DOI QR코드

DOI QR Code

상관분석 및 의사결정나무분석을 통한 하수처리시설의 에너지 소비량과 운영인자의 관계 분석

Relationship between Energy Consumption and Operational Variables at Wastewater Treatment Plant

  • 정용준 (부산가톨릭대학교 환경공학과) ;
  • 김예진 (부산가톨릭대학교 환경공학과)
  • Jung, Yong-Jun (Department of Environmental Engineering, Catholic University of Pusan) ;
  • Kim, Ye-Jin (Department of Environmental Engineering, Catholic University of Pusan)
  • 투고 : 2016.01.19
  • 심사 : 2016.04.06
  • 발행 : 2016.05.30

초록

To reduce energy consumption in wastewater treatment plants (WWTPs), renewable energy applications such as small hydropower, solar energy, and wind energy are popular. However, it should be noticed that energy originated from operation of wastewater treatment process can be reduced through optimized operation based on analysis of factors affecting energy. In this research, the relationship to the various operational variables and influent factors was explored using correlation analysis and decision tree algorithm. Due to the non-linear characteristics of the process, it was difficult to find clear linear patterns through correlation analysis. However, decision tree algorithm showed its usefulness in uncovering hidden patterns that consume energy. As operational factors, influent flowrate, the amount of aeration, nitrate recycling pumping rate, and sludge wasting pumping rate were selected as important factors. For environmental factors associated with influent compositions and removal rate, BOD and T-N removal rate were selected as significant factors.

키워드

1. Introduction

지금까지 하수처리장은 수계 수질의 보전을 위하여 필연적으로 에너지를 소비하는 국가기반산업 중의 하나로 인식되어 왔다. 환경부는 2010년 하수처리시설의 에너지자립화 기본계획에서 수많은 국가기반시설 중 하수처리장이 소비하는 전력량은 약 16억 kWh이며, 국내 전체 전력소비량의 약 0.5%를 차지하는 것으로 발표하였다. 하수처리시설 에너지자립화기본계획의 목표는 2030년까지 하수처리시설 에너지 자립율 50%를 달성하는 것이며, 이를 위해 환경부는 고효율 설비 도입 지원, 미활용 에너지(소화가스, 소수력, 하수열 등) 이용 지원, 자연에너지(풍력, 태양광) 생산 지원 등의 사업을 추진해왔다.

하수처리시설의 에너지 절감 및 에너지자립율 증대의 방안은 주로 두 가지로 나눌 수 있다. 그중 첫 번째는 노후 설비 교체 과정에서의 에너지 절감 시설 도입 및 공정 최적운영이다. 하수처리장의 전력 원단위는 약 0.28 kWh/m3 및 2.35 kWh/kgBOD 이며 (MOE, 2008), 에너지 소비량 중 폭기조의 송풍기를 가동하기 위해 약 30% 이상이 소요되고 펌프류의 가동 또한 큰 비중을 차지하는 것으로 분석되었다(Kim et al., 2010; Park, 2008). 이에 따라, 에너지 절감 시설의 도입은 주로 인버터형 터보블로워의 도입이나 초미세기포장치의 도입, 고효율탈수기 등으로 제안할 수 있으며, 공정 최적운영은 반송슬러지율 설정 최적화나 폭기량설정 최적화 등으로 제안할 수 있다. 폭기조 송풍기의 전력소비율이 높으므로, 폭기조의 최적 용존산소량을 결정하고 제어함으로써 유출수질을 안정적으로 유지하면서 폭기량을 절감할 수 있는 연구들이 활발히 수행되어 왔다(Jun et al., 2002; Kim et al., 2014; Kim et al., 2012).

두 번째는, 신재생에너지의 도입 및 하수처리장 내 에너지 생산 시설의 활용이다. 하수처리장에서의 신재생에너지의 도입은 주로 소화가스를 이용한 가스발전(Kang et al., 2010; Woo and Han, 2010), 태양광발전, 풍력발전 및 소수력 발전(Chae et al., 2013), 하수열 활용(Jung, 2003)을 중심으로 적용되고 있다(Kim et al., 2010; Yoon et al., 2014). 그러나 각각의 하수처리시설마다 적용할 수 있는 신재생에너지의 종류가 범용적이지 않아 적용시 철저한 경제성 평가를 요구한다.

Cho et al. (2012)은 국내 공공하수처리장의 에너지 소비현황 및 효율성을 평가하고 하수처리장의 에너지 소비량은주로 하수 유입수의 성상과 가동률에 따라 영향을 받는 것으로 분석하였다. 공법상으로는 A2/O 공법이 가장 에너지 효율성이 높은 것으로 분석되었으며, 하수처리장 에너지 효율 제고 방안을 마련하기 위해 펌프 전력사용량, 단위공정별 에너지 소비량 등의 보다 구체적인 정보의 수집이 필요함을 지적하였다. 이는 곧, 폭기량의 최적화에 국한된 기존의 에너지 절감사례들에 비해 보다 다양한 운전인자들의 최적운영이 필요함을 의미한다. 최적운영을 목표로 한 연구사례로는, 다변량 통계기법을 활용하여 하수처리시설의 에너지 소비상태를 진단하고, 운전자가 새로운 운전방안을 제시할 경우 그에 따른 에너지 절감량을 추정하여 제안할 수 있는 다중회귀분석을 활용한 예측모델 개발을 들 수 있다(Shin, 2013; Shin et al., 2015). 이렇듯 에너지 효율성을 분석한 사례나 에너지 효율성을 높이기 위한 의사결정지원도구 개발 등의 사례가 존재하지만, 운전변수나 환경변수의 조건에 따른 에너지 소비량의 변화에 대한 조사는 정량적으로 수행된 바가 없는 실정이다. 더구나 하수처리장의 변수들 간의 관계는 비선형적이며 불확실성이 높은 특징을 가지고 있으므로 일반적인 통계분석 기법으로는 기존 연구에서 지적된 것과 같은 인과관계를 검증할 만한 가시적인 분석결과를 도출하기 힘들다.

본 연구에서는, 현장 규모의 하수처리장에서 1년 동안 수집된 에너지 소비량과 운영자료를 바탕으로, 하수처리장 내 생물학적 처리공정에서의 에너지 소비량과 운영변수와의 관계를 탐구하였다. 이를 위해, 우선적으로 하수처리장 운영변수와 에너지 소비량 사이에 존재하는 관계를 상관분석을 통하여 알아보았다. 또한, K-평균 군집분석을 활용하여 에너지 소비량을 그룹화하고 각 그룹별로 영향인자를 알아보았다. 마지막으로, 운영변수와 에너지 소비량 사이에 존재하는 패턴을 추출하기 위하여, 하수처리장의 운전변수와 유입수 부하 및 제거율이 에너지 소비량과 가지는 연관성에 대한 패턴을 의사결정나무분석을 통하여 추출하였다.

 

2. Materials and Methods

2.1. 대상 하수처리시설

연구 대상이 되는 하수처리시설은 처리용량 680,000 m3/일로 운영되는 A2/O 공정으로 선택하여 분석하였다. 이는 하수처리장의 처리규모가 클수록 전력소비량이 증가한다는 Cho et al. (2011)의 분석 결과에 의해, 처리규모가 클수록 에너지 소비량과 영향변수들의 사이에 뚜렷한 패턴이 존재할 것으로 추측되었기 때문이다. 2014년 해당 하수처리시설의 일평균 유입유량은 504,932 m3/일이었으며, 에너지 소비량의 평균은 87,577 kWh/일이었다. 대상 하수처리시설의 공정도를 Fig. 1에 제시하였다.

Fig. 1.Process flowchart of target wastewater treatment plant.

2014년 1월 1일부터 2014년 12월 31일일까지의 일 단위의 운영자료 225 데이터셋을 수집하여 활용하였으며, 수집한 항목은 강우량, 기온, 상대습도, 일조시간, 유입 유량, 수온, 유입수의 pH, BOD, COD, SS, T-N, T-P, 호기조 내 DO, MLSS, MLVSS, SVI, 슬러지반송율, 질산염회송율, SRT, 폭기량, 유출수 BOD, COD, SS, T-N, T-P, 1차 침전조 슬러지 폐기유량, 잉여슬러지 폐기유량이었다. 수집된 데이터의 평균 및 표준편차를 아래 Table 1에 제시하였다. 더불어 본 연구의 목표변수가 되는 에너지 소비량의 연간패턴을 Fig. 2에 제시하였다.

Table 1.Description of the variables collected from the target plant

Fig. 2.Annual trends of energy consumption and flowrate of target wastewater plant.

2.2. 정규성 분석 및 상관관계분석

본 연구에서는 이변량 상관관계분석을 통하여 에너지 소비량과 연관이 있는 운전변수를 살펴보았다. 이변량 상관관계분석이란, 두 변수 간에 존재하는 관계를 Pearson의 상관계수나 Spearman의 순위상관계수 등을 도출하여 알아보는 통계적 기법을 말한다. 이 때 상관관계라 함은 분석의 대상이 되는 두 변수 간에 존재하는 선형관계에 초점을 둔 것이며, 두 변수 간에 선형관계가 존재하는지의 여부와 그 방향, 그리고 그 강도에 관한 정보를 제공한다. 상관계수는 -1부터 1까지의 값을 가지며 상관계수의 부호를 통하여 양의 상관관계 혹은 음의 상관관계가 존재함을 판단할 수 있다. 상관계수의 절대값으로는 관계의 강도를 파악할 수 있는데, 절대값이 클수록 관계의 정도가 강함을 의미한다. 대표적인 상관계수로는 Pearson의 상관계수를 들 수 있는데, 변수들이 정규분포를 따른다는 가정 하에 사용된다. 정규분포를 이루지 않는 변수들 간의 상관계수는 Spearman의 서열상관계수를 통하여 알아보아야 한다. 변수가 정규분포를 이루는지를 파악하기 위한 분석 방법으로는 Kolmogorov-Smirov 검정과 Shapiro-Wilk 검정이 있는데, 대체적으로 변수를 구성하는 자료의 개수가 클 경우(2000개 이상)에는 전자를, 그렇지 않을 경우 후자의 방법론을 사용한다. 그러나 자료의 개수가 2000개 보다 큰 경우가 아니라 할지라도, 보수적으로 정규성을 판단하고자 할 경우에는 Kolmogorov-Smirov 검정을 사용하는 것이 일반적이다. 따라서 본 연구에서는 각 변수를 대상으로 Kolmogorov-Smirov 검정을 사용하여 정규성을 탐색하고 그 결과에 따라 적합한 상관계수를 선택하여 도출하였다.

2.3. K-평균 군집분석

K-평균 군집분석은 대표적인 비계층적 군집분석으로서, 변수의 자료를 주어진 개수의 그룹으로 나누는 통계기법이다. 변수의 자료를 주어진 그룹 개수에 해당하는 수만큼 초기의 그룹 중심을 의미하는 초기값을 설정하고, 설정된 초기값으로부터 각 자료가 가지는 거리를 계산하여 가장 가까운 거리를 가지는 자료를 각 그룹에 할당하며 그룹 중심을 다시 계산한다. 이렇게 하여 새로이 계산되는 중심값이 기존의 중심값과 차이가 없을 때까지 이 과정은 반복된다. 알고리즘의 특성상 이상치에 민감하다는 단점을 가지고 있으나, 가장 대표적이며 간단한 군집화 방법으로 인정받고 있다. 본 연구에서는 에너지 소비량에 대하여 K-평균 군집 분석을 수행하고 에너지 소비량의 각 그룹의 소속에 따라 나머지 운영인자 및 환경변수들에도 그룹을 할당한 후 분산분석을 통하여 에너지 소비량이 높을 때 유의한 차이를 보이는 변수들을 알아보고 그룹별 상관도분석을 실시하였다.

2.4. 의사결정나무분석

의사결정나무는 관심대상이 되는 변수를 몇 개의 소집단으로 분류하거나, 분류를 위한 모형을 활용하여 예측을 수행할 수 있는 분석방법이다. 분석 결과가 나무구조로 표현되며 이는 쉽게 IF-THEN 구조의 규칙으로 표현될 수 있어 회귀분석이나 신경망 모형에 비해 연구자가 개발된 모형을 쉽게 활용할 수 있다는 특징을 가진다. 다양한 의사결정나무의 활용방안 중, 자료로부터 규칙을 찾아내고 이를 이용하여 미래의 사건을 예측하는 경우 예측(Prediction) 모형으로, 관심대상이 되는 변수를 비슷한 특성을 가지는 몇 개의 그룹으로 분할하고 각 그룹별 특성을 발견하고자 하는 경우 세분화(Segmentation)의 용도로 활용된다. 본 연구에서 의사결정나무는 목표 변수인 에너지 소모량을 몇 개의 그룹으로 분할하고 각 그룹별로 어떠한 독립변수에 의하여 분류가 진행되는지를 해석하기 위해 사용되었다.

의사결정나무는 나무구조가 시작되는 마디인 뿌리마디(root node), 하나의 마디로부터 분리되어 나간 2개 이상의 마디를 의미하는 자식마디(child node), 자식마디의 상위 마디인 부모마디(parent node), 그리고 각 나무줄기의 끝에 위치하는 끝마디(terminal node)로 구성된다. 하나의 부모마디로부터 자식마디들이 형성될 때, 어떤 입력변수를 이용하여 어떻게 분리하는 것이 목표변수의 분포를 가장 잘 구별해주는지를 파악하여 자식마디가 형성되는데, 목표변수의 분포를 구별하는 정도를 순수도 또는 불순도를 계산함으로써 판단한다(Kang et al., 2001). 이 때, 독립변수의 순수도란 목표변수의 특정 범주에 따라 개체들이 뚜렷한 패턴을 가지며 분포할 때 높아지는 것이다. 대상 변수를 설명하기 위한 자식마디를 형성해나가는 분리기준에 따라 CART, ID3, C5.0, CHAID 등의 알고리즘을 선택하여 사용할 수 있으며, 본 연구에서는 연속형 변수에 F-검정을 활용하여 적용가능하며 다지분리를 수행하는 CHAID 알고리즘을 사용하여 각 영향인자의 그룹별 에너지 소비량이 어떻게 세분화되는지를 살펴보았다. 의사결정나무 추출 작업은 SPSS v.18.0을 사용하여 수행하였으며, 최대 트리 깊이에는 제한을 두지 않았고, 한 노드에 포함되어야 하는 자료의 개수는 최종 노드의 경우 3, 상위 노드의 경우 5로 두고 의사결정나무분석을 수행하였다.

 

3. Results and Discussion

3.1. 상관도분석

Table 1에 제시된 변수들에 관하여 수집된 자료를 대상으로 Kolmogorov-Smirov 검정을 수행하여 변수들이 정규성을 만족하는지를 알아본 결과, 총 28개 변수에서 정규성을 보이는 변수는 유입수 T-N 농도, 반응조 내 MLSS와 MLVSS, 유출수 COD 및 T-N 농도에 불과하였다. 따라서 자료가 정규분포를 이루지 않을 때 사용되는 Spearman의 순위상관계수를 활용하여 상관도 분석을 수행하였다. 아래 Table 2에는 유의한 상관계수(p=0.05)를 나타내었던 변수와 그 상관계수가 제시되어 있다. 가장 뚜렷한 상관계수를 보이는 것은 수온(0.611)과 폭기량(0.606)이었다. 그 외에 유입유량(0.317), 유출수 SS농도(0.321)가 약한 상관관계를 보였다. 반응조 내 DO를 결정하기 위한 수온과 폭기량이 에너지 소비량과 높은 상관계수를 보이는 것은 당연한 결과이나, 펌프의 가동량과 연관이 있는 변수들은 상관관계를 보이지 않는 것으로 나타났다. 이는 수집된 자료에 내재된 잡음(noise)으로 인해 상관관계가 드러나지 않았거나, 단순한 이변량 상관계수를 도출하는 것으로는 변수들 간의 관계를 해석하기에 부족하였음을 의미할 수 있다.

Table 2.Correlation factor with energy comsumption

3.2. 군집화 및 상관계수 도출

수집된 자료들 중 에너지 소비량(elec)을 K-평균 군집화 방법을 통하여 2,3,4,5개 그룹의 개수를 주어 군집화한 결과, 3개 그룹이 가장 적당하다고 판단하였다. 군집의 적합도는 일차적으로 군집에 속한 자료의 개수가 적절한지와 나누어진 변수의 개별 그룹간의 평균에 유의한 차이가 존재하는지에 대한 분석 결과를 바탕으로 판단하게 된다. 전력 소비량을 서로 다른 세 그룹으로 나눔과 동시에 각각의 전력 소비량이 속한 그룹에 따라서 나머지 변수들의 개개의 측정치를 할당하여 평균과 표준편차를 계산한 결과를Table 3에 제시하였다.

Table 3.Basic statistics of each group

일원배치 분산분석의 결과로 인해, 전력 소비량이 높을 때(group 3) 타 그룹에 비해 유의한(p=0.05) 높은 평균을 보인 변수는 기온, 상대습도, 유입유량, 수온, 유입수 pH와 폭기량임을 확인하였다. 기온과 상대습도는 유입수 유량 및 폭기량과 밀접한 관련이 있으므로 타당한 결과라고 판단된다. 그러나 군집화 및 평균비교를 통해서도 펌프 가동량에 관한 변수는 연관성이 존재하는 것으로 나타나지 않았다.

3.3. 에너지 소비량과 영향인자 간의 패턴 추출

3.3.1. 운전변수들과 에너지 소비량 사이의 패턴

에너지 소비량을 하수처리시설 운영의 측면에서 절감하고자 할 때 가장 우선적으로 고려되어야 하는 것은 직접적으로 전력을 소비하는 폭기량과 다양한 액체를 이송하기 위한 펌프유량들일 것이다. 따라서, 기존 연구자들에 의해 가장 전력소비량과 밀접한 연관이 있는 것으로 지적된 바 있는 유량(flowrate), 폭기량(aeration), 질산염회송율(innerreturn), 슬러지회송율(returnrate), 1차 침전지 슬러지폐기유량(wsludge1s), 잉여슬러지 폐기유량(wsludge2s)을 우선적으로 선택하고, 공정의 폭기량이나 반송율에 영향을 미칠 수 있는 SVI, MLSS, BOD 부하(BODloading), T-N 부하(TNloading)을 입력변수로 하여 에너지소비량(elec)을 세분화해 보았다(Fig. 3).

Fig. 3.Decision tree for energy consumption with operational variables.

도출된 의사결정나무는 총 노드의 개수는 18개로, 최종 노드 수가 10개, 트리 깊이는 5의 구조로 도출되었다. 에너지 소비량에 가장 영향력이 있는 변수는 최상위 노드에 위치하게 되는 폭기량(aeration)으로서, 폭기량 1,255,406 m3/d를 기준으로 에너지 소비량은 82,918.2 kWh/d를 중심으로 하며 157개의 자료로 구성되어 있는 그룹(Node 1)과 99,883.6 kWh/d를 중심으로 하는 67개의 자료로 구성되어 있는 그룹(Node 2)으로 나뉘게 된다. 그 다음으로 영향력이 있는 변수는 유량과, 일반적으로 유량의 2∼3배로 운전되는 것이 적합한 질산염회송율로 선택되어, 기존 연구자들의 조사 결과 보고와 일치하였다. 유량과 질산염회송율이 크면 클수록 에너지 소비량은 커지는 패턴을 의사결정나무로부터 발견할 수 있음은 당연한 결과라고 할 수 있다. 3차적으로 에너지 소비량에 미치는 영향인자는 1차 슬러지 및 잉여 슬러지 폐기량(wsludge1s 및 wsludge2s)이며, 최상위 노드로부터 폭기량과 유입유량 및 슬러지 폐기량들에 의해 분류되어 내려온 에너지 소비량을 좀 더 세분화 하는 영향인자로 폭기량이 마지막에 다시 호출되는 것(Node 5, Node 14)으로 보아, 모든 운전인자들 중에서도 가장 결정력이 있는 영향인자는 역시 폭기량임을 알 수 있다.

도출된 의사결정나무를 검증하기 위해, 2013년 12월 1일부터 31일까지의 일간 운영 데이터를 활용하여 트리에 적용해 본 결과, 31개 데이터셋 중 27개가 Node 8로 분류되고, 4개 data가 Node 11로 분류되었다. Node 8로 분류된 27개 데이터셋의 에너지 소비량(elec) 값의 평균은 79,602, 표준편차는 8,945로서 도출된 트리의 Node 8의 평균인 79,465와 표준편차 8,325와 매우 유사하였다. 또한 Node 11로 분류된 4개의 데이터셋의 에너지 소비량(elec)의 평균은 90,147.5 (표준편차 5,086)로서 도출된 트리의 Node 11의 에너지 소비량 평균인 88,475 (표준편차 6,032)와 크게 다르지 않았다.

3.3.2. 유입부하 및 제거율과의 관계

하수처리 공정의 에너지 소비량에 직접적으로 영향을 미치는 펌프 유량이나 폭기량은 유입부하 및 해당 하수처리장에서 달성하고자 하는 제거율에 의해 결정되므로, 본 연구에서는 유입부하 및 제거율과 하수처리장 에너지 소비량과의 관계를 의사결정나무분석을 통해 알아보았다. 따라서, 각 수질항목의 % 제거율과 유입부하를 변수로 생성하여 유입유량과 함께 입력변수로 설정하고, 앞서와 동일한 방법에 의하여 의사결정나무를 도출하여 Fig. 4에 나타내었다.

Fig. 4.Decision tree for energy consumption with influent loadings and removal rates.

유입부하와 제거율만을 입력변수로 하여 의사결정나무를 도출하는 것보다는, 유입부하에 내재되어 있기는 하나 유량을 통하여 의사결정나무의 첫 번째 노드를 시작하게 하는 것이 보다 합리적으로 상세한 의사결정나무를 도출할 수 있었다. 도출된 의사결정나무는 총 16개의 노드로 구성되어 있으며, 최종 노드 수가 6 개, 트리 깊이 4로 구성되었다. Fig. 4에 의하면, 첫 번째 분류기준으로 선택되는 것이 유량(flowrate)이었으며, 두 번째로 선택된 분류기준이 BOD 제거율이었다. 또한, 세 번째의 분류기준으로 유량과 T-N 제거율이, 네 번째의 분류기준으로는 T-P 부하가 선택되어, 하수처리장에서의 전력소비량에 영향을 가장 크게 미치는 수질 관련 인자는 BOD 제거율 및 T-N 제거율과 T-P 부하라고 판단할 수 있다. 다만 Node 3에서 파생되는 Node 7과 Node 8이 T-N 제거율이 높아질수록 에너지 소비량이 증가하지는 않는다는 사실을 의미하고 있으나 확인한 바 이는 Node 7에 포함되는 33개의 데이터셋은 T-N 부하가 연평균 9.85 kg/d에 비해 평균 11.4 kg/d로 높은 T-N 부하량을 가진 조건이어서, 상대적으로 높은 폭기량을 주었던 경우에 해당하였다. 자료 사이에 존재하는 이러한 숨은 패턴이 의사결정나무를 통해 추출되었다는 것은, 각 수질항목의 유입수 부하와 공정에서의 제거율이라는 인자가 간접적으로 에너지 소비량에 영향을 미칠 수 있다는 것을 가시적으로 보여준다.

도출된 의사결정나무의 검증을 위해, 2013년 12월 1일부터 31일까지의 일간 운영자료를 대상으로 트리에 적용해본 결과, 31개의 데이터셋 중 25개가 에너지소비량(elec)의 평균 79,504.7의 값(표준편차 9,242.3)을 가지며 Node 7(에너지소비량(elec)의 평균 80,184.4)로 분류되었다. 또한 나머지 4개의 데이터셋은 에너지소비량(elec)의 평균 90,147.5의 값을 가지며 Node 5(평균 89,738.7)로 분류되어 도출된 의사결정나무의 분류가 타당하게 이루어짐이 검증되었다.

 

4. Conclusion

본 연구에서는 하수처리장의 실제 운영자료를 바탕으로, 하수처리시설의 전력 소비량을 결정짓는 폭기량 및 각종 펌프유량과 같은 운영인자 및 유입수 유량 및 부하, 제거율 등의 환경인자와 에너지 소비량이 가지는 관계를 상관관계분석 및 의사결정나무분석을 통해 알아보았다. 하수처리장의 에너지 소비량과 유입유량 및 각종 펌프유량은 단순히 1년치의 운영자료로 상관도 분석을 수행하였을 경우에는 뚜렷한 양의 상관관계를 보이지는 않았다. 그러나, 의사결정나무 분석을 통하여 하수처리장 운영인자와 에너지 소비량 사이의 관계를 분석한 결과 하수처리장 유입유량과 질산염회송율 및 슬러지폐기유량 등의 각종 펌프유량은 에너지 소비량과 밀접한 관련이 있음을 알 수 있었다. 더불어, 유입수 부하나 각 수질항목의 제거율 또한 간접적으로 에너지 소비량에 영향을 주고 있음을 알 수 있었다.

의사결정나무 분석 기법은 선형적으로는 쉽게 판단되지 않는 변수들 간의 관계를 규칙의 형태로 이끌어내기에 유용한 방법이다. 이러한 점을 활용하여 수행된 본 연구는 하수처리장에서의 에너지 소모량과 그 영향인자들의 관계를 규칙의 구조로 가시화시킨 사례로서 충분히 그 의미를 가진다고 볼 수 있다.

참고문헌

  1. Chae, K. J., Kim, D. S., Cheon, K. H., Kim, J. Y., Lee, C. H., and Park, W. S. (2013). Micro-Hydropower System with a Semi-Kaplan Turbine for Sewage Treatment Plant Application : Kiheung Respia Case Study, Journal of Korean Society of Environmental Engineers, 35(5), pp. 363-370. [Korean Literature] https://doi.org/10.4491/KSEE.2013.35.5.363
  2. Cho, E. S., Han, D. H., and Ha, J. S. (2012). Energy Efficiency Evaluation of Publicly Owned Wastewater Utilities, Journal of Environmental Policy, 11(4), pp. 85-105. [Korean Literature] https://doi.org/10.17330/joep.11.4.201212.85
  3. Cho, E. S., Song, Y. I., Han, D. H., and Lee, C. Y. (2011). A Study on the Improvement of Energy Management for Wastewater Utilities, Research Report 2011-18, Korea Environment Institute. [Korean Literature]
  4. Jun, B. H., Kim, D. H., Choi, E. H., Bae, H., Kim, S. S., and Kim, C. W. (2002) Control of SBR Operation for Piggery Wastewater Treatment with DO and ORP, Journal of Korean Society on Water Environment, 18(5), pp. 545-551. [Korean Literature]
  5. Jung, Y. H. (2003). Study on Utilizing Resources in Ecopolis-Evaluation of the Potential Heat Capacity of Sewage for Utilizing as Sewage Energy, Journal of the Environmental Sciences, 12(6), pp. 583-591. [Korean Literature] https://doi.org/10.5322/JES.2003.12.6.583
  6. Kang H., Lee, H. M., Cho, S. S., Park, S. U., and Jeong, J. H. (2010) A Feasibility Study for Renewable Energy from Sewage Sludge, Journal of Korean Society on Water Environment, 26(5), pp. 754-760. [Korean Literature]
  7. Kang, H. C., Han, S. T., Choi, J. H., Kim, E. S., and Kim, M. K. (2001). Data Mining : Theory and Applications, Freeacademy, Inc. [Korean Literature]
  8. Kim, M. H., Ji, S. H., and Jang, J. H. (2014). A Study on Energy Saving Effect from Automatic Control of Air Flow-rate and Estimation of Optimal DO Concentration in Oxic Reactor of Wastewater Treatment Plant, Journal of Energy Engineering, 23(2), pp. 49-56. [Korean Literature] https://doi.org/10.5855/ENERGY.2014.23.2.049
  9. Kim, Y. J., Lee, J. Y., and Kang, Y. T. (2010). Study on Energy Independence Plan for Sewage Treatment Plnat, Korean Journal of Air-conditioning and Refrigerating Engineering, 21(1), pp. 49-55. [Korean Literature]
  10. Kim, H. S., Kim, Y. J., Cheon, S. P., Baek, G. D., Kim, S. S., and Kim, C. W. (2012). Evaluation of Model-based Control Strategy Based on Generated Setpoint Schedules for NH4-N Removal in a Pilot-scale A2/O Process, Chemical Engineering Journal, 203, pp. 387-397. https://doi.org/10.1016/j.cej.2012.07.067
  11. Ministry of Environment (MOE). (2008). Feasibility Study on Energy Independence Plan for Public Sewage Treatment Plants against Climate Change, Ministry of Environment. [Korean Literature]
  12. Park, J. T. (2008). Energy Saving Technologies for Sweage Treatment Plant, The magazine of the Society of Air-conditioning and Refrigerating Engineers of Korea, 37(8), pp. 70-76. [Korean Literature]
  13. Shin, W. J. (2013). Diagnosis and Assessment of Energy Consumption Using Multivariate Statistical Techniques in Wastewater Treatment Plant, Master Degree Thesis, Pusan National University. [Korean Literature]
  14. Shin, W. J., Jung, Y. J., and Kim, Y. J. (2015). Development of Energy Consumption Estimation Model Using Multiple Regression Analysis, Journal of Environmental Science International, 24(11), pp. 1443-1450. [Korean Literature] https://doi.org/10.5322/JESI.2015.24.11.1443
  15. Woo, M. H. and Han, G. B. (2010). A Study on the Sludge Reduction and Biogas Production through a Two-phase Anaerobic Digestion Process, Journal of Korean Society of Environmental Engineers, 32(9), pp. 894-899. [Korean Literature]
  16. Yoon, J. W., Kim, C. Y., and Choi, C. K. (2014). Case Studies of Energy-saving Method for Renewable Energy Instrallation in Sewage Treatment Plant, Journal of the Korean Institute of Illuminating and Electrical Installation Engineers, 28(4), pp. 42-48. [Korean Literature] https://doi.org/10.5207/JIEIE.2014.28.4.042