CN115510775A - 考虑不确定性的河流水污染事故最优应急调度流量计算方法及装置 - Google Patents
考虑不确定性的河流水污染事故最优应急调度流量计算方法及装置 Download PDFInfo
- Publication number
- CN115510775A CN115510775A CN202211077195.0A CN202211077195A CN115510775A CN 115510775 A CN115510775 A CN 115510775A CN 202211077195 A CN202211077195 A CN 202211077195A CN 115510775 A CN115510775 A CN 115510775A
- Authority
- CN
- China
- Prior art keywords
- water quality
- river
- model
- uncertainty
- water
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 58
- 238000003903 river water pollution Methods 0.000 title claims abstract description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 192
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 230000035945 sensitivity Effects 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 238000003911 water pollution Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 10
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000010206 sensitivity analysis Methods 0.000 claims description 23
- 238000013076 uncertainty analysis Methods 0.000 claims description 14
- 230000015556 catabolic process Effects 0.000 claims description 10
- 238000006731 degradation reaction Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 239000003344 environmental pollutant Substances 0.000 claims description 7
- 231100000719 pollutant Toxicity 0.000 claims description 7
- 238000003908 quality control method Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 230000006870 function Effects 0.000 description 16
- 238000010790 dilution Methods 0.000 description 7
- 239000012895 dilution Substances 0.000 description 7
- 238000007865 diluting Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 241000124033 Salix Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明提供考虑不确定性的河流水污染事故最优应急调度流量计算方法及装置，方法包括：步骤1，资料收集；步骤2，基于水污染负荷和河流水文参数，建立研究河段的河流水动力水质数值模拟模型；步骤3，进行河流水文参数的灵敏度分析，筛选对水质计算结果影响较大的灵敏参数；步骤4，利用拉丁超立方抽样方法对筛选的灵敏度参数进行抽样，得到N1组灵敏参数的组合，并输入到建立的河流水动力水质数值模拟模型中，获得N1组水质指标的输出结果；将N1组灵敏参数和N1组水质指标输入神经网络模型进行训练，获得各个水质指标的水质计算代理模型；步骤5，建立调度流量最优化模型；步骤6，不确定性分析，得到参数不确定性对最优调度流量的影响。
Description
技术领域
本发明属于环境水力学领域，具体涉及考虑不确定性的河流水污染事故最优应急调度流量计算方法及装置。
技术背景
为保障河流水功能正常发挥，流域管理机构往往会划定控制断面水质标准的红线。然而，由于经济的发展、人口的增长、工业的繁荣，以前的水功能区划当中设定的水质标准的红线往往会被新增的污染源所打破；此外，突发水污染事故时有发生，短时间内会对河流生态系统造成严重破坏。对于有闸、坝控制的河段，可以采用引调水的方式进行河流水污染的稀释，从而使得控制断面水质达标，缓解河流水质自净负担。然而水资源的区域分配与河流水质的改善是相互矛盾的，最优调度流量的确定是研究的重点。
但是传统的河流水污染稀释最优应急调度流量计算只是简单的方案比选，并不是最优结果，且计算过程中并未考虑河流水文参数的不确定性，进而导致调度流量无法起到稀释河流水污染的作用或者导致调度流量的浪费。因此，在河流水污染治理的工程领域里，亟需一种考虑不确定性的河流水污染事故最优应急调度流量计算方法。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供考虑不确定性的河流水污染事故最优应急调度流量计算方法及装置，能够高效进行河流水污染调水稀释最优调度流量计算与不确定性分析，避免调度浪费，有效减小调度决策风险。本发明为了实现上述目的，采用了以下方案：
<方法>
如图1所示，本发明提供考虑不确定性的河流水污染事故最优应急调度流量计算方法，其特征在于，包括以下步骤：
步骤1，资料收集：确定研究河段的水污染负荷情况与河流水文参数(糙率、纵向离散系数、各水质指标降解系数等)取值范围；
步骤2，模型建立：基于步骤1中的水污染负荷和河流水文参数，建立研究河段的河流水动力水质数值模拟模型；
步骤3，灵敏度分析：利用建立的水动力水质数值模拟模型进行河流水文参数的灵敏度分析，筛选对水质计算结果影响较大的灵敏参数；
步骤4，代理模型建立：利用拉丁超立方抽样方法对筛选的灵敏度参数进行抽样，得到N1组灵敏参数的组合，并输入到建立的河流水动力水质数值模拟模型中，获得N1组水质指标的输出结果；将N1组灵敏参数和N1组水质指标输入神经网络模型进行训练，获得各个水质指标的水质计算代理模型；N1为正整数；步骤4中的代理模型建立过程中，采用的人工神经网络模型示意图见图2；
步骤5，调度流量最优化模型建立：将河流水动力水质数值模拟模型替换为代理模型，并将其嵌入到粒子群优化模型中，以水质不超标、调度流量最小为目标函数，建立调度流量最优化模型；
步骤6，不确定性分析：对筛选的灵敏度参数进行抽样，得到N2组灵敏参数的组合，并将之带入到调度流量最优化模型中，计算获得N2个最优调度流量优化结果，N2为正整数，对结果进行统计分析，得到参数不确定性对最优调度流量的影响。
本发明提供的考虑不确定性的河流水污染事故最优应急调度流量计算方法，还可以具有以下特征：在步骤1中，水污染负荷情况来自于河流入汇污染负荷调查；河流水文参数中的糙率、纵向离散系数及各污染物指标降解系数取值范围根据历史资料确定。
本发明提供的考虑不确定性的河流水污染事故最优应急调度流量计算方法，还可以具有以下特征：
在步骤2中，研究河段的河流水动力水质数值模拟模型如下：
式中，A为断面面积；Q为流量；Qbranch为支流汇入流量；Z为水位；g为重力加速度；Sf为能坡；C为污染物指标的浓度值；E为纵向离散系数值；K为该污染物指标的降解系数；
上述方程组计算的上游水动力边界条件给定为调度流量，需要假定；下游水动力边界条件在水位流量关系曲线插值获得；上游水质边界设置为III类水水质条件，下游水质边界设为自由出流条件。
本发明提供的考虑不确定性的河流水污染事故最优应急调度流量计算方法，还可以具有以下特征：
在步骤3中，基于以下公式进行灵敏度分析：
式中，Ik表示第k个参数的灵敏度系数；xk表示模型输入的第k个参数；Δxk表示参数xk的变化量；yi(xk)是参数xk对应的水质指标计算结果；yi(xk+Δxk)是参数为xk+Δxk时对应的水质指标计算结果；Nc是水质控制断面的个数；
参数的灵敏度系数越大，对水质指标计算结果的影响越大，该参数变化带来的水质指标计算结果的不确定性越强。
本发明提供的考虑不确定性的河流水污染事故最优应急调度流量计算方法，还可以具有以下特征：
在步骤5中，调度流量最优化模型建立过程中，确保水质不超标、调度流量最小的目标函数如下：
式中，(C-Cmax)+＝max{C-Cmax,0}；Q即为所求最优调度流量；
为代理模型计算得到的第i种水质指标在第j个控制断面的浓度值；Cmax为该水质指标浓度限制值；M为考虑的水质指标的个数；Nc为控制断面的个数；η与μ均为权重系数，用来调整目标函数中两项的权重，需要确保当水质指标超标时，目标函数迅速增大。
本发明提供的考虑不确定性的河流水污染事故最优应急调度流量计算方法，还可以具有以下特征：
在步骤6中，对每组参数对应的最优调度流量的计算结果进行统计分析，求取均值、标准差以及置信区间；
置信区间采用切比雪夫不等式进行近似估计，切比雪夫不等式如下：
式中，P为概率大小；X为随机变量；μ为随机变量X的数学期望，可用样本均值
代替；σ为随机变量X的标准差，可用抽样平均误差Sx代替，抽样平均误差的计算公式如下：
式中，S为样本标准差；N为样本个数；
对于给定的变量X，位于区间[μ-kσ,μ+kσ]内的总体比例或概率为1-1/k2，由此进行最优调度流量的区间估计，进而得到置信区间。
<装置>
进一步，本发明还提供了考虑不确定性的河流水污染事故最优应急调度流量计算装置，其特征在于，包括：
信息收集部，根据收集的资料，确定研究河段的水污染负荷情况与河流水文参数及取值范围；
模型初建部，基于水污染负荷和河流水文参数，建立研究河段的河流水动力水质数值模拟模型；
灵敏度分析部，利用建立的水动力水质数值模拟模型进行河流水文参数的灵敏度分析，筛选对水质计算结果影响较大的灵敏参数；
代理模型建立部，利用拉丁超立方抽样方法对筛选的灵敏度参数进行抽样，得到N1组灵敏参数的组合，并输入到建立的河流水动力水质数值模拟模型中，获得N1组水质指标的输出结果；将N1组灵敏参数和N1组水质指标输入神经网络模型进行训练，获得各个水质指标的水质计算代理模型；
最优模型建立部，将河流水动力水质数值模拟模型替换为代理模型，并将其嵌入到粒子群优化模型中，以水质不超标、调度流量最小为目标函数，建立调度流量最优化模型；
不确定性分析部，对筛选的灵敏度参数进行抽样，得到N2组灵敏参数的组合，并将之带入到调度流量最优化模型中，计算获得N2个最优调度流量优化结果，对结果进行统计分析，得到参数不确定性对最优调度流量的影响；
控制部，与信息收集部、模型初建部、灵敏度分析部、代理模型建立部、最优模型建立部、不确定性分析部均通信相连，控制它们的运行。
优选地，本发明提供的考虑不确定性的河流水污染事故最优应急调度流量计算装置，还可以包括：调度部，与水利工程水控系统和控制部通信相连，基于不确定性分析部得到的最优调度流量优化结果和参数不确定性对最优调度流量的影响，获取相应时段的最优调度流量作为调度信息，并将调度信息发送给水利工程水控系统，以根据此进行用水调度。
优选地，本发明提供的考虑不确定性的河流水污染事故最优应急调度流量计算装置，还可以具有这样的特征：输入显示部，与控制部通信相连，用于让用户输入操作指令，并进行相应显示。
优选地，本发明提供的考虑不确定性的河流水污染事故最优应急调度流量计算装置，还可以具有这样的特征：在灵敏度分析部中，基于以下公式进行灵敏度分析：
式中，Ik表示第k个参数的灵敏度系数；xk表示模型输入的第k个参数；Δxk表示参数xk的变化量；yi(xk)是参数xk对应的水质指标计算结果；yi(xk+Δxk)是参数为xk+Δxk时对应的水质指标计算结果；Nc是水质控制断面的个数；参数的灵敏度系数越大，对水质指标计算结果的影响越大，该参数变化带来的水质指标计算结果的不确定性越强；
在最优模型建立部的调度流量最优化模型建立过程中，确保水质不超标、调度流量最小的目标函数如下：
式中，(C-Cmax)+＝max{C-Cmax,0}；Q即为所求最优调度流量；
为代理模型计算得到的第i种水质指标在第j个控制断面的浓度值；Cmax为该水质指标浓度限制值；M为考虑的水质指标的个数；Nc为控制断面的个数；η与μ均为权重系数，用来调整目标函数中两项的权重，确保当水质指标超标时，目标函数迅速增大。
发明的作用与效果
本发明所提供的考虑不确定性的河流水污染事故最优应急调度流量计算方法及装置，采用机器学习方法中的神经网络模型推导得到了水动力水质模型的代理模型，并用于水质计算，以独特的目标函数形式考虑了河流水污染稀释中水质不超标，调度流量最小等目标，先灵敏度分析筛选参数，再进行不确定性量化分析；能够在河流污染发生时给出污染稀释的最优调度流量，而不仅仅只是方案的比选，实现了水量的最大化利用；可以同时考虑水质不超标，调度流量最小的目标；能够直接给出最优调度流量和河流水文参数不确定性带来的结果不确定性的量化分析；同时本发明利用神经网络模型获得了研究河段水质计算的代理模型，节约了99％的计算负荷和计算时间。
综上，本发明可以在河流水污染发生后，高效、准确地得到最优调度流量和河流水文参数不确定性带来的结果不确定性的量化分析结果，为水库用水调度决策提供更科学有效的依据。
附图说明
图1为本发明涉及的考虑不确定性的河流水污染事故最优应急调度流量计算方法的流程图；
图2为本发明实施例中所采用的神经网络模型示意图；
图3为本发明实施例中涉及的A1TN指标变化趋势图；
图4为本发明实施例中涉及的A1TN指标变化趋势图；
图5～8为本发明实施例中涉及的枯水期各月份代理模型输出结果与水动力水质模型模拟结果的对比图；其中，图5对应1月份，图6对应2月份，图7对应3月份，图8对应12月份；
图9～12为本发明实施例中涉及的确定参数情况下的枯水期各月份最优调度流量计算结果图；其中，图9对应1月份，图10对应2月份，图11对应3月份，图12对应12月份；
图13～16为本发明实施例中涉及的枯水期各月份最优调度流量的参数不确定性分析结果图；其中，图13对应1月份，图14对应2月份，图15对应3月份，图16对应12月份。
具体实施方式
以下结合附图对本发明涉及的考虑不确定性的河流水污染事故最优应急调度流量计算方法及装置的具体实施方案进行详细地说明。
<实施例>
A属B的一级支流，干流全长170.4km。A的某河段A1全长33.31km，流域面积763km2，共有3个常规监测断面，从上游到下游分别是a(入境断面)、b和c，除入境断面外，其与监测断面即为水质控制断面。A1水功能区划为III类水体，水质管理目标为III类水。然而由图3可知，其水质情况并不容乐观，至2013年以后，逐渐变差；由表1地表水环境质量标准限值表可知A1主要超标的水质指标为TN。为了使得两个水质控制断面水质达标，开展了A1河流水污染调水稀释最优调度流量计算研究。经过研究发现，只有处于枯水期的12月、1月、2月和3月时，A1才存在污染超标现象，其他月份情况下，控制断面的水质按照现有污染负荷条件均能达标，因此，只计算枯水期月份的河流水污染稀释最优调度流量。
表1地表水环境质量标准限值 单位：mg/L
如图1所示，采用本发明提供的考虑不确定性的河流水污染事故最优应急调度流量计算方法计算分析A1河流水污染调水稀释最优调度流量，具体包括以下步骤：
步骤1，资料收集。确定研究河段的水污染负荷情况及河流水文参数(糙率、纵向离散系数、各水质指标降解系数等)取值范围；
按照相关资料，假设A1河流水文参数服从正态分布，均值及取值范围见表2；A1枯水期各月份降解系数见表3；由于A1调度流量Q是待优化变量，最优调度流量的大小，结合A1柳子港水文站枯水期月均流量数据，假设其取值范围是2～40m3/s。A1污染负荷数据见表4。
表2 A1河流水文参数取值范围
表3枯水期各水质指标的降解系数均值及取值范围
表4 A1污染负荷数据
由表4可知，A1污染负荷概化为6个排污口，将A1主要污染负荷量按照流量的比例划分到年内，得到各个概化排口的排放流量和各污染物组分的排放浓度，见表5。
表5 A1枯水期各月份排口排放浓度及流量数据 单位：mg/L
步骤2，模型建立。输入步骤1中的水污染负荷和河流水文参数，建立起研究河段的河流水动力水质数值模拟模型；
依据步骤1中的相关数据：A1地形、水文数据、参数取值范围、水动力水质边界条件等资料，对一维水动力水质方程组即公式(1)进行有限差分离散，构建A1的水动力水质数值模拟模型。
步骤3，灵敏度分析。利用建立的水动力水质数值模拟模型进行河流水文参数的灵敏度分析，筛选对水质计算结果影响较大的灵敏参数；
以COD的浓度计算为例，参与分析的参数为纵向离散系数E、糙率n、降解系数KCOD(调度流量Q为待求变量，必然为灵敏参数，因此不做灵敏度分析)，具体的灵敏度分析结果见图4。从图中可以看出，纵向离散系数对控制断面COD的影响几乎可以忽略不计，因此，最终筛选出的灵敏参数为糙率n、降解系数K、调度流量Q。
步骤4，代理模型建立。利用拉丁超立方抽样方法对筛选的灵敏度参数进行抽样，得到N1组灵敏参数的组合，并输入到建立的河流水动力水质数值模拟模型中，获得N1组水质指标的输出结果。将N1组灵敏参数和N1组水质指标输入神经网络模型进行训练，获得各个水质指标的水质计算代理模型。代理模型建立过程中，采用的人工神经网络模型示意图见图2。
对于枯水期的每个月份，利用拉丁超立方抽样方法，对筛选的参数进行抽样，得到50组灵敏参数组合(Q，n，KCOD，
KTN，KTP)，将这50组参数输入到建立的水动力水质数学模型当中进行计算，得到50组输出结果。将参数组合和输出结果作为训练数据，对神经网络模型进行训练。枯水期各个月份的水质计算模块的替代模型的具体的训练结果见图5～8。从图中可以看出：训练得到的神经网络模型输出的浓度结果与采用前期建立的水动力水质模型计算出的浓度结果拟合良好，相关系数均达到0.995以上。
步骤5，调度流量最优化模型建立。将河流水动力水质数值模拟模型替换为代理模型，并将其嵌入到粒子群优化模型中，并以水质不超标、调度流量最小为目标函数，建立起调度流量最优化模型。
针对于A1河流水污染稀释最优调度流量研究而言，考虑的水质指标主要有四个，即COD、NH3-N、TN、TP，即M＝4；A1需要考虑的水质控制断面主要有城关断面和沐家泾断面(入江断面)，即Nc＝2。为了保证当水质指标超标时，目标函数迅速增大，取η＝1，μ＝1e+10，那么此时的目标函数如下：
给定确定的河流水文参数，利用粒子群优化算法对公式(6)求极小值，唯一的变量是调度流量，经过优化后可获得枯水期各个月份的最优调度流量，具体见图9～12。
采用MIKE11模型对建立的优化模型进行检验，分别将1月份、2月份、3月份与12月份的流量给定为21.69m3/s、11.23m3/s、11.49m3/s、12.02m3/s。检验结果见表6。从表中可以看出，各个水质指标均在标准限制值以下，沐家泾断面TN接近指标限制值。表明了建立的优化模型计算结果是正确可信的。
表1枯水期各月份最优调度流量下监测断面水质状况表
步骤6，不确定性分析。对筛选的灵敏度参数进行抽样，得到N2组灵敏参数的组合，并将之带入到调度流量最优化模型中，获得N2个最优调度流量优化结果，对结果进行统计分析，得到参数不确定性对最优调度流量的影响。
采用蒙特卡罗方法研究参数的不确定性对最小上游来流流量计算结果的影响。利用拉丁超立方抽样从灵敏参数中选取500组参数组合，将其带入到粒子群优化模型当中，分别计算得到对应的最小上游来流流量。最后，对这些计算得到的最优调度流量进行统计分析，具体结果见图13～16。从图中可以看出，参数的改变对最小上游来流流量的影响是较大的，且结果的分布服从偏态分布，而不是正态分布。这意味着采用参数均值计算得到相应月份的最优调度流量是小于发生概率最大的最优调度流量的，这可能会导致多数情况下决策的调度流量不一定符合河流水污染稀释的需要，进而造成下游控制断面的水质不达标。这也充分证明了参数不确定性分析的必要性。
从上图中可以看出：1月份和3月份的最优调度流量计算结果的不确定性较大，2月份和12月份的计算结果的不确定性相对较小。最终计算得到的枯水期各月份的最优调度流量均值分别为：12.27m3/s(12月份)、22.30m3/s(1月份)、12.24m3/s(2月份)和11.23m3/s(3月份)。表7给出了不同置信区间下枯水期各个月份的最优调度流量。
表2不同置信区间下枯水期各月份最优调度流量 单位：m3/s
在开展参数不确定性分析过程中，同样电脑配置下，本发明所提出的计算方法共计调用水质计算替代模型的子程序1521075次，总计用时92.941s；而采用MIKE计算一次A1算例水质结果需要7s，运算1521075次用时约为123天；与之相比，本发明所提出的方法计算效率大大提高。
经过测试本发明方法不仅能给出河流水污染调水稀释最优调度流量，在控制断面上的水质不超标的情况下，实现了水量的最大化利用；同时该方法利用神经网络模型获得了研究河段水质计算的代理模型，节约了99％的计算负荷和计算时间，改善了以往的研究方法中无法考虑河流水文参数不确定性的缺点，可以在河流水污染发生后，为调度决策提供更多的参考依据，使得河流水污染稀释调度流量的计算结果更为合理。
进一步，本实施例还提供了能够自动实现上述方法的河流水污染事故最优应急调度流量计算装置，该装置包括信息收集部、模型初建部、灵敏度分析部、代理模型建立部、最优模型建立部、不确定性分析部、调度部、输入显示部以及控制部。
信息收集部根据上文步骤1的描述，基于收集的资料确定研究河段的水污染负荷情况与河流水文参数及取值范围。这里收集的资料可以为用户通过输入显示部导入或输入的资料。
模型初建部根据上文步骤2的描述，基于水污染负荷和河流水文参数，建立研究河段的河流水动力水质数值模拟模型。
灵敏度分析部根据上文步骤3的描述，利用建立的水动力水质数值模拟模型进行河流水文参数的灵敏度分析，筛选对水质计算结果影响较大的灵敏参数。
代理模型建立部根据上文步骤4的描述，利用拉丁超立方抽样方法对筛选的灵敏度参数进行抽样，得到N1组灵敏参数的组合，并输入到建立的河流水动力水质数值模拟模型中，获得N1组水质指标的输出结果；将N1组灵敏参数和N1组水质指标输入神经网络模型进行训练，获得各个水质指标的水质计算代理模型.
最优模型建立部根据上文步骤5的描述，将河流水动力水质数值模拟模型替换为代理模型，并将其嵌入到粒子群优化模型中，以水质不超标、调度流量最小为目标函数，建立调度流量最优化模型。
不确定性分析部根据上文步骤6的描述，对筛选的灵敏度参数进行抽样，得到N2组灵敏参数的组合，并将之带入到调度流量最优化模型中，计算获得N2个最优调度流量优化结果，对结果进行统计分析，得到参数不确定性对最优调度流量的影响。
调度部基于不确定性分析部得到的最优调度流量优化结果和参数不确定性对最优调度流量的影响，获取相应时段的最优调度流量作为调度信息，并将调度信息发送给水利工程水控系统，以根据此进行用水调度。
输入显示部用于让用户输入操作指令，并进行相应显示。
控制部与信息收集部、模型初建部、灵敏度分析部、代理模型建立部、最优模型建立部、不确定性分析部、调度部、输入显示部均通信相连，控制它们的运行。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的考虑不确定性的河流水污染事故最优应急调度流量计算方法及装置并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。
Claims (10)
1.考虑不确定性的河流水污染事故最优应急调度流量计算方法，其特征在于，包括以下步骤：
步骤1，资料收集：确定研究河段的水污染负荷情况与河流水文参数取值范围；
步骤2，模型建立：基于步骤1中的水污染负荷和河流水文参数，建立研究河段的河流水动力水质数值模拟模型；
步骤3，灵敏度分析：利用建立的水动力水质数值模拟模型进行河流水文参数的灵敏度分析，筛选对水质计算结果影响较大的灵敏参数；
步骤4，代理模型建立：利用拉丁超立方抽样方法对筛选的灵敏度参数进行抽样，得到N1组灵敏参数的组合，并输入到建立的河流水动力水质数值模拟模型中，获得N1组水质指标的输出结果；将N1组灵敏参数和N1组水质指标输入神经网络模型进行训练，获得各个水质指标的水质计算代理模型；
步骤5，调度流量最优化模型建立：将河流水动力水质数值模拟模型替换为代理模型，并将其嵌入到粒子群优化模型中，以水质不超标、调度流量最小为目标函数，建立调度流量最优化模型；
步骤6，不确定性分析：对筛选的灵敏度参数进行抽样，得到N2组灵敏参数的组合，并将之带入到调度流量最优化模型中，计算获得N2个最优调度流量优化结果，对结果进行统计分析，得到参数不确定性对最优调度流量的影响。
2.根据权利要求1所述的考虑不确定性的河流水污染事故最优应急调度流量计算方法，其特征在于：
其中，在步骤1中，水污染负荷情况来自于河流入汇污染负荷调查；河流水文参数中的糙率、纵向离散系数及各污染物指标降解系数取值范围根据历史资料确定。
3.根据权利要求1所述的考虑不确定性的河流水污染事故最优应急调度流量计算方法，其特征在于：
其中，在步骤2中，研究河段的河流水动力水质数值模拟模型如下：
式中，A为断面面积；Q为流量；Qbranch为支流汇入流量；Z为水位；g为重力加速度；Sf为能坡；C为污染物指标的浓度值；E为纵向离散系数值；K为该污染物指标的降解系数；
上述方程组计算的上游水动力边界条件给定为调度流量；下游水动力边界条件在水位流量关系曲线插值获得；上游水质边界设置为III类水水质条件，下游水质边界设为自由出流条件。
4.根据权利要求1所述的考虑不确定性的河流水污染事故最优应急调度流量计算方法，其特征在于：
其中，在步骤3中，基于以下公式进行灵敏度分析：
式中，Ik表示第k个参数的灵敏度系数；xk表示模型输入的第k个参数；Δxk表示参数xk的变化量；yi(xk)是参数xk对应的水质指标计算结果；yi(xk+Δxk)是参数为xk+Δxk时对应的水质指标计算结果；Nc是水质控制断面的个数；
参数的灵敏度系数越大，对水质指标计算结果的影响越大，该参数变化带来的水质指标计算结果的不确定性越强。
5.根据权利要求1所述的考虑不确定性的河流水污染事故最优应急调度流量计算方法，其特征在于：
其中，在步骤5中，调度流量最优化模型建立过程中，确保水质不超标、调度流量最小的目标函数如下：
式中，(C-Cmax)+＝max{C-Cmax,0}；Q即为所求最优调度流量；
为代理模型计算得到的第i种水质指标在第j个控制断面的浓度值；Cmax为该水质指标浓度限制值；M为考虑的水质指标的个数；Nc为控制断面的个数；η与μ均为权重系数，用来调整目标函数中两项的权重，确保当水质指标超标时，目标函数迅速增大。
6.根据权利要求1所述的考虑不确定性的河流水污染事故最优应急调度流量计算方法，其特征在于：
其中，在步骤6中，对每组参数对应的最优调度流量的计算结果进行统计分析，求取均值、标准差以及置信区间；
置信区间采用切比雪夫不等式进行近似估计，切比雪夫不等式如下：
式中，P为概率大小；X为随机变量；μ为随机变量X的数学期望，可用样本均值
代替；σ为随机变量X的标准差，可用抽样平均误差Sx代替，抽样平均误差的计算公式如下：
式中，S为样本标准差；N为样本个数；
对于给定的变量X，位于区间[μ-kσ,μ+kσ]内的总体比例或概率为1-1/k2，由此进行最优调度流量的区间估计，进而得到置信区间。
7.考虑不确定性的河流水污染事故最优应急调度流量计算装置，其特征在于，包括：
信息收集部，根据收集的资料，确定研究河段的水污染负荷情况与河流水文参数及取值范围；
模型初建部，基于水污染负荷和河流水文参数，建立研究河段的河流水动力水质数值模拟模型；
灵敏度分析部，利用建立的水动力水质数值模拟模型进行河流水文参数的灵敏度分析，筛选对水质计算结果影响较大的灵敏参数；
代理模型建立部，利用拉丁超立方抽样方法对筛选的灵敏度参数进行抽样，得到N1组灵敏参数的组合，并输入到建立的河流水动力水质数值模拟模型中，获得N1组水质指标的输出结果；将N1组灵敏参数和N1组水质指标输入神经网络模型进行训练，获得各个水质指标的水质计算代理模型；
最优模型建立部，将河流水动力水质数值模拟模型替换为代理模型，并将其嵌入到粒子群优化模型中，以水质不超标、调度流量最小为目标函数，建立调度流量最优化模型；
不确定性分析部，对筛选的灵敏度参数进行抽样，得到N2组灵敏参数的组合，并将之带入到调度流量最优化模型中，计算获得N2个最优调度流量优化结果，对结果进行统计分析，得到参数不确定性对最优调度流量的影响；
控制部，与所述信息收集部、所述模型初建部、所述灵敏度分析部、所述代理模型建立部、所述最优模型建立部、所述不确定性分析部均通信相连，控制它们的运行。
8.根据权利要求7所述的考虑不确定性的河流水污染事故最优应急调度流量计算装置，其特征在于，还包括：
调度部，与水利工程水控系统和所述控制部通信相连，基于所述不确定性分析部得到的最优调度流量优化结果和参数不确定性对最优调度流量的影响，获取相应时段的最优调度流量作为调度信息，并将调度信息发送给水利工程水控系统，以根据此进行用水调度。
9.根据权利要求7所述的考虑不确定性的河流水污染事故最优应急调度流量计算装置，其特征在于，还包括：
输入显示部，与所述控制部通信相连，用于让用户输入操作指令，并进行相应显示。
10.根据权利要求7所述的考虑不确定性的河流水污染事故最优应急调度流量计算装置，其特征在于：
其中，在灵敏度分析部中，基于以下公式进行灵敏度分析：
式中，Ik表示第k个参数的灵敏度系数；xk表示模型输入的第k个参数；Δxk表示参数xk的变化量；yi(xk)是参数xk对应的水质指标计算结果；yi(xk+Δxk)是参数为xk+Δxk时对应的水质指标计算结果；Nc是水质控制断面的个数；参数的灵敏度系数越大，对水质指标计算结果的影响越大，该参数变化带来的水质指标计算结果的不确定性越强；
在最优模型建立部的调度流量最优化模型建立过程中，确保水质不超标、调度流量最小的目标函数如下：
式中，(C-Cmax)+＝max{C-Cmax,0}；Q即为所求最优调度流量；
为代理模型计算得到的第i种水质指标在第j个控制断面的浓度值；Cmax为该水质指标浓度限制值；M为考虑的水质指标的个数；Nc为控制断面的个数；η与μ均为权重系数，用来调整目标函数中两项的权重，确保当水质指标超标时，目标函数迅速增大。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211077195.0A CN115510775A (zh) | 2022-09-05 | 2022-09-05 | 考虑不确定性的河流水污染事故最优应急调度流量计算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211077195.0A CN115510775A (zh) | 2022-09-05 | 2022-09-05 | 考虑不确定性的河流水污染事故最优应急调度流量计算方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115510775A true CN115510775A (zh) | 2022-12-23 |
Family
ID=84501952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211077195.0A Pending CN115510775A (zh) | 2022-09-05 | 2022-09-05 | 考虑不确定性的河流水污染事故最优应急调度流量计算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115510775A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116933568A (zh) * | 2023-09-15 | 2023-10-24 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种分析水文模型参数灵敏度的方法 |
-
2022
- 2022-09-05 CN CN202211077195.0A patent/CN115510775A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116933568A (zh) * | 2023-09-15 | 2023-10-24 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种分析水文模型参数灵敏度的方法 |
| CN116933568B (zh) * | 2023-09-15 | 2023-12-12 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种分析水文模型参数灵敏度的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110728035B (zh) | 一种基于控制断面水质达标的污染物总量控制方法 | |
| Li et al. | Simulation and optimization of water supply and demand balance in Shenzhen: A system dynamics approach | |
| Zhou et al. | Industrial structural upgrading and spatial optimization based on water environment carrying capacity | |
| Qin et al. | An integrated model for water management in a rapidly urbanizing catchment | |
| CN103810537B (zh) | 一种基于水质模型的区域环境风险评估方法 | |
| NL2026696B1 (en) | Assessment method for gray water footprint of watersheds and formulation method for management strategies of water environment | |
| Man et al. | Forecasting COD load in municipal sewage based on ARMA and VAR algorithms | |
| Li et al. | Optimization of industry structure based on water environmental carrying capacity under uncertainty of the Huai River Basin within Shandong Province, China | |
| CN112417788A (zh) | 基于大数据的水环境污染分析系统及方法 | |
| CN105303007B (zh) | 一种采用融合技术建立尼尔基水库水生态风险预警模型的方法 | |
| CN107657912A (zh) | 一种基于Mike11的河流水环境容量确定方法 | |
| CN109613197B (zh) | 一种基于河道水网的水质监测预警反馈响应方法 | |
| Chai et al. | The DPSIRM-Grey cloud clustering method for evaluating the water environment carrying capacity of Yangtze River economic Belt | |
| Kang et al. | Optimal allocation of water resources considering water quality and the absorbing pollution capacity of water | |
| CN113902172A (zh) | 一种污水处理方法、系统、装置及介质 | |
| Ferreira et al. | Optimal and adaptive operation of a hydropower system with unit commitment and water quality constraints | |
| CN115510775A (zh) | 考虑不确定性的河流水污染事故最优应急调度流量计算方法及装置 | |
| CN113204878A (zh) | 基于环境容量的污染源排污许可量分配方法 | |
| Penn et al. | Impacts of onsite greywater reuse on wastewater systems | |
| CN114936742A (zh) | 一种供水系统调度代理决策方法 | |
| Bui et al. | Linking hydrological, hydraulic and water quality models for river water environmental capacity assessment | |
| Ai et al. | Optimization of ecological reservoir operation rules for a northern river in China: Balancing ecological and socio-economic water use | |
| CN115713448A (zh) | 基于汇水单元的流域水污染常规因子快速溯源方法 | |
| Peng et al. | Positive effect of a canal system and reservoir group on the spatial-temporal redistribution of water resources in a pinnate drainage pattern | |
| CN104899668A (zh) | 基于污染税的流域污染负荷分配二层决策优化方法 |
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 |