城市排水管网泵站与污水处理厂间水量水质变化预测方法研究

城市排水管网泵站与污水处理厂间水量水质变化预测方法研究

静贺1，刘艳臣1，邱勇1，施汉昌1，陆永宏2，吴林安2，何人杰2，陈宇2，叶亮2，李激2（1. 清华大学环境科学与工程系，北京 100084；2. 无锡排水总公司，江苏无锡 214023）

摘 要：城市排水管网水量水质变化情况受汇水区域特征、降雨等多种因素影响，其动态变化过程是

造成污水处理厂进水变化的主要原因，严重影响到下游污水处理厂的运行状况。本文以某污水处理厂

上游排水管网为例，根据中途泵站和污水处理厂的水量水质连续监测结果，针对管网泵站与污水处理

厂间水量水质变化关系及其预测方法进行了研究。研究结果表明，运用多元线性回归模型可以简单实

现水质变化的预测，运用人工神经网络方法可以更加准确实现水质变化情况的预测，运用旱季流量、

降雨引起径流和渗流估算模型可以实现水量变化情况的预测，研究结果对于排水管网的监测预警及其

实现管网与污水厂的运行联动具有重要意义。

关键词：城市排水管网；水量变化；水质变化；预测方法

1 前言

近年来，随着我国污水处理事业的快速发展，城市排水管网的建设与运行也开始受到广泛关注。由于受到服务区域类型、管网构筑物、季节及降雨因素等多种条件的综合影响，城市排水管网的水量水质呈现空间上和时间上的复杂多变特性，成为影响管网安全运行和污水处理厂稳定运行的重要因素，同时也直接影响到城市水环境的污染状况。研究城市排水管网污染负荷的动态特性，对污水处理厂进水负荷进行预测，可以掌握降雨等突发事件对排水管网运行的影响，从而保障污水收集和处理系统的稳定运行。

目前，国内已有的相关研究主要集中在城市排水管网运行的水量分析上[1-5]，但缺少对水质动态变化的关注[6]。而国外的相关研究则在排水管网在线水质监测的基础上[7] [8]，比较多的关注排水管网运行对水质变化的影响[9-11]。针对排水管网的水量水质变化情况的预测，目前应用较多的方法通常依据管网结构和流体力学建模[12-15]，但是这种方法对排水管网的地域特征、汇水水源状况等信息要求较高，在实际应用过程中的难度较大。

因为排水管网末端出水的污染物负荷既能反映排水管网的运行状态，也是影响下游污水处理设施运行效果的直接因素，所以本文主要基于排水管网末端出水的动态负荷变化的监测结果，运用比较适合于管网构造、汇水区以及管网运行数据较为缺乏的情况的统计学的水质预测方法[16]，对排水管网泵站与污水处理厂间水量水质变化状况的预测方法进行研究，对不同预测分析模型的预测结果进行比较分析。

2 研究材料与方法

2.1 研究对象

本文研究以某城市污水处理厂的上游片区管网为研究对象，如图1(a)所示。管网上游污水通过五个一级泵站输送至下游的自流管网片区，最终通过管网末端出口排入污水处理厂，概化图如图1(b)所示。

(a) 某城市污水处理厂排水管网示意图(b) 一级泵站与污水处理厂的关系图

图1 某污水处理厂上游管网片区示意图

2.2 试验测试方法

本研究分别于2009年7月27日至8月6日和2010年4月21日至5月1日期间，对上述管网区域的五个一级泵站与管网末端出水进行了连续水质监测。使用哈希的Sigma 900Max自动采样器在上述位置定时采集样品，采样频率为2小时。样品进行实验室水质分析，测试指标包括污水的化学需氧量（Chemical Oxygen Demand，COD）、氨氮、正磷的浓度等，测试仪器主要是Hach DR5000分光光度计，Hach DRB200消解器，Hach COD试剂盒、氨氮试剂盒与正磷试剂盒等。期间同时观测和记录了五个一级泵站与污水处理厂进水的流量计读数，并从当地气象部门获取研究区域的时降雨量。

2.3 模拟预测分析方法

2.3.1 管网水质预测分析方法

对于测定的三种污染物，分别建立污染负荷模型。根据末端水质的连续监测结果，其与一级泵站出水水质、研究区域降雨量等密切相关，因此构造下列函数表征末端出水的水质。

C=f(C1, … , C5, r)

其中C为某污染物管网末端出水浓度，分别为COD、氨氮和正磷；C1，… ，C5为五个一级泵站出水中某一时刻前的污染物浓度；r为区域降雨量。

采用多元线性回归、人工神经网络等方法建立模型，并取前9日数据（7月28日~8月4日）为实验组，后2日数据（8月5日~8月6日）为验证组。由于污水在自流管网片区的流动存在一定的传递延迟，因此在多元线性回归与人工神经网络模型中，设定管网末端和一级泵站的延迟时间为2h。

2.3.2 管网水量预测分析方法

研究区域的管网水量变化主要包括上游泵站来水水量变化以及自流区域的水量变化，自流区域的水量变化分解为旱季流量、工业废水流量以及降雨引起的径流和入渗水量，上游泵站水量和工业废水水量依据实测结果获得，自流区域旱季流量水量采用基本变化规律水量，降雨引起径流水量采用经典径流公式Q=Ψ×i×F（Ψ为径流系数，i为降雨强度，F为汇水区域面积）进行推算，降雨引起的渗流变化采用经验推导公式Q=23.9i（i为前3日降雨量）推算。

3 研究结果与讨论

3.1 管网水质预测分析结果

通过建立多元线性模型的预测分析结果如式1至式3所示，对COD、氨氮和正磷三种水质的

拟合和预测分析结果如图2(a)、图2(b)、图2(c)所示。结果表明，利用该模型对管网末端出水的

COD、氨氮和正磷浓度的预测偏差依次为154.0%，12.6%和18.6%。运用多元线性回归拟合预测

分析，COD、氨氮以及正磷回归模型统计量F分别为11.1，184.4，43.3，均大于F0.05 (6,88)=2.20，

这表明三个模型均有显著的线性，可使用线性描述管网内水质关联。

COD：C inf=0.191C j+1.079C l+0.094C x+0.007C y+0.684r-2.531 (1)

氨氮：C inf=0.044C l+0.106C m+0.129C y-0.010r+2.612 (2)

正磷：C inf=0.006C j+0.118C l+0.054C x+0.333C y+0.004r-0.122 (3) 运用人工神经网络模型的拟合预测分析结果如图3(a)、图3(b)、图3(c)所示，运用该方法的

管网末端出水的COD、氨氮、正磷浓度的预测偏差分别为52.4%，9.4%，19.3%。运用人工神经

网络模型的模拟预测分析结果比利用多元线性回归分析方法要好，可见人工神经网络所描述的非

线性关系更能反映管网水质传递的复杂情况。

(a)COD (b)氨氮

(c)正磷

图2 多元线性回归法管网水质预测结果

(a)COD (b)氨氮

(c)正磷

图3 人工神经网络法管网水质预测结果

两种水质预测分析方法相比较，多元线性回归方法简单，但预测的可靠性不足；人工神经网络预测比较准确，可满足实际应用，但需要经常训练网络。在三种污染物的预测中，COD的预测效果较氨氮与正磷差，这主要是由于COD既包括溶解态又包括颗粒态，影响因素较多，不易被准确预测；而氨氮、正磷均为溶解态，在污水中混合充分、传递稳定，故管网内水质关联性稳定。因此，在难以准确测定管网水质变化的情况下，可以考虑采用氨氮或正磷的浓度变化来反应管网的水质变化情况。

3.2 管网水量预测分析结果

基于管网状况和汇水状况，利用管网水量变化的估算方法，对2009年7月27日至8月6日