Jednowymiarowe modele natężenia i jakości ścieków dopływających do oczyszczalni komunalnych

• Autorzy: Sobota J. , Szetela R.

Warianty tytułu

EN

One-dimensional models describing the parameters of the influent to the municipal wastewater treatment plant

• Języki publikacji: PL

Abstrakty

PL

Zarówno natężenie przepływu, jak i główne wskaźniki jakości ścieków dopływających do oczyszczalni, wykazują dobową powtarzalność. Zjawisko to, nazywane sezonowością, powinno być uwzględniane podczas budowania modeli prognostycznych i symulacyjnych. W pracy przedstawiono wyniki badań nad wyborem najlepszego modelu, opisującego wskaźniki ścieków dopływających do oczyszczalni komunalnych. Na podstawie przeprowadzonych analiz oraz wyników wcześniejszych prac stwierdzono, że klasyczny sezonowy model autoregresji postaci (delta)24Zt=(fi)1(delta)24Zt-1+at opisuje zmienność zarówno natężenia dopływu ścieków jak i wartości wskaźników tlenowych (BZT5, ChZT) lepiej niż niesezonowe modele autoregresji. Wykazano, że modele nie zawierające parametru sezonowości były nieadekwatne. Przy praktycznym zastosowaniu tego modelu okazało się jednak, że nie daje on zadowalających prognoz dla wskaźników nie mających dokładnej dobowej powtarzalności. W wypadku występowania silnych zakłóceń (np. w wyniku intensywnych opadów deszczu następowało zawyżanie prognozowanych wartości w następnej dobie. W pracy zaproponowano zmodyfikowany model w postaci Zt=(fi)1Zt-1+(fi)2Zt-24+(fi)3Zt-25+at inaczej uwzględniający dobową sezonowość. Dzięki temu jakość prognoz uległa znacznej poprawie, nawet w wypadku doby o nietypowej charakterystyce. Ze względu na małe wartości współczynnika (fi)3 oraz stosunkowo duże błędy tego estymatora, w niektórych przypadkach model upraszcza się do postaci Zt=(fi)1Zt-1+(fi)2Zt-24+bo+at. Stwierdzono, że szeregi czasowe niektórych wskaźników jakości nie wykazywały wyraźnego charakteru okresowego. W tym kontekście wprowadzono kryterium operujące pojęciem "pamięci procesu", pozwalające na wstępną ocenę trafności wyboru modelu sezonowego. Wskazano na pewną graniczną wartość "pamięci procesu", poniżej której szeregu czasowego nie daje się adekwatnie opisać modelem sezonowym.

EN

Both the flow rate and the composition of the wastewater stream entering the plant follow a 24-hour diurnal pattern. This phenomenon (also refered to as seasonality) should be taken into account when constructing models for the needs of forecasting or simulation. Our investigations reported on in this paper concentrated on the choice of such a model that would best describe the influents to municipal wastewater treatment plants. Our analyses, as well as the results of our previous studies, have revealed that the classical seasonal autoregressive model (delta)24Zt=(fi)1(delta)24Zt-1+at describes the variability not only of the flow rate but also of the organic constituents (BOD5, COD) better than the nonseasonal autoregressive models. Models that did not include the seasonality parameter were found to be inadequate. It has been shown, however, that the classical seasonal model fails to yield reliable forecast, when applied to time series deviating from exact 24-hour repeatability. Whenever there were episodes of strong disturbance (e.g. due to heavy rainfall), they always produced overrated forecast values for the subsequent 24-hours. In our present paper, the classical model was modified to the form of Zt=(fi)1Zt-1+(fi)2Zt-24+(fi)3Zt-25+at. In this way it was possible to upgrade noticeably the quality of the forecasts, even if a 24-hour period displayed an atypical characteristic. In some cases, when the (fi)3 coefficient took low values, and its estimator error was big, the model was simplified to the form of Zt=(fi)1Zt-1+(fi)2Zt-24+bo+at. It was found that the time series for some wastewater constituents did not show a distinct seasonality. In this context, a criterion was introduced, which involved the notion "process memory", thus enabling the adequacy of the choice of the seasonal model to be preliminarily assessed. It was shown that there is a certain limit value of the "process memory" below which the time series can not be adequately described by the seasonal model.

Słowa kluczowe

PL

ścieki miejskie; natężenie dopływu; wskaźniki jakości; model autoregresji sezonowy; prognozowanie

EN

municipal wastewater; influent flow ratio; organic constituents; seasonal autoregressive model; forecast

• Wydawca: Polskie Zrzeszenie Inżynierów i Techników Sanitarnych, Oddział Dolnośląski
• Czasopismo: Ochrona Środowiska
• Rocznik: 2005
• Tom: R. 27, nr 1
• Strony: 15--22
• Opis fizyczny: Bibliogr. 14 poz.

Twórcy

autor

Sobota J.

autor

Szetela R.

• Politechnika Wrocławska, Instytut Inżynierii Ochrony Środowiska, Wybrzeże S. Wyspiańskiego 27, 50-370 Wrocław

Bibliografia

• 1. H. G. ERB: Technika pomiarów przepływu wody i ścieków. Wydawnictwo Seidel-Przywecki, Warszawa 1999.
• 2. Praca zbiorowa: Podręczny poradnik eksploatacji oczyszczalni ścieków. Wydawnictwo Seidei-Przywecki, Warszawa 1998.
• 3. R. W. SZETELA: Model dynamiczny oczyszczalni ścieków z osadem czynnym. Prace Naukowe Instytutu Inżynierii Ochrony Środowiska Politechniki Wrocławskiej, Wrocław 1990.
• 4. R. W. SZETELA: On stochastic modelling of water consumption and waslewater discharge. Environment Protection Engineering, 1987, Vol. 13, No. 2, pp. 41-57.
• 5. G. E. P. BOX, G. M. JENKINS: Analiza szeregów czasowych. Prognozowanie i sterowanie. PWN, Warszawa 1983.
• 6. K. MAŃCZAK, Z. NAHORSKI: Komputerowa identyfikacja obiektów dynamicznych. PWN, Warszawa 1983.
• 7. F. ANDREWS: Dynamks and Control of Activated Sludge Process. Water Quality Management Library. 1992, Vol. 6, Technomic Publishing Company Inc.
• 8. Z. SIWOŃ: Stochastyczne modelowanie procesu zużycia wody i prognozowanie zapotrzebowania na wodę w miastach. Wydawnictwo Politechniki Wrocławskiej, Wrocław 1986.
• 9. A. JAMES: Mathematical modelsin water pollution control. John Wiley and Sons Ltd, 1978.
• 10. W. STARZYŃSKA: Statystyka praktyczna. Wydawnictwo Naukowe PWN, Warszawa 2000.
• 11. A. MARCINIAK, D. GREGULEC, J. KACZMAREK: Podstawowe procedury numeryczne w języku Turbo Pascal. Nakom, Poznań 1997.
• 12. W. FINDEISEN, J. SZYMANOWSKI, A. WIERZBICKI: Teoria i metody obliczeniowe optymalizacji. PWN, Warszawa 1980.
• 13. L. LJUNG: System Identification. The Math Works Inc., 1987.
• 14. W. KRYSICKI, J. BARTOS, W. DYCZKA, K. KRÓLIKOWSKA, M. WASILEWSKI: Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach. Część II. Statystyka matematyczna. Wydawnictwo Naukowe PWN, Warszawa 1995.