CN105389743A - 一种流域水量-水质联合调控优化方法 - Google Patents

Abstract

本发明涉及一种流域水量-水质联合调控优化方法，该方法包括：获得并根据不同情景下流域水资源消耗的动态变化数据，构建不同情景下的流域水资源消耗-水污染排放动态模型；获取区域及不同控制单元水资源消耗量、污水排放总量；通过不同情景下的流域水资源消耗-水污染排放动态模型，对区域水污染排放总量优化模拟处理，获得不同控制单元上总量优化分配结果；对区域及不同控制单元水环境质量模拟处理，得到的不同控制单元的水环境质量；根据不同控制单元的水环境质量，获得合理的减排措施和总量控制目标。本发明方法综合、系统地从大尺度上对流域总量控制-污染减排-水环境质量改善之间的响应过程和机理特征进行动态模拟。

Description

一种流域水量-水质联合调控优化方法

技术领域

本发明属于环境保护技术领域，涉及一种流域水量-水质联合调控优化方法。

背景技术

近年来，随着我国流域内经济社会的快速发展，人口的不断增长以及城市化规模的日益扩张，流域环境问题日益严重，经济发展和环境保护的矛盾日益凸显，致使流域内水环境质量进一步改善的难度和压力加大。从污染控制的角度考虑,水资源开发利用影响水循环，进而影响到水污染的治理，污染控制应和水资源开发利用统一考虑才能实现流域水环境质量的根本改善,通过水质水量联合模拟的模型和方法,实现对区域水量和水质的联合调控,达到水资源利用与区域环境保护的双重目标。为解决“十三五”时期流域决策规划的盲目性和随意性提供决策支撑。

现有的多目标决策优化方法、集成模型等不能够系统全面刻画和综合表征不同状态下的总量控制目标、区域削减目标与该区域水环境质量之间的有机关系，难以综合、系统地从大尺度上对流域“总量控制-污染减排-水环境质量改善”之间的响应过程和机理特征进行动态模拟。

发明内容

本发明的目的是克服现有模型方法技术难以综合、系统地从大尺度上对流域总量控制-污染减排-水环境质量改善之间的响应过程和机理特征进行动态模拟的不足，由此，本发明提供一种流域水量-水质联合调控优化方法，其既对大尺度上流域水量-水质联合调控的过程机理进行全方位、多层次、多角度综合考虑和过程状态特征进行系统表征刻画，又提高了流域综合规划和优化决策的准确性和可靠性。

本发明提供一种流域水量-水质联合调控优化方法，该方法的技术解决方案包括以下步骤：

步骤1：获得不同情景下流域水资源消耗的动态变化数据；

步骤2：根据不同情景下流域水资源消耗的动态变化数据，构建不同情景下的流域水资源消耗-水污染排放动态模型；

步骤3：获取区域及不同控制单元水资源消耗量、污水排放总量；

步骤4：通过不同情景下的流域水资源消耗-水污染排放动态模型，对区域水污染排放总量优化模拟处理，获得不同控制单元上总量优化分配结果；

步骤5：对区域及不同控制单元水环境质量模拟处理，得到的不同控制单元的水环境质量；

步骤6：根据不同控制单元的水环境质量，获得合理的减排措施和总量控制目标。

本发明的有益效果：

本发明为了能够对流域水污染物排放总量进一步得到有效控制，全面改善流域水环境质量，同时提高流域水资源管理能力和决策水平，从流域综合决策管理的角度，从大尺度上构建流域总量控制-污染减排-水环境质量改善之间的动态响应关系，本发明提出了一种自上而下、从总量到分量、空间到时间的流域水量-水质联合调控优化决策方法。对于提高流域综合管理的优化决策能力和管理水平具有重要的应用价值和研究意义，同时也为国家“十三五”重点流域水污染治理提供了重要的参考依据。

本发明从流域综合决策管理的角度，系统构建了集水污染物总量控制-控制单元水污染物总量优化分配-控制单元水质优化模拟于一体的流域水量-水质联合调控优化决策的框架体系，建立了流域水量-水质联合调控优化决策模型，该模型能够为松花江流域水资源有效管理和水污染防治提供决策支撑。同时本发明研究对于其他流域的水资源规划和水污染防治也具有一定的参考价值和应用意义。

附图说明

图1为本发明一种流域水量-水质联合调控优化方法流程图；

图2为本发明流域水资源消耗-水污染排放动态模型的流程图；

图3为本发明区域水污染排放总量优化模拟的流程图；

图4为本发明设置控制指标的综合权重的流程图；

图5为本发明对区域及不同控制单元水环境质量模拟的流程图；

图6a为阿什河段COD浓度变化趋势预测；

图6b为阿什河段氨氮浓度变化趋势预测；

图7a为呼兰河段COD浓度变化趋势预测；

图7b为呼兰河段氨氮浓度变化趋势预测；

图8a为朱顺屯COD浓度变化趋势预测；

图8b为朱顺屯氨氮浓度变化趋势预测；

图9a为大顶子山COD浓度变化趋势预测；

图9b为大顶子山氨氮浓度变化趋势预测；

图10a为2016年各类水质所占比重；

图10b为2020年各类水质所占比重。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

请参阅图1示出实施例1，本实施例提供本发明一种流域水量-水质联合调控优化方法，该方法包括以下步骤：

步骤1：获得不同情景下流域水资源消耗的动态变化数据；

步骤2：根据不同情景下流域水资源消耗的动态变化数据，构建不同情景下的流域水资源消耗-水污染排放动态模型；

步骤3：获取区域及不同控制单元水资源消耗量、污水排放总量；

步骤4：通过不同情景下的流域水资源消耗-水污染排放动态模型，对区域水污染排放总量优化模拟处理，获得不同控制单元上总量优化分配结果；

步骤5：对区域及不同控制单元水环境质量模拟处理，得到的不同控制单元的水环境质量；

请参阅图2，为本发明优选实施例，示出流域水资源消耗-水污染排放动态模型的流程图，所述步骤2构建不同情景下的流域水资源消耗-水污染排放动态模型的具体步骤如下：

步骤21：提取不同情景下流域的污染物排放源(主要包括工业、农业、生活和畜禽养殖业)，识别并筛选不同污染源系统状态特征的典型控制指标；

步骤22：应用系统动力学方法，对不同情景下构建大尺度上流域水资源消耗和水污染物排放之间的耦合关系；所述系统动力学方法的建模软件是利用VensimPLE软件。所述耦合关系在具体解决实际问题时，需要根据不同的应用环境和条件来合理选择参数描述，根据研究者的目的不同，所建立具体耦合关系也不同。

步骤23：应用系统动力学模型(VensimPLE软件)，对不同情景下建立大尺度上流域水资源消耗-水污染物排放联合控制动态模拟模型，对不同情景下的决策方案进行动态模拟，模拟得到并存储不同情景下流域水资源消耗的动态变化对流域内经济社会的影响的指标数据值，以及通过水污染控制对水环境的改善效果的数据指标值，进而为未来流域水资源优化调控和水污染总量排放制定出科学、合理的决策方案。

所述系统动力学模型(VensimPLE软件)是根据研究者所选择的流域对象，以及需要解决的具体实际问题，来合理选择适宜的变量。同时根据解决问题的难易程度，选择的变量数量及公示的难易程度也不同，需要具体问题具体对待。

实施例2

请参阅图1和图3示出本实施例，为步骤4对区域水污染排放总量优化模拟处理的步骤包括如下：

步骤41：按照行政区域对流域进行空间划分，划分为不同的控制单元或者子控制单元；

步骤42：选择典型控制指标，按照环境基尼系数方法计算不同控制指标对应的环境基尼系数；

步骤43：利用不同情景下流域水资源消耗的动态变化对流域内经济社会的影响的数据指标值，以及通过水污染控制对水环境的改善效果的数据指标值，对各控制数据指标对应的合理性(与国际基尼系数标准进行对比)进行初始判断，如果各控制数据指标分配合理则不进行优化，按照初始分配方案进行污染物总量在不同空间控制单元上进行分配，优化结束；如果各控制数据指标分配不合理执行步骤44；

步骤44：设置所述典型控制指标的综合权重；

步骤45：建立环境基尼系数最小优化模型。

优选实施例，所述环境基尼系数包括：

$G_j=1-\underset{i=1}{\overset{n}{\Σ}}(X_{j\left(i\right)}-X_{j(i-1)})(Y_{j\left(i\right)}+Y_{j(i-1)}),$

$X_{j\left(i\right)}=X_{j(i-1)}+M_{j\left(i\right)}/\underset{i=1}{\overset{n}{\Σ}}{M}_{j\left(i\right)},$

$Y_{j\left(i\right)}=Y_{j(i-1)}+P_i/\underset{i=1}{\overset{n}{\Σ}}{P}_i,$

式中：G_j表示基于某一评价指标j的环境基尼系数；X_j(i)表示第i个分区第j个指标的累积比例；M_j(i)表示第i个分配区域内第j个指标值；Y_j(i)表示第i分区排放或分配的污染物量的累积比例；P_i为i个区域内污染物排放量；i＝1,2,...,n，其中n为分区数，当i＝1时，(X_i-1,Y_i-1)为(0,0)。

优选实施例，所述环境基尼系数最小优化模型表示如下：

$\min G=\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\ω}}_j\·G_j,$

其中M表示控制指标的个数，ω_j表示不同指标的综合权重，G_j表示基于某一评价指标j的环境基尼系数。

续请参阅图1和图4本实施例，为设置各控制指标的综合权重的具体实施例：所述步骤44设置各控制指标的综合权重包括如下步骤：

步骤441：设置典型控制指标的重要性权重；

步骤442：设置典型控制指标的敏感性权重；

步骤443：设置构建典型控制指标重要性和敏感性之间的相对重要性权重；

步骤444：根据重要性权重、敏感性权重模型及相对重要性权重，计算典型控制指标综合权重。

所述典型控制指标综合权重是根据线性加权计算得到不同指标的综合权重，所述不同指标的综合权重表示为

其中：所述k₁和k₂表示重要性和敏感性之间的相对重要性权重；所述表示第j项评价指标的重要性权重；所述模型表示第j项评价指标的敏感性权重。

指标权重确定是否合理直接影响着决策评价结果的准确性。在流域水污染物排放总量优化分配过程中，指标受主观(如个人偏好)和客观方面(如模型模拟得到指标结果的准确程度)因素的影响，为使指标权重在污染物排放总量优化分配过程中更加合理，从指标在优化决策过程中的重要程度和优化决策过程中对评价结果的敏感程度两方面考虑，识别出了主要关键影响因素：指标的重要性和指标的敏感性，来确定指标的综合权重。指标综合权重计算过程如下：

第一步：设置指标的重要性权重。根据指标在决策评价过程中重要程度越高，其权重也越大；反之亦然。应用层次分析法(AHP)来确定各指标在污染物总量优化分配过程中的重要性，进而确定得到指标重要性权重系数ω¹，ω¹表示重要性权重集合： ${\mathrm{\ω}}^1=\[{\mathrm{\ω}}_j^1,{\mathrm{\ω}}_j^1,...,{\mathrm{\ω}}_j^1\];$

第二步：设置指标的敏感性权重。依据信息熵的原理，指标提供的信息越多，对于量化目标的敏感性就越高，信息熵也越小，则该指标的权重也就越大；反之，权重越小。应用熵权法来计算评价指标的敏感性权重

计算敏感性权重具体步骤为：

1.原始数据标准化后得到的矩阵(r_ij)_S×T基础上，第j项(j＝1,2,…,T)评价指标的信息熵值e_j为：

$e_j=-\frac{1}{\ln S}\[\underset{i=1}{\overset{S}{\Σ}}{p}_{ij}\ln p_{ij}\],p_{ij}=\frac{r_{ij}}{\underset{i=1}{\overset{S}{\Σ}}{r}_{ij}},$

其中，0≤l_j≤1，i＝1,2,…,S；r_ij是变量参数，所述变量参数为人口、耕地面积、畜禽养殖量、工业总产值、COD(化学需氧量)排放量、氨氮排放量等；P_ij,是一个计算过程的中间量，是一个比值。S表示矩阵的行数，T表示矩阵的列数。

为使lnp_ij有意义，假定p_ij＝0，p_ijlnp_ij＝0。

2.计算第j项评价指标的敏感性权重：ω²用表示敏感性权重集合， ${\mathrm{\ω}}_j^2=\[{\mathrm{\ω}}_1^2,{\mathrm{\ω}}_2^2,...,{\mathrm{\ω}}_j^2\].$

第三步：应用层次分析法(AHP)来确定指标重要性和敏感性之间的相对重要性权重k₁和k₂；

第四步：计算指标综合权重。根据线性加权计算得到不同指标的综合权重，综合权重系数计算公式如下所示：

${\mathrm{\ω}}_j=k_1\·{\mathrm{\ω}}_j^1+k_2\·{\mathrm{\ω}}_j^2$

(4)建立了环境基尼系数最小优化模型，如下所示：

$\min G=\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\ω}}_j\·G_j$

约束条件：a.公平性约束：

G_j≤G_0(j)

b.排放总量约束：

$\underset{i=1}{\overset{N}{\Σ}}{x}_i\≤W$

c.削减率约束：

$P_{l\left(i\right)}\≤\frac{x_{0\left(i\right)}-x_i}{x_{0\left(i\right)}}\≤P_{h\left(i\right)}$

d.排序约束：

k_j(i-1)≤k_j(i)≤k_j(i+1)

k_j(i)＝x_i/M_j(i)

式中：j表示人口、工业增加值、耕地面积和畜禽养殖量4个控制指标的编号；i为流域控制单元编号；ω_j表示第j个控制指标的调控权重；G表示人口、工业增加值、耕地面积和畜禽养殖量4个控制指标的环境基尼系数优化值之和；M表示控制指标的个数，表示完成污染物总量削减比例后j控制指标对应的环境基尼系数的优化值；G_0(j)表示第j个控制指标初始的环境基尼系数现状值；N表示控制单元的个数；x_i表示完成目标削减后第i个控制单元排放量；W表示流域内污染物排放量现状；x_0(i)表示第i个控制单元初始的污染物排放量；P_l(i)，P_h(i)表示第i个控制单元污染物削减比例的上、下限可行值；k_j(i)表示第i个控制单元的j控制指标的单位排放量；M_j(i)表示第i个控制单元内j控制指标的值。

实施例3：

请参阅图1和图5，为本发明优选实施例，示出对区域及不同控制单元水环境质量模拟的流程图，所述步骤5对区域及不同控制单元水环境质量模拟处理包括步骤如下：

步骤51：选定研究区域，对研究区域进行合理概化和单元体划分；

步骤52：对WASP模型中初始化的参数进行标定和赋值；所述WASP是水质分析模拟程序。

步骤53：获取所述水污染排放总量优化中不同控制单元上总量优化分配得到的结果，计算年入河量和日入河量；入河系数选择范围为：0.5-0.9；根据具体研究流域，结合污染物排放总量，选择合理的入河系数。

步骤54：设置WASP模型系统中研究区域的初始化参数，初始化参数为边界值、补给量、流量、流速等；

步骤55：运行WASP模型，利用年入河量和日入河量对WASP模型系统的边界值、补给量、流量进行模拟，得到的不同控制单元的水环境质量。

根据所述步骤模拟处理得到的不同控制单元的水环境质量，结合预期规划目标，制定科学、合理的减排措施和总量控制目标，提出相关的建议及政策措施。

实施例4

续请参阅图1所示本实施例，为一种流域水量-水质联合调控优化的具体实施步骤如下：

步骤a，流域野外调研及资料的搜集，获得不同情景下上游流域、中游流域或者下游流域水资源消耗的动态变化数据，也可以按照其他方式区分具体流域，比如松花江流域黑龙江段等来划分，得到每个流域每个时间段的水流量、消耗量、枯水期、丰水期、污染情况等信息。

步骤b，根据不同情景下流域水资源消耗的动态变化数据，根据工业、农业、生活和畜禽养殖业等污染物排放源，识别并筛选能够刻画不同污染源系统状态特征的典型控制指标；

应用系统动力学方法构建大尺度上流域水资源消耗和水污染物排放之间的耦合关系；

应用系统动力学模型(VensimPLE软件)建立大尺度上流域水资源消耗-水污染物排放联合控制动态模拟模型；

步骤c：获取区域及不同控制单元水资源消耗量、污水排放总量；

步骤d，对区域水污染排放总量优化模拟，获得不同控制单元上总量优化分配结果；对不同情景下的决策方案进行动态模拟，模拟各种情景下流域水资源消耗的动态变化对流域内经济社会的影响，以及通过水污染控制对水环境的改善效果，进而为未来流域水资源优化调控和水污染总量排放制定出科学、合理的决策方案。

A.水资源消耗量、污水排放总量模拟：现以松花江流域黑龙江段为例，应用水资源-水污染联合调控预测模型对松花江流域黑龙江段2016年和2020年的COD和NH3-N排放量进行了模拟预测，表1为松花江流域黑龙江段2016年和2020年的各项指标预测得到的结果。

表12016和2020年黑龙江段各指标预测结果

B.控制单元总量分配

(1)环境基尼系数优化结果

应用Lingo11.0线性规划计算程序对环境基尼系数进行求解，分别计算2013年、2016年和2020年指标的环境基尼系数(表2)。以2013年各项指标(人口数量、工业GDP、耕地面积和畜禽养殖量)基尼系数为标准，用2016年和2020年计算得到的各项对应指标的环境基尼系数与2013年的对应指标的环境基尼系数进行对比可知，2016年和2020年的各项指标的环境基尼系数都比2013年的小，说明2016年和2020年黑龙江段污染物排放总量比基准年更加公平合理。

表2各项指标环境基尼系数优化结果

(2)控制单元排放总量优化分配结果

应用环境基尼系数最小优化模型对黑龙江段2016年、2020年的COD、NH₃-N排放总量模拟结果在各控制单元上进行优化分配。表3和表4为2016年和2020年黑龙江段各控制单元水污染物排放总量模拟得到的优化分配方案。考虑到未来在保持流域内经济社会健康、稳定发展的同时，国家对松花江流域仍将继续大力推进污染减排措施，更加严格控制污染物总量排放，流域内水污染物排放总量未来将呈现下降趋势。2016年COD排放总量为118.68万t，到2020年下降到105.65万t，2020年比2016年下降10.97％；2016年NH3-N排放总量为7.48万t，到2020年下降为6.93万t，2020年比2016年下降7.35％。

表3各地区COD排放量

表4各地区NH3-N排放量

C.控制单元水环境质量模拟

步骤e，对区域及不同控制单元水环境质量模拟，得到的不同控制单元的水环境质量；

以松花江流域哈尔滨段控制单元为研究对象，进行水环境质量模拟和分析。松花江流域哈尔滨段由朱顺屯至大顶子山，松花江哈尔滨段全长约66km，丰水期水面宽约200m～400m，水深约1m～4.7m，枯水期水面宽约50m～100m，水深约0.2m～0.25m，与河长相比，河道水面宽度及河水深度很小，可忽略垂向和横向作用，可将该段河道简化为一维水力模型。因此，适合应用WASP模型对哈尔滨段水环境进行模拟分析。

(1)河网概化及模型参数率定

把松花江流域哈尔滨段概化为5个单元体：朱顺屯-阿什河口下、阿什河口内、阿什河口下-呼兰河口下、呼兰河口内和呼兰河口内-大顶子山。选择模拟污染物为COD、NH₃_N，在WASP模型中选用EUTRO模块进行模拟。在WASP模型的(segment是WASP模型模拟中首要设定的模块选项)基本选项中输入概化后单元体数据，主要包括分段河道的长度、宽度、深度、体积、水层类别、坡降、粗糙度等，各单元控制体分段参数如表4所示。通过参考国内外已有研究成果确定参数的最大可能变化范围，水质模拟参数采用模型试错法进行率定，模型中部分关键水质模拟物化参数率定结果如表5所示。

表4河网概化后各单元体相关参数

表5水质模拟物化参数的选取

(2)模型设置

以2013年为基准年，保持其污染负荷及边界浓度不便，使用WASP模型模拟预测2016和2020年各规划功能区的水质状况。根据模拟预测得到的哈尔滨段2016年和2020年COD、NH₃_N排放量分别为28.84万吨、26.28万吨、2.15万吨和2.01万吨。概化后哈尔滨段2016年和2020年COD、NH3_N各区段的入河量分别为259560.00吨/年、236520.00吨/年、19350.00吨/年和18090.00吨/年(入河系数选取为0.9)见表6所示。

表6松花江流域哈尔滨段各区划单元入河量

(3)研究区域模拟结果及分析

步骤f：根据不同控制单元的水环境质量，获得合理的减排措施和总量控制目标。

阿什河段和呼兰河段污染物COD、NH3_N排放量模拟结果如图6和图7所示。通过对阿什河段和呼兰河段实测值和模拟值误差分析可知,阿什河段COD实测值和模拟值最大误差为9.6％，NH3_N实测值和模拟值最大误差为10.0％；呼兰河段COD实测值和模拟值最大误差为8.3％，NH3_N实测值和模拟值最大误差为11.4％，误差在允许的范围之内(允许误差不超过15％)，模拟选取的参数合理。

a.阿什河段水质

请参阅图6a示出阿什河段水质COD浓度变化趋势预测；图6b示出阿什河段水质氨氮浓度变化趋势预测；

根据黑龙江省2014年的水环境质量报告可知，2013年哈尔滨段劣Ⅴ类水质的月份占全年的58.3％，Ⅳ类～Ⅴ类水质的月份占全年的41.7％，阿什河段在汇入松花江干流之前的水质基本在劣Ⅴ类～Ⅴ类水质之间。因此，阿什河段是松花江流域哈尔滨段重点污染治理区。根据WASP模型模拟得到的结果如图6a、图6b所示，到2016年全年处于劣Ⅴ类水质的月份下降到46.5％，处于Ⅳ类～Ⅴ类之间水质的月份增加到53.5％，与2013年相比劣Ⅴ类水质的月份下降了11.8％，Ⅳ类～Ⅴ类之间水质的月份增加了11.8％，显然，2016年与2013年相比，阿什河段水环境质量明显提高；到2020年处于劣Ⅴ类水质的月份下降到29.5％，处于Ⅳ类水质的月份增加到70.5％，与2016年相比，劣Ⅴ类水质的月份下降了17％，处于Ⅳ类～Ⅴ类水质的月份增加了17％，随着未来“十三五”对阿什河流域污染治理力度的不断加大，阿什河段水质将会进一步得到改善。

b.呼兰河段水质预测分析

根据黑龙江省2014年的水环境质量报告可知，2013年呼兰河段劣Ⅴ类水质的月份占全年的16.7％，III类～Ⅴ类水质的月份占全年的83.3％。同时根据2013年呼兰河段监测数据显示，呼兰河进入松花江监测断面水质通常为中度污染。根据WASP模型模拟得到的结果如图7a示出呼兰河段COD浓度变化趋势预测；图7b示出呼兰河段氨氮浓度变化趋势预测，到2016年全年处于劣Ⅴ类水质的月份下降到12.5％，处于III类～Ⅴ类水质以上的月份增加到87.5％，显然从2013-2016年呼兰段水环境保持持续好转；到2020年通过对呼兰河段面源污染、城市生活污水集中收集处理等综合整治，到2020年呼兰河段全年水环境处于III类～Ⅴ类水质以上，呼兰河段水质的提高对松花江流域水污染控制减排目标和落实“水污染防治行动计划”起到保障作用。

请参阅图8a示出朱顺屯COD浓度变化趋势预测和图8b示出朱顺屯氨氮浓度变化趋势预测；图9a为大顶子山COD浓度变化趋势预测；图9b为大顶子山氨氮浓度变化趋势预测；

对朱顺屯和大顶山山段的水环境进行了模拟。显而易见，随着未来对松花江流域实施严格的总量控制及污染治理措施，朱顺屯和大顶子山段的水环境质量明显改善，水环境质量不断提高，对于落实松花江流域“水污染防治行动计划”起到决定性作用。

c.哈尔滨段水环境总体分析

根据对松花江流域哈尔滨段各控制单元2016和2020年水质模拟预测结果统计分析如图10a、图10b所示，到2016年黑龙江哈尔滨段水质总体处于劣V～V类水质标准的月份占11.2％，处于IV类水质标准的月份占26.8％，I类～III类水质标准的月份占62.0％；到2020年处于V类水质标准的月份占4.2％，水质处于IV类标准的月份占24.8％，I类～III类水质标准的月份占71.0％，模拟结果与国家“水污染防治行动计划”目标到2020年松花江流域水质优良比例(达到或优于Ⅲ类)总体达到70％以上相一致。

请参阅图10a示出2016各类水质所占比重和图10b示出2020各类水质所占比重；通过应用本文所提出的流域水量-水质联合调控综合决策集成优化模型对哈尔滨段2013年的水质模拟与验证，验证了本研究所提出的水量-水质耦合模型框架的合理性，根据模拟得到的结果与实际检测结果的对比分析，证明了所提出的综合集成预测模型的可行性，模拟结果与实际情况相符合。并应用所提出的流域水量-水质综合集成预测模型对哈尔滨段不同控制单元2016年和2020年水环境进行了模拟预测，根据模拟结果可知，随着未来对松花江流域哈尔滨段污染源排放总量的有效控制，未来哈尔滨段水环境明显好转，劣V类～V类水质由2016年的11.2％下降到2020年的4.2％，IV类水质由2016年的26.8％下降到2020年的23.5％；I类～III类水质由2015年的62％增加到了2020年的72％。进一步说明，随着“十三五”期间水污染防治行动计划的实施，松花江流域水污染物排放总量得到了有效的控制，水环境质量改善显著。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内。

Claims (10)

1.一种流域水量-水质联合调控优化方法，其特征在于，该方法包括：

步骤1：获得不同情景下流域水资源消耗的动态变化数据；

步骤2：根据不同情景下流域水资源消耗的动态变化数据，构建不同情景下的流域水资源消耗-水污染排放动态模型；

步骤3：获取区域及不同控制单元水资源消耗量、污水排放总量；

步骤4：通过不同情景下的流域水资源消耗-水污染排放动态模型，对区域水污染排放总量优化模拟处理，获得不同控制单元上总量优化分配结果；

步骤5：对区域及不同控制单元水环境质量模拟处理，得到的不同控制单元的水环境质量；

步骤6：根据不同控制单元的水环境质量，获得合理的减排措施和总量控制目标。

2.根据权利要求1所述的方法，其特征在于，步骤2所述构建不同情景下的流域水资源消耗-水污染排放动态模型的具体步骤如下：

步骤21：提取不同情景下流域的污染物排放源，识别并筛选不同污染源系统状态特征的典型控制指标；

步骤22：对不同情景下构建大尺度上流域水资源消耗和水污染物排放之间的耦合关系；

步骤23：对不同情景下建立大尺度上流域水资源消耗-水污染物排放联合控制动态模拟模型，得到并存储不同情景下流域水资源消耗的动态变化对流域内经济社会的影响的指标数据值，以及通过水污染控制对水环境的改善效果的数据指标值。

3.根据权利要求1所述的方法，其特征在于，步骤4所述对区域水污染排放总量优化模拟处理的步骤包括如下：

步骤41：按照行政区域对流域进行空间划分，划分为不同的控制单元或者子控制单元；

步骤42：选择典型控制指标，按照环境基尼系数方法计算不同控制指标对应的环境基尼系数；

步骤43：利用不同情景下流域水资源消耗的动态变化对流域内经济社会的影响的数据指标值，以及通过水污染控制对水环境的改善效果的数据指标值，判断与各控制数据指标对应的合理性，如果各控制数据指标分配合理则不进行优化，如果各控制数据指标分配不合理执行步骤44；

步骤44：设置典型控制指标的综合权重；

步骤45：建立环境基尼系数最小优化模型。

4.根据权利要求3所述的方法，其特征在于，所述环境基尼系数包括：

$G_j=1-\underset{i=1}{\overset{n}{\Σ}}(X_{j\left(i\right)}-X_{j(i-1)})(r_{j\left(i\right)}+Y_{j(i-1)})$

$X_{j\left(i\right)}=X_{j(i-1)}+M_{j\left(i\right)}/\underset{i=1}{\overset{n}{\Σ}}{M}_{j\left(i\right)}$

$Y_{j\left(i\right)}=Y_{j(i-1)}+P_i/\underset{i=1}{\overset{n}{\Σ}}{P}_i$

式中：G_j表示基于某一评价指标j的环境基尼系数；X_j(i)表示第i个分区第j个指标的累积比例；M_j(i)表示第i个分配区域内第j个指标值；Y_j(i)表示第i分区排放或分配的污染物量的累积比例；P_i为i个区域内污染物排放量；i＝1,2,...,n，其中n为分区数，当i＝1时，(X_i-1,Y_i-1)为(0,0)。

5.根据权利要求3所述的方法，其特征在于，所述环境基尼系数最小优化模型表示如下：

$\min G=\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\ω}}_j\·G_j,$

其中,M表示控制指标的个数，ω_j表示不同指标的综合权重，G_j表示基于某一评价指标j的环境基尼系数。

6.根据权利要求3所述的方法，其特征在于，步骤44设置典型控制指标的综合权重包括如下步骤：

步骤441：设置典型控制指标的重要性权重；

步骤442：设置典型控制指标的敏感性权重；

步骤443：设置典型控制指标重要性和敏感性之间的相对重要性权重；

步骤444：根据重要性权重模型、敏感性权重模型及相对重要性权重模型，计算典型控制指标综合权重。

7.根据权利要求6所述的方法，其特征在于，所述典型控制指标综合权重是根据线性加权计算得到不同指标的综合权重，所述不同指标的综合权重表示为 ${\mathrm{\ω}}_j=k_1\·{\mathrm{\ω}}_j^1+k_2\·{\mathrm{\ω}}_j^2,$ 其中：

所述k₁和k₂表示重要性和敏感性之间的相对重要性权重；

所述表示第j项评价指标的重要性权重；

所述表示第j项评价指标的敏感性权重。

8.根据权利要求1所述的方法，其特征在于，步骤5所述对区域及不同控制单元水环境质量模拟处理的步骤包括如下：

步骤51：选定研究区域并对研究区域进行合理概化和单元体划分；

步骤52：对WASP模型中初始化的参数进行标定和赋值；

步骤53：获取所述水污染排放总量优化中不同控制单元上总量优化分配得到的结果，计算年入河量和日入河量；入河系数选择范围为：0.5-0.9；

步骤54：设置WASP模型系统中研究区域的初始化参数；

步骤55：运行WASP模型，利用年入河量和日入河量对WASP模型系统的初始化参数进行模拟，得到的不同控制单元的水环境质量。

9.根据权利要求8所述的方法，其特征在于，根据具体研究对象，在所述入河系数选择范围内选定入河系数。

10.根据权利要求8所述的方法，其特征在于，所述初始化参数为边界值、补给量、流量、流速。