专利详情

标题基于多模型耦合算法的大气污染协同减排方案优化方法
[标]当前申请(专利权)人中国民航大学 | 南开大学 | 深圳市奥缘科技有限公司
申请日2024年4月28日
申请号CN202410517200.8
公开(公告)日2024年6月14日
公开(公告)号CN118195099A
授权日-
法律状态/事件公开
专利类型发明申请
发明人马思萌 | 刘泽珺 | 吴建会 | 张裕芬 | 韩博 | 杨静宜 | 毕晓辉 | 冯银厂 | 陈为为 | 王少权
受理局中国
当前申请人(专利权)地址300000 天津市东丽区津北公路2898号 (天津,天津,东丽区)
IPC分类号G06Q10/04 | G06Q50/26 | G06N3/126
国民经济行业分类号I6550
代理机构深圳市朝闻专利代理事务所(普通合伙)
代理人原程
被引用专利数量-
专利价值-

摘要

本发明涉及大气科学技术领域,公开了基于多模型耦合算法的大气污染协同减排方案优化方法,基于多尺度空气质量模型CAMx对预设基准年减排情景进行模拟,并对模拟结果进行统计拟合,构建PM<subgt;2.5</subgt;排放-浓度响应曲面模型;获取所有排放源以及污染物的数据信息,并基于数据信息对排放源和污染物的减排潜力进行定量分析,确定优化区间;根据遗传算法和PM<subgt;2.5</subgt;排放-浓度响应曲面模型对优化区间进行减排方案优化;基于优化结果将污染物的减排量分别分配至对应的污染源,确定优化减排方案,本发明可以根据多模型来构建大气污染协同减排方案优化方法,实现从“一刀切”向公平性减排的转变,得到满足空气质量目标同时兼顾公平性的减排方案。

1.一种基于多模型耦合算法的大气污染协同减排方案优化方法,其特征在于,包括:

基于多尺度空气质量模型CAMx对预设基准年减排情景进行模拟,并对模拟结果进行统计拟合,构建PM2.5排放-浓度响应曲面模型;

获取所有排放源以及污染物的数据信息,并基于所述数据信息对排放源和污染物的减排潜力进行定量分析,确定优化区间;

根据遗传算法和所述PM2.5排放-浓度响应曲面模型对所述优化区间进行减排方案优化;

基于优化结果将污染物的减排量分别分配至对应的污染源,确定优化减排方案。

2.根据权利要求1所述的基于多模型耦合算法的大气污染协同减排方案优化方法,其特征在于,在基于多尺度空气质量模型CAMx对预设基准年减排情景进行模拟,并对模拟结果进行统计拟合,构建PM2.5排放-浓度响应曲面模型时,包括:

获取预设基准年减排情景的排放量数据,其中,所述排放量数据包括氮氧化物排放量、二氧化硫排放量、氨气排放量、挥发性有机化合物排放量和颗粒物排放量;

根据所述排放量数据计算目标污染物PM2.5的浓度响应,并构建响应曲面模型pf-RSM;

将统计拟合结果作为所述响应曲面模型pf-RSM的输入文件,并根据所述响应曲面模型pf-RSM进行污染物浓度变化分析,构建所述PM2.5排放-浓度响应曲面模型。

3.根据权利要求2所述的基于多模型耦合算法的大气污染协同减排方案优化方法,其特征在于,在根据所述排放量数据计算目标污染物PM2.5的浓度响应时,包括:

根据下式计算目标污染物PM2.5的浓度响应:



其中,ΔConc为目标污染物PM2.5的浓度响应,ENOx、ESO2、ENH3、EVOCs和EPOA分别是预设基准年减排情景下的氮氧化物排放量、二氧化硫排放量、氨气排放量、挥发性有机化合物排放量和有机颗粒物排放量,ai、bi、ci、di和ei分别代表ENOx、ESO2、ENH3、EVOCs和EPOA的非负整数幂,Xi为项i的系数,n为项的个数。

4.根据权利要求1所述的基于多模型耦合算法的大气污染协同减排方案优化方法,其特征在于,在基于多尺度空气质量模型CAMx对预设基准年减排情景进行模拟,并对模拟结果进行统计拟合,构建PM2.5排放-浓度响应曲面模型之后,还包括:

获取未来年污染物的模型模拟值和基准年污染物的模型基准值;

根据所述未来年污染物的模型模拟值和所述基准年污染物的模型基准值计算监测点i的无量纲相对反应因子;

基于所述监测点i的无量纲相对反应因子计算所述监测点i的预测未来年设计值;

根据所述监测点i的预测未来年设计值对预设基准年减排情景下PM2.5的模拟值进行融合及校验。

5.根据权利要求4所述的基于多模型耦合算法的大气污染协同减排方案优化方法,其特征在于,在根据所述未来年污染物的模型模拟值和所述基准年污染物的模型基准值计算所述监测点i的无量纲相对反应因子时,包括:

根据下式计算所述监测点i的无量纲相对反应因子:



其中,(RRF)i为监测点i的无量纲相对反应因子,Modeli,未来年为未来年污染物的模型模拟值,Modeli,基准年为基准年污染物的模型基准值;

根据下式计算所述监测点i的预测未来年设计值:

DVFi=DVBi×RRFi;

其中,(DVF)i为监测点i的预测未来年设计值,(DVB)i为监测点i的基准年设计值。

6.根据权利要求1所述的基于多模型耦合算法的大气污染协同减排方案优化方法,其特征在于,在根据遗传算法和所述PM2.5排放-浓度响应曲面模型对所述优化区间进行减排方案优化时,包括:

设置迭代次数计算器m=1,设置最大迭代次数mmax,随机生成初始种群P(m);

计算所述初始种群P(m)中每个个体的适应度;

对所述初始种群P(m)分别进行选择、交叉和突变处理,得到下一代种群P(m+1);

判断是否满足终止条件,若满足,则以进化过程中搜索得到的具有最大适应度函数值的个体作为最优解输出,终止计算。

7.根据权利要求6所述的基于多模型耦合算法的大气污染协同减排方案优化方法,其特征在于,在计算所述初始种群P(m)中每个个体的适应度时,包括:

根据下式计算所述初始种群P(m)中第i个个体的适应度:



其中,Fi为初始种群P(m)中第i个个体的适应度,Y为选择压力,取值范围为[1.0,2.0],N为初始种群P(m)中的个体总数。

8.根据权利要求7所述的基于多模型耦合算法的大气污染协同减排方案优化方法,其特征在于,在对所述初始种群P(m)分别进行选择、交叉和突变处理,得到下一代种群P(m+1)时,包括:

预先设定最大交叉概率Rmax1和最大突变概率Rmax2;

获取所述初始种群P(m)中第i个个体的适应度Fi;

计算所述初始种群P(m)中所有个体的适应度均值ΔF;

根据第i个个体的适应度Fi和所述适应度均值ΔF之间的关系设定第i个个体的交叉概率和突变概率;

当Fi<ΔF时,则将第i个个体的交叉概率设定为所述最大交叉概率Rmax1,将第i个个体的突变概率设定为所述最大突变概率Rmax2;

当ΔF≤Fi时,则根据第i个个体的适应度Fi和所述适应度均值ΔF之间的适应度差值设定第i个个体的交叉概率和突变概率。

9.根据权利要求8所述的基于多模型耦合算法的大气污染协同减排方案优化方法,其特征在于,在根据第i个个体的适应度Fi和所述适应度均值ΔF之间的适应度差值设定第i个个体的交叉概率和突变概率时,包括:

计算第i个个体的适应度Fi和所述适应度均值ΔF之间的适应度差值A,其中,A=Fi-ΔF;

预先设定第一预设适应度差值B1,第二预设适应度差值B2,且B1<B2;

预先设定第一预设交叉概率C1,第二预设交叉概率C2,第三预设交叉概率C3,且C1<C2<C3;

预先设定第一预设突变概率D1,第二预设突变概率D2,第三预设突变概率D3,且D1<D2<D3;

根据所述适应度差值A与各预设适应度差值之间的关系设定第i个个体的交叉概率和突变概率:

当A<B1时,选定所述第三预设交叉概率C3作为第i个个体的交叉概率,选定所述第三预设突变概率D3作为第i个个体的突变概率;

当B1≤A<B2时,选定所述第二预设交叉概率C2作为第i个个体的交叉概率,选定所述第二预设突变概率D2作为第i个个体的突变概率;

当B2≤A时,选定所述第一预设交叉概率C1作为第i个个体的交叉概率,选定所述第一预设突变概率D1作为第i个个体的突变概率。

10.根据权利要求9所述的基于多模型耦合算法的大气污染协同减排方案优化方法,其特征在于,在根据所述适应度差值A与各预设适应度差值之间的关系设定第i个个体的交叉概率和突变概率之后,还包括:

获取第i个个体的当前迭代次数g;

计算所述当前迭代次数g和所述最大迭代次数mmax之间的迭代次数比值M,其中,M=g/mmax;

根据所述迭代次数比值M对第i个个体的交叉概率和突变概率进行修正,得到第i个个体的目标交叉概率和目标突变概率;

预先设定第一预设迭代次数比值G1,第二预设迭代次数比值G2,且G1<G2;

预先设定第一预设交叉概率修正系数h1,第二预设交叉概率修正系数h2,第三预设交叉概率修正系数h3,且0.8<h1<h2<h3<1.2;

预先设定第一预设突变概率修正系数y1,第二预设突变概率修正系数y2,第三预设突变概率修正系数y3,且0.8<y1<y2<y3<1.2;

在将第i个个体的交叉概率和突变概率分别设定为第b预设交叉概率Cb和第k预设突变概率Dk时,b=1,2,3,k=1,2,3,根据所述迭代次数比值M与各预设迭代次数比值之间的关系对第b预设交叉概率Cb和第k预设突变概率Dk进行修正:

当M<G1时,选定所述第一预设交叉概率修正系数h1对所述第b预设交叉概率Cb进行修正,得到第i个个体的目标交叉概率Cb*h1,选定所述第一预设突变概率修正系数y1对所述第k预设突变概率Dk进行修正,得到第i个个体的目标突变概率Dk*y1;

当G1≤M<G2时,选定所述第二预设交叉概率修正系数h2对所述第b预设交叉概率Cb进行修正,得到第i个个体的目标交叉概率Cb*h2,选定所述第二预设突变概率修正系数y2对所述第k预设突变概率Dk进行修正,得到第i个个体的目标突变概率Dk*y2;

当G2≤M时,选定所述第三预设交叉概率修正系数h3对所述第b预设交叉概率Cb进行修正,得到第i个个体的目标交叉概率Cb*h3,选定所述第三预设突变概率修正系数y3对所述第k预设突变概率Dk进行修正,得到第i个个体的目标突变概率Dk*y3。

技术领域

[0001]本发明涉及大气科学技术领域,具体而言,涉及基于多模型耦合算法的大气污染协同减排方案优化方法。

背景技术

[0002]近年来,我国环境空气质量总体持续改善,但一些重点区域以细颗粒物(PM2.5)污染为主的重污染事件仍频发。PM2.5的排放源种类众多,随着减排工作的不断推进,行业传统治理措施可挖掘的减排空间逐渐收窄,精细化、定量化的减排需求逐步增大,亟需建立减排方案优化技术。

[0003]目前已有优化模型的约束条件设置不完善,模型构建过程中没有综合考虑多因素对减排的影响,如污染源的排放贡献、污染物排放绩效等,这会带来以下问题:①得到的减排方案不具有公平性及经济可行性;②减排潜力未能得到科学的定量分析,造成寻优区间的范围过大或过小,从而造成计算资源的浪费,或是得不到全局最优的方案。

发明内容

[0004]鉴于此,本发明提出了基于多模型耦合算法的大气污染协同减排方案优化方法,为多源类-多污染物-多区域协同控制决策提供理论与技术支撑,以环境质量为目标,实现重污染应急减排策略和空气污染常态化管理措施的快速、有效制定。

[0005]本发明提出了一种基于多模型耦合算法的大气污染协同减排方案优化方法,包括:

[0006]基于多尺度空气质量模型CAMx对预设基准年减排情景进行模拟,并对模拟结果进行统计拟合,构建PM2.5排放-浓度响应曲面模型;

[0007]获取所有排放源以及污染物的数据信息,并基于所述数据信息对排放源和污染物的减排潜力进行定量分析,确定优化区间;

[0008]根据遗传算法和所述PM2.5排放-浓度响应曲面模型对所述优化区间进行减排方案优化;

[0009]基于优化结果将污染物的减排量分别分配至对应的污染源,确定优化减排方案。

[0010]进一步地,在基于多尺度空气质量模型CAMx对预设基准年减排情景进行模拟,并对模拟结果进行统计拟合,构建PM2.5排放-浓度响应曲面模型时,包括:

[0011]获取预设基准年减排情景的排放量数据,其中,所述排放量数据包括氮氧化物排放量、二氧化硫排放量、氨气排放量、挥发性有机化合物排放量和颗粒物排放量;

[0012]根据所述排放量数据计算目标污染物PM2.5的浓度响应,并构建响应曲面模型pf-RSM;

[0013]将统计拟合结果作为所述响应曲面模型pf-RSM的输入文件,并根据所述响应曲面模型pf-RSM进行污染物浓度变化分析,构建所述PM2.5排放-浓度响应曲面模型。

[0014]进一步地,在根据所述排放量数据计算目标污染物PM2.5的浓度响应时,包括:

[0015]根据下式计算目标污染物PM2.5的浓度响应:

[0016]

[0017]其中,ΔConc为目标污染物PM2.5的浓度响应,ENOx、ESO2、ENH3、EVOCs和EPOA分别是预设基准年减排情景下的氮氧化物排放量、二氧化硫排放量、氨气排放量、挥发性有机化合物排放量和有机颗粒物排放量,ai、bi、ci、di和ei分别代表ENOx、ESO2、ENH3、EVOCs和EPOA的非负整数幂,Xi为项i的系数,n为项的个数。

[0018]进一步地,在基于多尺度空气质量模型CAMx对预设基准年减排情景进行模拟,并对模拟结果进行统计拟合,构建PM2.5排放-浓度响应曲面模型之后,还包括:

[0019]获取未来年污染物的模型模拟值和基准年污染物的模型基准值;

[0020]根据所述未来年污染物的模型模拟值和所述基准年污染物的模型基准值计算监测点i的无量纲相对反应因子;

[0021]基于所述监测点i的无量纲相对反应因子计算所述监测点i的预测未来年设计值;

[0022]根据所述监测点i的预测未来年设计值对预设基准年减排情景下PM2.5的模拟值进行融合及校验。

[0023]进一步地,在根据所述未来年污染物的模型模拟值和所述基准年污染物的模型基准值计算所述监测点i的无量纲相对反应因子时,包括:

[0024]根据下式计算所述监测点i的无量纲相对反应因子:

[0025]

[0026]其中,(RRF)i为监测点i的无量纲相对反应因子,Mode li,未来年为未来年污染物的模型模拟值,Mode li,基准年为基准年污染物的模型基准值;

[0027]根据下式计算所述监测点i的预测未来年设计值:

[0028]9DVF)i=(DVB)i×9RRF)i;

[0029]其中,(DVF)i为监测点i的预测未来年设计值,(DVB)i为监测点i的基准年设计值。

[0030]进一步地,在根据遗传算法和所述PM2.5排放-浓度响应曲面模型对所述优化区间进行减排方案优化时,包括:

[0031]设置迭代次数计算器m=1,设置最大迭代次数mmax,随机生成初始种群P(m);

[0032]计算所述初始种群P(m)中每个个体的适应度;

[0033]对所述初始种群P(m)分别进行选择、交叉和突变处理,得到下一代种群P(m+1);

[0034]判断是否满足终止条件,若满足,则以进化过程中搜索得到的具有最大适应度函数值的个体作为最优解输出,终止计算。

[0035]进一步地,在计算所述初始种群P(m)中每个个体的适应度时,包括:

[0036]根据下式计算所述初始种群P(m)中第i个个体的适应度:

[0037]

[0038]其中,Fi为初始种群P(m)中第i个个体的适应度,Y为选择压力,取值范围为[1.0,2.0],N为初始种群P(m)中的个体总数。

[0039]进一步地,在对所述初始种群P(m)分别进行选择、交叉和突变处理,得到下一代种群P(m+1)时,包括:

[0040]预先设定最大交叉概率Rmax1和最大突变概率Rmax2;

[0041]获取所述初始种群P(m)中第i个个体的适应度Fi;

[0042]计算所述初始种群P(m)中所有个体的适应度均值ΔF;

[0043]根据第i个个体的适应度Fi和所述适应度均值ΔF之间的关系设定第i个个体的交叉概率和突变概率;

[0044]当Fi<ΔF时,则将第i个个体的交叉概率设定为所述最大交叉概率Rmax1,将第i个个体的突变概率设定为所述最大突变概率Rmax2;

[0045]当ΔF≤Fi时,则根据第i个个体的适应度F i和所述适应度均值ΔF之间的适应度差值设定第i个个体的交叉概率和突变概率。

[0046]进一步地,在根据第i个个体的适应度Fi和所述适应度均值ΔF之间的适应度差值设定第i个个体的交叉概率和突变概率时,包括:

[0047]计算第i个个体的适应度Fi和所述适应度均值ΔF之间的适应度差值A,其中,A=Fi-ΔF;

[0048]预先设定第一预设适应度差值B1,第二预设适应度差值B2,且B1<B2;

[0049]预先设定第一预设交叉概率C1,第二预设交叉概率C2,第三预设交叉概率C3,且C1<C2<C3;

[0050]预先设定第一预设突变概率D1,第二预设突变概率D2,第三预设突变概率D3,且D1<D2<D3;

[0051]根据所述适应度差值A与各预设适应度差值之间的关系设定第i个个体的交叉概率和突变概率:

[0052]当A<B1时,选定所述第三预设交叉概率C3作为第i个个体的交叉概率,选定所述第三预设突变概率D3作为第i个个体的突变概率;

[0053]当B1≤A<B2时,选定所述第二预设交叉概率C2作为第i个个体的交叉概率,选定所述第二预设突变概率D2作为第i个个体的突变概率;

[0054]当B2≤A时,选定所述第一预设交叉概率C1作为第i个个体的交叉概率,选定所述第一预设突变概率D1作为第i个个体的突变概率。

[0055]进一步地,在根据所述适应度差值A与各预设适应度差值之间的关系设定第i个个体的交叉概率和突变概率之后,还包括:

[0056]获取第i个个体的当前迭代次数g;

[0057]计算所述当前迭代次数g和所述最大迭代次数mmax之间的迭代次数比值M,其中,M=g/mmax;

[0058]根据所述迭代次数比值M对第i个个体的交叉概率和突变概率进行修正,得到第i个个体的目标交叉概率和目标突变概率;

[0059]预先设定第一预设迭代次数比值G1,第二预设迭代次数比值G2,且G1<G2;

[0060]预先设定第一预设交叉概率修正系数h1,第二预设交叉概率修正系数h2,第三预设交叉概率修正系数h3,且0.8<h1<h2<h3<1.2;

[0061]预先设定第一预设突变概率修正系数y1,第二预设突变概率修正系数y2,第三预设突变概率修正系数y3,且0.8<y1<y2<y3<1.2;

[0062]在将第i个个体的交叉概率和突变概率分别设定为第b预设交叉概率Cb和第k预设突变概率Dk时,b=1,2,3,k=1,2,3,根据所述迭代次数比值M与各预设迭代次数比值之间的关系对第b预设交叉概率Cb和第k预设突变概率Dk进行修正:

[0063]当M<G1时,选定所述第一预设交叉概率修正系数h1对所述第b预设交叉概率Cb进行修正,得到第i个个体的目标交叉概率Cb*h1,选定所述第一预设突变概率修正系数y1对所述第k预设突变概率Dk进行修正,得到第i个个体的目标突变概率Dk*y1;

[0064]当G1≤M<G2时,选定所述第二预设交叉概率修正系数h2对所述第b预设交叉概率Cb进行修正,得到第i个个体的目标交叉概率Cb*h2,选定所述第二预设突变概率修正系数y2对所述第k预设突变概率Dk进行修正,得到第i个个体的目标突变概率Dk*y2;

[0065]当G2≤M时,选定所述第三预设交叉概率修正系数h3对所述第b预设交叉概率Cb进行修正,得到第i个个体的目标交叉概率Cb*h3,选定所述第三预设突变概率修正系数y3对所述第k预设突变概率Dk进行修正,得到第i个个体的目标突变概率Dk*y3。

[0066]与现有技术相比,本发明的有益效果在于:

[0067]本发明涉及大气科学技术领域,公开了基于多模型耦合算法的大气污染协同减排方案优化方法,基于多尺度空气质量模型CAMx对预设基准年减排情景进行模拟,并对模拟结果进行统计拟合,构建PM2.5排放-浓度响应曲面模型;获取所有排放源以及污染物的数据信息,并基于数据信息对排放源和污染物的减排潜力进行定量分析,确定优化区间;根据遗传算法和PM2.5排放-浓度响应曲面模型对优化区间进行减排方案优化;基于优化结果将污染物的减排量分别分配至对应的污染源,确定优化减排方案,本发明可以根据多模型来构建大气污染协同减排方案优化方法,完善模型约束条件,实现从“一刀切”向公平性减排的转变,得到满足空气质量目标同时兼顾公平性的减排方案。

附图说明

[0068]通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:

[0069]图1为本发明实施例提供的基于多模型耦合算法的大气污染协同减排方案优化方法流程示意图。

具体实施方式

[0070]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整地传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

[0071]如图1所示,在本申请的一些实施例中,本实施例提供了一种基于多模型耦合算法的大气污染协同减排方案优化方法,包括:

[0072]S110:基于多尺度空气质量模型CAMx对预设基准年减排情景进行模拟,并对模拟结果进行统计拟合,构建PM2.5排放-浓度响应曲面模型;

[0073]在本申请的一些实施例中,在基于多尺度空气质量模型CAMx对预设基准年减排情景进行模拟,并对模拟结果进行统计拟合,构建PM2.5排放-浓度响应曲面模型时,包括:

[0074]获取预设基准年减排情景的排放量数据,其中,所述排放量数据包括氮氧化物排放量、二氧化硫排放量、氨气排放量、挥发性有机化合物排放量和颗粒物排放量;

[0075]根据所述排放量数据计算目标污染物PM2.5的浓度响应,并构建响应曲面模型pf-RSM;

[0076]将统计拟合结果作为所述响应曲面模型pf-RSM的输入文件,并根据所述响应曲面模型pf-RSM进行污染物浓度变化分析,构建所述PM2.5排放-浓度响应曲面模型。

[0077]本实施例中,多尺度空气质量模型CAMx可以定量描述大气污染物排放、气象过程、化学反应和环境质量之间的关系,可以为科学决策提供依据。

[0078]本实施例中,响应曲面模型pf-RSM采用了多项式向量空间的基的线性组合,对其进行明确的参数化。多项式向量空间的基是通过对单项式进行敏感性测试,经过与传统RSM结果对照差异从而确定的。然后通过拟合所有训练样本得到多项式的系数。

[0079]上述技术方案的有益效果是:本发明计算目标污染物PM2.5的浓度响应,并构建所述PM2.5排放-浓度响应曲面模型,可以为大气污染协同减排方案的优化奠定基础,提供可靠的技术支撑。

[0080]在本申请的一些实施例中,在根据所述排放量数据计算目标污染物PM2.5的浓度响应时,包括:

[0081]根据下式计算目标污染物PM2.5的浓度响应:

[0082]

[0083]其中,ΔConc为目标污染物PM2.5的浓度响应,ENOx、ESO2、ENH3、EVOCs和EPOA分别是预设基准年减排情景下的氮氧化物排放量、二氧化硫排放量、氨气排放量、挥发性有机化合物排放量和有机颗粒物排放量,ai、bi、ci、di和ei分别代表ENOx、ESO2、ENH3、EVOCs和EPOA的非负整数幂,Xi为项i的系数,n为项的个数。

[0084]本实施例中,颗粒物排放量包括有机颗粒物排放量和无机颗粒物排放量,公式里选用有机颗粒物排放量。

[0085]在本申请的一些实施例中,在基于多尺度空气质量模型CAMx对预设基准年减排情景进行模拟,并对模拟结果进行统计拟合,构建PM2.5排放-浓度响应曲面模型之后,还包括:

[0086]获取未来年污染物的模型模拟值和基准年污染物的模型基准值;

[0087]根据所述未来年污染物的模型模拟值和所述基准年污染物的模型基准值计算监测点i的无量纲相对反应因子;

[0088]基于所述监测点i的无量纲相对反应因子计算所述监测点i的预测未来年设计值;

[0089]根据所述监测点i的预测未来年设计值对预设基准年减排情景下PM2.5的模拟值进行融合及校验。

[0090]本实施例中,监测点i是指质检合格的空气质量监测站点。

[0091]上述技术方案的有益效果是:本发明利用质检合格的空气质量监测站点的监测数据来对基准情景下PM2.5的模拟值进行融合及校验,以减少空气质量模型所带来的误差。

[0092]在本申请的一些实施例中,在根据所述未来年污染物的模型模拟值和所述基准年污染物的模型基准值计算所述监测点i的无量纲相对反应因子时,包括:

[0093]根据下式计算所述监测点i的无量纲相对反应因子:

[0094]

[0095]其中,(RRF)i为监测点i的无量纲相对反应因子,Mode li,未来年为未来年污染物的模型模拟值,Mode li,基准年为基准年污染物的模型基准值;

[0096]根据下式计算所述监测点i的预测未来年设计值:

[0097](DVF)i=(DVB)i×(RRF)i;

[0098]其中,(DVF)i为监测点i的预测未来年设计值,(DVB)i为监测点i的基准年设计值。

[0099]S120:获取所有排放源以及污染物的数据信息,并基于所述数据信息对排放源和污染物的减排潜力进行定量分析,确定优化区间;

[0100]本实施例中,数据信息包括但不限于排放源生产效率、污染治理管控水平、排放绩效、减排潜力、排放贡献等。

[0101]上述技术方案的有益效果是:本发明结合污染源的排放贡献、排放绩效等指标,可以完善模型约束条件。

[0102]S130:根据遗传算法和所述PM2.5排放-浓度响应曲面模型对所述优化区间进行减排方案优化;

[0103]在本申请的一些实施例中,在根据遗传算法和所述PM2.5排放-浓度响应曲面模型对所述优化区间进行减排方案优化时,包括:

[0104]设置迭代次数计算器m=1,设置最大迭代次数mmax,随机生成初始种群P(m);

[0105]计算所述初始种群P(m)中每个个体的适应度;

[0106]对所述初始种群P(m)分别进行选择、交叉和突变处理,得到下一代种群P(m+1);

[0107]判断是否满足终止条件,若满足,则以进化过程中搜索得到的具有最大适应度函数值的个体作为最优解输出,终止计算。

[0108]本实施例中,每一个种群都有种群大小,种群大小是指每代计算控制策略的数量。

[0109]本实施例中,迭代次数是指在遗传过程中计算一代控制策略的循环次数。

[0110]本实施例中,当迭代次数达到最大迭代次数时,则满足终止条件。

[0111]上述技术方案的有益效果是:本发明可以提高污染物浓度的预测准确性,得到按协同效应排序的优化控制策略列表,确定协同效应最好的减排方案,实现对大气污染协同减排方案的精准优化。

[0112]在本申请的一些实施例中,在计算所述初始种群P(m)中每个个体的适应度时,包括:

[0113]根据下式计算所述初始种群P(m)中第i个个体的适应度:

[0114]

[0115]其中,Fi为初始种群P(m)中第i个个体的适应度,Y为选择压力,取值范围为[1.0,2.0],N为初始种群P(m)中的个体总数。

[0116]在本申请的一些实施例中,在对所述初始种群P(m)分别进行选择、交叉和突变处理,得到下一代种群P(m+1)时,包括:

[0117]预先设定最大交叉概率Rmax1和最大突变概率Rmax2;

[0118]获取所述初始种群P(m)中第i个个体的适应度Fi;

[0119]计算所述初始种群P(m)中所有个体的适应度均值ΔF;

[0120]根据第i个个体的适应度Fi和所述适应度均值ΔF之间的关系设定第i个个体的交叉概率和突变概率;

[0121]当Fi<ΔF时,则将第i个个体的交叉概率设定为所述最大交叉概率Rmax1,将第i个个体的突变概率设定为所述最大突变概率Rmax2;

[0122]当ΔF≤Fi时,则根据第i个个体的适应度Fi和所述适应度均值ΔF之间的适应度差值设定第i个个体的交叉概率和突变概率。

[0123]本实施例中,最大交叉概率Rmax1和最大突变概率Rmax2可以根据实际情况进行设定。

[0124]上述技术方案的有益效果是:本发明根据第i个个体的适应度Fi和适应度均值ΔF之间的关系设定第i个个体的交叉概率和突变概率,进而可以实现对交叉概率和突变概率的动态化设定以及动态化调整,对遗传算法中不同的个体设置不同的交叉概率和变异概率,以加快遗传算法的收敛速度,使之更快达到全局最优点,改善算法的性能。

[0125]在本申请的一些实施例中,在根据第i个个体的适应度Fi和所述适应度均值ΔF之间的适应度差值设定第i个个体的交叉概率和突变概率时,包括:

[0126]计算第i个个体的适应度Fi和所述适应度均值ΔF之间的适应度差值A,其中,A=Fi-ΔF;

[0127]预先设定第一预设适应度差值B1,第二预设适应度差值B2,且B1<B2;

[0128]预先设定第一预设交叉概率C1,第二预设交叉概率C2,第三预设交叉概率C3,且C1<C2<C3;

[0129]预先设定第一预设突变概率D1,第二预设突变概率D2,第三预设突变概率D3,且D1<D2<D3;

[0130]根据所述适应度差值A与各预设适应度差值之间的关系设定第i个个体的交叉概率和突变概率:

[0131]当A<B1时,选定所述第三预设交叉概率C3作为第i个个体的交叉概率,选定所述第三预设突变概率D3作为第i个个体的突变概率;

[0132]当B1≤A<B2时,选定所述第二预设交叉概率C2作为第i个个体的交叉概率,选定所述第二预设突变概率D2作为第i个个体的突变概率;

[0133]当B2≤A时,选定所述第一预设交叉概率C1作为第i个个体的交叉概率,选定所述第一预设突变概率D1作为第i个个体的突变概率。

[0134]上述技术方案的有益效果是:本发明根据适应度差值A与各预设适应度差值之间的关系设定第i个个体的交叉概率和突变概率,可以保证交叉概率和突变概率的设定精准性以及针对性,使交叉概率和突变概率随每个个体的适应度而发生动态化调整,提高个体质量。

[0135]在本申请的一些实施例中,在根据所述适应度差值A与各预设适应度差值之间的关系设定第i个个体的交叉概率和突变概率之后,还包括:

[0136]获取第i个个体的当前迭代次数g;

[0137]计算所述当前迭代次数g和所述最大迭代次数mmax之间的迭代次数比值M,其中,M=g/mmax;

[0138]根据所述迭代次数比值M对第i个个体的交叉概率和突变概率进行修正,得到第i个个体的目标交叉概率和目标突变概率;

[0139]预先设定第一预设迭代次数比值G1,第二预设迭代次数比值G2,且G1<G2;

[0140]预先设定第一预设交叉概率修正系数h1,第二预设交叉概率修正系数h2,第三预设交叉概率修正系数h3,且0.8<h1<h2<h3<1.2;

[0141]预先设定第一预设突变概率修正系数y1,第二预设突变概率修正系数y2,第三预设突变概率修正系数y3,且0.8<y1<y2<y3<1.2;

[0142]在将第i个个体的交叉概率和突变概率分别设定为第b预设交叉概率Cb和第k预设突变概率Dk时,b=1,2,3,k=1,2,3,根据所述迭代次数比值M与各预设迭代次数比值之间的关系对第b预设交叉概率Cb和第k预设突变概率Dk进行修正:

[0143]当M<G1时,选定所述第一预设交叉概率修正系数h1对所述第b预设交叉概率Cb进行修正,得到第i个个体的目标交叉概率Cb*h1,选定所述第一预设突变概率修正系数y1对所述第k预设突变概率Dk进行修正,得到第i个个体的目标突变概率Dk*y1;

[0144]当G1≤M<G2时,选定所述第二预设交叉概率修正系数h2对所述第b预设交叉概率Cb进行修正,得到第i个个体的目标交叉概率Cb*h2,选定所述第二预设突变概率修正系数y2对所述第k预设突变概率Dk进行修正,得到第i个个体的目标突变概率Dk*y2;

[0145]当G2≤M时,选定所述第三预设交叉概率修正系数h3对所述第b预设交叉概率Cb进行修正,得到第i个个体的目标交叉概率Cb*h3,选定所述第三预设突变概率修正系数y3对所述第k预设突变概率Dk进行修正,得到第i个个体的目标突变概率Dk*y3。

[0146]上述技术方案的有益效果是:本发明在将第i个个体的交叉概率和突变概率分别设定为第b预设交叉概率Cb和第k预设突变概率Dk时,b=1,2,3,k=1,2,3,根据迭代次数比值M与各预设迭代次数比值之间的关系对第b预设交叉概率Cb和第k预设突变概率Dk进行修正,本发明通过对第b预设交叉概率Cb和第k预设突变概率Dk进行修正,可以进一步保证交叉概率和突变概率的精准性,降低误差,为输出协同效应最好的减排方案奠定基础。

[0147]S140:基于优化结果将污染物的减排量分别分配至对应的污染源,确定优化减排方案。

[0148]本实施例中,从协同效应最好的减排方案中提取优化后的各污染物的减排量,并将各污染物的减排量分配至对应的污染源,实现减排量的优化,确定优化减排方案。

[0149]上述技术方案的有益效果是:本发明可以实现从“一刀切”向公平性减排的转变,实现精细化减排方案的制定,为进一步完善大气污染减排优化技术体系提供前期基础,有助于“精准治污、科学治污”目标的实现。

[0150]本领域内的技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序商品。因此,本申请可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序商品的形式。

[0151]本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序商品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框,以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0152]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0153]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0154]最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。