KR102631458B1 - 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템 - Google Patents
상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템 Download PDFInfo
- Publication number
- KR102631458B1 KR102631458B1 KR1020210150405A KR20210150405A KR102631458B1 KR 102631458 B1 KR102631458 B1 KR 102631458B1 KR 1020210150405 A KR1020210150405 A KR 1020210150405A KR 20210150405 A KR20210150405 A KR 20210150405A KR 102631458 B1 KR102631458 B1 KR 102631458B1
- Authority
- KR
- South Korea
- Prior art keywords
- water
- water quality
- spatial information
- pipe network
- water supply
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 793
- 229910052801 chlorine Inorganic materials 0.000 claims abstract description 84
- 239000000460 chlorine Substances 0.000 claims abstract description 84
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims abstract description 83
- 238000004458 analytical method Methods 0.000 claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 44
- 238000011156 evaluation Methods 0.000 claims description 36
- 230000006866 deterioration Effects 0.000 claims description 33
- 230000004044 response Effects 0.000 claims description 32
- 230000010365 information processing Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 13
- 238000012732 spatial analysis Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000009933 burial Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 20
- 239000008399 tap water Substances 0.000 description 9
- 235000020679 tap water Nutrition 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000000746 purification Methods 0.000 description 7
- 238000012806 monitoring device Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- -1 year of use Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Food Science & Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
지하에 매설된 상수관 속성정보, 노후관 위치정보, 수질민원 정보, 수질자료, 잔류염소농도 해석모델 및 행정자료 등 상수도 수질 관련 공간정보에 대해 각각 동일한 좌표체계의 공간정보 데이터베이스(DB)를 구축하여 거리 공간정보 레이어 및 수질 공간정보 레이어를 표출하고, 각 공간정보를 정규화한 후 딥러닝 알고리즘에 따라 가중치를 부여하여 계층적 중첩분석 및 적합도 모델을 통해 상수도 급수계통에서 수질 중점관리지점의 우선순위에 따라 수질센서의 최적 설치위치를 결정할 수 있는, 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템이 제공된다.
Description
본 발명은 상수관망의 의사결정 시스템에 관한 것으로, 보다 구체적으로, 상수도 공급계통에서 적수 또는 유충 관련 수질사고를 사전 예방하기 위한 스마트 상수도 관리체계에 있어서, 머신러닝 기반으로 상수도 수질 관련 빅데이터의 공간정보를 분석하여 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템에 관한 것이다.
일반적으로, 상수도는 현대사회에서 인류에게 중요한 사회적기반 시설이다. 이런 상수도를 거미줄처럼 하나의 망으로 묶어 놓은 것이 상수관망(또는 상수도관망)이며, 수원지, 정수지, 배수지 및 급수지로 이루어진다.
구체적으로, 상수도 관망은 수원지에 취수한 물을 도수하여 정수지로 이동시키고, 이후, 정수지에서 물을 사용목적에 맞게 수질을 개선하여 물을 배수지로 송수하고, 정수된 물을 급수지역까지 보내는 배수를 한 후, 최종적으로 물을 사용자에게 공급하도록 급수한다.
최근에 상수도 공급계통에서 적수(붉은 수돗물) 및 유충 등의 수질사고가 발생하였고, 이와 유사한 수질 이상 민원접수 사례가 증가됨에 따라 상수도 시설관리 전반의 문제를 개선하고 신뢰도를 제고하기 위한 스마트 상수도 관리체계를 구축 중에 있다.
이러한 스마트 상수도 관리체계의 핵심은 상수도 시설의 관리 및 운영을 고도화하여 상수도시설 전반에 대한 사고를 예방하고자 취수원부터 수도꼭지까지 수돗물 공급의 전과정을 실시간 감시하고, 또한, 사고 발생시 자동관리가 가능한 시스템을 구축하는 것이다.
특히, 디지털 기반의 스마트 상수도 관리체계의 범위는 취수원, 정수장, 관망 및 자산관리 시스템 구축 분야로 구분할 수 있다.
예를 들면, 대부분의 수질민원은 수돗물 공급 과정인 상수관망 또는 옥내 급수관과 관련이 있기 때문에 수질사고 발생을 사전에 방지하고, 수질사고 발생시 신속, 정확 및 투명한 대응이 가능하도록 디지털 기반의 수압 및 수질센서를 공급과정의 주요 지점에 연결함으로써 실시간으로 감시할 수 있는 인프라 구축이 매우 중요하다.
결국, 스마트 상수도 관리체계의 핵심은 수돗물 공급과정에서 수질사고를 사전에 예방할 수 있는 스마트 관망관리 및 자산관리 시스템이라 할 수 있고, 이를 구현하기 위해서는 수질 중점관리지점의 우선순위를 도출하고, 최적의 수질센서 설치 위치를 결정하는 것이 매우 중요하다.
여기서, 상수관망의 수질 중점관리지점은 상수관망의 노후 등으로 수질오염이 발생하거나 발생할 우려가 있는 지점으로 정의한다.
구체적으로, 수질 중점관리지점은 수질사고 및 수질민원이 반복적으로 발생하거나 발생할 우려가 있는지 여부, 상수관망의 노후 정도, 수질사고가 발생할 경우 큰 피해가 발생할 우려가 있는지 여부 그리고 수질기준 위반의 우려가 있는 여부가 그 기준이 될 수 있다.
특히, 상수관망 수질 중점관리지점에는 우선적으로 스마트 상수도 관리체계에 부합하는 디지털 수질센서가 위치함으로써 해당 지역에 대한 수질상태를 원격으로 감시하여야 한다.
하지만, 기존의 수질상태 원격감시 방법의 경우, 상수관망 수질 중점관리지점 선정을 위한 정량화된 선정절차 기준이 정량적 기준 없이 모호하게 되어 있어서 행정구역에 균등하게 설치하거나 노후관 집중지역에 설치하고 있는 실정이다.
예를 들면, 기존의 수질상태 원격감시 방법에 따르면, 상수도 노후관 여부는 단순히 상수도 사용년수가 30년 이상인 것을 대상으로 획일적으로 채택하고 있지만, 노후관과 수질 이상 사이의 공간 상관성이 높지 않다는 것이 한계점으로 지적되고 있다.
또한, 종래의 기술에 따르면, 민원 다발지역에 우선적으로 배분하는 방법을 채택하기도 하지만, 대부분의 민원 다발지역은 건물 자체의 노후화로 인한 옥내 급수관 문제가 대부분이기 때문에 이를 고려하는데 한계가 있다.
또한, 노후화된 지하 매설물이 많이 분포된 도심지역의 경우, 행정인력과 인원이 한정되어 있기 때문에, 보다 체계적인 상수관망 수질 중점관리지점의 우선순위 선정 및 수질센서 최적위치 결정을 지원하는 의사결정 시스템이 필요한 실정이다.
한편, 상수도 관리 시스템과 관련된 선행기술로서, 대한민국 등록특허번호 제10-1585552호에는 "빅데이터 기반의 상수도 통합 운영관리 시스템 및 방법"이라는 명칭의 발명이 개시되어 있는데, 도 1a 내지 도 1c를 참조하여 설명한다.
도 1a는 종래의 기술에 따른 빅데이터 기반의 상수도 통합 운영관리 시스템의 개략적인 네트워크 구성도이고, 도 1b는 도 1a에 도시된 상수도 통합 운영관리 시스템의 구체적인 구성도이며, 도 1c는 응용통계정보를 이용하여 상수관망을 분석하는 방법의 동작흐름도이다.
도 1a를 참조하면, 종래의 기술에 따른 빅데이터 기반의 상수도 통합 운영관리 시스템은, 계측장치(10), 상수도관망 모니터링 장치(21), 상수도 통합 운영관리 시스템(22), GIS 서버(23) 및 사용자 단말(30)을 포함하여 구성된다.
계측 장치(10)는 유량 계측기(11), 수질 계측기(12), 수압 계측기(13) 등을 포함하며, 지역별 다수의 블록으로 블록화된 상수도 관망의 각 블록 내 설치되어 각 블록별로 상수도 사용과 관련된 다양한 계측 데이터를 측정한다.
유량 계측기(11)는 각 블록별 상수의 유속, 유량, 수위를 측정하고, 수질 계측기(12)는 상수의 수질을 측정하며, 수압 계측기(13)는 상수의 수압을 측정한다.
상수도 관망 모니터링 장치(21)는 상수도 관망도를 기반으로 하여 지역별로 다수의 블록으로 상수관로의 블록을 설정하고, 각 관로의 유량 및 수압을 포함하는 실시간 계측 데이터를 이용하여 관망의 상태를 모니터링한다.
이때, 상수도 관망도는 GIS 서버(23)에서 제공되는 GIS 데이터를 기반으로 작성될 수 있다.
상수도 통합 운영관리 시스템(22)은 상수도 관망을 지역별로 다수의 블록으로 블록화하고, 블록화된 각 지역에 대해 거주자수 정보, 연령, 성별 정보, 사업체수 정보 등을 포함하는 인문 사회적 정보와 상수도 사용 관련정보를 기반으로 상수도 사용량 평가와 해당 지역 특성을 분석하는 것을 통해 지역별 상수 사용량과 관망 노후도, 거주 인구분포간 상관관계를 분석한다.
즉, 상수도 통합 운영관리 시스템(22)은 상수 사용량의 적절성을 평가하고, 지역별 대응되는 인문 사회적 정보를 이용하여 각 지역의 지역적 특성을 분석한 후, 지역적 특성과 상수 사용량의 상관관계를 분석하며,
상수 사용량의 평가에 대한 정보와 지역적 특성에 대한 정보와 분석된 상관관계를 기반으로 상수관망에 대한 다양한 응용통계정보를 생성할 수 있다.
또한, 이러한 응용통계정보를 바탕으로 지역별 상수도 관망의 유지, 관리 또는 보수를 위한 최적의 정책이 설정될 수 있도록 한다.
이러한 상수도 통합 운영 관리 시스템(22)은 기존의 상수도 관망 모니터링 장치(21)를 통해 수집되는 상수관망의 다양한 계측 데이터를 이용하여 단순히 상수 사용량을 측정하는 등의 상수도 관망 상태 분석을 넘어서, 지역별 인문 사회적 정보를 이용하여 각 지역의 상수 사용량의 적절성을 평가하거나 상수 사용량의 특성을 분석한다.
구체적으로, 도 1b를 참조하면, 종래의 기술에 따른 빅데이터 기반의 상수도 통합 운영관리 시스템(22)은, 통신부(22a), 관망정보 수집부(22b), 상수 사용량 평가부(22c), 지역 특성 분석부(22d), 응용 통계부(22e), 정책 설정부(22f), 주제도 및 그래픽 화면 통계부(22g) 및 메모리(22h)를 포함할 수 있다.
관망정보 수집부(22b)는 관리 대상 상수도 관망의 GIS 데이터와 상수도 관망의 지역별 관망정보를 수집하고, 상수 사용량 평가부(22c)는 관망정보 수집부로부터 수집되는 관망정보를 이용하여 지역별 상수 사용량을 측정하고, 상수 사용량의 적절성을 평가한다.
지역 특성 분석부(22d)는 지역별 대응되는 인문 사회적 정보를 이용하여 각 지역의 지역적 특성을 분석하고, 지역적 특성과 상수 사용량의 상관관계를 분석하고, 응용 통계부(22e)는 상수 사용량의 적절성에 대한 평가 정보와 지역적 특성에 대한 정보와 분석된 상관관계를 기반으로 응용통계정보를 생성하며, 정책 설정부(22f)는 응용통계정보와 인문 사회적 정보를 이용하여 상수도 관망의 유지, 관리 및 보수를 위한 정책을 설정한다.
주제도 및 그래픽 화면 통계부(22g)는 지역별 상수 사용량의 적절성에 대한 평가 정보와 응용통계정보를 이용하여 상수도 관망의 시설물 노후화, 시설물 밀집 분포도, 민원 밀집도 또는 누수 분포도를 해당 위치에 표출시키거나, 각 지역내 세부 블록별 물 사용량, 누수 또는 각종 통계 정보를 주제도로 표출시킨다.
이에 따라, 종래의 기술에 따른 상수도 통합 운영관리 시스템(22)은,
상수관망을 지역별로 다수의 블록으로 블록화하고, 블록화된 각 지역에 유량, 수압 및 수질센서를 설치하여 감시하며, 블록별로 상수 사용량을 적절성을 평가하며 지역별로 데이터베이스화된 거주자 수, 연령, 성별 정보, 사업체 수 정보 등을 포함하는 정보와 수집된 상수도 사용 정보와 상관관계를 분석할 수 있다.
한편, 도 1c를 참조하면, 종래의 기술에 따른 응용통계정보를 이용하여 상수관망을 분석하는 방법은,
먼저, 통신망상 GIS 서버로부터 관리 대상 상수도 관망의 GIS 데이터를 수집한다(S11).
다음으로, 상수도 관망 모니터링 장치를 통해 상수도 관망의 지역별 누수, 수압, 유수율 정보를 포함하는 관망정보를 수집한다(S12).
다음으로, GIS 데이터와 관망 정보를 수집한 경우, 관망정보와 GIS 데이터를 이용하여 지역별 상수 사용량을 평가한다(S13).
다음으로, 지역별 대응되는 인문 사회적 정보를 이용하여 각 지역의 지역적 특성을 분석하고, 지역적 특성과 상수 사용량의 상관관계를 분석한다(S14).
다음으로, 상수 사용량의 평가에 대한 정보와 상기 지역별 특성에 대한 정보를 이용하여 상수도 관망의 유지, 관리 또는 보수를 위한 응용통계정보를 생성한다(S15).
다음으로, 응용통계정보를 이용하여 지역별 특성에 맞게 상수도 관망의 유지, 관리 또는 보수를 위한 정책을 설정한다(S16).
결국, 종래의 기술에 따른 상수도 통합 운영관리 시스템의 경우, 상수도 통합 운영관리에 있어서 상수도 관망을 지역별로 다수의 블록으로 블록화하고,
블록화된 각 지역에 대해 거주자 수, 연령, 성별 정보, 사업체 수 정보 등을 포함하는 인문 사회적 정보와 상수도 사용 관련 정보를 기반으로 한 상수도 사용량 평가 정보와 해당 지역 특성 정보간 상관관계 분석에 기반한 응용통계정보를 이용하여 지역별 상수도 관망의 유지, 관리 또는 보수를 위한 최적의 정책을 설정할 수 있다.
종래의 기술에 따른 상수도 통합 운영관리 시스템의 경우, 이미 설치되어 있는 각종 센서, 그리고 이로부터 수집된 자료와 행정구역 정보의 특정화되지 않은 단순 상관을 분석하는 것으로, 블록별 통계치 산출 및 상대 비교를 할 수 있지만, 전술한 바와 같이 수질중점지점의 우선순위 및 각종 센서 위치 결정에 관한 구체적인 방법이 제시되어 있지 않다는 한계가 있다.
한편, 관련 기술로서, 대한민국 출원번호 제10-2120427호에는 "사물인터넷 기반의 상수도 관로 부착형 수질센서 및 이를 이용한 상수도정보 제공시스템"이라는 명칭의 발명이 개시되어 있는데, 도 2a 및 도 2b를 참조하여 설명한다.
도 2a는 종래의 기술에 따른 사물인터넷 기반의 상수도 관로 부착형 수질센서의 전체적인 구성을 개략적으로 나타내는 도면이고, 도 2b는 도 2a에 도시된 사물인터넷 기반의 상수도 관로 부착형 수질센서를 이용하여 구성되는 상수도정보 제공시스템의 전체적인 구성을 나타내는 도면이다.
도 2a를 참조하면, 종래의 기술에 따른 사물인터넷 기반의 상수도 관로 부착형 수질센서(40)는, 가정의 수도꼭지에 연결되는 수도관과 같은 상수도 관로 내부를 흐르는 수돗물이 내부로 유입되어 수질측정이 이루어진 후, 다시 수도관으로 배출되도록 하기 위한 유입구와 배출구가 각각 구비된 배관 형태로 형성되어 상수도 관로의 일측에 연결되는 수도관 연결부(41);
수도관 연결부(41)의 유입구 측으로 유입된 수돗물에 대한 수질 및 유량 등의 각종 정보를 측정하기 위한 복수의 센서를 포함하여 이루어지는 측정부(42);
측정부(42)를 통하여 측정된 측정값을 포함하는 각종 정보를 인터넷이나 무선통신 등을 통하여 외부로 전송하기 위한 통신모듈을 포함하여 이루어지는 통신부(43); 및
측정부(42)를 통해 측정된 값들을 수신하여 수질분석을 행하고, 상기한 각 부 및 수질센서(40)의 전체적인 동작을 제어하는 제어부(44)를 포함하여 구성된다.
또한, 수질센서(40)는, 전원공급을 위한 전원공급부(45); 측정부(42)를 통하여 측정된 측정값을 포함하는 각종 정보를 표시하기 위한 표시부(46); 및 수도관 연결부(41), 측정부(42), 통신부(43), 제어부(44), 전원공급부(45) 및 표시부(46)가 각각 내장되어 외관을 형성하도록 이루어지는 하우징을 추가로 포함하며, 각각의 구성요소들이 단일의 케이스 내에 내장되는 일체형의 장치로 형성되도록 구성될 수 있다.
도 2b에 도시된 바와 같이, 종래의 기술에 따른 사물인터넷 기반의 상수도 관로 부착형 수질센서를 이용하여 구성되는 상수도정보 제공시스템(50)은,
크게, 각각의 사용자가 상수도정보 제공시스템(50)에 접속하여 필요한 정보를 요청하고, 요청한 정보를 수신하여 사용자에게 제공하기 위한 처리가 수행되는 사용자 단말(51);
상수도 관로에 흐르는 수돗물의 수질 및 물사용에 관한 각종 정보를 수집하기 위한 복수의 수질센서(40)를 포함하여 이루어지는 상수도정보 수집부(52);
상수도정보 수집부(52)를 통해 수집된 정보를 수신하고 데이터베이스 형태로 저장하여 수둣물 정보에 관한 빅데이터를 구축하는 데이터베이스(53); 및
데이터베이스(53)에 저장된 빅데이터에 근거하여 사용자 단말(51)을 통해 요청된 정보를 제공하는 서버(54)를 포함하여 구성될 수 있다.
종래의 기술에 따른 사물인터넷 기반의 상수도 관로 부착형 수질센서를 이용하여 구성되는 상수도정보 제공시스템(50)에 따르면,
상수도 관로 부착형 수질센서 및 장치가 잔류염소, 전기전도도, 수온, 수압, 유량을 측정하는 센서와 통신부가 일체화되고, 각종 수질 측정정보를 별도의 데이터베이스(53)에 저장하여 관리할 수 있지만,
수질센서(40)를 상수도 관로 수질중점구역 우선순위 선정방법과 센서의 위치를 결정하는 방법에 적용하기 어렵다는 한계가 있다.
한편, 대한민국 등록특허번호 제10-2035514호에는 "상수관망의 잔류염소농도 최적관리 시스템"이라는 명칭의 발명이 개시되어 있는데, 도 3을 참조하여 설명한다.
도 3은 종래의 기술에 따른 상수관망의 잔류염소농도 최적관리 시스템의 구성 및 동작을 나타내는 도면이다.
도 3을 참조하면, 종래의 기술에 따른 상수관망의 잔류염소농도 최적관리시스템은
상수관망 GIS/CAD 자료, 수용가 물 사용량 자료, 현장 모니터링 자료를 취득하는 자료 수집부;
현장에서 측정한 잔류염소농도를 통해 수체감소계수 및 관체감소계수를 계산하여 자료를 입력받는 입력부;
비용 원단위 분석을 통해 재염소 투입 지점을 선정하고 투입량에 대한 최적해를 도출하는 연산부; 및
정수장에서 염소투입량을 출력하는 출력부를 포함하여 구성된다.
종래의 기술에 따른 상수관망의 잔류염소농도 최적관리 시스템의 경우,
상수관망의 현장 실측한 잔류염소 자료를 토대로 수체감소계수와 관벽감소계수를 산출하여 이를 토대로 재염소 투입지점과 투입량을 연산하며, 이에 따라, 상수관망에서의 소비자 만족도를 높이고 소요비용을 최소화하면서 재염소 투입지점을 결정하고 염소투입량을 결정하는데 활용될 수 있다.
하지만, 종래의 기술에 따른 상수관망의 잔류염소농도 최적관리 시스템의 경우, 현장에서 실측한 잔류염소 자료는 동일한 시점과 동일한 수체가 아니기 때문에 상수관망 체류시간이 긴 경우에 실측자료의 편차가 발생하는 한계가 있고,
또한, 도심지와 같은 서로 다른 재질과 사용년수, 도로형태, 토양배수 등급, 건축물 사용년수 등 상수관망 내부인자 외에 외부요인에 의해 관말 잔류염소의 관리 영향이 있기 때문에 현장에서 실측한 자료만으로는 상수관망의 잔류염소농도를 최적관리하기에는 한계가 있다.
따라서, 전술한 수돗물 공급과정에서 수질사고를 사전에 예방할 수 있는 스마트 상수도 관리체계를 구현하기 위해서는 무엇보다 상수관망 수질 중점관리지점의 우선순위를 체계적으로 도출하고, 최적의 수질센서 설치 위치를 결정하는 방법을 제공할 수 있는 구체적인 기술의 개발이 필요한 실정이었다.
전술한 문제점을 해결하기 위한 본 발명이 이루고자 하는 기술적 과제는, 상수도 수질 관련 공간정보에 대해 각각 동일한 좌표체계의 공간정보 데이터베이스(DB)를 구축하여 거리 공간정보 레이어 및 수질 공간정보 레이어를 표출하고, 딥러닝 알고리즘에 따라 가중치를 부여하여 계층적 중첩분석 및 적합도 모델을 통해 상수도 급수계통에서 수질 중점관리지점의 우선순위에 따라 수질센서의 최적 설치위치를 결정할 수 있는, 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템을 제공하기 위한 것이다.
본 발명이 이루고자 하는 다른 기술적 과제는, 상수관망 중점관리지점의 우선순위에 따라 선정된 다수의 상수관망 수질센서와 급수 공급과정 라인에 부착된 수질센서의 데이터를 활용하여 상수관망 수질 이상징후를 사전에 감시할 수 있는, 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템을 제공하기 위한 것이다.
본 발명이 이루고자 하는 또 다른 기술적 과제는, 수질센서로 수집된 잔류염소 측정 데이터는 상수관망 잔류염소농도 해석모델 및 상수관 속성성보 해석에 기반하여 잔류염소농도를 산출함에 따라 상수관망의 잔류염소를 적정 관리할 수 있는, 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템을 제공하기 위한 것이다.
전술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템은, 상수관 속성정보, 수질민원 관련 자료, 행정자료 및 수질 관련 자료를 포함한 상수관망의 수질관련 공간정보를 제공하는 수질관련 공간정보 제공부; 노후관과 민원을 중심으로 노후관 등급을 분류하고 민원지역을 다중 분석하는 노후도 등급 분류 및 민원지역 분석부; 상수관망 잔류염소농도 해석모델과 실측값 분석에 의해 수체반응계수 및 관체반응률을 추정하여 잔류염소농도를 산출하고 수질 공간정보 레이어를 표출하는 수질 공간정보 레이어 표출부; 머신러닝 알고리즘을 기반으로 가중치 분석을 위해 급수블록별 공간정보를 처리하되, 수질 관련 공간정보 각각에 가중치를 부여하여 급수블록별로 점수화하는 급수블록별 공간정보 처리부; 상기 급수블록별 공간정보 처리부에 의해 점수화된 순위에 근거하여 상수관망 수질 중점관리지점의 우선순위를 선정하는 수질 중점관리지점 우선순위 산정부; 및 상기 상수관망 수질 중점관리지점의 우선순위에 따라 수질센서의 최적위치를 결정하는 수질센서 최적위치 결정부를 포함하되, 상기 급수블록별 공간정보 처리부는 계층적 공간분석이 가능하도록 거리 공간정보 레이어를 전처리하고, 상기 거리 공간정보 레이어를 및 상기 수질 공간정보 레이어 각각을 정규화 처리하며, 동일한 점수분포를 갖도록 정규화 처리된 공간정보 각각의 가중치를 부여하는 중첩 분석을 실시하여 급수블록별로 점수화하는 것을 특징으로 한다.
본 발명에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템은, 상기 수질센서 최적위치 결정부에 의해 결정된 수질센서 최적위치를 지도상에 표출하는 지도화 표출부를 추가로 포함할 수 있다.
여기서, 상기 수질관련 공간정보 제공부는 상기 수질관련 공간정보를 빅데이터로 제공하되, 상기 수질관련 공간정보를 각각 계층적 공간분석이 가능하도록 각 지점별로 데이터를 전처리하여 제공할 수 있다.
여기서, 상기 노후도 등급 분류 및 민원지역 분석부는 관재질, 관경, 사용년수, 매설심도, 도로 형태, 토양종류, 누수 및 파손 건수를 포함하는 평가항목을 고려하여 간접평가 방법에 따라 노후도 등급을 분류하되, 각각의 평가항목에 소정의 가중치를 부여하여 노후도 등급을 분류할 수 있다.
여기서, 상기 수질관련 공간정보 제공부는, 관 재질, 관 용도, 관 직경, 관 연장길이 및 사용년수를 포함한 상수관 속성정보를 저장하는 상수관 속성정보 DB; 수질민원 접수일, 수질민원 종류 및 수질민원 발생지점을 포함한 수질민원 관련 정보를 저장하는 수질민원 DB; 급수블록별 인구정보, 도로정보 및 건축물 정보를 포함한 행정자료를 저장하는 행정자료 DB; 및 과거 수질기준 위반 사례가 있었던 지점과 수질 측정정보가 포함된 수질 관련 자료를 저장하는 수질자료 DB를 포함할 수 있다.
여기서, 상기 행정자료 DB에 저장되는 급수블록별 인구정보에 따라 수질사고시 해당 급수블록별 용수사용량이 연산 처리되고, 이후, 상기 급수블록별 용수사용량은 지도화된 서비스 지역에 지도화될 수 있다.
여기서, 상기 수질 공간정보 레이어 표출부는, 상수관망 잔류염소농도 해석모델과 실제 측정값 분석에 따라 수체반응계수를 추정하는 수체반응계수 추정부; 상기 추정된 수체반응계수에 따라 관체반응률을 추정하는 관체반응률 추정부; 및 상기 관체반응률에 따라 상수관망 노드별 잔류염소농도를 표출하는 상수관망 노드별 잔류염소농도 산출부를 포함할 수 있다.
여기서, 상기 상수관망 노드별 잔류염소농도 산출부는 상기 관체반응률에 따라 보간법에 의해 상수관망 노드별로 잔류염소 분포도를 시각화하고, 최소 잔류염소농도 0.1 mg/L 이하인 지점을 수질 공간정보 레이어로 표출할 수 있다.
여기서, 상기 급수블록별 공간정보 처리부는, 상수관 속성정보, 수질민원 관련 자료 및 행정자료에 따라 상수관망과 관련된 거리를 누적 분석하고 거리 공간정보 레이어를 표출하는 거리 공간정보 레이어 표출부; 상기 거리 공간정보 레이어 및 상기 수질 공간정보 레이어를 각각 정규화 처리하는 공간정보 레이어별 정규화 수행부; 및 머신러닝 알고리즘에 따라 공간정보 각각에 가중치를 부여한 중첩 분석을 실시하여 급수블록별로 점수화하는 가중치 부여 중첩 분석부를 포함할 수 있다.
삭제
본 발명에 따르면, 지하에 매설된 상수관 속성정보, 노후관 위치정보, 수질민원 정보, 수질자료, 잔류염소농도 해석모델 및 행정자료 등 상수도 수질 관련 공간정보에 대해서 각각 동일한 좌표체계의 공간정보 DB를 구축하여 거리 공간정보 레이어 및 수질 공간정보 레이어를 표출하고, 딥러닝 알고리즘에 따라 가중치를 부여하여 계층적 중첩분석 및 적합도 모델을 통해 상수도 급수계통에서 수질 중점관리지점의 우선순위에 따라 수질센서의 최적 설치위치를 결정할 수 있다.
본 발명에 따르면, 상수관망 중점관리지점의 우선순위에 따라 선정된 다수의 상수관망 수질센서와 급수 공급과정 라인에 부착된 수질센서의 데이터를 활용하여 상수관망 수질 이상징후를 사전에 감시할 수 있다.
본 발명에 따르면, 수질센서로 수집된 잔류염소 측정 데이터는 상수관망 잔류염소농도 해석모델 및 상수관 속성성보 해석에 기반하여 잔류염소농도를 산출함에 따라 상수관망의 잔류염소를 적정 관리할 수 있다.
도 1a는 종래의 기술에 따른 빅데이터 기반의 상수도 통합 운영관리 시스템의 개략적인 네트워크 구성도이고, 도 1b는 도 1a에 도시된 상수도 통합 운영관리 시스템의 구체적인 구성도이며, 도 1c는 응용통계정보를 이용하여 상수관망을 분석하는 방법의 동작흐름도이다.
도 2a는 종래의 기술에 따른 사물인터넷 기반의 상수도 관로 부착형 수질센서의 전체적인 구성을 개략적으로 나타내는 도면이고, 도 2b는 도 2a에 도시된 사물인터넷 기반의 상수도 관로 부착형 수질센서를 이용하여 구성되는 상수도정보 제공시스템의 전체적인 구성을 나타내는 도면이다.
도 3은 종래의 기술에 따른 상수관망의 잔류염소농도 최적관리 시스템의 구성 및 동작을 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템의 구성도이다.
도 5는 도 4에 도시된 노후도 등급 분류 및 민원지역 분석부를 구체적으로 설명하기 위한 도면이다.
도 6은 도 4에 도시된 수질 공간정보 레이어 표출부를 구체적으로 설명하기 위한 도면이다.
도 7은 도 4에 도시된 급수블록별 공간정보 처리부를 구체적으로 설명하기 위한 도면이다.
도 8은 본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 방법을 나타내는 동작흐름도이다.
도 9는 도 8에 도시된 급수블록별 공간정보 처리 과정을 구체적으로 나타내는 동작흐름도이다.
도 10은 본 발명의 실시예에 따라 가중치 중첩 및 머신러닝 기반 상수도 빅데이터 공간정보 분석을 이용하여 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하여 도시하는 것을 나타낸 도면이다.
도 2a는 종래의 기술에 따른 사물인터넷 기반의 상수도 관로 부착형 수질센서의 전체적인 구성을 개략적으로 나타내는 도면이고, 도 2b는 도 2a에 도시된 사물인터넷 기반의 상수도 관로 부착형 수질센서를 이용하여 구성되는 상수도정보 제공시스템의 전체적인 구성을 나타내는 도면이다.
도 3은 종래의 기술에 따른 상수관망의 잔류염소농도 최적관리 시스템의 구성 및 동작을 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템의 구성도이다.
도 5는 도 4에 도시된 노후도 등급 분류 및 민원지역 분석부를 구체적으로 설명하기 위한 도면이다.
도 6은 도 4에 도시된 수질 공간정보 레이어 표출부를 구체적으로 설명하기 위한 도면이다.
도 7은 도 4에 도시된 급수블록별 공간정보 처리부를 구체적으로 설명하기 위한 도면이다.
도 8은 본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 방법을 나타내는 동작흐름도이다.
도 9는 도 8에 도시된 급수블록별 공간정보 처리 과정을 구체적으로 나타내는 동작흐름도이다.
도 10은 본 발명의 실시예에 따라 가중치 중첩 및 머신러닝 기반 상수도 빅데이터 공간정보 분석을 이용하여 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하여 도시하는 것을 나타낸 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
[상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템(100)]
도 4는 본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템의 구성도이다.
도 4를 참조하면, 본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템(100)은,
수질관련 공간정보 제공부(110),
노후도 등급 분류 및 민원지역 분석부(120),
수질 공간정보 레이어 표출부(130),
급수블록별 공간정보 처리부(140),
수질 중점관리지점 우선순위 산정부(150) 및 수질센서 최적위치 결정부(160)를 포함하여 구성된다.
또한, 후술하는 도 5에 도시된 바와 같이 지도화 표출부(170)를 추가로 포함할 수 있다.
수질관련 공간정보 제공부(110)는 상수관 속성정보, 수질민원 관련 자료, 행정자료 및 수질 관련 자료를 포함한 상수관망의 수질관련 공간정보를 빅데이터(Big Data)로 제공하되, 상기 수질관련 공간정보를 각각 계층적 공간분석이 가능하도록 각 지점별로 데이터를 전처리한다.
여기서, 빅데이터는 기존 데이터베이스 관리도구의 능력을 넘어서는 대량의 정형 또는 심지어 데이터베이스 형태가 아닌 비정형의 데이터 집합조차 포함한 데이터로부터 가치를 추출하고 결과를 분석하는 기술이다.
즉, 기존의 데이터 베이스로는 처리하기 어려울 정도로 방대한 양의 데이터를 의미한다.
따라서, 본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템(100)의 경우, 상수도 분야의 빅데이터를 분석 및 활용하게 된다.
구체적으로, 상기 수질관련 공간정보 제공부(110)는, 상수관 속성정보 DB(111), 수질민원 DB(112), 행정자료 DB(113) 및 수질자료 DB(114)를 포함할 수 있지만, 이에 국한되는 것은 아니다.
상기 상수관 속성정보 DB(111)는 관 재질, 관 용도, 관 직경, 관 연장길이, 사용년수 등을 포함한 상수관 속성정보를 저장하고 있지만, 이에 국한되는 것은 아니다.
상기 수질민원 DB(112)는 수질민원 접수일, 수질민원 종류, 수질민원 발생지점 등을 포함한 수질민원 관련 정보를 저장하고 있지만, 이에 국한되는 것은 아니다.
상기 행정자료 DB(113)는 급수블록별 인구정보, 도로정보, 건축물 정보(건축물 내구년수 포함) 관련 행정자료를 저장하고 있지만, 이에 국한되는 것은 아니다. 여기서, 상기 행정자료 DB(113)에 저장되는 급수블록별 인구정보에 따라 수질사고시 해당 급수블록별 용수사용량이 연산 처리되고, 이후, 상기 급수블록별 용수사용량은 지도화된 서비스 지역에 지도화될 수 있다.
상기 수질자료 DB(114)는 과거 수질기준 위반 사례가 있었던 지점과 수질 측정정보가 포함된 수질 관련 자료를 저장하고 있지만, 이에 국한되는 것은 아니다.
도 4를 다시 참조하면, 노후도 등급 분류 및 민원지역 분석부(120)는 노후관과 민원을 중심으로 노후도 등급을 분류하고 민원지역을 다중 분석한다. 이때, 상기 노후도 등급 분류 및 민원지역 분석부(120)는 상기 상수관 속성정보 DB(111)에 저장된 상수관 속성정보로부터 노후관과 노후도 등급을 분류하고, 상기 수질민원 DB(112)에 저장된 수질민원 또는 누수민원에 따라 민원지역을 다중 분석한다.
이때, 상기 노후도 등급 분류 및 민원지역 분석부(120)는
관재질, 관경, 사용년수, 매설심도, 도로 형태, 토양종류, 누수 및 파손 건수 등의 다양한 평가항목을 고려하여 간접평가 방법에 따라 노후도 등급을 분류할 수 있다. 이때, 각각의 평가항목에 소정의 가중치를 부여하여 노후도 등급을 분류할 수 있고, 상기 분류된 노후도 등급은 상기 상수관 속성정보 DB(111)에 저장될 수 있다.
구체적으로, 상기 노후도 등급 분류 및 민원지역 분석부(120)의 노후관에 대한 노후도 등급 분류시, 간접평가 이외에도 직접평가 및 정밀평가 등을 추가할 수 있으나, 이러한 직접평가 및 정밀평가는 굴착 및 절단 등이 필요함에 따라 상기 상수관 속성정보 DB(111)를 구축하는데 물리적으로 시간과 비용이 많이 소요되기 때문에 제외하고, 본 발명의 실시예에서는 간접평가에 의해 가중치 공간분석을 위한 입력 레이어 및 머신러닝 해석을 위한 입력변수로 활용하다.
수질 공간정보 레이어 표출부(130)는 상수관망의 노드별 잔류염소농도를 예측할 수 있도록 상수관망 잔류염소농도 해석모델과 실측값 분석에 의해 수체반응계수 및 관체반응률을 추정하여 잔류염소농도를 산출하고 수질 공간정보 레이어를 표출한다.
예를 들면, 상기 수질 공간정보 레이어 표출부(130)는 잔류염소농도 해석모델에 따라 수체반응계수 및 관체반응률을 추정한 후, 상수관망 노드별 잔류염소농도를 보간법에 따라 산출하여 수질 공간정보 레이어로 표출할 수 있다.
구체적으로, 상기 수질 공간정보 레이어 표출부(130)는 상수관망 잔류염소농도 해석모델과 실제 측정값 분석에 따라 수체반응계수 및 관체반응률을 추정하고, 상수관망 노드별 잔류염소농도를 표출하며,
여기서, 상기 수체반응계수는 정수장에서 최종 생산수의 총 유기탄소 농도(Total Organic Carbon: TOC) 및 온도 지표를 잔류염소분농도의 수체반응계수()와의 상관도를 활용하여 추정하고, 이를 상수관망 잔류염소농도 해석모델의 수체반응계수()로 입력하여 잔류염소농도 해석모델을 해석한다.
이후, 잔류염소농도 해석모델로 해석된 각 노드별 예측된 잔류염소농도와 다수의 잔류염소농도 계측값 또는 실측값으로부터 관체반응률()을 추정하고, 이를 활용하여 보간법에 의해 상수관망 노드별로 잔류염소 분포도를 시각화하고, 최소 잔류염소농도 0.1 mg/L 이하인 지점을 수질 공간정보 레이어로 표출한다.
급수블록별 공간정보 처리부(140)는 머신러닝 알고리즘을 기반으로 가중치 분석을 위해 급수블록별 공간정보를 처리하되, 계층적 공간분석이 가능하도록 거리 공간정보 레이어를 전처리하고, 상기 거리 공간정보 레이어를 및 상기 수질 공간정보 레이어 각각을 정규화 처리하며,
동일한 점수분포를 갖도록 정규화 처리된 공간정보 각각의 가중치를 부여하는 중첩 분석을 실시하여 급수블록별로 점수화한다.
이때, 상기 급수블록별 공간정보 처리부(140)는 머신러닝 알고리즘을 기반으로 상기 수질민원 DB(112) 및 행정자료 DB(113)에 각각 저장된 상수관망 거리 관련 공간정보를 급수블록별로 처리한다.
다시 말하면, 상기 수질관련 공간정보 제공부(110)에서 제공된 수질관련 공간정보는 빅데이터 자료로서, 사전에 전처리된 후, 상기 급수블록별 공간정보 처리부(140)에서 머신러닝 알고리즘을 통해 상수도 수질 위험지점이 산출될 수 있다.
수질 중점관리지점 우선순위 산정부(150)는 상기 급수블록별 공간정보 처리부(140)에서 가중치를 분석하여 산출된 급수구역별 점수를 기준으로 점수 순으로 상수관망 수질 중점관리지점의 우선순위를 선정하고 시각화한다.
수질센서 최적위치 결정부(160)는 상기 상수관망 수질 중점관리지점의 우선순위에 따라 수질센서의 최적위치를 결정한다.
지도화 표출부(170)는, 후술하는 도 5에 도시된 바와 같이, 상기 상수관망 수질 중점관리지점의 우선순위에 따라 결정된 수질센서의 최적위치를 지도상에 표출된다.
결국, 본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템(100)은,
상수관망의 노후도로 인해 수질오염이 발생하거나 발생할 우려가 있는 지점,
수질민원이 반복적으로 발생하거나 발생할 우려가 있는 지점,
상수관망 잔류염소농도 해석모델에 의거하여 관체반응률 영향으로 인한 실제 잔류염소농도 측정값과 예측값이 일정 수준 이상 차이를 보이거나 관리농도 범위를 벗어나는 지점,
과거 수질기준 위반 사례가 있었던 지점 등으로 설명되는 상수관망 수질 중점관리지점의 우선순위 선정을 위해서 가중치 중첩 공간분석 알고리즘으로 분석함으로써, 수질센서 최적위치를 결정할 수 있다.
한편, 도 5는 도 4에 도시된 노후도 등급 분류 및 민원지역 분석부를 구체적으로 설명하기 위한 도면이다.
본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템(100)에서,
노후도 등급 분류 및 민원지역 분석부(120)는, 도 5에 도시된 바와 같이,
상기 상수관 속성정보에 따라 대상 노후관 및 노후도 등급을 분류하되, 일반적으로 활용되고 있는 점수평가법이 아닌 Standard Scaler Wrapper 및 XGBoost Classifier 등을 활용한 비선형 클러스터링 알고리즘으로 분류한다.
기존의 점수평가법의 경우, 노후도와 관련된 각 인자들의 상태에 따라 점수를 부여하고, 각 인자항목의 점수를 합산하는 방식으로 평가한다.
이러한 점수평가법의 대표적인 평가항목에는 관 재질, 관경, 내/외부 코팅, 사용년도, 토양 종류, 도로 유형, 접합여부, 민원 발생, 누수, 파손 및 밸브 교체이력 등에 대하여 각각의 가중치 점수로 할당하여 이에 대하여 점수산정을 하는 방식이다.
그러나, 이러한 점수평가법은 선형분류 평가방법이기 때문에 분류기준이 명확하지 않다는 단점이 존재하고, 또한 평가인자에 대한 신뢰성 있는 데이터를 확보하기 어렵다는 우려가 있다.
따라서, 본 발명의 실시예에서, 상기 노후도 등급 분류 및 민원지역 분석부(120)는 대상지역의 수질민원 또는 누수민원 발생지점과 노후관 속성정보 인자 가운데 공간상관성이 높은 관 재질, 관경, 사용년도, 수질민원 자료를 활용하여 4가지 평가인자로 단순화시키고,
Standard Scaler Wrapper 및 XGBoost Classifier 알고리즘을 활용한 분류모형에 적용하고, 이를 총 4개의 등급으로 나눌 수 있지만, 이에 국한되는 것은 아니다.
다시 말하면, 상기 상수관 속성정보 DB(111)에서 대상 노후관 및 노후도 등급 결정은 일반적으로 활용되고 있는 점수평가법이 아닌 Standard Scaler Wrapper 및 XGBoost Classifier 알고리즘을 활용한 클러스터링 방법을 사용하는 시스템으로,
대상지역의 수질민원 또는 누수민원 발생지점과 노후관 속성정보 인자 가운데 공간상관성이 높은 관 재질, 관경, 사용년도 및 연간 수질(또는 누수발생건수)의 4가지 평가인자로 단순화시키고,
예를 들면, 랜덤 포레스트(random forest) 알고리즘 등을 활용한 분류모형을 적용시킨다.
이때, 랜덤 포레스트는 머신러닝에서 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로서, 훈련 과정에서 구성한 다수의 결정 트리로부터 분류 또는 평균 예측치를 출력함으로써 동작한다.
또한, 급수블록별 공간정보 처리부(140)는
상기 상수관 속성정보 DB(111)에 저장된 상수관 속성정보와 상기 행정자료 DB(113)에 저장된 급수블록별 인구정보, 도로정보, 건축물 정보(건축물 내구년수 포함) 등이 포함된 행정자료를 활용하여, 노후관이 분포된 급수구역별 인구정보에 대한 거리 공간정보 레이어를 작성하고,
노후관 위치정보와 노후 건축물이 밀집된 지점 또는 과거 수질초과 사례가 있는 지점간의 거리를 누적 분석하며. 이후, 상기 누적 분석된 결과는 정규화 처리된다.
이후, 상기 급수블록별 공간정보 처리부(140)는
가중치가 부여된 각 레이어 중첩 분석을 통해 각 레이어에 적용된 서비스 면적에 점수를 부여하여 상수관망 수질 취약성에 대한 우선순위를 나열하고,
수질 중점관리지점 우선순위 산정부(150)는 이를 통해 상수관망 수질 중점관리지점의 우선순위를 도출하며,
상기 수질센서 최적위치 결정부(160)는 각 수질 중점관리지점의 급수계통 공급과정을 고려하여 수질센서의 최적위치를 결정하고, 상기 지도화 표출부(170)는, 후술하는 도 10에 도시된 바와 같이, 이를 가시화할 수 있다.
한편, 도 6은 도 4에 도시된 수질 공간정보 레이어 표출부(130)를 구체적으로 설명하기 위한 도면이다.
본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템(100)에서, 수질 공간정보 레이어 표출부(130)는,
도 6에 도시된 바와 같이, 수체반응계수 추정부(131), 관체반응률 추정부(132) 및 상수관망 노드별 잔류염소농도 산출부(133)를 포함할 수 있다.
상기 수체반응계수 추정부(131)는 상수관망 잔류염소농도 해석모델과 실제 측정값 분석에 따라 수체반응계수를 추정하고, 상기 관체반응률 추정부(132)는 상기 추정된 수체반응계수에 따라 관체반응률을 추정한다.
여기서, 상수도관망의 각 배관 및 절점의 정보를 쉽고 빠르게 해석하는데 가장 많이 쓰이는 EPANET이라는 프로그램이 있다.
이러한 EPANET은 미국 환경보호국(EPA)의 물 공급과 수자원 부문에서 개발된 관망해석용 공개 소프트웨어로서, 압력 관망 내에서의 수리, 수질 거동의 시간 변화를 모의하고, 상수도의 공급과 물 성분의 이해를 개선할 수 있도록 설계되었다. 이에 따라. 본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템(100)의 경우, 상수관망 잔류염소농도 해석모델로서 EPANET 모델을 적용할 수 있지만, 이에 국한되는 것은 아니다.
상기 상수관망 노드별 잔류염소농도 산출부(133)는 상기 관체반응률에 따라 상수관망 노드별 잔류염소농도를 표출한다.
즉, 상기 상수관망 노드별 잔류염소농도 산출부(133)는 상기 관체반응률에 따라 보간법에 의해 상수관망 노드별로 잔류염소 분포도를 시각화하고, 최소 잔류염소농도 0.1 mg/L 이하인 지점을 수질 공간정보 레이어로 표출할 수 있다.
구체적으로, 상수관망 잔류염소농도 해석모델과 실제 관측값 분석에 의한 수질 공간정보 레이어 표출부(130)에서,
수체반응계수는 정수장에서 최종 생산수의 총 유기탄소 농도(Total Organic Carbon) 및 온도지표를 잔류염소농도의 수체반응계수()를 산정하여 이를 모델변수로 해석하고, 모델로 해석된 각 노드별로 예측된 잔류염소농도와 다수의 잔류염소농도 계측값 또는 실측값으로부터 관체반응률()을 추정하여, 관체반응률()이 평균과 표준편차를 고려한 이상치로 판별되거나, 상수관망에서 최소 잔류염소농도가 0.1 mg/L 이하인 지점을 수질 공간정보 레이어로 표출한다.
한편, 상기 수질 공간정보 레이어 표출부(130)에서, 상수관망 잔류염소농도 해석모델에 의한 잔류염소 예측을 위해서는 전역 매개변수인 수체반응계수() 및 관체반응률() 값을 입력하는데,
여기서, 상기 수체반응계수()는 사전에 실험에 의해 정의된 총 유기탄소 농도(Total Organic Carbon: TOC) 및 온도와 수체반응계수()의 상관성으로부터 수체반응계수()를 추정하여 입력하고,
이와 같이 추정된 수체반응계수()로 상수관망 잔류염소 해석 모델링을 실시하고, 예측값과 실제값의 편차로부터 관체반응률() 값을 역으로 추정할수 있다. 이때, 상기 수체반응계수()는 1차 반응속도로 가정하고, 다음의 [수학식 1]에 의해 잔류염소농도를 산출할 수 있다.
특히, 총 유기탄소 농도(TOC) 및 온도를 활용하여 수체반응계수()를 결정하는 것은 수체의 농도가 주간, 월간, 분기 및 년간 등 시간에 따라 변동하기 때문에 매번 수체반응계수() 실험을 반복할 수 없기 때문에 이를 대체하는 지표로 추정된 수체반응계수()를 활용하게 된다.
이와 같이 결정된 수체반응계수()와 급수관망에 설치된 다수의 잔류염소농도 계측값 또는 실측값으로부터 관체반응률() 값을 추정하여 보간법에 의해서 상수관망 노드별 잔류염소농도의 분포를 산출할 수 있으며, 수질 공간정보 레이어로 표출될 수 있다.
[수학식 1]
여기서, 는 잔류염소농도를 나타내고, 는 초기 잔류염소농도를 나타내며, 는 시간을 나타내고, 는 수체반응계수()를 나타낸다.
도 4를 다시 참조하면, 상기 수질 중점관리지점 우선순위 산정부(150)에서,
상수관망의 수질 중점관리지점 우선순위 산정을 위해 상수관망 데이터로 네트워크 데이터를 만들고 네트워크 분석을 실시하여 서비스 지역을 지도화할 수 있다.
이때, 상기 지도화된 서비스 지역은 급수블록 단위로 급수 인구 및 용수사용량 정보를 지도화한다.
또한, 상수관망 수질 취약성 모델은 노후관 등급과 수질민원 건수, 상수관망 수질해석 모델변수인 수체반응계수() 및 관체반응률() 값에 의한 잔류염소 관리기준 초과, 과거 수질초과건수를 서비스 위험요소로 하여 취약성 지도로 지도화한다.
이와 같이 수질 취약성 인자를 지도화함에 있어서 각 위험요소 값은 해당 데이터의 폴리건 단위별로 면적을 나눈 밀도값을 부여하고, 각 레이어별로 구분하여 분류할 수 있다.
이때, 각 레이어별로 밀도의 단위가 다르기 때문에 이를 정규화한다.
계층적으로 분류된 취약성 지도에 대한 중첩은 각 레이어의 위험요소의 값을 중첩된 값들에 가중치를 주어 평균을 구하는 방식으로, 다음의 [수학식 2]와 같이 중첩한다.
[수학식 2]
여기서, 는 지역에 대한 취약성 위험요소지수를 나타내고, 는 지역요인인자에 대한 위험요소 개수(=1, 2,…, n)를 나타내고, 는 지역 요인인자에 대한 가중치(=1, 2,…, n)를 각각 나타낸다.
한편, 도 7은 도 4에 도시된 급수블록별 공간정보 처리부를 구체적으로 설명하기 위한 도면이다.
본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템(100)에서,
급수블록별 공간정보 처리부(140)는, 도 7에 도시된 바와 같이, 거리 공간정보 레이어 표출부(141), 공간정보 레이어별 정규화 수행부(142) 및 가중치 부여 중첩 분석부(143)를 포함할 수 있다.
상기 거리 공간정보 레이어 표출부(141)는 상수관 속성정보, 수질민원 관련 자료 및 행정자료에 따라 상수관망과 관련된 거리를 누적 분석하고 거리 공간정보 레이어를 표출한다.
구체적으로, 상기 거리 공간정보 레이어 표출부(141)는 상기 상수관 속성정보 DB(111)에 저장된 상수관 속성정보와 상기 수질민원 DB(112)에 저장된 수질민원 접수일, 수질민원 종류, 수질민원 발생지점 등을 포함한 수질민원 자료를 활용하여, 대상지역의 수질민원 발생지점 또는 누수민원 발생지점과 노후관이 위치한 지점간의 거리를 누적 분석한다.
상기 공간정보 레이어별 정규화 수행부(142)는 상기 거리 공간정보 레이어 및 상기 수질 공간정보 레이어를 각각 정규화 처리한다. 이때, 상기 누적 분석된 결과는 공간정보 레이어별 정규화 수행부(142)에 의해 정규화 처리한다.
상기 가중치 부여 중첩분석부(143)는 머신러닝 알고리즘에 따라 공간정보 각각에 가중치를 부여한 중첩 분석을 실시하여 급수블록별로 점수화한다.
이때, 동일한 격자 크기를 갖는 래스터 모델링(Raster Modeling)을 수행한 후 가중치를 부여하되, 상기 래스터(Raster)는 컴퓨터에서 화상정보를 표현하는 한 가지 방법으로서, 이미지를 2차원 배열 형태의 픽셀로 구성하고, 이 픽셀들의 모습을 조합하고 일정한 간격의 픽셀들로 하나의 화상정보를 표현하는 것이다.
즉, 한 줄에서 연속된 픽셀들의 집합을 래스터라고 한다.
결국, 본 발명의 실시예에 따르면, 도심지역 지하에 매설된 상수관망의 복잡성과 노후화된 도시 구조가 심화되는 사회구조에서 상수관망 수질사고를 사전 예방하기 위하여 도입하는 스마트 상수도 관리 시스템중 다수의 수질센서를 구축함에 있어서,
각 가정에 서비스되는 상수관망의 속성정보(예를 들면, 관용도, 관경, 관재질, 관연장길이 매설깊이, 사용년도, 노후관 등급 등),
과거 수년간 축적된 수질 민원 정보와 수질 자료, 도로 유형, 급수 인구, 토양배수등급, 건축물 유형 및 사용년도 등 행정자료 등을 각각 공간정보 데이터베이스화한다.
이후, 이를 동일한 격자 크기를 갖는 래스터 모델링을 수행한 후 가중치를 부여하여 계층적 중첩분석 및 적합도 모델을 통해 체계적인 수질 중점관리지점의 우선순위 선정과 수질센서의 최적위치를 결정할 수 있다.
이에 따라, 대상지역의 상수관망 정비사업의 우선순위 선정 및 적정 사업범위를 최적 결정할 수 있다.
[상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 방법]
도 8은 본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 방법을 나타내는 동작흐름도이고, 도 9는 도 8에 도시된 급수블록별 공간정보 처리 과정을 구체적으로 나타내는 동작흐름도이다.
도 8 및 도 9를 참조하면, 본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 방법은, 먼저, 상수관 속성정보, 수질민원, 급수블록별 용수사용량, 수질자료 및 행정자료로 이루어진 상수관망 수질관련 공간정보를 수집하고(S110),
다음으로, 수집된 공간정보를 계층적 공간분석이 가능하도록 각 지점별로 데이터를 전처리한다(S120).
여기서, 상수관망 수질관련 공간정보 수질관련 공간정보 제공부(110)에 의해 제공되며, 관 재질, 관 용도, 관 직경, 관 연장길이 및 사용년수를 포함한 상수관 속성정보를 저장하는 상수관 속성정보 DB(111); 수질민원 접수일, 수질민원 종류 및 수질민원 발생지점을 포함한 수질민원 관련 정보를 저장하는 수질민원 DB(112); 급수블록별 인구정보, 도로정보 및 건축물 정보를 포함한 행정자료를 저장하는 행정자료 DB(113); 및 과거 수질기준 위반 사례가 있었던 지점과 수질 측정정보가 포함된 수질 관련 자료를 저장하는 수질자료 DB(114)를 포함할 수 있지만, 이에 국한되는 것은 아니다.
다음으로, 노후관과 민원을 중심으로 노후도 등급을 분류하고 민원지역을 다중 분석한다(S130).
이때, 상기 노후도 등급 분류 및 민원지역 분석부(120)는 관재질, 관경, 사용년수, 매설심도, 도로 형태, 토양종류, 누수 및 파손 건수를 포함하는 평가항목을 고려하여 간접평가 방법에 따라 노후도 등급을 분류하되, 각각의 평가항목에 소정의 가중치를 부여하여 노후도 등급을 분류하게 된다.
다음으로, 상수관망 잔류염소농도 해석모델과 실측값 분석에 의해 수체반응계수 및 관체반응률을 추정하여 잔류염소농도를 산출하고 수질 공간정보 레이어를 표출한다(S140).
다음으로, 머신러닝 알고리즘을 기반으로 가중치 분석을 위해 급수블록별 공간정보를 처리하되, 수질 관련 공간정보 각각에 가중치를 부여하여 급수블록별로 점수화한다(S150).
구체적으로, 도 9에 도시된 바와 같이, 상수관 속성정보, 수질민원 관련 자료 및 행정자료에 따라 상수관망과 관련된 거리를 누적 분석하고 거리 공간정보 레이어를 표출하고(S151), 이후, 상기 거리 공간정보 레이어 및 상기 수질 공간정보 레이어를 각각 정규화 처리하며, 이후, 머신러닝 알고리즘에 따라 공간정보 각각에 가중치를 부여한 중첩 분석을 실시하여 급수블록별로 점수화한다(S153)
다음으로, 점수화된 순위에 근거하여 상수관망 수질 중점관리지점의 우선순위를 선정한다(S160).
다음으로, 상기 상수관망 수질 중점관리지점의 우선순위에 따라 수질센서의 최적위치를 결정한다(S170).
한편, 도 10은 본 발명의 실시예에 따라 가중치 중첩 및 머신러닝 기반 상수도 빅데이터 공간정보 분석을 이용하여 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하여 도시하는 것을 나타낸 도면이다.
본 발명의 실시예에 따른 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 방법은, 가중치 중첩 및 머신러닝 기반 상수도 빅데이터 공간정보 분석을 이용하여,
도 10에 도시된 바와 같이, 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하여 도시할 수 있다.
결국, 본 발명의 실시예에 따르면, 지하에 매설된 상수관 속성정보, 노후관 위치정보, 수질민원 정보, 수질자료, 잔류염소농도 해석모델 및 행정자료(급수블록별 인구수, 건축물, 도로유형 등) 등 상수도 수질 관련 공간정보에 대해 각각 동일한 좌표체계의 공간정보 데이터베이스(DB)를 구축하여 거리 공간정보 레이어 및 수질 공간정보 레이어를 표출하고,
각 공간정보를 정규화하여 동일한 격자 크기를 갖는 래스터 모델링을 수행한 후, 딥러닝 알고리즘에 따라 가중치를 부여하여 계층적 중첩분석 및 적합도 모델을 통해 상수도 급수계통에서 수질 중점관리지점의 우선순위에 따라 수질센서의 최적 설치위치를 결정할 수 있다.
본 발명의 실시예에 따르면, 상수관망 중점관리지점의 우선순위에 따라 선정된 다수의 상수관망 수질센서와 급수 공급과정 라인에 부착된 수질센서의 데이터를 활용하여 상수관망 수질 이상징후를 사전에 감시할 수 있다.
본 발명의 실시예에 따르면, 수질센서로 수집된 잔류염소 측정 데이터는 상수관망 잔류염소농도 해석모델 및 상수관 속성성보 해석에 기반하여 잔류염소농도를 산출함에 따라 상수관망의 잔류염소를 적정 관리할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 상수관망용 의사결정 시스템
110: 수질관련 공간정보 제공부
111: 상수관 속성정보 DB 112: 수질민원 DB
113: 행정자료 DB 114: 수질자료 DB
120: 노후도 등급 분류 및 민원지역 분석부
130: 수질 공간정보 레이어 표출부
131: 수체반응계수 추정부 132: 관체반응률 추정부
133: 상수관망 노드별 잔류염소농도 산출부
140: 급수블록별 공간정보 처리부
141: 거리 공간정보 레이어 표출부
142: 공간정보 레이어별 정규화 수행부
143: 가중치 부여 중첩 분석부
150: 수질 중점관리지점 우선순위 산정부
160: 수질센서 최적위치 결정부
170: 지도화 표출부
110: 수질관련 공간정보 제공부
111: 상수관 속성정보 DB 112: 수질민원 DB
113: 행정자료 DB 114: 수질자료 DB
120: 노후도 등급 분류 및 민원지역 분석부
130: 수질 공간정보 레이어 표출부
131: 수체반응계수 추정부 132: 관체반응률 추정부
133: 상수관망 노드별 잔류염소농도 산출부
140: 급수블록별 공간정보 처리부
141: 거리 공간정보 레이어 표출부
142: 공간정보 레이어별 정규화 수행부
143: 가중치 부여 중첩 분석부
150: 수질 중점관리지점 우선순위 산정부
160: 수질센서 최적위치 결정부
170: 지도화 표출부
Claims (16)
- 상수관 속성정보, 수질민원 관련 자료, 행정자료 및 수질 관련 자료를 포함한 상수관망의 수질관련 공간정보를 제공하는 수질관련 공간정보 제공부(110);
노후관과 민원을 중심으로 노후관 등급을 분류하고 민원지역을 다중 분석하는 노후도 등급 분류 및 민원지역 분석부(120);
상수관망 잔류염소농도 해석모델과 실측값 분석에 의해 수체반응계수 및 관체반응률을 추정하여 잔류염소농도를 산출하고 수질 공간정보 레이어를 표출하는 수질 공간정보 레이어 표출부(130);
머신러닝 알고리즘을 기반으로 가중치 분석을 위해 급수블록별 공간정보를 처리하되, 수질 관련 공간정보 각각에 가중치를 부여하여 급수블록별로 점수화하는 급수블록별 공간정보 처리부(140);
상기 급수블록별 공간정보 처리부(140)에 의해 점수화된 순위에 근거하여 상수관망 수질 중점관리지점의 우선순위를 선정하는 수질 중점관리지점 우선순위 산정부(150); 및
상기 상수관망 수질 중점관리지점의 우선순위에 따라 수질센서의 최적위치를 결정하는 수질센서 최적위치 결정부(160)를 포함하되,
상기 급수블록별 공간정보 처리부(140)는 계층적 공간분석이 가능하도록 거리 공간정보 레이어를 전처리하고, 상기 거리 공간정보 레이어를 및 상기 수질 공간정보 레이어 각각을 정규화 처리하며, 동일한 점수분포를 갖도록 정규화 처리된 공간정보 각각의 가중치를 부여하는 중첩 분석을 실시하여 급수블록별로 점수화하는 것을 특징으로 하는 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템. - 제1항에 있어서,
상기 수질센서 최적위치 결정부(160)에 의해 결정된 수질센서 최적위치를 지도상에 표출하는 지도화 표출부(170)를 추가로 포함하는 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템. - 제1항에 있어서,
상기 수질관련 공간정보 제공부(110)는 상기 수질관련 공간정보를 빅데이터로 제공하되, 상기 수질관련 공간정보를 각각 계층적 공간분석이 가능하도록 각 지점별로 데이터를 전처리하여 제공하는 것을 특징으로 하는 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템. - 제1항에 있어서,
상기 노후도 등급 분류 및 민원지역 분석부(120)는 관재질, 관경, 사용년수, 매설심도, 도로 형태, 토양종류, 누수 및 파손 건수를 포함하는 평가항목을 고려하여 간접평가 방법에 따라 노후도 등급을 분류하되, 각각의 평가항목에 소정의 가중치를 부여하여 노후도 등급을 분류하는 것을 특징으로 하는 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템. - 제1항에 있어서, 상기 수질관련 공간정보 제공부(110)는,
관 재질, 관 용도, 관 직경, 관 연장길이 및 사용년수를 포함한 상수관 속성정보를 저장하는 상수관 속성정보 DB(111);
수질민원 접수일, 수질민원 종류 및 수질민원 발생지점을 포함한 수질민원 관련 정보를 저장하는 수질민원 DB(112);
급수블록별 인구정보, 도로정보 및 건축물 정보를 포함한 행정자료를 저장하는 행정자료 DB(113); 및
과거 수질기준 위반 사례가 있었던 지점과 수질 측정정보가 포함된 수질 관련 자료를 저장하는 수질자료 DB(114)를 포함하는 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템. - 제5항에 있어서,
상기 행정자료 DB(113)에 저장되는 급수블록별 인구정보에 따라 수질사고시 해당 급수블록별 용수사용량이 연산 처리되고, 이후, 상기 급수블록별 용수사용량은 지도화된 서비스 지역에 지도화되는 것을 특징으로 하는 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템. - 제1항에 있어서, 상기 수질 공간정보 레이어 표출부(130)는,
상수관망 잔류염소농도 해석모델과 실제 측정값 분석에 따라 수체반응계수를 추정하는 수체반응계수 추정부(131);
상기 추정된 수체반응계수에 따라 관체반응률을 추정하는 관체반응률 추정부(132); 및
상기 관체반응률에 따라 상수관망 노드별 잔류염소농도를 표출하는 상수관망 노드별 잔류염소농도 산출부(133)를 포함하는 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템. - 제7항에 있어서,
상기 상수관망 노드별 잔류염소농도 산출부(133)는 상기 관체반응률에 따라 보간법에 의해 상수관망 노드별로 잔류염소 분포도를 시각화하고, 최소 잔류염소농도 0.1 mg/L 이하인 지점을 수질 공간정보 레이어로 표출하는 것을 특징으로 하는 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템. - 제1항에 있어서, 상기 급수블록별 공간정보 처리부(140)는,
상수관 속성정보, 수질민원 관련 자료 및 행정자료에 따라 상수관망과 관련된 거리를 누적 분석하고 거리 공간정보 레이어를 표출하는 거리 공간정보 레이어 표출부(141);
상기 거리 공간정보 레이어 및 상기 수질 공간정보 레이어를 각각 정규화 처리하는 공간정보 레이어별 정규화 수행부(142); 및
머신러닝 알고리즘에 따라 공간정보 각각에 가중치를 부여한 중첩 분석을 실시하여 급수블록별로 점수화하는 가중치 부여 중첩 분석부(143)를 포함하는 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템. - 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210150405A KR102631458B1 (ko) | 2021-11-04 | 2021-11-04 | 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210150405A KR102631458B1 (ko) | 2021-11-04 | 2021-11-04 | 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230064858A KR20230064858A (ko) | 2023-05-11 |
| KR102631458B1 true KR102631458B1 (ko) | 2024-01-31 |
Family
ID=86379216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210150405A KR102631458B1 (ko) | 2021-11-04 | 2021-11-04 | 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102631458B1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933720B (zh) * | 2024-01-31 | 2024-08-13 | 江苏省环境科学研究院 | 一种硝酸盐的地下水风险评估方法 |
| CN117699958B (zh) * | 2024-02-02 | 2024-04-19 | 青岛海湾中水有限公司 | 一种污水处理***及污水处理方法 |
| CN117805338B (zh) * | 2024-03-01 | 2024-05-28 | 广东省建筑设计研究院有限公司 | 一种建筑供水管网水质实时在线监测方法及*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102101625B1 (ko) | 2019-11-27 | 2020-04-17 | (주)케이엠에스 | 스마트 워터 시티 구축을 위한 ｉｃｔ 통합 모니터링 물 관리 시스템, 그리고 이를 위한 통합관제서버 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101205103B1 (ko) | 2012-04-04 | 2012-11-26 | 한국수자원공사 | 상수관망 운영 관리 시스템 |
| KR101585552B1 (ko) | 2015-01-15 | 2016-01-22 | 지에스건설 주식회사 | 빅데이터 기반의 상수도 통합 운영 관리 시스템 및 방법 |
| KR101801033B1 (ko) | 2015-05-27 | 2017-11-27 | 길주형 | 사물인터넷 기능을 갖는 수질감시장치 |
| KR101969885B1 (ko) | 2018-01-25 | 2019-04-17 | 경기도 부천시 | 향상된 스마트 수도 미터링과 빅데이터 분석을 이용하는 스마트 물 관리 데이터 기반의 지능정보 행정서비스 제공 시스템 |
| KR102035514B1 (ko) * | 2018-03-07 | 2019-10-23 | 서울시립대학교 산학협력단 | 상수관망의 잔류염소농도 최적관리시스템 |
| KR102120427B1 (ko) | 2018-11-09 | 2020-06-09 | 한국수자원공사 | 사물인터넷 기반의 상수도 관로 부착형 수질센서 및 이를 이용한 상수도정보 제공시스템 |
-
2021
- 2021-11-04 KR KR1020210150405A patent/KR102631458B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102101625B1 (ko) | 2019-11-27 | 2020-04-17 | (주)케이엠에스 | 스마트 워터 시티 구축을 위한 ｉｃｔ 통합 모니터링 물 관리 시스템, 그리고 이를 위한 통합관제서버 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230064858A (ko) | 2023-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102631458B1 (ko) | 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템 | |
| TWI391803B (zh) | 監視水事業體網路之資源的系統及方法 | |
| US20190303791A1 (en) | Predicting pipe failure | |
| St. Clair et al. | State-of-the-technology review on water pipe condition, deterioration and failure rate prediction models! | |
| KR101183656B1 (ko) | 상수도 운영관리 시스템 및 그 제어방법 | |
| US20220057367A1 (en) | Method for evaluating pipe condition | |
| US20170206510A1 (en) | Spatially-keyed, consolidated-data-controlled apparatus and method | |
| KR100893424B1 (ko) | 상수도관망 노후도 성능평가 및 정비개량계획수립 시스템과그 방법 | |
| GB2507184A (en) | Anomaly event classification in a network of pipes for resource distribution | |
| Xu et al. | A superposed model for the pipe failure assessment of water distribution networks and uncertainty analysis: a case study | |
| Rogers et al. | Failure assessment model to prioritize pipe replacement in water utility asset management | |
| KR20110086530A (ko) | 베이즈 기법을 이용한 상수도관망 최적관리시스템 | |
| KR20110086529A (ko) | 로지스틱 회귀분석을 이용한 상수도관망 최적관리시스템 | |
| CN118014185A (zh) | 一种基于大数据的市政管网健康度在线监测*** | |
| US20140350992A1 (en) | Integrated maintenance scoring apparatus and method | |
| KR20110086527A (ko) | 퍼지기법을 이용한 상수도관망 최적관리시스템 | |
| KR20110086425A (ko) | 점수평가법을 이용한 상수도관망 최적관리시스템 | |
| Orhan et al. | Identification of priority areas for rehabilitation in wastewater systems using ENTROPY, ELECTRE and TOPSIS | |
| KR20220096880A (ko) | 웹 어플리케이션을 활용한 하수관로 안전관리 시스템 | |
| KR20110086528A (ko) | Ｅｌｅｃｔｒｅ 기법을 이용한 상수도관망 최적관리시스템 | |
| Bogárdi et al. | A space-time probabilistic model for pipe network reconstruction planning | |
| AU2011221399A1 (en) | System and method for monitoring resources in a water utility network | |
| Elshaboury et al. | A hybrid spherical fuzzy AHP-MARCOS model for evaluating the condition of saltwater pipes in Hong Kong | |
| KR20220096881A (ko) | 웹 어플리케이션을 활용한 상수관로 안전관리 시스템 | |
| Orhana et al. | corrected Proof |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |