基于水動力模型與大數據分析的污水干線優化調度策略

陳澤偉,紀莎莎,何 黎,宋晨曦

(上海市城市建設設計研究總院<集團>有限公司,上海 200125)

城市化的快速發展和人口增長帶來了污水排放的急劇增加,同時,政策對水環境保護和污水處理的要求也日益提高[1-3]。為了滿足這些要求,城市的污水排水系統變得越來越復雜,包括污水處理廠、管網、泵站等多個部分。這些部分之間相互聯系,涉及的參數和變量也非常多,往往需要進行實時監測、數據分析、預測預警等多方面的工作,以確保污水系統的正常運行和高效運轉。然而,單純依靠人工經驗來進行污水系統的運維和優化調度已經無法滿足日益復雜的要求,必須借助先進的技術手段和科學的管理方法來實現污水系統的智能化管理和優化運營[4]。本文通過上海市白龍港污水主干泵站的歷史大數據挖掘與排水水動力模型耦合的新方案,為復雜的污水主干系統的優化調度提供了一個新的解決思路:通過大量歷史運行數據的分析挖掘,將調度人員的調度經驗進行經驗提煉,通過大數據算法分析出潛在的優化調度方案。將潛在的優化調度方案輸入經過嚴格率定驗證的模型進行評估,進而得到最優的調度策略。

1 研究對象概況

白龍港片區目前已形成“二片、二廠、三線”污水處理格局。“二片”是指白龍港污水處理廠污水片和虹橋污水處理廠污水片,“二廠”是指白龍港污水處理廠和虹橋污水處理廠,“三線”是指污水二期中線、南干線、污水二期南線三條污水干線[5-6],具體情況如圖1所示。

圖1 白龍港片區污水處理格局

其中,白龍港污水處理廠規劃設計規模為350萬m3/d,近期總規模為280萬m3/d,虹橋污水處理廠設計規模為20萬m3/d。

污水中線服務范圍涉及黃浦區與部分浦東新區,沿途有M1、M2兩座中途泵站,污水經白龍港污水處理廠處理后深水擴散排放長江。

污水南干線主要節點泵站為南干線1#、3#、4#、5#和6#泵站。由于南干線建設年代久遠、應急搶險事件頻發,目前正在對南干線3#～6#泵站間的干線管線實施搬遷改建,南干線的水量目前由中線承擔。

南線服務范圍涉及徐匯區、閔行區、長寧區和浦東新區中部地區,是白龍港片區服務范圍最大的一根污水主干,主要節點泵站為SA泵站、吳閔1#泵站、華涇港泵站及SB泵站。

2 模型的構建與率定驗證

2.1 模型的建立

白龍港系統規模龐大且接入支線多而復雜,白龍港污水主干全長為181 km,中途涉及20座提升泵站與101個泵機。其中最長主干從上游的紀一泵站到下游的白龍港污水廠,管道總長超過了67 km。因此,采用分段建模思路:即從白龍港污水廠出發,逐步向上游拓展,分步建模,最終完成白龍港系統整體污水主干模型的建立。

鑒于白龍港污水廠及其相關污水主干模型異常復雜,因此,采用分段梳理、分段建立、分段驗證的思路。其中,第一階段建設范圍為M2/SB至白龍港污水處理廠,第二階段建設范圍為M1/華涇港/吳閔一至白龍港污水處理廠,第三階段為紀一泵站至白龍港污水處理廠的全段污水主干模型建模。

在第三階段,污水干線模型共納入67個污水支線水量數據,水量輸入的類型主要分為3類:(1)2021年每5 min泵站啟閉數據;(2)2021年日均泵站輸送數據;(3)通過人口數據推算的重力片區污水量。3類數據使用的優先級從高到低。具體水量接入情況如圖2所示。

圖2 污水主干模型流量數據接入點

2.2 模型的率定

將建立的第三階段的白龍港污水主干模型進行2021年的模擬,全年模擬效果較好,全年模擬水量為11.42億m3,白龍港進廠水量為11.63億m3,全年總水量誤差為1.8%。2021年全年每5 min模擬對比詳如圖3所示。其中,典型的旱天、大雨以及暴雨工況的率定成果如表1所示。

表1 白龍港污水主干模型不同工況率定成果

圖3 白龍港污水主干模型2021年每5 min模擬進廠流量與實測進廠流量對比

為了保證污水主干模型的準確性,除了進行納什系數,峰值流量以及總量的常規率定外,根據CodeofPracticefortheHydraulicModellingofUrbanDrainageSystem中對于污水系統的率定要求,針對污水主干的旱天流量,進行了進一步的模擬值與歷史實測數據的對比。提取2021年旱天中逐日逐時的最大/最小流量作為邊界值,與2021年度的所有旱天流量模擬曲線進行對比評估(圖4)。評估發現:基本所有模擬旱天曲線均落于90%的監測數據邊界內,從另一個方面說明了主干模型的準確性。

圖4 白龍港污水模型旱天模擬流量曲線

3 主干泵站歷史運行大數據分析研究

國內外已經有學者通過排水模型對城市大型污水排水系統的優化調度進行研究[5-9]。因此,在污水主干模型率定驗證成功的基礎上,通過優化主干泵站的運行工況來降低末端白龍港污水處理廠的溢流問題。白龍港污水廠的末端瞬時處理能力峰值為35 m3/s。根據白龍港2020年每5 min的歷史數據進行分析:其旱天平均流量為34.4 m3/s,雨天平均流量為36.6 m3/s。顯然控制雨天溢流需要通過擴建污水廠加以解決,故本次研究重點為減少旱天污水廠的溢流量。

中線末端M2泵站與南線末端SB泵站的單泵流量極大,分別為4.7 m3/s與7.5 m3/s,這兩個末端泵站的泵站啟閉對于末端污水廠的流量影響較大。因此,本次大數據分析研究的重點為M2以及SB這兩個主干末端泵站在不進行工程性措施改造的前提下,通過優化這兩個末端泵站的啟閉工況,達到在旱天情況下既能保證系統前端不冒溢,又可減少溢流發生天數。

(1)M2泵站

M2泵站位于龍東大道1851號,為中途輸送泵站,屬于污水二期干線系統。泵站裝有污水泵6臺,設計輸送能力為19.16 m3/s。上游為M1泵站、SB泵站,下游為白龍港污水處理廠,污水輸送至污水二期南線。

M2泵站共有2個前池(1#及2#),6臺泵機,每個前池各配有3臺泵,其中2臺定頻,單機流量為4.7 m3/s,1臺變頻,單機流量為4.25～4.70 m3/s。

①泵站流量分析

M2泵站日均流量為96.1萬m3/d,最小流量為66.7萬m3/d,最大流量為126.3萬m3/d。M2輸送量80%以上分布在76萬～102萬m3/d,折算輸送量為8.8～11.8 m3/s,即開啟的泵臺數為2～3臺。

②M2泵站與白龍港進廠流量相關分析

M2泵站占白龍港污水廠進廠流量的29%,M2泵站流量占白龍港進廠流量比例主要分布在24%～35%。此外,當白龍港進廠流量<35 m3/s時,開啟2臺泵的比例為73.5%,開啟3臺泵的比例為25.7%,其他比例為0.8%;當進廠流量≥35 m3/s時,開啟2臺泵的比例為24.8%,開啟3臺泵的比例為72.8%,開啟4臺泵的比例為2.3%,其他比例為0.1%。

③2020年泵啟停個數與前池水位相關性分析

為了探索泵站如何控制泵的啟閉,重點研究泵啟閉個數與泵站前池水位關系。通過使用Python腳本對于10萬余個泵站每5 min運行數據進行清洗后,通過提取泵啟閉變化數據得到泵站共有888個泵啟閉變化點。除去不合理點,剩余884個時刻點。將這884個泵站啟閉工況發生變化的工況與M2泵站的兩個前池液位進行關聯分析,得出M2泵站前池液位的最高值、最低值、平均值以及80%的泵站啟閉點位對應的泵站前池水位區間以及最高啟閉頻率對應的前池水位。經過統計分析如表2所示。

表2 M2泵站啟閉個數與前池水位相關性分析

(2)SB泵站

SB泵站位于浦三路3606號,為中途輸送泵站,屬于污水二期干線系統。泵站裝有污水泵6臺,設計輸送能力為31.28 m3/s。上游為SA泵站及吳閔1#泵站,下游為白龍港污水處理廠,污水輸送至污水二期南線東段。

SB泵站共有2個前池(1#、2#),6臺泵機,每個前池各配有3臺泵,其中2臺定頻,單機流量為7.5 m3/s,1臺變頻,單機流量為6.26～7.5 m3/s。

①泵站流量分析

SB泵站日均流量為146.3萬m3/d,最小流量為83.0萬m3/d,最大流量為233.5萬m3/d。SB輸送量80%以上分布在122萬～170萬m3/d,折算輸送量為14.1～19.7 m3/s,即開啟的泵臺數為2～3臺。

②與白龍港進廠流量相關分析

SB泵站占白龍港污水廠進廠流量的47%,SB泵站流量占白龍港進廠流量比例主要分布在43%～52%。此外,當白龍港進廠流量<35 m3/s時,開啟2臺泵的比例為56.0%,開啟3臺泵的比例為42.2%,其他比例為1.8%;當進廠流量≥35 m3/s時,開啟2臺泵的比例為19.6%,開啟3臺泵的比例為76.9%,開啟4臺泵的比例為3.0%,其他比例為0.5%。

③2020年泵啟停個數與前池水位相關性分析

為了探索泵站如何控制泵的啟閉,重點研究泵啟閉個數與泵站前池水位關系。通過數據清洗后形成泵站每5 min運行數據,通過提取泵啟閉變化數據得到泵站共有414個泵啟閉變化點,將這414個泵站啟閉工況發生變化的工況與SB泵站的兩個前池液位進行關聯分析,得出SB泵站前池液位的最高值、最低值、平均值以及80%的泵站啟閉點位對應的泵站前池水位區間以及最高啟閉頻率對應的前池水位。經過統計分析如表3所示。

表3 SB泵站啟閉個數與前池水位相關性分析

4 優化運行策略的研究與試運行

4.1 優化運行策略研究

將污水主干泵站大數據分析出來的泵站高頻啟閉液位數據,輸入經過率定驗證的污水主干模型進行模擬并與現狀運行數據進行比較。為了保證優化運行工況的可落地性,模擬優化工況中的各個泵機的啟閉水位的選取是綜合了現狀啟閉液位與泵機高頻啟閉液位數據,并參考了泵站管理人員的相關建議在盡可能減少對現狀啟閉工況改變情況下進行的優化調度分析。現狀運行的旱天溢流天數為58 d。其識別溢流的策略為:進廠瞬時流量超過35 m3/s,且持續時長超過0.5 h。消除溢流的策略為:進廠瞬時流量不超過35 m3/s,或者在超過35 m3/s的前提下,持續時長低于0.5 h。

采用如表4所示的優化方案,優化工況下旱天溢流天數分別為50 d。相比實際運行數據,優化工況下旱天溢流率相比實際運行工況降低了14%。

表4 實際運行工況與優化工況的情況對比

4.2 泵站優化策略的試運行

運維單位在2022年度的3月—4月的旱季工況試用了該優化工況對M2、SB泵站進行運行調度。最終對比發現:相比2021年度的3月—4月,在2022年度旱天平均進廠水量基本持平、旱天天數增加5 d的基礎上,2022年旱天溢流天數與2021年持平。此外旱天溢流總量從238萬m3降低至207萬m3,旱天溢流總量降低了約13%(表5)。該實際試運行證明了該泵站優化策略作為一個非工程性措施對于減少末端污水廠溢流有一定的作用。

表5 2021年原始調度工況與2022年優化調度工況下的白龍港3月—4月溢流情況對比

5 結論與展望

通過歷史運行數據的分析挖掘結合水動力模型,進行污水主干系統的調度優化是一種有效的降低末端污水廠溢流的措施。該措施可以在不進行任何工程性改造的條件下將末端污水廠的旱天溢流總量降低。相比單純依靠建立水動力模型進行污水系統的運行優化,本方法由于是基于歷史運行數據提出的優化策略,其優化調度方案的可實施性更強。

本次研究污水系統主干的優化調度只采用了M2、SB兩個末端泵站進行了優化。下一階段研究應考慮如何針對全局的污水泵站進行優化策略的研究。此外,本次研究采用的歷史數據跨度為2020年—2022年,這3年的污水量情況或多或少受到疫情影響,可能與非疫情時間段有一定差距。下一階段研究應增加大數據研究的樣本量,以降低疫情對于整個研究的影響。