基于水动力模型与大数据分析的污水干线优化调度策略
导读：城市化的快速发展和人口增长带来了污水排放的急剧增加,同时,政策对水环境保护和污水处理的要求也日益提高。为了满足这些要求,城市的污水排水系统变得越来越复杂,包括污水处理厂、管网、泵站等多个部分。这些部分之间相互联系,涉及的参数和变量也非常多,往往需要进行实时监测、数据分析、预测预警等多方面的工作,以确保污水系统的正常运行和高效运转。然而,单纯依靠人工经验来进行污水系统的运维和优化调度已经无法满足日益复杂的要求,必须借助先进的技术手段和科学的管理方法来实现污水系统的智能化管理和优化运营。本文通过上海市白龙港污水主干泵站的历史大数据挖掘与排水水动力模型耦合的新方案,为复杂的污水主干系统的优化调度提供了一个新的解决思路:通过大量历史运行数据的分析挖掘,将调度人员的调度经验进行经验提炼,通过大数据算法分析出潜在的优化调度方案。将潜在的优化调度方案输入经过严格率定验证的模型进行评估,进而得到最优的调度策略。
1 研究对象概况
白龙港片区目前已形成“二片、二厂、三线”污水处理格局。“二片”是指白龙港污水处理厂污水片和虹桥污水处理厂污水片,“二厂”是指白龙港污水处理厂和虹桥污水处理厂,“三线”是指污水二期中线、南干线、污水二期南线三条污水干线,具体情况如图1所示。
图1 白龙港片区污水处理格局
其中,白龙港污水处理厂规划设计规模为350万m3/d,近期总规模为280万m3/d,虹桥污水处理厂设计规模为20万m3/d。
污水中线服务范围涉及黄浦区与部分浦东新区,沿途有M1、M2两座中途泵站,污水经白龙港污水处理厂处理后深水扩散排放长江。
污水南干线主要节点泵站为南干线1#、3#、4#、5#和6#泵站。由于南干线建设年代久远、应急抢险事件频发,目前正在对南干线3#～6#泵站间的干线管线实施搬迁改建,南干线的水量目前由中线承担。
南线服务范围涉及徐汇区、闵行区、长宁区和浦东新区中部地区,是白龙港片区服务范围最大的一根污水主干,主要节点泵站为SA泵站、吴闵1#泵站、华泾港泵站及SB泵站。
2 模型的构建与率定验证
2.1模型的建立
白龙港系统规模庞大且接入支线多而复杂,白龙港污水主干全长为181 km,中途涉及20座提升泵站与101个泵机。其中最长主干从上游的纪一泵站到下游的白龙港污水厂,管道总长超过了67 km。因此,采用分段建模思路:即从白龙港污水厂出发,逐步向上游拓展,分步建模,最终完成白龙港系统整体污水主干模型的建立。
鉴于白龙港污水厂及其相关污水主干模型异常复杂,因此,采用分段梳理、分段建立、分段验证的思路。其中,第一阶段建设范围为M2/SB至白龙港污水处理厂,第二阶段建设范围为M1/华泾港/吴闵一至白龙港污水处理厂,第三阶段为纪一泵站至白龙港污水处理厂的全段污水主干模型建模。
在第三阶段,污水干线模型共纳入67个污水支线水量数据,水量输入的类型主要分为3类:(1)2021年每5 min泵站启闭数据;(2)2021年日均泵站输送数据;(3)通过人口数据推算的重力片区污水量。3类数据使用的优先级从高到低。具体水量接入情况如图2所示。
图2 污水主干模型流量数据接入点
2.2模型的率定
将建立的第三阶段的白龙港污水主干模型进行2021年的模拟,全年模拟效果较好,全年模拟水量为11.42亿m3,白龙港进厂水量为11.63亿m3,全年总水量误差为1.8%。2021年全年每5 min模拟对比详如图3所示。其中,典型的旱天、大雨以及暴雨工况的率定成果如表1所示。
表1 白龙港污水主干模型不同工况率定成果
图3 白龙港污水主干模型2021年每5 min模拟进厂流量与实测进厂流量对比
为了保证污水主干模型的准确性,除了进行纳什系数,峰值流量以及总量的常规率定外,根据Code of Practice for the Hydraulic Modelling of Urban Drainage System中对于污水系统的率定要求,针对污水主干的旱天流量,进行了进一步的模拟值与历史实测数据的对比。提取2021年旱天中逐日逐时的最大/最小流量作为边界值,与2021年度的所有旱天流量模拟曲线进行对比评估(图4)。评估发现:基本所有模拟旱天曲线均落于90%的监测数据边界内,从另一个方面说明了主干模型的准确性。
图4 白龙港污水模型旱天模拟流量曲线
3 主干泵站历史运行大数据分析研究
国内外已经有学者通过排水模型对城市大型污水排水系统的优化调度进行研究。因此,在污水主干模型率定验证成功的基础上,通过优化主干泵站的运行工况来降低末端白龙港污水处理厂的溢流问题。白龙港污水厂的末端瞬时处理能力峰值为35 m3/s。根据白龙港2020年每5 min的历史数据进行分析:其旱天平均流量为34.4 m3/s,雨天平均流量为36.6 m3/s。显然控制雨天溢流需要通过扩建污水厂加以解决,故本次研究重点为减少旱天污水厂的溢流量。
中线末端M2泵站与南线末端SB泵站的单泵流量极大,分别为4.7 m3/s与7.5 m3/s,这两个末端泵站的泵站启闭对于末端污水厂的流量影响较大。因此,本次大数据分析研究的重点为M2以及SB这两个主干末端泵站在不进行工程性措施改造的前提下,通过优化这两个末端泵站的启闭工况,达到在旱天情况下既能保证系统前端不冒溢,又可减少溢流发生天数。
(1)M2泵站
M2泵站位于龙东大道1851号,为中途输送泵站,属于污水二期干线系统。泵站装有污水泵6台,设计输送能力为19.16 m3/s。上游为M1泵站、SB泵站,下游为白龙港污水处理厂,污水输送至污水二期南线。
M2泵站共有2个前池(1#及2#),6台泵机,每个前池各配有3台泵,其中2台定频,单机流量为4.7 m3/s,1台变频,单机流量为4.25～4.70 m3/s。
①泵站流量分析
M2泵站日均流量为96.1万m3/d,最小流量为66.7万m3/d,最大流量为126.3万m3/d。M2输送量80%以上分布在76万～102万m3/d,折算输送量为8.8～11.8 m3/s,即开启的泵台数为2～3台。
②M2泵站与白龙港进厂流量相关分析
M2泵站占白龙港污水厂进厂流量的29%,M2泵站流量占白龙港进厂流量比例主要分布在24%～35%。此外,当白龙港进厂流量<35 m3/s时,开启2台泵的比例为73.5%,开启3台泵的比例为25.7%,其他比例为0.8%;当进厂流量≥35 m3/s时,开启2台泵的比例为24.8%,开启3台泵的比例为72.8%,开启4台泵的比例为2.3%,其他比例为0.1%。
③2020年泵启停个数与前池水位相关性分析
为了探索泵站如何控制泵的启闭,重点研究泵启闭个数与泵站前池水位关系。通过使用Python脚本对于10万余个泵站每5 min运行数据进行清洗后,通过提取泵启闭变化数据得到泵站共有888个泵启闭变化点。除去不合理点,剩余884个时刻点。将这884个泵站启闭工况发生变化的工况与M2泵站的两个前池液位进行关联分析,得出M2泵站前池液位的最高值、最低值、平均值以及80%的泵站启闭点位对应的泵站前池水位区间以及最高启闭频率对应的前池水位。经过统计分析如表2所示。
表2 M2泵站启闭个数与前池水位相关性分析
注:泵变化中的0变1代表泵站状态从关闭变化成开启一台泵机,1变2代表泵站状态从开启一台变成开启两台泵机。
(2)SB泵站
SB泵站位于浦三路3606号,为中途输送泵站,属于污水二期干线系统。泵站装有污水泵6台,设计输送能力为31.28 m3/s。上游为SA泵站及吴闵1#泵站,下游为白龙港污水处理厂,污水输送至污水二期南线东段。
SB泵站共有2个前池(1#、2#),6台泵机,每个前池各配有3台泵,其中2台定频,单机流量为7.5 m3/s,1台变频,单机流量为6.26～7.5 m3/s。
①泵站流量分析
SB泵站日均流量为146.3万m3/d,最小流量为83.0万m3/d,最大流量为233.5万m3/d。SB输送量80%以上分布在122万～170万m3/d,折算输送量为14.1～19.7 m3/s,即开启的泵台数为2～3台。
②与白龙港进厂流量相关分析
SB泵站占白龙港污水厂进厂流量的47%,SB泵站流量占白龙港进厂流量比例主要分布在43%～52%。此外,当白龙港进厂流量<35 m3/s时,开启2台泵的比例为56.0%,开启3台泵的比例为42.2%,其他比例为1.8%;当进厂流量≥35 m3/s时,开启2台泵的比例为19.6%,开启3台泵的比例为76.9%,开启4台泵的比例为3.0%,其他比例为0.5%。
③2020年泵启停个数与前池水位相关性分析
为了探索泵站如何控制泵的启闭,重点研究泵启闭个数与泵站前池水位关系。通过数据清洗后形成泵站每5 min运行数据,通过提取泵启闭变化数据得到泵站共有414个泵启闭变化点,将这414个泵站启闭工况发生变化的工况与SB泵站的两个前池液位进行关联分析,得出SB泵站前池液位的最高值、最低值、平均值以及80%的泵站启闭点位对应的泵站前池水位区间以及最高启闭频率对应的前池水位。经过统计分析如表3所示。
表3 SB泵站启闭个数与前池水位相关性分析
4 优化运行策略的研究与试运行
4.1优化运行策略研究
将污水主干泵站大数据分析出来的泵站高频启闭液位数据,输入经过率定验证的污水主干模型进行模拟并与现状运行数据进行比较。为了保证优化运行工况的可落地性,模拟优化工况中的各个泵机的启闭水位的选取是综合了现状启闭液位与泵机高频启闭液位数据,并参考了泵站管理人员的相关建议在尽可能减少对现状启闭工况改变情况下进行的优化调度分析。现状运行的旱天溢流天数为58 d。其识别溢流的策略为:进厂瞬时流量超过35 m3/s,且持续时长超过0.5 h。消除溢流的策略为:进厂瞬时流量不超过35 m3/s,或者在超过35 m3/s的前提下,持续时长低于0.5 h。
采用如表4所示的优化方案,优化工况下旱天溢流天数分别为50 d。相比实际运行数据,优化工况下旱天溢流率相比实际运行工况降低了14%。
表4 实际运行工况与优化工况的情况对比
注:实际运行工况中的旱天溢流天数是58 d,模拟优化工况下的旱天溢流天数是50 d。
4.2泵站优化策略的试运行
运维单位在2022年度的3月—4月的旱季工况试用了该优化工况对M2、SB泵站进行运行调度。最终对比发现:相比2021年度的3月—4月,在2022年度旱天平均进厂水量基本持平、旱天天数增加5 d的基础上,2022年旱天溢流天数与2021年持平。此外旱天溢流总量从238万m3降低至207万m3,旱天溢流总量降低了约13%(表5)。该实际试运行证明了该泵站优化策略作为一个非工程性措施对于减少末端污水厂溢流有一定的作用。
表5 2021年原始调度工况与2022年优化调度工况下的白龙港3月—4月溢流情况对比
5 结论与展望
通过历史运行数据的分析挖掘结合水动力模型,进行污水主干系统的调度优化是一种有效的降低末端污水厂溢流的措施。该措施可以在不进行任何工程性改造的条件下将末端污水厂的旱天溢流总量降低。相比单纯依靠建立水动力模型进行污水系统的运行优化,本方法由于是基于历史运行数据提出的优化策略,其优化调度方案的可实施性更强。
本次研究污水系统主干的优化调度只采用了M2、SB两个末端泵站进行了优化。下一阶段研究应考虑如何针对全局的污水泵站进行优化策略的研究。此外,本次研究采用的历史数据跨度为2020年—2022年,这3年的污水量情况或多或少受到疫情影响,可能与非疫情时间段有一定差距。下一阶段研究应增加大数据研究的样本量,以降低疫情对于整个研究的影响。
