| 1 |
1
하수처리장의 유입 유량 및 유입 성분 농도의 예측 장치에 있어서,
하수처리장의 유입 수질 데이터들과 기상 데이터들을 수집하는 데이터수집부(10)와;
상기 데이터수집부(10)에 의해 수집된 데이터셋들을 전달받아 인공신경망 모델에 적용되도록 표준화 상태로 변환하는 데이터 전처리부(20)와;
상기 데이터 전처리부(20)를 통해 표준화된 입력값들을 인공신경망에 대입하여 은닉층을 통한 신호전달을 반복적으로 행함으로써, 오차를 최소화하기 위한 학습을 행하여 가중치를 조절하는 인공신경망부(30)와;
상기 인공신경망부(30)에 의해 수립된 가중치에 따라 변수를 입력하여 유입수를 예측하는 데이터예측부(40)와;
상기 데이터예측부(40)의 산출데이터를 화면에 출력하는 표시부(50)로 구성되는 것을 특징으로 하는 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분 농도의 예측 장치
|
| 2 |
2
제 1항에 있어서,
하수처리장의 유입 수질 데이터들은 유량, pH, DO, 온도, BOD, CODMn, SS, TN, TP 중 어느 하나 이상이며, 기상 데이터들은 강우량, 습도 및 기온 중 어느 하나 이상인 것을 특징으로 하는 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분 농도의 예측 장치
|
| 3 |
3
제 1항에 있어서,
상기 데이터수집부(10)는 상기 수집된 데이터들을 저장하도록 데이터베이스(11)를 구축하고 있어, 전처리를 거친 상기 데이터 셋들이 신경망의 훈련 혹은 훈련된 신경망의 예측 성능의 검증 중 어느 하나에 사용되는 것을 특징으로 하는 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분 농도의 예측 장치
|
| 4 |
4
하수처리장의 유입 유량 및 유입 성분 농도의 예측 방법에 있어서,
하수처리장으로부터 유입 수질 데이터와 기상 데이터들을 데이터수집부(10)에서 입력받는 데이터 수집단계(S10)와;
상기 수집된 데이터를 인공신경망 모델에 적용하도록 표준화하기 위한 데이터 전처리 단계(S20)와;
상기의 데이터 전처리된 변수들에 대해 인공신경망을 통한 학습을 수행함으로써 예측 모델을 수립하는 단계(S30)와;
상기 인공신경망에 대해 검증 데이터 셋을 이용하여 훈련된 신경망의 예측 성능을 평가하는 유입유량과 유입성분 농도 예측단계(S40)로 구성되는 것을 특징으로 하는 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분 농도의 예측 방법
|
| 5 |
5
제 4항에 있어서,
상기 데이터 전처리 단계(S20)는, 하수처리장으로부터 확보된 상기 데이터들 중 데이터의 신뢰성을 떨어뜨릴 수 있는 이상치(Outlier)를 제거하는 단계와;
측정된 시계열 데이터 간의 선형적 또는 비선형적 상관성을 파악하고 연속된 데이터들의 시간에 따른 경향을 파악하도록 장기간의 데이터 셋에서 단기간 변동을 감소시키거나 제거하는 단계와;
각각 다른 스케일로 분포하고 있는 모든 데이터들이 0과 1사이의 값의 분포를 가질 수 있도록 표준화하는 단계로 구성되는 것을 특징으로 하는 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분 농도의 예측 방법
|
| 6 |
6
제 5항에 있어서,
상기 데이터들의 이상치(Outlier)를 제거하도록, 관리도 기법을 사용하는 것을 특징으로 하는 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분 농도의 예측 방법
|
| 7 |
7
제 5항에 있어서,
상기 측정된 시계열 데이터 간의 선형적 또는 비선형적 상관성을 파악하고 연속된 데이터들의 시간에 따른 경향을 파악하도록 5-day moving average기법을 사용하는 것을 특징으로 하는 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분 농도의 예측 방법
|
| 8 |
8
제 4항에 있어서,
상기 예측 모델 수립 단계(S30)에서, 시행착오법을 통한 신경망 구조와 epoch 수를 결정하고, 선택된 신경망의 구조와 epoch 수를 바탕으로 훈련된 신경망을 일반화시킬 수 있는 가중치 값들을 결정하는 것을 특징으로 하는 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분 농도의 예측 방법
|
