基于全過程的農村小型化污水處理設施的監控

葉斌 張華

（湖南航天電團網絡科技有限公司，湖南 長沙410000）

2017 年環境保護部環境規劃院發布了由環境保護部、財政部聯合印發的《全國農村環境綜合整治“十三五”規劃》，環境保護部環境規劃院受環境保護部委托，全程負責《規劃》研究編制和實施的技術牽頭工作。《規劃》明確，到2020 年，新增完成環境綜合整治的建制村13 萬個，累計達到全國建制村總數的三分之一以上。建立健全農村環保長效機制，整治過的7.8 萬個建制村的環境不斷改善，確保已建農村環保設施長期穩定運行。

農村污水治理設施普遍存在“建好不用、只曬太陽”的現象。根據國家審計署發布的2018 年第2 號公告--2017 年第四季度國家重大政策措施落實情況跟蹤審計結果顯示，環保項目建設緩慢或建成后閑置情況較為嚴重。例如，江蘇省195 個污水處理設施有146 個閑置，涉及投資10449.77 萬元，真正運行率還不到10%。

1 全過程監控預測技術路徑

對小型化污水處理設施實施全過程監控的方法，是以大數據為基礎的水質預測技術路線。即將各類傳感器對電控部分、進出水量、濁度、溫濕度、雨滴等影響水質結果的各類支撐因素實現對全處理過程的實施在線監控、分層管理和預測預警。

終端硬件全面采集小型污水處理設備的關鍵節點組件的電氣指標數據，包括電壓電流能耗等。配備了兩型流量計來采集流量數據；溫濕度傳感器來采集氣象數據和反應池水體溫度；反應池內配備了液位計來測量液位高度，出水口還配備了開關量的濁度傳感器，開關量的雨滴傳感器來監測雨水量的影響。

2 處理措施

由于農村環境特點，大部分處污設備安裝在較為惡劣的室外環境下，傳感和傳輸系統需通過升級電路設計、更換更加穩定的芯片、增加外部保護元器件、提高主板集成度來使主控板工作更加穩定。

2.1 流量精準度預測。針對日均100 噸以下的一體化設備污處設施，通過渦輪流量計進行計量；針對大于日均100 噸以上的污處設備通過高精度的電磁流量計。對于多管并聯式的工程現場環境，需直接在進口和出口終端進行流量監控進行合計計算；但光有硬件的保障依然無法確保計量的真實性。于是我們對于污處設施監控進行每日進、出流量數據相比較，而設施進、出流量歷史數據陡然增大的情況，我們通過終端雨滴傳感器，排除雨污分流因素影響和綜合能耗、提升泵組件能耗等因素來判定異常數據信息。確保了污處設施流量數據在統一規則下進行全流程監測，即使污處某一個單點數據環節被篡改，也能及時發現，從而確保污處流量的計量的準確性與真實性。

2.2 工況預警。由于處污設備的組件如：風機，提升泵，抽吸泵，回流泵，攪拌機，加藥機，螺桿泵，格柵機等各自都具備自身不同的電氣衰減指征，即在用電設備出現故障之前，電氣指征運行曲線會出現特定波動。因此在線數采終端需對污處工況組件進行高密度信息采集，可以將實時數據與該工況組件的歷史電氣衰減指征進行對比，找出改工況組件發生故障點，以便達到預警目的。

2.3 節能依據。農村環境下的小時污水處理設施極易產生過度運行情況，即在沒有污水或者污水不足的情況下各組件依然按照滿負荷狀態運行，通過大數據自學模型，可分析本設施污水來水的周期特征，制定出新的設備自運行時間表，優化處理流程，將最優工況組合作為同類設備工況運行調整的基準，得出處理單位水量的能耗（噸水能耗比），來優化其各組件運行時間表，達到節能目的。

2.4 數采儀信號采集上傳的連續性和穩定性。我公司自研新一代環保物聯網終端數采儀：通過自檢、自我恢復能力、遠程更新固件等功能，通過主控板與各個傳感器的連接信號是否正常，當任意傳感器發生故障導致信號無法上傳時，主控板會將異常情況在30 秒之內上傳到上位機服務器，進行數據分析，經APP、小程序、短信推送給污處運維人員及時調試修復。在當下農村環境，監控終端實際工作環境經常會遇到通信信號、速度帶寬不穩定的情況，當無法連接上信號基站的情況下，數采系統可以設置10～30 分鐘進行重啟通信模塊，直至重新連接上基站為止，在此階段采集上來的數據進行本地化存儲，并且在下次重新連接上位機服務后將以歷史數據的形式上傳上位機；為提高通訊模塊工作過程中的穩定性，監控終端對傳輸效率進行了智能監控，在效率下降或者連接時間過長的情況下，將自動重啟通訊模塊，以更好地預防和解決因芯片機制問題，導致傳輸效率下降的情況，使系統通訊模塊長期保持連接狀態。

2.5 以大數據為基礎水質預測技術路線的可行性。農村的一體化、小型化設備設計選型、建設施工、驗收都是一次性的流程。現有排出的水質信息與污設設施日常的運行狀態，實際上取樣化驗最后結果的好壞大部分取決于污水處理裝置是否按照設定的工藝流程合規運行，比如：各個組件在每個工藝處理節點上運行的時間是否達到標準，與各個組件開啟關閉的順序是否正確，污水在處理池停留的時間是否合適等其他因素密切相關。所以能影響水質結果的所有客觀因素我們都盡可能的去把握，通過這些高密度的監測數據形成大數據，來準確的判斷機器運轉的狀態、計量污水處理量和預測水質結果的好壞。

首先就是工況數據和水質數據的數據鏈接的時間點。即使兩種數據結合形成數據模型的時間點是一致的，但是用這個方式建立模型是不正確的。因為污水處理和污水排放是由先后順序的，雖然農村污水處理的滯留時間不長，但是在時間上也是有滯后的，（即下午三點的設備的工況數據，不能與下午三點的出水水質數據進行鏈接形成大數據模型，因為節點相同，缺不是同一批次水）。污水處理設備的處理能力越大，這個時間點的滯后越長；處理的流程工藝越復雜，這個時間點的滯后也越長。正是由于這樣的時間點滯后的特征，也讓我們用工況預警成為了可能，實際上時間點滯后的長短也就等于我們預測時間的長短。

2.6 污水處理設施數據模型。污水處理設施數據模型計算準確與否，第一個前置條件設置污水處理設施運行標準工況參數，通過數采儀采集工況過程的大量近實時（周期短、頻率高）的時序數據，包括工況過程中的成百上千個指標量，加上污水處理設施本身的運轉設計量參數，擁有這些豐富的數據，加上大數據存儲和計算體系工具的支撐，通過機器學習等領域的算法來分析預測（比如可以通過傅里葉變換、小波變換、LSTM長短時記憶網絡、PCA 降維等算法來實現聚類分析），提升了整體預測的實時性和準確性。

污水處理設施工藝類型不相同，數據模型的內部計算機制也差別很大，K-means 無監督學習法。即將每類數據隨機選取一個作為K 點指標數，然后計算所有其他數據到K 值距離，通過距離計算得出新的數據群的聚集中心點。這樣就無監督的自動的找到了設備穩定的值區間。然后可通過Box-plot 來對每個設備每次采集的實時狀態進行比對，根據高斯分布的概率論箱形圖分三個區間，最中間的即為中位線，這一區間的數據就是無監督學習法得到的一個穩定值區間，然后是兩個內限區，這兩個內限區的產生就是由于前面介紹的抗沖擊因素得出的內限區，處于這個區間內的值我們稱之為溫和異常值（mild outliers），他的異常的可能性低；最外面區域是外限區，這個區域的值是一定會產生異常的區間，我們稱這個區間的值為極端異常值。總結說來就是我們用無監督學習法來整理歸類數據，分析出穩定區間。然后用箱形圖來對實時采集上來的分時段數據給出異常判斷。由此得出，以大數據為基礎水質預測技術路線是可行的，而且隨著數據采集量的增大，大數據預測將越來越準確。

2.7 及時捋清責任和取證問題尤為重要。當系統中發現了明顯的異常數據，雖然通過大數據的分析我們可以準確判斷，但是仍然無法作為執法依據，并且如果不及時到現場勘察取證，很難判斷是否是人為因素，就算確認了是人為因素也很難發現責任人。因此可借助弱物聯全時攝像頭，24 小時不間斷的記錄處污設備情況并將數據在本地進行保存，并能在無市電供電亦能工作。視頻壓縮技術，畫質高，儲存量低，采用弱物聯的通訊技術，帶寬占用極低。

3 結論

通過對不同工藝和規模、不同氣候、不同應用環境下的樣本點進行了長達4 年的高密度信息采集分析，我們從中找到了大量的形成水質預測大數據模型的關鍵因素，找到了工況數據和水質數據以及分時段數據的預測時間點對數據鏈接點的影響。并隨著大數據經驗的積累，大數據模訓練粒度的不斷加強，進一步證實了，通過工況過程信息與大數據模型技術有機結合、運算方法和經驗信息相結合，以“支撐因素元數據影響水質結果”“以物理現象影響化學結果”的技術路徑形成的以大數據為基礎的水質預測技術路線，可達到對水質進行預測的目的。