測定データの予測値を併せて演算することを特徴とする請求項４に記載の水処理施設における流入水水質の統計的予測装置。
前記最適パラメータは、第２の測定データの中から任意に設定可能とすることを特徴とする請求項４又は請求項５に記載の水処理施設における流入水水質の統計的予測装置。