CN112085295A - 一种大气污染多情景控制效果快速预测评估方法 - Google Patents
一种大气污染多情景控制效果快速预测评估方法 Download PDFInfo
- Publication number
- CN112085295A CN112085295A CN202010997761.4A CN202010997761A CN112085295A CN 112085295 A CN112085295 A CN 112085295A CN 202010997761 A CN202010997761 A CN 202010997761A CN 112085295 A CN112085295 A CN 112085295A
- Authority
- CN
- China
- Prior art keywords
- time
- pollutant
- emission
- source
- control measure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 230000000694 effects Effects 0.000 title claims abstract description 38
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 108
- 231100000719 pollutant Toxicity 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 47
- 239000002243 precursor Substances 0.000 claims abstract description 37
- 230000009467 reduction Effects 0.000 claims abstract description 30
- 238000004088 simulation Methods 0.000 claims description 31
- 239000000356 contaminant Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 230000006872 improvement Effects 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000003908 quality control method Methods 0.000 abstract description 3
- 239000013618 particulate matter Substances 0.000 description 27
- 229910000831 Steel Inorganic materials 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 150000003863 ammonium salts Chemical class 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 150000002823 nitrates Chemical class 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种大气污染多情景控制效果快速预测评估方法，包括：确定大气污染控制效果评估的时空范围；配置模式参数；对污染物排放源清单数据进行时空分配；运行空气质量数值模式，获得各污染物排放源所排放的排放前体物的量与格网点污染物逐时基准模拟浓度之间的函数关系；计算污染物排放源所排放的排放前体物在点源控制措施和面源控制措施下的总排放削减率；计算采取点源控制措施和面源控制措施后的大气污染物浓度，评估所采取的点源控制措施和面源控制措施的效果。本发明方法能够在合理的计算资源开销条件下，对多套污染控制措施的空气质量改善效果进行快速定量评估，实现多种污染控制措施的对比优选，提升空气质量控制成效。
Description
技术领域
本发明属于环境保护技术领域，具体涉及一种大气污染多情景控制效果快速预测评估方法。
背景技术
随着我国经济的持续发展，各类污染物的排放量总体较高，以PM2.5为主要污染物的大气污染已经成为目前重大的环境问题之一。为了应对这一问题，全国各大城市相继制定了相关的污染控制措施和重污染应急预案。为了逐步提升措施及预案的有效性，对其实施效果进行定量评估和优选是十分重要的一个环节。
目前，常用的大气污染控制措施评估方法包括：空气质量数值模式情景模拟方法和响应曲面模型(RSM)方法。其中，对于空气质量数值模式情景模拟方法，当需要评估多套不同的控制措施时，对于每一种控制措施均需要重新生成排放源清单并运行空气质量模式，操作流程复杂并且计算效率较低，无法对多种大气污染控制措施进行快速评估，因此无法实现多种控制措施的实时优选。
对于响应曲面模型方法，该方法利用对模式输入排放源排放量进行扰动后运行多组空气质量情景模拟，进而构建出某一污染物浓度与各排放源排放量之间的函数关系，最终基于这一函数关系评估大气污染的控制效果。运用该方法构建污染物浓度与排放源排放量之间的响应函数关系往往需要进行数十组至上百组的模式情景模拟，而且在不同的气象条件下需要重新模拟构建函数关系。因此，计算量巨大，需要消耗大量的计算机资源(500-1000计算核心)和计算时间(20-30天)，无法实现对大气污染控制效果进行实时、动态预测评估。
发明内容
针对现有技术存在的缺陷，本发明提供一种大气污染多情景控制效果快速预测评估方法，可有效解决上述问题。
本发明采用的技术方案如下：
本发明提供一种大气污染多情景控制效果快速预测评估方法，包括以下步骤：
步骤1，确定大气污染控制效果评估的时空范围；其中，所述时空范围包括评估地理区域以及评估时间范围[t1,t2]；其中，t1为评估时间范围的起始时间；t2为评估时间范围的终止时间；
配置模式参数；将模式参数输入并运行中尺度气象模式，所述中尺度气象模式对评估地理区域在评估时间范围[t1,t2]内的气象数据进行模拟，输出评估地理区域中每个格网点在评估时间范围[t1,t2]内的逐时气象模拟数据；
步骤2，读取预存储的污染物排放源清单数据；其中，所述污染物排放源清单数据包括若干条污染物排放源数据，每条污染物排放源数据表示为Ea,d,k，其中，k代表第k种污染物Wk；a代表污染物排放源地理位置；d代表污染物排放源所对应的行业类别；Ea,d,k含义为：在a地理位置，属于d行业类别的污染物排放源，排放第k种污染物Wk的年总排放量；
步骤3，对所述污染物排放源清单数据进行时空分配，得到评估地理区域中每个格网点在评估时间范围[t1,t2]内的逐时污染物排放数据Pk,d(i,j)；具体含义为：第d种行业的第k种污染物Wk在第(i,j)个格网点的逐时污染物排放量；
将所述评估地理区域中每个格网点在评估时间范围[t1,t2]内的逐时气象模拟数据，和所述评估地理区域中每个格网点在评估时间范围[t1,t2]内的逐时污染物排放量Pk,d(i,j)，共同输入并运行耦合有在线污染来源解析模块的空气质量数值模式，所述空气质量数值模式输出在不采取任何控制措施下每种污染物的逐时基准模拟浓度C0,k(i,j)，具体含义为：第k种污染物Wk在第(i,j)个格网点的逐时基准模拟浓度；下标0代表基准；
步骤4，确定第k种污染物Wk的排放前体物Mk；所述排放前体物Mk为至少一种；
运行空气质量数值模式，获得各污染物排放源Ea,d所排放的排放前体物Mk的量与第(i,j)个格网点的第k种污染物Wk的逐时基准模拟浓度C0,k(i,j)之间的函数关系，即排放-浓度响应关系，也就是获得每种污染物排放源Ea,d所排放的排放前体物Mk对第(i,j)个格网点的第k种污染物Wk的逐时基准模拟浓度C0,k(i,j)的贡献Ra,d,k(i,j)；
步骤5，读取需要评估的每种点源控制措施Ba，含义为：在a地理位置采取的点源控制措施Ba；以及需要评估的每种面源控制措施Aa，含义为：在a地理位置采取的面源控制措施；
然后，获取以下参数：每种点源控制措施Ba对污染物排放源Ea,d所排放的排放前体物Mk排放量的点源控制措施削减率MPa,d(Ba,Mk)；每种排放前体物Mk在对应污染物排放源地理位置a，由d行业类别的污染物排放源所进行的点源排放量EPa,d(Mk)；每种面源控制措施Aa对污染物排放源Ea,d所排放的排放前体物Mk的面源控制措施削减率MAa,d(Aa,Mk)；
根据下式，得到污染物排放源Ea,d所排放的排放前体物Mk在点源控制措施和面源控制措施下的总排放削减率Ka,d(Mk)：
其中：
Ba,u代表第u种点源控制措施，n1代表采取的点源控制措施的总数量；
Aa,v代表第v种面源控制措施，n2代表采取的面源控制措施的总数量；
步骤6，结合排放前体物Mk的总排放削减率Ka,d(Mk)、每种污染物排放源Ea,d所排放的排放前体物Mk对第(i,j)个格网点的第k种污染物Wk的逐时基准模拟浓度C0,k(i,j)的贡献Ra,d,k(i,j)，以及每种污染物的逐时基准模拟浓度C0,k(i,j)，采用下式，得到采取点源控制措施和面源控制措施后的大气污染物浓度Ct,k(i,j)，具体含义为：第k种污染物Wk在第(i,j)个格网点的逐时预测评估浓度：
其中：
m代表模式模拟时划分的减排地区包括的污染排放行业类别总数量；
n代表模式模拟时划分的减排地区包括的污染物排放源地理位置的总数量；
步骤7，通过分析第k种污染物Wk在第(i,j)个格网点的逐时预测评估浓度，评估所采取的点源控制措施和面源控制措施的效果。
优选的，步骤1中，配置的模式参数包括模式初始条件、边界条件、评估地理区域的网格数和物理参数化方案配置参数。
本发明提供的一种大气污染多情景控制效果快速预测评估方法具有以下优点：
由于不需要重新运行空气质量模式，可以快速得到多组控制方案的空气质量改善效果，进而支撑实现多组控制方案的对比优选。相比传统的情景模拟方法，本发明的方法能够在合理的计算资源开销条件下，在大气污染发生前或发生后，对多套污染控制措施的空气质量改善效果进行快速定量评估，实现多种污染控制措施的对比优选，提升空气质量控制成效。
附图说明
图1为本发明提供的一种大气污染多情景控制效果快速预测评估方法的流程示意图；
图2为不采取任何控制措施时，京津冀区域的PM2.5浓度分布图；
图3为蓝色预警方案各控制措施对PM2.5浓度预测图；
图4为黄色预警方案各控制措施对PM2.5浓度预测图；
图5为橙色预警方案各控制措施对PM2.5浓度预测图；
图6为红色预警方案各控制措施对PM2.5浓度预测图；
图7为各种预警方案和无控制情景时对PM2.5浓度预测对比图；
图8为采用传统情景模拟方法对PM2.5浓度预测图；
图9为采用不同预测方法对北京奥体中心PM2.5浓度预测的对比图；
图10为采用不同预测方法对天津市监测中心PM2.5浓度预测的对比图；
图11为采用不同预测方法对石家庄世纪公园PM2.5浓度预测的对比图；
图12为采用不同预测方法对保定市监测站PM2.5浓度预测的对比图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供一种大气污染多情景控制效果快速预测评估方法，由于不需要重新运行空气质量模式，可以快速得到多组控制方案的空气质量改善效果，进而支撑实现多组控制方案的对比优选。相比传统的情景模拟方法，本发明的方法能够在合理的计算资源开销条件下，在大气污染发生前或发生后，对多套污染控制措施的空气质量改善效果进行快速定量评估，实现多种污染控制措施的对比优选，提升空气质量控制成效。
具体包括以下优点：
(1)本发明基于空气质量模式源解析结果建立排放-浓度响应关系，避免了评估不同减排措施时重新运行空气质量数值模式，提升评估速度；
具体的，本发明在步骤4计算得到的贡献Ra,d,k(i,j)对不同的减排管控方案都适用，因此运行一次运行空气质量数值模式得到Ra,d,k(i,j)后，不用再重新运行空气质量数值模式。
(2)本发明由于源解析模式中已经考虑了气象、化学和排放等多种物理化学过程对大气污染物浓度的影响，且计算结果具有高时空分辨率，因此可以支持高时空分辨率的污染控制情景减排效果定量评估，同时计算结果的合理性也较好。
参考图1，本发明提供一种大气污染多情景控制效果快速预测评估方法，包括以下步骤：
步骤1，确定大气污染控制效果评估的时空范围；其中，所述时空范围包括评估地理区域以及评估时间范围[t1,t2]；其中，t1为评估时间范围的起始时间；t2为评估时间范围的终止时间；
配置模式参数；所述模式参数包括模式初始条件、边界条件、评估地理区域的网格数和物理参数化方案配置参数；
将所述模式参数输入并运行中尺度气象模式，所述中尺度气象模式对评估地理区域在评估时间范围[t1,t2]内的气象数据进行模拟，输出评估地理区域中每个格网点在评估时间范围[t1,t2]内的逐时气象模拟数据；
步骤2，读取预存储的污染物排放源清单数据；其中，所述污染物排放源清单数据包括若干条污染物排放源数据，每条污染物排放源数据表示为Ea,d,k，其中，k代表第k种污染物Wk；a代表污染物排放源地理位置；d代表污染物排放源所对应的行业类别；Ea,d,k含义为：在a地理位置，属于d行业类别的污染物排放源，排放第k种污染物Wk的年总排放量；
具体的，污染物排放源清单数据是空气质量监测数据解析、污染物排放趋势分析、模型研究和相关控制策略制定的重要基础。
污染物排放源清单数据记录不同地区和行业的主要污染物(包括SO2、NOx、CO、一次PM2.5、一次PM10、NH3、VOCs)的年总排放量。例如，大气污染控制效果评估的地理区域为京津冀区域；京津冀区域具有以下污染排放地区，包括石家庄地区、唐山地区、邯郸地区、秦皇岛地区等。京津冀区域中涉及到的污染排放行业包括化工行业，钢铁行业，运输行业等，这些行业属于典型排放源。所以，污染物排放源清单数据可记录以下内容：石家庄地区的化工行业SO2年总排放量、石家庄地区的钢铁行业NH3年总排放量等。
步骤3，对所述污染物排放源清单数据进行时空分配，得到评估地理区域中每个格网点在评估时间范围[t1,t2]内的逐时污染物排放数据Pk,d(i,j)；具体含义为：第d种行业的第k种污染物Wk在第(i,j)个格网点的逐时污染物排放量；
将所述评估地理区域中每个格网点在评估时间范围[t1,t2]内的逐时气象模拟数据，和所述评估地理区域中每个格网点在评估时间范围[t1,t2]内的逐时污染物排放量Pk,d(i,j)，共同输入并运行耦合有在线污染来源解析模块的空气质量数值模式，所述空气质量数值模式输出在不采取任何控制措施下每种污染物(包括SO2、NO2、CO、PM2.5、PM10等)的逐时基准模拟浓度C0,k(i,j)，具体含义为：第k种污染物Wk在第(i,j)个格网点的逐时基准模拟浓度；下标0代表基准；
其中，在线污染来源解析模块包括但不限于NAQPMS-OSAM、CAMx-PSAT、CAMx-OSAT等。
步骤4，确定第k种污染物Wk的排放前体物Mk；所述排放前体物Mk为至少一种；
运行空气质量数值模式，获得各污染物排放源Ea,d所排放的排放前体物Mk的量与第(i,j)个格网点的第k种污染物Wk的逐时基准模拟浓度C0,k(i,j)之间的函数关系，即排放-浓度响应关系，也就是获得每种污染物排放源Ea,d所排放的排放前体物Mk对第(i,j)个格网点的第k种污染物Wk的逐时基准模拟浓度C0,k(i,j)的贡献Ra,d,k(i,j)；
例如，如表1所示，为每种大气污染物与其排放前体物的对应关系。
表1排放前体物与大气污染物的对应关系
因此，当需要研究的大气污染物为SO2时，获得其排放前体物为SO2，此时，通过运行空气质量数值模式，获得模拟空间区范围内，各地区和行业排放的SO2对每个模式网格的SO2逐时基准模拟浓度的贡献。例如，对于某个模式网格，其逐时基准模拟浓度时，A地区钢铁行业的贡献为10％；B地区化工行业的贡献为70％等。
对于PM2.5和PM10而言，由于其具有多种排放前体物，则采用以下方式：以PM2.5为例，其具有五种排放前体物，分别为：一次PM2.5、SO2、NOx、NH3和VOCs；首先，每个模式网格分别获得一次PM2.5、硫酸盐、硝酸盐、铵盐和二次有机气溶胶的逐时基准模拟浓度；然后，获得模拟空间区范围内，各地区和行业排放的一次PM2.5对模式网格的一次PM2.5逐时基准模拟浓度的贡献；同样，获得各地区和行业排放的SO2对模式网格的硫酸盐逐时基准模拟浓度的贡献；获得各地区和行业排放的NOx对模式网格的硝酸盐逐时基准模拟浓度的贡献；铵盐和二次有机气溶胶也同样获得相应贡献。
步骤5，读取需要评估的每种点源控制措施Ba，含义为：在a地理位置采取的点源控制措施Ba；以及需要评估的每种面源控制措施Aa，含义为：在a地理位置采取的面源控制措施；
然后，获取以下参数：每种点源控制措施Ba对污染物排放源Ea,d所排放的排放前体物Mk排放量的点源控制措施削减率MPa,d(Ba,Mk)；每种排放前体物Mk在对应污染物排放源地理位置a，由d行业类别的污染物排放源所进行的点源排放量EPa,d(Mk)；每种面源控制措施Aa对污染物排放源Ea,d所排放的排放前体物Mk的面源控制措施削减率MAa,d(Aa,Mk)；
根据下式，得到污染物排放源Ea,d所排放的排放前体物Mk在点源控制措施和面源控制措施下的总排放削减率Ka,d(Mk)：
其中：
Ba,u代表第u种点源控制措施，n1代表采取的点源控制措施的总数量；
Aa,v代表第v种面源控制措施，n2代表采取的面源控制措施的总数量；
例如，假设需要研究的大气污染物为SO2，需要评估的点源控制措施共有10种，分别为：点源控制措施A1,点源控制措施A2,...,点源控制措施A10；这10种点源控制措施在不同地区针对不同点源采取；如，点源控制措施A1是针对A地区钢铁行业点源采取的控制措施，如，降低A地区钢铁行业点源SO2排放量，降低比例为10％；分别获得点源控制措施A1对某个模式网格的SO2排放量的削减率MP1,i，点源控制措施A2对某个模式网格的SO2排放量的削减率MP2,i,...,点源控制措施A10对某个模式网格的SO2排放量的削减率MP10,i；点源控制措施A1,点源控制措施A2,...,点源控制措施A10所对应的点源的点源SO2排放量分别为：EP1,i,EP2,i,...,EP10,i；因此，MP1,i与EP1,i相乘后，得到第1个点源SO2控制后的削减量；将10个点源SO2控制后的削减量相加，得到总SO2控制后的削减量，再除以污染物排放源清单中SO2未控制前的排放量，可得到这10种点源控制措施对同一个模式网格的SO2排放量的总削减率。
假设需要评估的面源控制措施共有5种，分别为：面源控制措施B1,面源控制措施B2,...,面源控制措施B5；分别获得面源控制措施B1对某个模式网格的SO2排放量的削减率MA1,i，面源控制措施B2对某个模式网格的SO2排放量的削减率MA2,i,...,面源控制措施B5对某个模式网格的SO2排放量的削减率MA5,i；对MA1,i，MA2,i,...,MA5,i求和，即可得到这5种面源控制措施对同一个模式网格的SO2排放量的总削减率。
步骤6，结合排放前体物Mk的总排放削减率Ka,d(Mk)、每种污染物排放源Ea,d所排放的排放前体物Mk对第(i,j)个格网点的第k种污染物Wk的逐时基准模拟浓度C0,k(i,j)的贡献Ra,d,k(i,j)，以及每种污染物的逐时基准模拟浓度C0,k(i,j)，采用下式，得到采取点源控制措施和面源控制措施后的大气污染物浓度Ct,k(i,j)，具体含义为：第k种污染物Wk在第(i,j)个格网点的逐时预测评估浓度：
其中：
m代表模式模拟时划分的减排地区包括的污染排放行业类别总数量；
n代表模式模拟时划分的减排地区包括的污染物排放源地理位置的总数量。
步骤7，通过分析第k种污染物Wk在第(i,j)个格网点的逐时预测评估浓度，评估所采取的点源控制措施和面源控制措施的效果。
下面通过一个实施例具体说明本发明相比传统情景模拟方法的优点。
分别采用本方法和传统情景模拟方法预测评估2016年12月13日至2016年12月23日京津冀区域的PM2.5污染过程中各级应急预案的控制效果，对比二者的结果和计算效率。
该时段内，不采取任何控制措施时，京津冀区域的PM2.5浓度分布(时间平均)如图2所示。
采用本发明方法评估的京津冀区域采取各级预案后的PM2.5浓度空间分布和北京市平均的PM2.5浓度变化、时间序列和各控制措施对PM2.5浓度的改善效果(红色预警方案各控制措施对北京市PM2.5浓度改善的贡献)如图3-图6所示。其中，图3为蓝色预警方案各控制措施对PM2.5浓度预测图；图4为黄色预警方案各控制措施对PM2.5浓度预测图；图5为橙色预警方案各控制措施对PM2.5浓度预测图；图6为红色预警方案各控制措施对PM2.5浓度预测图。图7为各种预警方案和无控制情景时对PM2.5浓度预测对比图。
下面以红色预警情景为例，对比本发明的评估结果与传统情景模拟方法的评估结果的差别：
如图8所示，为采用传统情景模拟方法对PM2.5浓度预测图。图6为用于对比的采用本发明的评估方法对PM2.5浓度预测图。如图9所示，为采用不同预测方法对北京奥体中心PM2.5浓度预测的对比图。如图10所示，为采用不同预测方法对天津市监测中心PM2.5浓度预测的对比图。如图11所示，为采用不同预测方法对石家庄世纪公园PM2.5浓度预测的对比图。如图12所示，为采用不同预测方法对保定市监测站PM2.5浓度预测的对比图。
评估结果表明，京津冀重污染期间，与传统情景模拟方法相比，本发明评估的京津冀代表城市站点日均值偏差百分率小于5％。具体的，一般认为传统的情景模拟方法在机理上更准确，但是由于数值模式机理本身也有偏差(一般在正负20％左右)，所以情景模拟评估的空气质量改善效果依然不是完全准确的。本发明方法评估的结果与传统情景模拟评估结果的误差在5％以内，说明由本发明方法带来的偏差小于模式本身机理的偏差，因此本发明方法与传统情景模拟方法相比可以认为具有相同的精度。
然而，对于计算效率而言，本发明采用64个计算核心，评估Ⅰ级-Ⅳ级预案未来7天控制效果，本发明耗时72分钟(包括污染来源预测与基准模拟预测时间)。而应用传统情景模拟方法，采用同样的计算资源，评估同样的区域和应急预案，耗时290分钟。因此本发明可以在评估结果可靠的前提下显著提升评估效率并支持定量评估各类控制措施对污染物浓度改善效果的贡献。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (2)
1.一种大气污染多情景控制效果快速预测评估方法，其特征在于，包括以下步骤：
步骤1，确定大气污染控制效果评估的时空范围；其中，所述时空范围包括评估地理区域以及评估时间范围[t1,t2]；其中，t1为评估时间范围的起始时间；t2为评估时间范围的终止时间；
配置模式参数；将模式参数输入并运行中尺度气象模式，所述中尺度气象模式对评估地理区域在评估时间范围[t1,t2]内的气象数据进行模拟，输出评估地理区域中每个格网点在评估时间范围[t1,t2]内的逐时气象模拟数据；
步骤2，读取预存储的污染物排放源清单数据；其中，所述污染物排放源清单数据包括若干条污染物排放源数据，每条污染物排放源数据表示为Ea,d,k，其中，k代表第k种污染物Wk；a代表污染物排放源地理位置；d代表污染物排放源所对应的行业类别；Ea,d,k含义为：在a地理位置，属于d行业类别的污染物排放源，排放第k种污染物Wk的年总排放量；
步骤3，对所述污染物排放源清单数据进行时空分配，得到评估地理区域中每个格网点在评估时间范围[t1,t2]内的逐时污染物排放数据Pk,d(i,j)；具体含义为：第d种行业的第k种污染物Wk在第(i,j)个格网点的逐时污染物排放量；
将所述评估地理区域中每个格网点在评估时间范围[t1,t2]内的逐时气象模拟数据，和所述评估地理区域中每个格网点在评估时间范围[t1,t2]内的逐时污染物排放量Pk,d(i,j)，共同输入并运行耦合有在线污染来源解析模块的空气质量数值模式，所述空气质量数值模式输出在不采取任何控制措施下每种污染物的逐时基准模拟浓度C0,k(i,j)，具体含义为：第k种污染物Wk在第(i,j)个格网点的逐时基准模拟浓度；下标0代表基准；
步骤4，确定第k种污染物Wk的排放前体物Mk；所述排放前体物Mk为至少一种；
运行空气质量数值模式，获得各污染物排放源Ea,d所排放的排放前体物Mk的量与第(i,j)个格网点的第k种污染物Wk的逐时基准模拟浓度C0,k(i,j)之间的函数关系，即排放-浓度响应关系，也就是获得每种污染物排放源Ea,d所排放的排放前体物Mk对第(i,j)个格网点的第k种污染物Wk的逐时基准模拟浓度C0,k(i,j)的贡献Ra,d,k(i,j)；
步骤5，读取需要评估的每种点源控制措施Ba，含义为：在a地理位置采取的点源控制措施Ba；以及需要评估的每种面源控制措施Aa，含义为：在a地理位置采取的面源控制措施；
然后，获取以下参数：每种点源控制措施Ba对污染物排放源Ea,d所排放的排放前体物Mk排放量的点源控制措施削减率MPa,d(Ba,Mk)；每种排放前体物Mk在对应污染物排放源地理位置a，由d行业类别的污染物排放源所进行的点源排放量EPa,d(Mk)；每种面源控制措施Aa对污染物排放源Ea,d所排放的排放前体物Mk的面源控制措施削减率MAa,d(Aa,Mk)；
根据下式，得到污染物排放源Ea,d所排放的排放前体物Mk在点源控制措施和面源控制措施下的总排放削减率Ka,d(Mk)：
其中：
Ba,u代表第u种点源控制措施，n1代表采取的点源控制措施的总数量；
Aa,v代表第v种面源控制措施，n2代表采取的面源控制措施的总数量；
步骤6，结合排放前体物Mk的总排放削减率Ka,d(Mk)、每种污染物排放源Ea,d所排放的排放前体物Mk对第(i,j)个格网点的第k种污染物Wk的逐时基准模拟浓度C0,k(i,j)的贡献Ra,d,k(i,j)，以及每种污染物的逐时基准模拟浓度C0,k(i,j)，采用下式，得到采取点源控制措施和面源控制措施后的大气污染物浓度Ct,k(i,j)，具体含义为：第k种污染物Wk在第(i,j)个格网点的逐时预测评估浓度：
其中：
m代表模式模拟时划分的减排地区包括的污染排放行业类别总数量；
n代表模式模拟时划分的减排地区包括的污染物排放源地理位置的总数量；
步骤7，通过分析第k种污染物Wk在第(i,j)个格网点的逐时预测评估浓度，评估所采取的点源控制措施和面源控制措施的效果。
2.根据权利要求1所述的大气污染多情景控制效果快速预测评估方法，其特征在于，步骤1中，配置的模式参数包括模式初始条件、边界条件、评估地理区域的网格数和物理参数化方案配置参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010997761.4A CN112085295B (zh) | 2020-09-21 | 2020-09-21 | 一种大气污染多情景控制效果快速预测评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010997761.4A CN112085295B (zh) | 2020-09-21 | 2020-09-21 | 一种大气污染多情景控制效果快速预测评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112085295A true CN112085295A (zh) | 2020-12-15 |
| CN112085295B CN112085295B (zh) | 2021-09-21 |
Family
ID=73738606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010997761.4A Active CN112085295B (zh) | 2020-09-21 | 2020-09-21 | 一种大气污染多情景控制效果快速预测评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085295B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537563A (zh) * | 2021-06-10 | 2021-10-22 | 中科三清科技有限公司 | 污染应急管控效果评估方法及装置 |
| CN114169574A (zh) * | 2021-11-11 | 2022-03-11 | 国网冀北电力有限公司唐山供电公司 | 一种通过工业运行电力指数进行大气污染预测的方法 |
| CN114896783A (zh) * | 2022-05-07 | 2022-08-12 | 中科三清科技有限公司 | 空气质量改善效果的评估方法和装置 |
| CN116128093A (zh) * | 2022-11-16 | 2023-05-16 | 河北省气象灾害防御和环境气象中心(河北省预警信息发布中心) | 一种融合机器学习和数值模拟的减排效果快速评估方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102819661A (zh) * | 2012-06-19 | 2012-12-12 | 中国科学院大气物理研究所 | 一种运用区域空气质量模式的大气环境容量新算法 |
| CN108319808A (zh) * | 2018-01-09 | 2018-07-24 | 南京大学 | 增加无机盐气溶胶化学过程的大气污染模拟预测算法 |
| US20180313649A1 (en) * | 2017-04-28 | 2018-11-01 | International Business Machines Corporation | 3-d air pollution transmission path identification |
| CN109034252A (zh) * | 2018-08-01 | 2018-12-18 | 中国科学院大气物理研究所 | 空气质量站点监测数据异常的自动化识别方法 |
| CN109685281A (zh) * | 2018-12-29 | 2019-04-26 | 中科三清科技有限公司 | 污染来源预测方法、装置及电子设备 |
| CN110598953A (zh) * | 2019-09-23 | 2019-12-20 | 哈尔滨工程大学 | 一种时空相关的空气质量预测方法 |
| CN110717682A (zh) * | 2019-10-15 | 2020-01-21 | 中南大学 | 一种基于空间位置的个体空气污染风险源解析方法 |
| CN110909483A (zh) * | 2019-12-03 | 2020-03-24 | 河北先河环保科技股份有限公司 | 一种基于网格化数据的点源大气污染物排放清单校验方法 |
| CN111368401A (zh) * | 2020-02-20 | 2020-07-03 | 南开大学 | 污染源的溯源方法、装置和存储介质 |
| CN111382951A (zh) * | 2020-03-19 | 2020-07-07 | 河南农业大学 | 一种城市空气质量改善目标的分配方法 |
| US20200218836A1 (en) * | 2015-11-04 | 2020-07-09 | Scepter Incorporated | Atmospheric sensor network and analytical information system related thereto |
| US20200234220A1 (en) * | 2019-01-18 | 2020-07-23 | Johnson Controls Technology Company | Smart building automation system with employee productivity features |
| CN111523717A (zh) * | 2020-04-15 | 2020-08-11 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
| CN111581808A (zh) * | 2020-04-30 | 2020-08-25 | 中科三清科技有限公司 | 一种污染物信息处理方法、装置、存储介质及终端 |
-
2020
- 2020-09-21 CN CN202010997761.4A patent/CN112085295B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102819661A (zh) * | 2012-06-19 | 2012-12-12 | 中国科学院大气物理研究所 | 一种运用区域空气质量模式的大气环境容量新算法 |
| US20200218836A1 (en) * | 2015-11-04 | 2020-07-09 | Scepter Incorporated | Atmospheric sensor network and analytical information system related thereto |
| US20180313649A1 (en) * | 2017-04-28 | 2018-11-01 | International Business Machines Corporation | 3-d air pollution transmission path identification |
| CN108319808A (zh) * | 2018-01-09 | 2018-07-24 | 南京大学 | 增加无机盐气溶胶化学过程的大气污染模拟预测算法 |
| CN109034252A (zh) * | 2018-08-01 | 2018-12-18 | 中国科学院大气物理研究所 | 空气质量站点监测数据异常的自动化识别方法 |
| CN109685281A (zh) * | 2018-12-29 | 2019-04-26 | 中科三清科技有限公司 | 污染来源预测方法、装置及电子设备 |
| US20200234220A1 (en) * | 2019-01-18 | 2020-07-23 | Johnson Controls Technology Company | Smart building automation system with employee productivity features |
| CN110598953A (zh) * | 2019-09-23 | 2019-12-20 | 哈尔滨工程大学 | 一种时空相关的空气质量预测方法 |
| CN110717682A (zh) * | 2019-10-15 | 2020-01-21 | 中南大学 | 一种基于空间位置的个体空气污染风险源解析方法 |
| CN110909483A (zh) * | 2019-12-03 | 2020-03-24 | 河北先河环保科技股份有限公司 | 一种基于网格化数据的点源大气污染物排放清单校验方法 |
| CN111368401A (zh) * | 2020-02-20 | 2020-07-03 | 南开大学 | 污染源的溯源方法、装置和存储介质 |
| CN111382951A (zh) * | 2020-03-19 | 2020-07-07 | 河南农业大学 | 一种城市空气质量改善目标的分配方法 |
| CN111523717A (zh) * | 2020-04-15 | 2020-08-11 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
| CN111581808A (zh) * | 2020-04-30 | 2020-08-25 | 中科三清科技有限公司 | 一种污染物信息处理方法、装置、存储介质及终端 |
Non-Patent Citations (1)
| Title |
|---|
| 陈焕盛、王文丁等: "三维变分在PM2.5重污染数值模拟中的应用研究", 《中国环境监测》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537563A (zh) * | 2021-06-10 | 2021-10-22 | 中科三清科技有限公司 | 污染应急管控效果评估方法及装置 |
| CN113537563B (zh) * | 2021-06-10 | 2022-08-02 | 中科三清科技有限公司 | 污染应急管控效果评估方法及装置 |
| CN114169574A (zh) * | 2021-11-11 | 2022-03-11 | 国网冀北电力有限公司唐山供电公司 | 一种通过工业运行电力指数进行大气污染预测的方法 |
| CN114169574B (zh) * | 2021-11-11 | 2024-06-04 | 国网冀北电力有限公司唐山供电公司 | 一种通过工业运行电力指数进行大气污染预测的方法 |
| CN114896783A (zh) * | 2022-05-07 | 2022-08-12 | 中科三清科技有限公司 | 空气质量改善效果的评估方法和装置 |
| CN116128093A (zh) * | 2022-11-16 | 2023-05-16 | 河北省气象灾害防御和环境气象中心(河北省预警信息发布中心) | 一种融合机器学习和数值模拟的减排效果快速评估方法 |
| CN116128093B (zh) * | 2022-11-16 | 2024-02-02 | 河北省气象灾害防御和环境气象中心(河北省预警信息发布中心) | 一种融合机器学习和数值模拟的减排效果快速评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112085295B (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112085295B (zh) | 一种大气污染多情景控制效果快速预测评估方法 | |
| CN110909483B (zh) | 一种基于网格化数据的点源大气污染物排放清单校验方法 | |
| CN107871210B (zh) | 一种大气环境容量核算方法 | |
| CN111368401A (zh) | 污染源的溯源方法、装置和存储介质 | |
| Jiang et al. | Progress in developing an ANN model for air pollution index forecast | |
| CN109060617B (zh) | 不同农业氨排放情景对pm2.5浓度影响的模拟与分析方法 | |
| CN112381341B (zh) | 一种区域空气质量管控措施效果评估方法 | |
| CN112100933B (zh) | Scr脱硝系统喷氨格栅定量优化模拟方法、系统及介质 | |
| Zhang et al. | Effects of industrial agglomeration and environmental regulation on urban ecological efficiency: evidence from 269 cities in China | |
| CN112801422B (zh) | 数值模型和线性规划模型相结合的大气污染协同控制方法 | |
| CN116468152A (zh) | 高速公路交通运输污染物排放量多情景区间预测方法 | |
| CN112581107B (zh) | 污染排放控制方法、装置及可存储介质 | |
| Li et al. | Source contribution analysis of PM2. 5 using response surface model and particulate source apportionment technology over the PRD region, China | |
| CN114354841A (zh) | 一种大数据与空气质量模型联用的臭氧污染溯源及验证方法 | |
| CN111581792A (zh) | 一种基于两阶段非负Lasso模型的大气PM2.5浓度预测方法及系统 | |
| Li et al. | Examining the implications of photochemical indicators for O 3–NO x–VOC sensitivity and control strategies: a case study in the Yangtze River Delta (YRD), China | |
| CN114218976A (zh) | 臭氧前体物高值区精细化排放源追溯定位方法和系统 | |
| Zhang et al. | Emission inventory and control policy for non-road construction machinery in Tianjin | |
| Kavianipour et al. | Effects of Electric Vehicle Adoption for State-Wide Intercity Trips on Emission Saving and Energy Consumption | |
| CN117195585A (zh) | 一种基于动态情景模拟的大气多污染物减排优化调控方法与系统 | |
| CN112071073A (zh) | 一种噪声地图系统的道路噪声自动修正方法 | |
| Kim et al. | Application of neural network model to vehicle emissions | |
| CN113780639B (zh) | 基于多任务学习框架的城市固废焚烧氮氧化物NOx排放预测方法 | |
| CN115271422A (zh) | 一种大气污染控制措施的评估方法及装置 | |
| CN112132483B (zh) | 空气质量数值业务预报可信度评估方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |