【技术实现步骤摘要】
本专利技术涉及大气科学，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。
技术介绍
1、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。
2、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。
技术实现思路
1、鉴于此，本专利技术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。
2、本专利技术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：
3、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；
4、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；
5、根据遗传算法
6、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。
7、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：
8、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；
9、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；
10、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。
11、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：
12、根据下式计算目标污染物pm2.5的浓度响应：
13、
14、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。
15、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：
16、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；
17、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；
18、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；
19、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。
20、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：
21、根据下式计算所述监测点i的无量纲相对反应因子：
22、
23、其中，(rrf)i为监测点i的无量纲相对反应因子，mode l i，未来年为未来年污染物的模型模拟值，mode l i，基准年为基准年污染物的模型基准值；
24、根据下式计算所述监测点i的预测未来年设计值：
25、9dvf)i＝(dvb)i×9rrf)i；
26、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。
27、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：
28、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)；
29、计算所述初始种群p(m)中每个个体的适应度；
30、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)；
31、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。
32、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：
33、根据下式计算所述初始种群p(m)中第i个个体的适应度：
34、
35、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。
36、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：
37、预先设定最大交叉概率rmax1和最大突变概率rmax2；
38、获取所述初始种群p(m)中第i个个体的适应度fi；
39、计算所述初始种群p(m)中所有个体的适应度均值δf；
40、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；
41、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；
42、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。
43、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：
44、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；
45、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；
46、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；
47、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本文档来自技高网...
【技术保护点】
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：
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：
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：
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：
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：
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
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：
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：
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：
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：
...【技术特征摘要】
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：
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：
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：
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：
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：
【专利技术属性】
技术研发人员：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，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。