modelización del coste energético del proceso de ...desde el punto de vista del mantenimiento, ya...
TRANSCRIPT
1
Modelización del coste energético del proceso de depuración
considerando el envejecimiento de las instalaciones
Lledó Castellet Vicianoa, Vicent Hernández-Choverb, Francesc Hérnandez Sanchoc
a, b, c Departamento de Economía Aplicada II, Universidad de Valencia, Avda. Tarongers
S/N, 26022 Valencia, España (E-mail: [email protected],
[email protected] b, [email protected] c
Área Temática: Sesión especial: Economía del agua
Resumen: Puesto que uno de los objetivos de la política energética europea es la
reducción del consumo energético en el sector industrial en un 20% para el 2020, la
industria de la depuración de aguas residuales está tratando de reducir el consumo
energético implantando técnicas cada vez más eficientes y sistemas de cogeneración
capaces de producir incluso el 50% del total de energía que las instalaciones
consumen. Dentro de este marco, el presente estudio pretende hacer hincapié en que
además de las mejoras tecnológicas cabe prestar atención a la gestión de los activos
desde el punto de vista del mantenimiento, ya que con el tiempo las instalaciones y los
equipos electromecánicos se van deteriorando, incrementando su consumo energético.
Para ello se contrastará empíricamente la evolución de los costes energéticos a lo
largo de un periodo de tiempo determinado y se modelizarán en función de la
antigüedad de las instalaciones.
Palabras Clave: EDAR, deterioro, costes energéticos, función de costes
Clasificación JEL:
2
1. INTRODUCCIÓN
El agua y la energía forman un binomio inseparable en el entorno urbano, siendo ambos
esenciales para el desarrollo económico y social de las ciudades. Esta unión es tan
estrecha que incluso la obtención de uno depende del otro (Hardy et al., 2012; King et
al., 2008; Mo and Zhang, 2013; Perrone et al., 2011; Rio Carrillo and Frei, 2009). Sin
embargo, el “nexo agua-energía” ha adquirido mayor importancia en los últimos años,
dada la presión que ejerce el crecimiento poblacional sobre la demanda de ambos
recursos (Healy et al., 2015; Pate et al., 2007; Siddiqi and Anadon, 2011) y la elevada
necesidad energética que existe en el ciclo urbano del agua (Cabrera et al., 2010), junto
con las nuevas políticas de eficiencia energética que se están llevando a cabo en este
sector con el fin de reducir las emisiones de gases de efecto invernadero (Frijns et al.,
2012; Svensson et al., 2006).
La energía es una parte fundamental en la gestión de los recursos hídricos, no solo desde
el punto de vista de su aprovechamiento sino también para mantener y garantizar la
sostenibilidad del recurso. El conjunto de infraestructuras de abastecimiento y
saneamiento que constituyen el ciclo urbano del agua son importantes consumidores
energéticos. En España, el sector del agua consume un 5,8 % del consumo energético
total nacional (Hardy et al., 2012). No obstante, existen variaciones a nivel mundial,
asociadas generalmente con la disponibilidad de recursos hídricos, oscilando entre el un
1% en Suecia al 10% en Israel (Bodik and Kubaská, 2013).
El patrón energético del ciclo urbano del agua viene definido a través de las necesidades
energéticas de las cuatro etapas que lo constituyen: captación y potabilización,
abastecimiento, alcantarillado y depuración. El ciclo urbano del agua comienza con los
sistemas de bombeo de la fase de captación, gracias a los cuales se extrae el agua de las
distintas fuentes naturales, para posteriormente someterlas a una serie de tratamientos
para que esta pueda ser usada. El consumo energético en esta primera fase del ciclo,
depende fundamentalmente de la naturaleza del agua captada: 0.37 kW·h/m3 para el
agua superficial, y 0.48 kW·h/m3 para el agua superficial. Esta diferencia se debe,
principalmente al sistema de bombeo necesario para impulsar el agua subterránea a la
3
superficie. Cuando la captación es de agua marina, el consumo energético incrementa
notablemente, entre 2.58-8.5 kWh/m3, ya que las tecnologías de membranas y osmosis,
a las cuales se somete este tipo de agua, son grandes consumidoras de energía. En
cuanto, a los sistemas de bombeo de la red de distribución, y por extensión, la red de
alcantarillado, el consumo energético viene definido por las características del área
servida, el diseño de la red y la gestión (Bolognesi et al., 2014). En el caso del
tratamiento del agua residual, el destino final del agua tratada es determinante, así pues,
si el agua es devuelta al medio ambiente se estima un consumo de 0.62-0.87 kWh/m3,
mientras que si el agua es reutilizada, el consumo incrementa a 1.0-2.5 kWh/m3, ya que
la eliminación de nutrientes requiere de un consumo energético extra (Simón et al.,
2012; WWAP, 2014).
Pese a las variaciones locales en el consumo energético en las fases del ciclo urbano del
agua, como consecuencia del volumen y calidad el agua suministrada/residual, y el
servicio proporcionado a la población (Venkatesh and Brattebø, 2011) el tratamiento del
agua residual es uno de los principales consumidores energéticos (Racoviceanu et al.,
2007).
Puesto que la depuración del agua residual es un proceso energéticamente intenso, ha
dado lugar a que el principal objetivo en la gestión de las EDARs en los últimos años
sea la reducción del consumo energético. Una de las principales razones de esta nueva
gestión, es principalmente económica, como consecuencia del incremento en las tarifas
energéticas durante los últimos años (Bodik and Kubaská, 2013). Albaladejo y Trapote
(2013), constatan incrementos en el coste energético de hasta un 65.5 % y 79.1% en las
tarifas eléctricas españolas durante el periodo 2009-2012, repercutiendo notablemente
en la estructura de costes de la EDAR. De acuerdo a la literatura y la experiencia en la
gestión de este sector, un elevado porcentaje de los costes operativos de una estación
depuradora están asociados a la energía (Albaladejo-Ruiz and Albaladejo-Falcó, 2016;
Castell et al., 2011; Metcalf et al., 2003) . Según datos bibliográficos obtenidos de
diferentes estudios, el consumo energético de una EDAR puede representar entre el 25 -
56% de los costes de operación y mantenimiento de la instalación (Albaladejo and
4
Trapote, 2013; Panepinto et al., 2016). Generalmente, más de la mitad de este consumo
energético está asociado al tratamiento biológico, debido al elevado requerimiento
energético de los sistemas de aireación de esta fase (Brandt et al., 2011; Gikas, in press;
Sun and Li, 2010; Zhang et al., 2016). Cabe tener en cuenta que el consumo energético
dependerá de las características de la planta, entre las que cabe señalar el tipo de
tecnología utilizada, el tamaño de la planta y la carga contaminante del influente, entre
otros (Metcalf et al., 2003).
Desde el punto de vista ambiental, la disminución del consumo energético en el sector
de la depuración es clave, dada la estrecha relación de la energía con la generación de
gases de efecto invernadero (Papong et al., 2014; Plósz et al., 2009), y el propósito de
las nuevas políticas energéticas europeas que pretenden reducir en un 20% el consumo
energético industrial para el 2020 (Slingerland et al., 2015). Resulta paradójico que un
proceso cuyo objetivo es tratar el agua residual para evitar daños al medioambiente, por
otro lado, esté generando grandes cantidades de emisiones de CO2. Este hecho no ha
pasado desapercibido para autores como Behnaz (2013), cuyos trabajo cuantifica las
emisiones de CO2 asociadas al proceso de depuración; Molinos-Senante et al. (2015),
quienes estiman el precio sombra del CO2 producido en el proceso de depuración
asociado al consumo energético; o Castellet et al. (2016), que llevan a cabo un estudio
de eficiencia de estaciones depuradoras en la Comunidad Valenciana, en el que se
prioriza la reducción del consumo energético frente a otros costes, debido al impacto
ambiental que esta partida económica conlleva.
Como consecuencia, Gikas (in press) destaca dos líneas de actuación en el sector de la
depuración para reducir la demanda energética: i) la mejora técnica de las instalaciones,
apostando por tecnologías más eficientes, de tal modo que, una mejora en la eficiencia
energética del proceso implica una reducción del consumo energético, lo cual
repercutirá en ambos aspectos económico y ambiental, debido a la disminución de las
emisiones de CO2 y la reducción del coste económico de la instalación (Henriques and
Catarino, 2015; Zhou et al., 2008) y ii) a través, del consumo de energía producido por
la propia instalación, a partir del biogás generado en el tratamiento de fangos, que es
5
capaz de proporcionar entre el 39% y 76% del consumo eléctrico total de una EDAR
(Silvestre et al., 2015). De este modo, la cogeneración se convierte en una fuente de
energía limpia y sostenible para las EDARs, que reduce las emisiones de CO2 (Shen et
al., 2015), además de la presión sobre el propio recurso agua, ya que un 44% de los
recursos hídricos en Europa se utiliza para el enfriamiento en los procesos de
producción energética (Walsh et al., 2015).
Pese a la implantación de medidas de mejora en la eficiencia energética del sector, se
estima que el consumo energético continuará incrementando como consecuencia del
crecimiento poblacional, el desarrollo económico, el envejecimiento de las
infraestructuras y mayores exigencias de calidad del agua tratada (Mo and Zhang,
2013).
Expertos del sector de la depuración del agua apuntan al envejecimiento y el deterioro
de las infraestructuras y alertan de las repercusiones que este puede tener en la
eficiencia del proceso, pero sin embargo, son pocos los estudios que tratan de
cuantificar estos hechos. Hernández-Sancho et al. (2011a; 2011b), Molinos-Senante
et al. (2014), y Molinos et al. (2016), habida cuenta del problema, tratan de relacionar la
edad de las instalaciones con la eficiencia del proceso, sin obtener resultados
concluyentes al respecto. El motivo por el que el año de construcción o edad de las
instalaciones no es relevante en la eficiencia del proceso, puede estar relacionada con
las modificaciones que han sufrido una gran parte de las EDARs con el tiempo con el
fin de ajustarse a las exigencias de la normativa que la administración ha ido
imponiendo desde que se publicase la primera directiva en materia de aguas residuales.
Considerando el trabajo realizado por estos autores, el presente estudio pretende
demostrar la relevancia que tiene el paso del tiempo sobre las instalaciones depuradoras
de aguas residuales, desde otra perspectiva, a través del consumo energético. De los
distintos elementos que constituyen una EDAR: estructuras de hormigón, tuberías,
bombas y equipos electromecánicos; los dos últimos son los que más preocupan a los
gestores, principalmente por tres razones: i) son equipos con una vida útil inferior a la
del resto de elementos, ii) requieren acciones de mantenimiento constantes, y iii) su
6
buen o mal funcionamiento tiene implicaciones sobre el consumo energético; todo ello,
repercutiendo, en última instancia, en el coste operativo de las instalaciones. Dada la
importancia de estos elementos en el propio proceso de depuración y la gestión de las
EDARs, el presente estudio pretende analizar el coste energético de un conjunto de
estaciones depuradoras de la Comunidad Valenciana en el periodo 2010-2012, observar
su evolución a lo largo del tiempo y modelizar el coste energético considerando el
envejecimiento que sufren los equipos año tras año, con el fin de predecir costes futuros
ayudando de esta forma a los gestores en la toma de decisiones.
2. METODOLOGÍA
Previamente a modelizar el coste energético de las estaciones depuradoras de la
muestra, se comprueba que el consumo energético año tras año incrementa, y que las
diferencias entre éstos son lo suficiente como para poder generar una variable llamada
envejecimiento que puede ser incluida en la función de coste.
Con este fin debemos utilizar un test estadístico y paramétrico del tipo t de Student o
Análisis de varianza (ANOVA) para comprobar que existen diferencias
estadísticamente significativas en el consumo energético de las estaciones depuradoras
para cada uno de los años. Dado que nuestra muestra no cumple con el supuesto de
normalidad, requisito indispensable para la aplicación de estos tests, en este caso, se
utilizará el test de Kruskal-Wallis. Se trata de un test estadístico no-paramétrico que
permite comparar tres o más grupos. El test de Kruskal-Wallis es una extensión del test
de Mann-Whitney, el cual se utiliza para comparar únicamente dos poblaciones o
grupos.
Para llevar a cabo el Test Kruskal-Wallis es necesario definir previamente las hipótesis:
Ho, los grupos pertenecen a la misma población, y H1, los grupos pertenecen a
poblaciones distintas. Si tras aplicar el test, el p-valor es inferior a 0.05, rechazamos la
hipótesis nula de que los grupos pertenecen a la misma población, por lo que hay
diferencias estadísticamente significativas que permiten confirmar que se trata de
muestras que pertenecen a grupos distintos.
7
Por lo que a la modelización del coste energético se refiere, se realizará a través de un
modelo de regresión múltiple, cuya expresión matemática es la siguiente:
. . .
Donde:
Y es la variable dependiente
X , X , … , X son las variables independientes o explicativas
, , … , son los coeficientes que miden la relación de cada una de las variables
independientes con la dependiente
β es la constante o punto de corte en el eje de ordenadas; 0 es el parámetro de
cada variable independiente, y es el número de parámetros independientes
considerados.
Se aplica una función de coste del mismo tipo que Hernandez-Sancho et al. (2011)
utilizan para la modelización del coste de operación y mantenimiento de estaciones
depuradoras según el tipo de tecnología utilizada en el proceso, ya que tal y como estos
autores afirman es el modelo que mejor define el comportamiento económico de las
EDARs. La expresión matemática que define el modelo utilizado en el estudio citado
previamente es la siguiente:
∑
ln ln ln
8
Donde C es el coste (€/año); A, b y α son lo prametros; y Z y xi son las distintas
variables independientes del modelo.
Para determinar las variables que explican el coste energético de las estaciones
depuradoras, en primer lugar se analizan las correlaciones entre las posibles variables
explicativas y la variable dependiente, así como la correlación entre las propias
variables independientes. Las variables potenciales que expliquen el modelo serán
aquellas que estén altamente correlacionadas con el coste energético, y a la vez sean
independientes de otras variables. Para medir la correlación entre las variables se utiliza
el coeficiente de correlación de Pearson, el cual oscila entre -1 y 1, de forma que cuanto
más elevado sea el coeficiente más correlacionadas estarán las variables analizadas. Este
índice solamente será representativo cuando, dentro de un intervalo de confianza del
95%, la significatividad del test estadístico de correlación (a dos colas) sea inferior a
0.025. De modo que si el p-valor es inferior a 0.025 se rechaza la Ho de que las
variables son independientes entre sí, por lo que están correlacionadas.
A continuación, con la ayuda de un programa estadístico se selecciona la mejor
combinación de variables capaz de explicar el modelo, que vendrá definida por la
siguiente información estadística: (1) el valor de significatividad de las variables, (2) la
R2 ajustada, y (3) el error estándar de las estimaciones. Las condiciones para que el
modelo seleccionado sea bueno es que todas las variables del modelo sean significativas
dentro de un intervalo de confianza del 95%, de modo, que el p-valor de las variables
debe ser inferior a 0.05 (una cola). En cuanto a la R2 ajustada, que representa la bondad
de ajuste de la función, puede tomar valores de entre 0 y 1, siendo preferibles los
modelos con la R2 ajustad más elevada. Y finalmente, en combinación con los
parámetros anteriores, el error estándar debe ser el más pequeño posible.
Una vez seleccionado el modelo en base a estos tres primeros criterios, cabe comprobar
que éste cumpla con los cuatro principios básicos de los modelos de regresión, con el
fin de garantizar la viabilidad de la función de coste obtenida. Los supuestos que debe
cumplir todo modelo de regresión son los siguientes:
9
a) No-colinealidad entre las variables, para asegurar que el modelo es bueno no debe
existir relación lineal exacta entre ninguna de las variable que explican el modelo.
Este supuesto se analiza a través del factor de inflación de la varianza (VIF), o la
tolerancia, que es 1/VIF. De acuerdo con Kleinbaum et al. (1988), existen
problemas de colinealidad entre las variables cuando el VIF presenta valores
superiores a 10.
b) Normalidad de los residuos, los residuos de cada una de las variables o del
conjunto de variables que constituyen el modelo se distribuyen normalmente con
media 0. El comportamiento normal de los residuos se estudia a partir del cálculo
de los residuos estandarizados y puede ser analizado gráficamente o bien
estadísticamente a través del test de Kolmogrov-Smirnof. Dentro de un intervalo de
confianza del 95%, si el p-valor es superior a 0.025 (dos colas) no podemos
rechazar la H0, que asume normalidad en los residuos.
c) Independencia, los residuos del modelo deben ser aleatorios e independiente entre
si, si se percibe un cierto patrón en el comportamiento de los residuos, es un
indicador de que existen problemas de autocorrelación. Mediante el estadístico de
Durbin-Watson (1951) podemos saber de la existencia de autocorrelación en los
residuos:
∑∑
Donde se refiere a los residuos, . El resultado del estadístico DW
puede oscilar entre 0 y 4, tomando el valor central como referencia para indicar si
existe autocorrelación o no. Se establece que un valor de 2 indica que los residuos
son independientes, sin embargo existe un intervalo de valores en torno a este valor
central, en el que se puede asumir independencia entre los residuos. La horquilla de
valores en torno a los cuales se puede asumir independencia se encuentra entre 1.5
10
y 2.5; valores del estadístico superiores a 2.5 indican una autocorrelacion positiva,
mientras que los inferiores a 1.5 indican que la autocorrelación es negativa.
d) Homocedasticidad, para cada valor de la variable independiente, la varianza de los
residuos debe ser constante; si por el contrario la varianza de los residuos es
aleatoria, el modelo presenta problemas de heterocedasticidad. La presencia o no de
homocedasticidad en el modelo se puede observar gráficamente a partir de la
relación entre los residuos estandarizados y los valores pronosticados también
estandarizados, o bien a través del Test Breusch-Pagan (1979), el cual asume
normalidad en los residuos, o el test de Koenker (1981), que es más robusto par
amuestras que no presentan normalidad en los residuos (Baltagi, 2008). La H0 de
ambos tests es que el modelo presenta homocedasticidad, de modo que dentro de un
intervalo de confianza del 95%, si el p-valor de los tests es inferior a 0.05, se
rechaza la H0, lo cual significaría que el modelo presenta problemas de
heterocedasticidad.
3. DESCRIPCIÓN DE LA MUESTRA
La muestra está constituida por 322 EDARs de la Comunidad Valenciana, cuya
información corresponde al periodo 2010-2012, de tal modo que la muestra global
dispone de un total de 966 observaciones. El motivo por el que la secuencia temporal
seleccionada es de tres años se debe a que es último periodo del que se disponen datos,
y se considera lo suficientemente representativo para apreciar cambios en el deterioro de
los equipos, sobretodo de tipo electromecánico, que son los elementos cuyo deterioro es
apreciable a más corto plazo.
La muestra corresponde a instalaciones con distintos tipos de tecnología: fangos activos
(81.99 %), aireación prolongada (12.11 %), y biodiscos (5.90 %) y tratan volúmenes de
agua que oscilan entre los 7000 m3/año y 23000000 m3/año. Las dos primeras
tecnologías presentan consumos energéticos más intensos, debido a que disponen de
sistemas de aireación, los cuales disparan el consumo energético de la instalación. Es
por esto, que se esperan encontrar mayores diferencias en el consumo energético de
estas tecnologías a lo largo del tiempo.
11
Además del coste asociado al consumo energético de las instalaciones que es el
principal objeto de estudio, se dispone de información de otros costes relativos a la
operación y mantenimiento de las EDARs, como son: costes de personal, donde se
reflejan los salarios, gastos de la seguridad social, tasas, seguros sociales; costes de
mantenimiento, reflejan los gastos de mantenimiento y reemplazamiento de los equipos;
costes de residuos, gastos asociados a la gestión del fango y otros residuos; y otros,
donde se incluyen los costes asociados a los reactivos requeridos en el proceso de
depuración, material de oficina, procesos administrativos.
También se dispone de información asociada al rendimiento del proceso como es la
cantidad de contaminantes eliminados expresados en SS y DQO extraídos en kg/año.
Además de características técnicas de las instalaciones, como son el caudal de diseño, o
el número de habitantes equivalentes.
Al trabajar con una serie de datos temporal ha sido necesario actualizar los costes del
año 2010 y 2011 al 2012, de acuerdo a las variaciones del IPC. Por lo que a los costes
energéticos se refiere, y debido a la gran variabilidad de precio del KW consumido a lo
largo del tiempo, los costes han sido actualizados al año 2012, año de referencia.
A continuación, en la Tabla 1 se presenta un resumen de los costes ya actualizados, la
cantidad de contaminantes eliminados, y el volumen de agua tratada para cada uno de
los años considerados. Se puede observar que del 2010 al 2012, hay un ligero descenso
en los valores promedio, tanto de los costes, como de la cantidad de contaminantes
eliminados, lo cual está directamente relacionado con la disminución del volumen de
agua tratada. El motivo por el que el volumen de agua tratada se reduce, no es debido a
la mala gestión de las EDARs, sinó al efecto de las medidas de ahorro en el consumo de
agua.
Tabla 1. Descripción de la muestra
2010 2011 2012 Min Máx Media Min Máx Media Min Máx Media Costes (€//año)
12
Energía 696 1,780,213 79,867 285 2,000,758 78,739 268 1,800,868 73,269Personal 4,345 1,343,076 104,685 3,035 1,301,431 104,294 2,964 1,207,405 100,015Mantenim 672 810,921 32,966 402 808,564 32,219 393 761,329 31,281Residuos 35 760,051 32,686 35 686,445 28,154 10 455,883 23,907Otros 1,062 868,997 41,529 1,037 759,770 38,908 1,034 598,698 33,956Contaminantes eliminados (kg/año) SS 348 7,965,358 265,154 329 7,492,134 236,899 400 6,647,342 227,144DQO 1,105 14,509,137 524,012 1,248 15,237,524 515,601 789 13,217,613 500,302Caudal tratado (m3/año)
8,163 22,564,754 954,467 7,690 21,104,604 888,163 8,048 19,267,657 862,130
4. RESULTADOS
En base a esta información, y considerando el coste energético actualizado, se obtiene
que del total de las 322 EDARs de la muestra de estudio, el 51.55 % (166 EDARs)
incrementan sus costes energéticos por m3 de agua residual tratada entre el 2010 y 2012,
con un incremento del 34.2 % de media.
En la Tabla 2 se puede observar como el coste energético por m3 de agua tratada
promedio incrementa cada año, pese a que el volumen de agua tratada disminuye.
Mediante el test estadístico Kruskal Wallis, se confirma, además, que estas diferencias
son estadísticamente distintas, por lo que podemos afirmar con total seguridad que
existe un patrón ascendente en el consumo energético con el paso del tiempo.
Tabla 2. Consumo energético y volumen tratado del conjunto de instalaciones que incrementan
los costes energéticos entre el 2010-2012
Coste energético (€/m3) 2010 2011 2012 Kruskal-Wallis Test a
Promedio 0.11 0.14 0.15 0.000 Mínimo 0.02 0.03 0.03
Máximo 0.62 0.81 1.03
a La hipótesis nula es que no existe diferencia entre los grupos
13
A continuación, se hace un estudio pormenorizado de las instalaciones que han
experimentado un crecimiento a lo largo del periodo considerado, en función del tipo de
tecnología que consta el tratamiento secundario, y el tamaño de las instalaciones según
el volumen de agua tratado.
4.1 Análisis de los resultados en función del tipo de tecnología del tratamiento
secundario
El consumo energético de una instalación depende en gran medida del tipo de
tratamiento secundario, debido a las distintas necesidades de aporte de oxigeno de cada
tipo de tecnología. Así pues, dadas las características de las tecnologías presentes en la
muestra de estudio, se diferenciaran dos grupos: i) las que presentan aporte de oxígeno,
grupo constituido por las tecnologías de fangos activos y aireación prolongada; y ii) las
que no disponen de sistemas de aporte de oxígeno, formado únicamente por la
tecnología de biodiscos. El primer grupo, presenta un consumo energético más intensivo
que el segundo, dado que dispone de sistemas de aireación (turbinas, soplantes,
aireadores sumergidos…), mientras que el segundo únicamente requiere energía para la
rotación de los biodiscos (IDAE, 2010).
Tabla 3. Incremento del coste energético (€/m3) en el periodo 2010-2012 por grupos de
tecnología
% de EDARs que incrementan el coste energético
Incremento promedio del coste energético (€/m3)
Grupo I 48.76 0.032 Grupo 2 2.80 0.026
Total 51.55 0.032
Además de las diferencias que hay en los incrementos del coste energético por metro
cúbico de agua tratada entre los dos grupos de tecnologías (Tabla 3), en la Tabla 4 se
puede observar como éste incrementa a lo largo del tiempo para ambos grupos. Sin
embargo, de acuerdo a los resultados del test de Kruskal-Wallis, estas diferencias
14
solamente son estadísticamente significativas en las tecnologías que presentan
mecanismos de aireación. Esto puede ser debido, en parte a que el consumo de los
equipos de aireación es mucho más elevado, y al inminente deterioro de estos equipos
con el paso del tiempo debido a que están en contacto continuo con el agua residual,
cuyas características influyen notablemente en el deterioro de estos dispositivos.
Tabla 4. Consumo energético y de las instalaciones que incrementan los costes energéticos
entre el 2010-2012, agrupados según dispongan de aporte de oxigeno (Grupo I) o no (Grupo II)
y test de Kruskal –Wallis.
Coste energético (€/m3) 2010 2011 2012 Kruskal-Wallis Test a
Grupo I Promedio 0.117 0.145 0.150 0.000 Mínimo 0.019 0.028 0.028
Máximo 0.620 0.807 1.027
Grupo II Promedio 0.063 0.074 0.089 0.184 Mínimo 0.033 0.046 0.038
Máximo 0.132 0.154 0.164
a La hipótesis nula es que no existe diferencia entre los grupos
4.2 Análisis de los resultados en función del tipo de tecnología del tratamiento
secundario y el tamaño de las instalaciones
Otra de las características técnicas más influyentes en el consumo energético de las
estaciones depuradoras es el volumen de agua residual tratada. En base a este criterio se
ha dividido la muestra en 3 grupos: i) Tamaño I, instalaciones que tratan hasta 55,000
m3/año; ii) Tamaño II, plantas que tratan volúmenes de agua de entre 55,000 m3/año a
275,000 m3/año; y iii) Tamaño III, instalaciones que procesan más de 275,000 m3/año.
Con el fin de garantizar la fiabilidad de los resultados se ha comprobado, a través del
15
test de Kruskal-Wallis, que los tres grupos presentan comportamientos energéticos
distintos.
Así pues, teniendo en cuanta, además de la tecnología de las instalaciones, el tamaño de
las mismas, se analiza la evolución del coste energético (€/m3) a lo largo del tiempo con
el fin de estudiar el efecto del deterioro según el tamaño de las plantas. En la Tabla 5 se
muestran los resultados para el grupo de instalaciones que disponen de sistemas de
aireación, y en la Tabla 6 las que no. Cabe señalar que la tecnología de biodiscos está
diseñada para instalaciones pequeñas, por esta razón no hay instalaciones de Tamaño III
con este tipo de tecnología.
Tabla 5. Consumo energético promedio de las instalaciones del Grupo I que
incrementan los costes energéticos entre el 2010-2012, agrupados según el tamaño y
test de Kruskal –Wallis.
Coste energético (€/m3) 2010 2011 2012 Kruskal-Wallis Test a
Tamaño I Promedio 0.168 0.216 0.228 0.003 Mínimo 0.036 0.043 0.041
Máximo 0.620 0.807 1.027
Tamaño II Promedio 0.102 0.128 0.131 0.003 Mínimo 0.019 0.036 0.041
Máximo 0.215 0.234 0.268 Tamaño
III
Promedio 0.090 0.102 0.102 0.287 Mínimo 0.025 0.028 0.028
Máximo 0.270 0.294 0.294
a La hipótesis nula es que no existe diferencia entre los grupos
Tabla 6. Consumo energético promedio de las instalaciones del Grupo II que incrementan los
costes energéticos entre el 2010-2012, agrupados según el tamaño y test de Kruskal –Wallis.
Coste energético (€/m3) 2010 2011 2012 Kruskal-Wallis Test a
16
Tamaño I Promedio 0.076 0.089 0.117 0.210 Mínimo 0.037 0.046 0.057
Máximo 0.132 0.154 0.164
Tamaño II Promedio 0.048 0.054 0.054 0.368 Mínimo 0.033 0.046 0.038
Máximo 0.078 0.078 0.080
a La hipótesis nula es que no existe diferencia entre los grupos
Los resultados de las tablas anteriores muestran como el coste energético por metro
cubico de agua tratada incrementa con el paso del tiempo para cada uno de los tamaños,
tanto para las instalaciones que disponen de sistemas de aireación como para las que no.
Puesto que en todos los casos el volumen de agua tratada disminuye a lo largo del
tiempo, este incremento en el coste energético es debido, únicamente, a un mayor
consumo energético. Si nos centramos en el grupo de instalaciones que disponen de
sistemas de aireación (Tabla 5), el resultado del test de Kruskal-Wallis indica que las
instalaciones de Tamaño I y II presentan diferencias estadísticamente significativas a lo
largo del tiempo, pero no las de las instalaciones más grandes, Tamaño III. Si
analizamos la evolución del coste energético por metro cubico de agua tratada para las
instalaciones de Tamaño 3 de las tecnologías que presentan sistemas de aireación,
observamos que la diferencia entre los años 2011 y 2012 es prácticamente inexistente.
Podríamos pensar que en el año 2012 se trató un volumen de agua residual mayor, sin
embargo no es la situación, ya que en el año 2011 se trataron 3139620 m3/año y en el
2012, aproximadamente 136441 m3 menos. De modo que, el motivo por el que el efecto
del deterioro no es tan apreciable en las instalaciones de mayores dimensiones puede
estar relacionado con que las instalaciones de mayor tamaño presentan un mejor
mantenimiento de los equipos; bien que las instalaciones de menor tamaño presentan
más tendencia estar infradimensionadas y se deterioran más rápidamente con lo cual las
diferencias en el consumo energético a lo largo del tiempo son más notables en estos
casos; o bien a que, durante el último año algunas plantas de tamaño III, hayan instalado
sistemas de cogeneración con el fin de reducir el coste energético del metro cubico de
17
agua tratada, ya que técnicamente son las más adecuadas a disponer de estos sistemas,
enmascarando de esta forma el efecto del deterioro de este grupo de instalaciones.
En cuanto a la muestra de plantas que no disponen de sistemas de aireación (Tabla 6),
independientemente del tamaño de las instalaciones, el coste por metro cubico de agua
tratada incrementa en el transcurso de tiempo, sin embargo los resultados del test de
Kruskal-Wallis muestra que las diferencias no son estadísticamente significativas.
Como ya se ha comentado anteriormente la razón de este efecto, es que los equipos
electromecánicos de estas instalaciones no se deterioran tan rápidamente como los
sistemas de aireación, por lo que tal vez debería tomare como referencia un periodo de
tiempo más largo.
Puesto que el deterioro de los equipos electromecánicos únicamente es apreciable para
el grupo de instalaciones con tecnologías de aireación, a continuación se analiza con
detalle los incrementos a lo largo del periodo considerado para este grupo de
tecnologías y según el tamaño de las instalaciones. Como podemos extraer de la Tabla
7, el incremento en el coste energético por metro cubico es mayor cuanto más pequeña
es la instalación. Si se observa el incremento promedio de las instalaciones a lo largo
del periodo, esta diferencia es aún mayor. Las instalaciones de tamaño I y II son las que
mayores incrementos porcentuales promedio presentan con un 40.74 % y 44.81 %
respectivamente, frente a las de tamaño III, cuyo incremento porcentual promedio es de
solo un 16.53%. Es decir, que las instalaciones que tratan volúmenes de agua inferiores
a 275.000 m3 al año son las que experimentan incrementos superiores en el consumo
energético como consecuencia del deterioro.
Tabla 7. Incremento del coste energético (€/m3) en el periodo 2010-2012 por tamaño de las
instalaciones
% de EDARs que incrementan el
consumo energético
Incremento promedio del coste energético (€/m3)
Incremento promedio del coste
energético (%) Tamaño I 14.60 0.06 40.74 Tamaño II 17.08 0.03 44.81
Tamaño 17.08 0.01 16.53
18
III
Total 48.76
4.3 Modelización del coste energético y variable deterioro
Tras comprobar como a lo largo del tiempo las depuradoras se deterioran y consumen
cada vez más energía, repercutiendo en los costes del proceso, se va a modelizar el coste
energético con el fin de proyectar los costes energéticos futuros. El modelo de
proyección además de distintas variables técnicas del proceso tiene en consideración la
variable envejecimiento.
Teniendo en cuenta el año 2010 como año de referencia, se asume que la variable
envejecimiento para las instalaciones de este año es 1; en el año 2011, estas mismas
instalaciones habrán envejecido un año, por lo que la variable envejecimiento tomará el
valor de 2; y en el año 2012, las instalaciones habrán sufrido un deterioro equivalente a
tres años, por lo que la variable envejecimiento tomará el valor de 3. Así pues, el
objetivo es crear un modelo matemático capaz de recoger los efectos del envejecimiento
de las instalaciones, con el fin de predecir los costes energéticos.
Puesto que la diferencia en el consumo energético a lo largo del tiempo únicamente ha
sido estadísticamente significativa para el grupo de instalaciones que presentan
tecnologías con aporte de oxígeno, se ha considerado, que lo más adecuado es la
modelización del coste únicamente para este grupo de instalaciones, cuyas tecnologías
del tratamiento secundario corresponden a fangos activos y aireación prolongada. El
modelo se elabora a partir de la información estadística de 156 instalaciones recogida
durante el periodo 2010-2012.
Haciendo uso de la función de coste citada previamente en el apartado Metodología, se
obtiene un modelo que nos permite proyectar el coste energético de las EDARs
considerando el deterioro que padecen los equipos. Así pues se obtiene un modelo con
una R2 ajustada de 0.890, en el que el coste energético, depende y está directamente
19
relacionado con el volumen de agua tratada, la cantidad de DQO eliminada en el
proceso, y el envejecimiento que han padecido las estaciones depuradoras con el
tiempo, de la siguiente forma:
0.125 . . .
Donde:
CE = coste económico (€/año)
V = volumen de agua residual tratada (m3/año)
M = cantidad de DQO eliminada (Kg/año)
J = envejecimiento (años transcurridos)
Para garantizar la viabilidad de la función de coste se comprueba que se cumplen los
cuatro principios básicos de los modelos de regresión. A través de los estadísticos de
colinealidad se prueba la no-colinealidad entre las variables, ya que todas ellas tienen un
VIF próximo a la unidad (Tabla 8).
Tabla 8. Estadísticos de colinealidad entre las variables
Estadísticos de colinealidad entre las variables Variables
explicativas
Tolerancia VIF
Volumen tratado (V) 0.543 1.843 DQO eliminada (M) 0.544 1.839 Envejecimiento (J) 0.997 1.003
A continuación en la Figura 1 se muestra el comportamiento normal de los residuos, que
se confirma estadísticamente través del test de Kolmogrov-Smirnoff (Tabla 9), que con
un valor de 0.200 no permite rechazar la H0 . Además de comportarse como una
normal, los residuos son independientes entre sí, tal y como se constata a través del test
de Durbin-Watson, cuyo resultado es 1.644, valor superior a 1.4, lo cual permite
verificar que los residuos no están autocorrelacionados.
20
Figura 1. Gráfico de normalidad de los residuos
Tabla 9. Normalidad de los residuos y Test de Kolmogrov-Smirnov
Normalidad de los residuos Residuos estandarizados Kolmogrov-Smirnov Test b
Media 0.000 0.200 Mínimo -3.187
Máximo 2.820
b La hipótesis nula es que la variable se comporta como una normal
Y finalmente, puesto que la muestra de estudio es amplia normal, la homocedasticiadad
del modelo se confirma a través del test Breusch Pagan, cuyo resultado ha sido de
0.6069, valor superior a 0.05, el cual no nos permite rechazar la Ho.
La diferencia entre los valores reales y los obtenidos con la función de coste presentada
anteriormente son inferiores al 50% para el 70% de las observaciones. Esto muestra que
la función obtenida se próxima bastante a la realidad, hay que tener en cuenta que se
trata de una función de coste general, ya que la muestra que se ha utilizado para su
obtención no es del todo homogénea porque no distingue el tipo de tecnologías de
aireación o el tamaño de las instalaciones, variables que influyen en el consumo
energético de una EDAR. Sin embargo, es la primera función de coste en la literatura
que permite estimar el coste energético de las instalaciones considerando el deterioro de
21
los equipos. A continuación, en la Tabla 10 se comparan los costes energéticos por
metro cúbico de agua tratada reales, y los obtenidos a partir del coste energético de las
instalaciones proyectado con la función.
Tabla 10. Costes proyectados del tratamiento del agua residual (€/m3)
Coste energético (€/m3)
2010 2011 2012
EDAR 172
Coste Real 0.0842 0.0999 0.1182
Coste Proyectado 0.0892 0.1047 0.1197
Diferencia (%) 6.00 4.78 1.26
EDAR 219
Coste Real 0.0681 0.0911 0.1195
Coste Proyectado 0.0724 0.0849 0.1006
Diferencia (%) 6.32 6.88 15.79
EDAR 246
Coste Real 0.0965 0.1074 0.1519
Coste Proyectado 0.1235 0.1405 0.1716
Diferencia (%) 28.02 30.80 12.98
EDAR 1023
Coste Real 0.0991 0.1311 0.1594
Coste Proyectado 0.0978 0.1168 0.1373
Diferencia (%) 1.34 10.93 13.87
5. CONCLUSIONES
El proceso de depuración de aguas residuales es energéticamente intensivo, y pese a los
esfuerzos en reducir el consumo energético con tecnologías más eficientes
energéticamente y la implementación de las EDARs con sistemas de cogeneración,
existe un consumo energético extra a lo largo del tiempo como consecuencia del
deterioro de los equipos y de las instalaciones en general.
22
El presente estudio confirma que pese a reducirse el volumen de agua residual tratada a
lo largo de cada uno de los años considerados en el periodo de estudio, el consumo
energético incrementa. Cabe señalar que las tecnologías que presentan sistemas de
aireación, como son los fangos activos y aireación prolongada, presentan diferencias
significativas en el consumo energético a lo largo del tiempo. Esto se debe,
fundamentalmente, a que los sistemas de aireación están en contacto continuo y directo
con el agua residual, cuyas características aceleran notablemente el deterioro de estos
equipos, y junto con el hecho de que estos elementos suponen la mayor parte del
consumo energético total de las instalaciones, hace que las diferencias en el consumo
energético a lo largo del tiempo sean mucho más relevantes para este tipo de
tecnologías.
Además de las diferencias en el consumo energético a lo largo del tiempo según el tipo
de tecnología, también se han podido apreciar diferencias en lo que al tamaño de las
instalaciones se refiere (estimado en función del volumen de agua residual tratada). De
acuerdo a los resultados obtenidos, las instalaciones de tamaño pequeño y mediano,
aquellas que tratan un volumen de agua residual inferior a 275,000 m3/año, presentan
diferencias más notables. Este resultado no debe interpretarse como que las EDARs de
mayor tamaño tardan más en deteriorarse, sino que los efectos del deterioro no son tan
apreciables. Cabe tener en cuenta que las EDARs de mayor tamaño son las que se
suelen implementar con sistemas de cogeneración. Asumiendo que las labores de
mantenimiento se llevan de igual forma para todo tipo de depuradoras
independientemente de sus dimensiones, podríamos interpretar que el efecto del
deterioro en las instalaciones más grandes se ve enmascarado por el hecho de que
algunas de ellas estén autoabasteciéndose energéticamente. O bien, realmente existen
diferencias en cuanto a la estrategia de mantenimiento entre unas y otras, siendo
mejores las de las estaciones depuradoras de mayores dimensiones hasta el punto de
marcar estas diferencias.
Finalmente y tras comprobar el comportamiento del consumo energético a lo largo del
periodo considerado y el efecto que tiene el deterioro de los equipos en su evolución, se
23
ha podido modelizar el coste energético a través de una función de coste que además del
envejecimiento anual de los equipos, considera el volumen de agua residual tratada
(m3/año) y la cantidad de DQO eliminada al (Kg/año). A través de esta función se podrá
modelizar el coste energético de una instalación a lo largo de un periodo de tiempo
considerado, pudiendo estimar los costes futuros teniendo en cuenta no solo
características técnicas del proceso, sino también el consumo energético extra que
supone el deterioro de los equipos.
Ningún estudio hasta el presente, ha cuantificado el deterioro que sufren los equipos de
las depuradoras, ya que son muchos los factores físicos, operacionales y ambientales
que pueden afectar a los equipos. Sin embargo esta función de coste lleva implícita una
estimación de este deterioro, que queda plasmado en un mayor consumo energético, con
repercusiones en la gestión económica y ambiental de las compañías explotadoras.
Ante los resultados alcanzados, cabría plantear, además de la implementación de las
instalaciones con tecnologías energéticamente más eficientes y sistemas de
cogeneración, una mejora de las labores de mantenimiento, tal vez se deberá apostar por
estrategias proactivas, frente a las actuales reactivas, con el fin de garantizar el buen
funcionamiento de los equipos, y reducir los efectos que tiene el deterioro de los
equipos en el consumo energético.
Y finalmente, desde el punto de vista de la gestión de las EDARs, el ser capaces de
proyectar el coste energético futuro de una instalación considerando su deterioro, podría
ser de gran utilidad en el proceso de evaluación de la viabilidad económica de la
reparación o sustitución de un equipo, facilitando de esta forma la toma de decisiones.
REFERENCIAS
Albaladejo, A., Trapote, J., 2013. Influencia de las tarifas eléctricas en los costes de operación y mantenimiento de las depuradoras de aguas residuales. Tecnoaqua , 48-54.
24
Albaladejo-Ruiz, A., Albaladejo-Falcó, A., 2016. Parametrization of energy consumption of sewage treatment plants (east of Spain), Dyna (Spain) 91, 82-87.
Baltagi, B., 2008. Econometric Analysis of Panel Data. John Wiley & Sons.
Bodik, I., Kubaská, M., 2013. Energy and sustainability of operation of a wastewater treatment plant, Environment Protection Engineering 39, 15-24.
Bolognesi, A., Bragalli, C., Lenzi, C., Artina, S., 2014. Energy Efficiency Optimization in Water Distribution Systems, Procedia Engineering 70, 181-190.
Brandt, M., Middleton, R., Wheale, G., Schulting, F., 2011. Energy efficiency in the water industry, a Global Research Project, Water Practice and Technology 6.
Breusch, T.S., Pagan, A.R., 1979. A simple test for heteroscedasticity and random coefficient variation, Econometrica: Journal of the Econometric Society , 1287-1294.
Cabrera, E., Pardo, M.A., Cobacho, R., Cabrera Jr, E., 2010. Energy audit of water networks, J. Water Resour. Plann. Manage. 136, 669-677.
Castell, D., García, M., Tormos, I., Ferrer, C., Morenilla, J.J., Bernacer, I., Basiero, J.A., 2011. Optimización energética del sistema de aireación de una EDAR. Análisis comparativo de dos tecnologías, Tecnología del Agua 31, 50-56.
Castellet, L., Molinos-Senante, M., 2016. Efficiency assessment of wastewater treatment plants: A data envelopment analysis approach integrating technical, economic, and environmental issues, J. Environ. Manage. 167, 160-166. doi: 10.1016/j.jenvman.2015.11.037.
Frijns, J., Middleton, R., Uijterlinde, C., Wheale, G., 2012. Energy efficiency in the European water industry: learning from best practices, Journal of Water and Climate Change 3, 11-17.
Gikas, P., in press. Towards energy positive wastewater treatment plants, J. Environ. Manage.
Hardy, L., Garrido, A., Juana, L., 2012. Evaluation of Spain's water-energy nexus, International Journal of Water Resources Development 28, 151-170.
Healy, R.W., Alley, W.M., Engle, M.A., McMahon, P.B., Bales, J.D., 2015. The water-energy nexus: an earth science perspective, US Geological Survey 1407.
Henriques, J., Catarino, J., 2015. Sustainable Value and Cleaner Production – research and application in 19 Portuguese SME, J. Clean. Prod. 96, 379-386.
25
Hernández-Sancho, F., Molinos-Senante, M., Sala-Garrido, R., 2011a. Techno-economical efficiency and productivity change of wastewater treatment plants: the role of internal and external factors, Journal of Environmental Monitoring 13, 3448-3459.
Hernandez-Sancho, F., Molinos-Senante, M., Sala-Garrido, R., 2011. Cost modelling for wastewater treatment processes, Desalination 268, 1-5.
Hernández-Sancho, F., Molinos-Senante, M., Sala-Garrido, R., 2011b. Energy efficiency in Spanish wastewater treatment plants: A non-radial DEA approach, Sci. Total Environ. 409, 2693-2699.
IDAE, 2010. Guía práctica de la energía: consumo eficiente y responsable.
King, C.W., Holman, A.S., Webber, M.E., 2008. Thirst for energy, Nature Geoscience 1, 283-286.
Kleinbaum, D.G., Kupper, L.L., Muller, K.E., 1988. Applied Regression Analysis and Other Multivariable Methods. PWS-Kent Publishing Co., Boston.
Koenker, R., 1981. A note on studentizing a test for heteroscedasticity, J. Econ. 17, 107-112.
Metcalf, L., Eddy, H.P., Tchobanoglous, G., 2003. Wastewater engineering: Treatment, disposal, and reuse, .
Mo, W., Zhang, Q., 2013. Energy–nutrients–water nexus: Integrated resource recovery in municipal wastewater treatment plants, J. Environ. Manage. 127, 255-267.
Molinos-Senante, M., Hanley, N., Sala-Garrido, R., 2015. Measuring the CO2 shadow price for wastewater treatment: A directional distance function approach, Appl. Energy 144, 241-249.
Molinos-Senante, M., Hernández-Sancho, F., Mocholí-Arce, M., Sala-Garrido, R., 2014. Economic and environmental performance of wastewater treatment plants: Potential reductions in greenhouse gases emissions, Resource and Energy Economics 38, 125-140.
Molinos-Senante, M., Marques, R.C., Pérez, F., Gómez, T., Sala-Garrido, R., Caballero, R., 2016. Assessing the sustainability of water companies: A synthetic indicator approach, Ecol. Ind. 61, Part 2, 577-587.
Panepinto, D., Fiore, S., Zappone, M., Genon, G., Meucci, L., 2016. Evaluation of the energy efficiency of a large wastewater treatment plant in Italy, Appl. Energy 161, 404-411.
26
Papong, S., Rotwiroon, P., Chatchupong, T., Malakul, P., 2014. Life cycle energy and environmental assessment of bio-CNG utilization from cassava starch wastewater treatment plants in Thailand, Renew. Energy 65, 64-69.
Pate, R., Hightower, M., Cameron, C., Einfeld, W., 2007. Overview of energy-water interdependencies and the emerging energy demands on water resources , Report SAND 1349.
Perrone, D., Murphy, J., Hornberger, G.M., 2011. Gaining perspective on the water− energy nexus at the community scale, Environmental science & technology 45, 4228-4234.
Plósz, B.G., Liltved, H., Ratnaweera, H., 2009. Climate change impacts on activated sludge wastewater treatment: a case study from Norway, Water Science and Technology 60, 533-541.
Racoviceanu, A.I., Karney, B.W., Kennedy, C.A., Colombo, A.F., 2007. Life-cycle energy use and greenhouse gas emissions inventory for water treatment systems , Journal of Infrastructure Systems 13, 261-270.
Rio Carrillo, A.M., Frei, C., 2009. Water: A key resource in energy production, Energy Policy 37, 4303-4312.
Shen, Y., Linville, J.L., Urgun-Demirtas, M., Mintz, M.M., Snyder, S.W., 2015. An overview of biogas production and utilization at full-scale wastewater treatment plants (WWTPs) in the United States: Challenges and opportunities towards energy-neutral WWTPs, Renewable and Sustainable Energy Reviews 50, 346-362.
Siddiqi, A., Anadon, L.D., 2011. The water–energy nexus in Middle East and North Africa, Energy Policy 39, 4529-4540.
Silvestre, G., Fernández, B., Bonmatí, A., 2015. Significance of anaerobic digestion as a source of clean energy in wastewater treatment plants, Energy Conversion and Management 101, 255-262.
Simón, P., Lardín, C., Abellán, M., 2012. Optimización energética en EDAR de la Región de Murcia, Ingenieria civil , 93-112.
Slingerland, S., Yearwood, J., Gancheva, M., Rademaekers, K., 2015. EU energy governance for the future, 2016.
Sun, Y., Li, Y.W., 2010. The techology of wastewater treatment and energy recovery based on UASB reactor. , , 4310-4313.
27
Svensson, N., Roth, L., Eklund, M., Mårtensson, A., 2006. Environmental relevance and use of energy indicators in environmental management and research, J. Clean. Prod. 14, 134-145.
Venkatesh, G., Brattebø, H., 2011. Energy consumption, costs and environmental impacts for urban water cycle services: Case study of Oslo (Norway), Energy 36, 792-800.
Walsh, B.P., Murray, S.N., O’Sullivan, D.T.J., 2015. The water energy nexus, an ISO50001 water case study and the need for a water value system, Water Resources and Industry 10, 15-28.
WWAP, 2014. The United Nations World Water Development Report 2014: Water and Energy, .
Zaribaf, B.H., Zhang, Q., Bennett, N., 2013. Life cycle energy and greenhouse gas emissions of an integrated water management system, City of Clearwater, FL, .
Zhang, Q.H., Yang, W.N., Ngo, H.H., Guo, W.S., Jin, P.K., Dzakpasu, M., Yang, S.J., Wang, Q., Wang, X.C., Ao, D., 2016. Current status of urban wastewater treatment plants in China, Environ. Int. 92–93, 11-22.
Zhou, P., Ang, B.W., Poh, K.L., 2008. A survey of data envelopment analysis in energy and environmental studies, Eur. J. Oper. Res. 189, 1-18.
28