台灣目前共有四個自來水事業單位，分別為台灣自來水公司、台北自來水事業 處、金門縣自來水廠及連江縣自來水廠，其中以台灣自來水公司及台北自來水事業 處供水量及供水人口所占比例最多，經濟部水利署(2011)公務報表統計台灣自來水 公司總供水量約為 850 萬 CMD，供水人口約 1,700 萬人；台北自來水事業處總供水 量約為 230 萬 CMD，供水人口約 380 萬人。台灣自來水公司在『淨水場』規模等 級(包含淨水場、給水廠等，不包含抽水站、深井等)以上之淨水場共計 345 座，出 水量大於 10 萬 CMD 之大型水場共 17 座；台北自來水事業處淨水場共計 5 座，出 水量大於 10 萬 CMD 之大型水場共 3 座，統計 20 座大型淨水場(出水量＞10 萬 CMD) 其淨水程序均以混凝、沉澱、過濾、消毒為主要處理單元(黃，2010)。
對國內淨水場而言，混凝一直是淨水場主要處理單元之一，亦是沉澱及過濾單 元前必要之處理程序，其處理成效直接影響後續沉澱及過濾單元之操作負荷。混凝 主要可分為三個階段，當混凝劑注入原水後即發生一連串水解反應，形成帶有正電 荷之水解物種，接著藉由快混階段快速攪拌使混凝劑均勻分散至顆粒表面進行去穩 反應，最後，去穩顆粒再於慢混階段碰撞聚集形成膠羽(floc)。影響混凝作用之因素 包括原水之 pH 值、鹼度、濁度、水溫、水中粒子、混凝劑種類及劑量、攪拌強度
及時間等(高，1990； Yoshihiko et al., 1998)。現階段國內使用地表水為原水之淨水場，其混凝加
藥控制方式，主要由操作人員觀察原水濁度及沉澱出水濁度變化，以經驗調整混凝 加藥量為主，再以瓶杯試驗曲線輔助混凝加藥量之決定(洪，1993)，然以經驗法則決定 混凝加藥量之方式，除受限於操作人員之經驗、能力及素質等人為因素影響，在原 水水質驟變時，操作人員往往無法即時迅速準確地調整至最適混凝劑量，必須要多 次嘗試進行調整，方可符合處理水質要求規範。雖然混凝程序可使用瓶杯試驗作為 決定操控程序之試驗方法來決定最適混凝劑量，但是瓶杯試驗仍是屬於批次之資
訊，無法反應至控制系統作線上即時控制，且瓶杯試驗所需時間較長，亦無法提供 操作所需之即時訊息，因此許多研究紛紛發展混凝加藥監控技術(徐，1992；甘，1997；吳，2008)， 以提升淨水處理單元操作效能。
2.2 混凝加藥監控 混凝加藥監控 混凝加藥監控 混凝加藥監控模式 模式 模式 模式
一般而言，在處理原水時加入適當劑量的混凝劑及適當的攪拌即可形成膠羽，
藉由沉澱池作用去除水中顆粒，達到淨化水質之目的，但混凝加藥為一非線性之複 雜系統，至目前為止，尚未有一個確定的法則，可以準確的計算混凝劑的加藥量，
因此混凝加藥監控主要目的是藉由調整混凝劑之加藥量使混凝效果最佳化。一般常 見的控制方法如圖 2-1(a ~ c)，包括前饋控制、藥後及混後回饋控制及沉濾後回饋控 制等，前饋控制是利用經驗數學模式或人工智慧模式(如類神經網路)計算或預測混 凝劑量，控制混凝劑加藥機調整至所需劑量；藥後及混後回饋控制是利用混凝監測 技術判斷混凝成效，以提供混凝程序自動控制所需資訊；沉濾後回饋控制多是利用 線上濁度計，以沉澱及過濾出水濁度作為混凝加藥調整之判斷邏輯。茲將用於混凝 操作回饋控制之監測技術及混凝操作前饋控制模式說明於 2.3 及 2.4 節。
圖 2-1 混凝加藥監控方法(a)前饋控制(b)藥後及混後回饋控制(c)沉濾後回饋控制 (a)
(b)
(c)
2.3 混凝操作 混凝操作 混凝操作 混凝操作回饋 回饋 回饋控制 回饋 控制 控制之 控制 之 之監測 之 監測 監測技術 監測 技術 技術 技術
傳統上，淨水場對混凝程序的監測系統主要是利用線上濁度計，一般利用可見 光為光源，在光源 90 度的位置偵測散射光之強度，當懸浮微粒的數量越多，則散 射光強度亦越強，即濁度越高。但濁度計並無法提供膠羽外觀等資訊，若需要進一 步瞭解膠羽長成的情形，還是必須倚賴精密的粒徑分析儀器。另一方面，淨水場之 即時監測多使用電極或探棒式的接觸型濁度計，設置於淨水場水流多變的環境下容 易損壞，以及產生監測數據誤差，影響混凝監控之成效。
實際上，監測混凝效果亦常量測水中顆粒表面之界達電位，但界達電位與瓶杯 試驗一樣皆為不連續採樣的測量方法，其所得之數據適用於過去水質，並不一定適 用於當下入流之原水。當原水為高濁度時，界達電位的測量困難度變高，且該試驗 對水溫及導電度的變化相當敏感，因此很難獲得確切的顆粒表面電荷值。國內針對 混凝單元操作監測技術之應用一直相當缺乏，現階段因應混凝過程之顆粒特性所開 發之混凝操作監測技術包括流導電流偵測(streaming current detector, SCD)、光纖膠 羽偵測技術(photometric dispersion analyzer, PDA)、顯示式膠凝控制技術(flocculation control derive, FCD）、膠羽影像色彩分析技術(floc image colorimetric analysis, FICA）
及懸浮濁度偵測技術(nephelometric turbidimeter monitoring system, NTMS)等(Dentel and Kingery, 1989； Gregory and Nelson, 1984；宋，2002；吳，2008； Cheng et al., 2008)，但對於各技術應用於淨水場 連續操作系統，仍有部分問題尚待克服。整理各技術之適用性及優缺點如表 2-1，
以及原理及應用成果分述如下：
2.3.1 流導電流
流導電流 流導電流監 流導電流 監 監 監測技術 測技術 測技術(SCD) 測技術
SCD 乃是偵測水中懸浮顆粒的表面電性，而此表面電性可作為混凝效果的一個 指標，因此可用來判斷混凝劑量是否足夠(Dentel and Kingery, 1989)
。同時 SCD 可將偵測訊 號傳至加藥機，控制混凝的加藥量，以達最佳加藥量的控制。
早期已有研究利用批次實驗求得各實驗參數與 SCD 讀值間的關係(徐，1992)，並進 一步應用於豐原第一淨水場，SCD 確實可提供類似界達電位的訊息，且因為 SCD 對樣品之檢測為連續性，可即時反應流導電流值提供水場人員作為加藥量調整之依
據，有連續操控性佳、反應時間短等優點，但應用 SCD 於自動加藥監控仍有些問 題需要解決(黃，1998)。
2.3.2 光纖膠羽
光纖膠羽 光纖膠羽監 光纖膠羽 監 監 監測技術 測技術 測技術(PDA) 測技術
PDA 為光線照射懸浮性固體溶液時，平均穿透光強度變化，是由於水樣中顆粒 總 數 的 隨 機 變 化 所 造 成 。 其 假 設 顆 粒 數 目 的 變 化 符 合 卜 瓦 松 分 佈 (Poisson-distribution)，則光強度變化的均方根值(root mean square, RMS)與顆粒散射 係數和顆粒濃度的根號值有關。對於單一分散相的懸浮溶液而言，結合 RMS 值和 濁度值可簡單地推導出顆粒數目和大小，這種關係適用於廣泛的濃度範圍，且不需 要事先知道顆粒的光學性質，並由此原理發展出 PDA(Gregory and Nelson, 1984； Gregory 1985)。
PDA 系統在實場應用之案例上，先以 PDA 進行批次實驗，改變不同濁度、pH 值及快混強度的實驗條件，觀察 PDA 輸出值、殘餘濁度、膠羽生成大小及沉降速 度的關係，證明在 PDA 輸出值達最高值時其加藥量可作為最佳加藥量，在小型模 廠之連續流試驗中，PDA 呈現之輸出值亦相當穩定，且能有效地顯示最佳加藥量，
但 PDA 輸出值會受會受顆粒濃度及大小影響(甘，1997)。
2.3.3 顯示式膠凝
顯示式膠凝 顯示式膠凝監測 顯示式膠凝 監測 監測技術 監測 技術 技術 技術(FCD)
FCD 為利用膠羽計算機定時採集和定量分析膠羽圖像，計算出膠羽之等效直 徑。FCD 應用於上海航頭水庫，將傳感頭置於絮凝池中，每 5 秒讀取一圖像，並利 用計算機計算出每個膠羽的等效直徑，之後再利用等效直徑的實測值與設定值之 差，經 PID 運算後，加以控制混凝劑之加藥量，此方法其計算值能有效地控制混凝 劑的加藥量，並將沉澱水的濁度穩定在一範圍內，達到保證水質及降低成本之目 的，但所需計算之遲滯時間較長，約為 10~20 分鐘(宋，2002)。
2.3.4 膠羽影像色彩分析技術
膠羽影像色彩分析技術 膠羽影像色彩分析技術(FICA) 膠羽影像色彩分析技術
現階段發展的混凝操作回饋控制之監測技術仍未臻成熟，許多問題尚待克服，
例如原水水質改變時，監測儀器訊號之判斷邏輯應用，以及如何減少分析時間，即 時取得混凝成效資訊等問題，使得現階段的混凝操作監測技術仍無法實際應用於實 場之混凝加藥監控。
2.4 混凝 混凝 混凝 混凝操作 操作 操作前饋 操作 前饋 前饋控制模式 前饋 控制模式 控制模式 控制模式
混凝加藥前饋控制模式的建置須先建立水質參數與加藥量之間的關係模組，至 於使用的方法可能要依據各個淨水場的情況或成本考量來決定。經驗數學模組和類 神經網路系統則被用來評估加藥量的預測能力，利用水質參數去建立一套數學模式 來決定需要的加藥量，由於類神經網路能解決動態非線性問題，與其他有預測能力 工具比起來，更有利於監測資料的分析及預測。
2.4.1 經驗數學模 經驗數學模 經驗數學模 經驗數學模組 組 組 組
經驗數學模組主要根據數個水質參數去建立一套公式，來預估最適加藥量，此 模組可包含較多的參數。早期國外以兩套根據多項式的模組，用於法國 Clairfont 水 廠中以決定加藥速率，其中一個模組由四個參數組成(濁度、電阻率、溫度、有機物) 用於低濁水(<20 NTU)，另一個模組再多加一個濁度與膠體關係參數以用於高濁水 之加藥量預測(Bazer-Bachi et al., 1990)。另外，也有研究發展出根據鈣離子、碳酸根離子、
硫酸根離子濃度、腐植酸、濁度、溫度和 pH 值的模組(Girou et al., 1992)。國內早期研究 曾利用前饋及回饋之方式，將原水濁度及 pH 值作為前饋參數，利用數學模組，計 算出回饋之理想混凝之 pH 值及流導電流值，利用此四項參數控制操作條件，經三 次高濁水之驗證下，其水質控制較以往進步，且藥品費約節省 12%，然而，此模組 參數容易受外界條件改變而產生變動，原因包括(1)某些水質參數在原水中可能變動 不大、(2)某些水質參數可能對於加藥量的影響較大及(3)分析上的困難或成本問題
(江，1997)。
歸納經驗數學模組應用於混凝加藥前饋控制可能受限之問題：
(1) 可能影響計算結果之參數繁多，並且易受外界條件改變而產生變動。
(2) 由於影響計算結果之參數繁多，淨水場受限於既有之線上水質量測儀器，無 法取得每一項參數之線上數據，影響混凝加藥自動控制系統之建立。
2.4.2 類神經網路 類神經網路 類神經網路 類神經網路模式 模式 模式 模式
類神經網路(artificial neural network, ANN)為人工神經網路，是一種包括軟體與 硬體之計算系統，其使用大量簡單之相連人工神經元來模仿生物神經網路之能力。
人工神經元是生物神經元之簡單模擬，其從外界環境或其他人工神經元取得資訊，
人工神經元是生物神經元之簡單模擬，其從外界環境或其他人工神經元取得資訊，