王 祎,李靜文,邵 雪,田在興,郭 亮,姜繼平,王 鵬 (哈爾濱工業(yè)大學(xué)市政環(huán)境工程學(xué)院,黑龍江 哈爾濱150090)

基于計(jì)算智能的流域污染排放優(yōu)化模式研究

王 祎,李靜文,邵 雪,田在興,郭 亮,姜繼平,王 鵬*(哈爾濱工業(yè)大學(xué)市政環(huán)境工程學(xué)院,黑龍江 哈爾濱150090)

基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法建立了流域排污削減控制的技術(shù)框架.通過對排污口和目標(biāo)斷面水質(zhì)監(jiān)測數(shù)據(jù)的模擬與優(yōu)化提出最優(yōu)的排污削減控制策略,從而使目標(biāo)功能區(qū)達(dá)標(biāo),可以間接的實(shí)現(xiàn)環(huán)境容量總量控制.結(jié)合情景分析理論對松花江哈爾濱段的朱順屯-東江橋(S1)與東江橋-大頂子山(S2)功能區(qū)進(jìn)行了COD的排污優(yōu)化研究.結(jié)果表明,S1區(qū)段執(zhí)行III類功能區(qū)標(biāo)準(zhǔn)時(shí),何家溝與松北兩個(gè)排污口平均削減率分別為23%和25%;執(zhí)行II類功能區(qū)標(biāo)準(zhǔn)時(shí)2個(gè)排污平均削減率分別為64%和42%.S2執(zhí)行II類功能區(qū)標(biāo)準(zhǔn),太平,阿什河和呼蘭河排污口全年平均削減率分別為 18%、53%和 25%.基于計(jì)算智能的削減控制模式實(shí)用可操作性強(qiáng),可以科學(xué)、合理的對各個(gè)排污口源強(qiáng)進(jìn)行優(yōu)化,給出最優(yōu)的污染排放策略.

人工神經(jīng)網(wǎng)絡(luò)；遺傳算法；流域管理；情景分析；松花江哈爾濱段

松花江流域水污染防治“十二五”規(guī)劃編制大綱中要求建立污染物排放量和天然水體水質(zhì)的對應(yīng)關(guān)系[1],這不僅對以前排污總量分配過程中出現(xiàn)的問題進(jìn)行了完善,也對真實(shí)環(huán)境功能區(qū)的納污情況有了更全面的考慮.但是目前水污染控制管理的合理性、科學(xué)性和可操作性還不完善,究熱點(diǎn)[3-13].這些研究利用計(jì)算智能算法大都比較單一,如只利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測,或只利用遺傳算法優(yōu)化環(huán)境管理方案和估計(jì)模型參數(shù).即使兩者聯(lián)用也是通過遺傳算法對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行優(yōu)化[14].本研究耦合計(jì)算智能方法中自適應(yīng)性強(qiáng)的人工神經(jīng)網(wǎng)絡(luò)和全局優(yōu)化特性的遺傳算法,并結(jié)合情景分析理論,通過反向優(yōu)化功能區(qū)內(nèi)污染源的源強(qiáng)實(shí)現(xiàn)對目標(biāo)控制點(diǎn)的濃度控制,旨在為流域水環(huán)境的管理與決策提供技術(shù)支持.

1 研究方法

1.1 研究區(qū)域

圖1 研究區(qū)域示意Fig.1 Map of the study area

松花江發(fā)源于吉林省長白山天池,其干流由西向東貫穿哈爾濱市地區(qū)中部,是全市灌溉量最大的河道.哈爾濱市境內(nèi)的大小河流大多屬于松花江水系,降水主要集中在6~9月,占全年降水量的70%以上,冬季江面冰封期一般持續(xù)4個(gè)月以上(圖 1).松花江哈爾濱段的環(huán)境功能區(qū)有 3個(gè),分別為朱順屯—東江橋、東江橋—大頂子山、大頂子山—依蘭段.以覆蓋市區(qū)段的朱順屯-東江橋和東江橋-大頂子山功能區(qū)段為研究區(qū)域,此區(qū)段全長55km,主要有排污口分別為何家溝、松北、太平排污口與阿什河、呼蘭河.何家溝為中小流域季節(jié)性河流,屬于松花江的一級支流,原為自然河道,現(xiàn)為雨水污水排放溝,其枯水季節(jié)河道排泄工業(yè)廢水和生活污水為主,目前是哈爾濱市城區(qū)最大的污水溝;松北排污口的污水主要來自市政府、松江大學(xué)城、松北居民區(qū)以及太陽島和船廠排放的廢水;太平排污口主要排放太平污水廠的處理廢水,排放源強(qiáng)全年比較恒定;阿什河與呼蘭河2個(gè)支流的水質(zhì)大部分不達(dá)標(biāo),其中阿什河接受哈爾濱市區(qū)大部分的工業(yè)點(diǎn)源排放,而呼蘭河是松花江最大的支流之一,年均流量達(dá)到松花江干流的6%左右,2支流的污染物濃度或者源強(qiáng)比較高,在研究過程中將2支流概化為干流的排污口.本研究以城市廢水排放污染物特征為依據(jù),選取能反映哈爾濱市河流水環(huán)境質(zhì)量的主要污染指標(biāo)COD為研究對象.

1.2 人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立

功能區(qū)控制斷面的污染物濃度達(dá)標(biāo)可以認(rèn)為功能區(qū)內(nèi)環(huán)境容量滿足要求,功能區(qū)段內(nèi)的面源污染一般很難控制,并且其計(jì)算機(jī)理復(fù)雜,大多都是估算;而污染物在河流中的自然本底值是由環(huán)境監(jiān)測直接得到.因此本研究利用神經(jīng)網(wǎng)絡(luò)的黑箱性質(zhì)可以避免了面源污染的單獨(dú)干擾,將環(huán)境監(jiān)測數(shù)據(jù)和功能區(qū)水環(huán)境容量很好的聯(lián)系起來,在環(huán)境預(yù)測的應(yīng)用層面具有很好的可操作性.

研究確定人工神經(jīng)網(wǎng)絡(luò)輸入端分別為時(shí)刻t功能區(qū)段上游端COD的實(shí)際監(jiān)測數(shù)據(jù)和功能區(qū)段內(nèi)各個(gè)點(diǎn)源排污口相應(yīng)的 COD排放源強(qiáng)Q(mg/s),輸出端為同一次監(jiān)測時(shí)刻t下功能區(qū)段控制端面的COD的實(shí)際監(jiān)測濃度C(mg/L).

研究中的訓(xùn)練樣本為哈爾濱市環(huán)境監(jiān)測中心站 5年(2005~2009)各個(gè)監(jiān)測斷面和排污口COD的監(jiān)測數(shù)據(jù)樣本共238個(gè).其中2009年的12組樣本用于驗(yàn)證,其余的樣本用于訓(xùn)練網(wǎng)絡(luò),對朱順屯-東江橋和東江橋-大頂子山區(qū)段的COD分別建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型(圖 2):將同一次監(jiān)測的污染物濃度或源強(qiáng)(例如朱順屯斷面COD、何家溝排污口和松北排污口COD排放源強(qiáng))作為輸入端樣本,東江橋斷面監(jiān)測的COD作為輸出端樣本;同理,將東江橋 COD、太平排污口、阿什河和呼蘭河的COD源強(qiáng)作為后一功能區(qū)段的神經(jīng)網(wǎng)絡(luò)輸入端.

選擇3層的BP神經(jīng)網(wǎng)絡(luò),根據(jù)經(jīng)驗(yàn)隱含層在5~10個(gè)神經(jīng)元之間遞增選值,隱含層用TANSIG函數(shù),輸出層為PURELIN函數(shù),網(wǎng)絡(luò)輸出可以任意取值,同時(shí)采用LM算法進(jìn)行訓(xùn)練[15].

本研究訓(xùn)練次數(shù)設(shè)定500次,訓(xùn)練誤差ε設(shè)定為 0.0001.之后利用線性回歸分析網(wǎng)絡(luò)輸出和目標(biāo)輸出的關(guān)系以及網(wǎng)絡(luò)輸出變化相對于目標(biāo)輸出的變化率關(guān)系.然后考察網(wǎng)絡(luò)的準(zhǔn)確性,用訓(xùn)練好的網(wǎng)絡(luò)對2009年12個(gè)月的樣本仿真,得到輸出值,用均方誤差RMSE來評價(jià)網(wǎng)絡(luò)學(xué)習(xí)性能的好壞.

圖2 神經(jīng)網(wǎng)絡(luò)計(jì)算原理Fig.2 Calculation schematic diagram of Neural Network

1.3 排污削減優(yōu)化與控制

1.3.1 排污情景設(shè)定 (1)規(guī)劃對象識(shí)別 在松花江污染控制決策研究中,將對象分為2類:直接對象,與區(qū)域水質(zhì)的變化直接相關(guān),包各排放點(diǎn)源;間接對象,主要包括各點(diǎn)源排放的影響因素等.

(2) 驅(qū)動(dòng)因子列舉 依據(jù)識(shí)別的直接要素,將COD作為驅(qū)動(dòng)因子.

(3) 情景構(gòu)建與分析 基礎(chǔ)情景為流域內(nèi)環(huán)境功能區(qū)規(guī)劃的水體要求下,不同水期的優(yōu)化排放或者削減控制情景,即東江橋控制斷面COD濃度目標(biāo)為 III類功能區(qū)標(biāo)準(zhǔn)[16].當(dāng)控制斷面的COD濃度<20mg/L時(shí),不需要削減;當(dāng)控制斷面的COD>20mg/L時(shí),進(jìn)入ANN-GA框架進(jìn)行最優(yōu)削減控制,之后可根據(jù)需要構(gòu)建 COD更高標(biāo)準(zhǔn)的II類功能區(qū)標(biāo)準(zhǔn)15mg/L;東江橋-大頂子山江段監(jiān)測的COD均屬于III類水體標(biāo)準(zhǔn),優(yōu)于目前 IV類功能區(qū)要求,不需要削減,因此設(shè)置情景控制目標(biāo)為II類功能區(qū).

通過改變功能區(qū)的規(guī)劃標(biāo)準(zhǔn)后進(jìn)行情景模擬,對各個(gè)排污口污染控制的削減率或可排放污染的分配率提供決策依據(jù).

1.3.2 遺傳算法優(yōu)化排污管理模式 對訓(xùn)練達(dá)標(biāo)的人工神經(jīng)網(wǎng)絡(luò)的輸入端引入削減率 ri:對 i個(gè)排污口的排污源強(qiáng) Qi設(shè)定相應(yīng)的削減率 ri(0

根據(jù)控制管理規(guī)劃把適應(yīng)度設(shè)置為削減率的最小平方和[4],即目標(biāo)控制斷面達(dá)標(biāo)時(shí)各個(gè)可控點(diǎn)源的排放削減率達(dá)到最小的非線性約束條件:

n為相應(yīng)區(qū)段的排污口個(gè)數(shù).種群個(gè)體設(shè)置為60個(gè),染色體編碼長度為10n.得到的適應(yīng)度函數(shù)值越小則適應(yīng)度越大,采用輪盤賭方法進(jìn)行種群的選擇,選取適應(yīng)度最大的個(gè)體復(fù)制到下一代,并進(jìn)行相應(yīng)的遺傳和變異,遺傳率設(shè)置為0.6、變異率設(shè)置為 0.01,最大遺傳代數(shù)根據(jù)收斂情況設(shè)定在50或100代不等.

1.3.3 流域排污管理控制削減技術(shù)框架 流域排污削減控制管理技術(shù)框架方法包括如下幾個(gè)步驟:

(1) 以訓(xùn)練達(dá)標(biāo)的人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立目標(biāo)污染物在環(huán)境功能區(qū)內(nèi)各個(gè)排污源強(qiáng)和目標(biāo)控制斷面的水質(zhì)濃度之間的聯(lián)系.

(2) 對某一功能區(qū)某一時(shí)期 t進(jìn)行削減控制管理時(shí),將相應(yīng)的環(huán)境監(jiān)測數(shù)據(jù)輸入該網(wǎng)絡(luò)進(jìn)行預(yù)測,若在設(shè)定的情景下達(dá)標(biāo),則不需削減控制;若超標(biāo)則進(jìn)入ANN-GA框架進(jìn)行最優(yōu)削減控制.

(3) 對各個(gè)排污口的源強(qiáng)的削減率賦隨機(jī)初始值,計(jì)算適應(yīng)度最小的削減率函數(shù)進(jìn)入 GA框架,搜索使環(huán)境容量有剩余時(shí)的最小削減率的組合.

(4) 全局優(yōu)化并搜尋到符合條件的最優(yōu)個(gè)體(削減率組合)記錄并輸出,如果未搜索到則繼續(xù)進(jìn)化.

利用神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性和擴(kuò)展性對不同特征水體的變量進(jìn)行學(xué)習(xí),可實(shí)現(xiàn)環(huán)境容量的動(dòng)態(tài)計(jì)算,并通過對目標(biāo)斷面或功能區(qū)的水質(zhì)濃度進(jìn)行模擬預(yù)測與優(yōu)化來間接的實(shí)現(xiàn)環(huán)境容量總量控制,進(jìn)而對排污口優(yōu)化控制與削減使目標(biāo)區(qū)段達(dá)到功能區(qū)要求,技術(shù)路線如圖 3.全部算法由MATLAB7.0 編程實(shí)現(xiàn).

圖3 情景模擬技術(shù)路線Fig.3 Flow path graph of Scenarios Simulation

2 結(jié)果與討論

2.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

經(jīng)過訓(xùn)練,朱順屯-東江橋區(qū)段COD神經(jīng)預(yù)測網(wǎng)絡(luò)最佳結(jié)構(gòu)為3-6-1,R=0.996,驗(yàn)證的12個(gè)驗(yàn)證樣本的平均相對誤差小于 7%,RMSE為2.4075;東江橋-大頂子山區(qū)段最佳網(wǎng)絡(luò)結(jié)構(gòu)為4-8-1,R=0.999,驗(yàn)證的 12個(gè)驗(yàn)證樣本的平均相對誤差為9.5%,RMSE為2.1448網(wǎng)絡(luò)具有很好的網(wǎng)絡(luò)性能,可以滿足流域水質(zhì)預(yù)測與應(yīng)用[17-19].將訓(xùn)練好的網(wǎng)絡(luò)分別保存后可進(jìn)行此區(qū)域的預(yù)測與后續(xù)的削減控制管理.

2.2 情景模擬與削減控制管理策略

2.2.1 朱順屯-東江橋功能區(qū)段 COD削減策略 對2009年12個(gè)月的監(jiān)測數(shù)據(jù)進(jìn)行了整理,然后進(jìn)入GA框架進(jìn)行削減優(yōu)化,設(shè)置種群個(gè)體60個(gè),進(jìn)化代數(shù)50代.

設(shè)定情景為東江橋COD目標(biāo)執(zhí)行III類功能區(qū)標(biāo)準(zhǔn)時(shí),以濃度超標(biāo)最多的9月份為例,何家溝和松北排污口最優(yōu)削減率如圖4a.

圖4 朱順屯-東江橋9月和12月排污口COD排放優(yōu)化Fig.4 The optimized COD discharge of each sewage outlet of Zhushuntun--Dongjiangqiao in September and December

由圖4a可知,從第1代隨機(jī)分配削減率,目標(biāo)為使控制斷面的COD濃度<20mg/L時(shí),尋找到一個(gè)每個(gè)排污口最優(yōu)(最小)的削減率的組合.選擇進(jìn)化了50代即收斂并達(dá)到一個(gè)最優(yōu)的削減率組合,從第一代開始,每代都有相應(yīng)的最好的組合ri,但隨著進(jìn)化過程的進(jìn)行,每代最佳的組合會(huì)進(jìn)化到一個(gè)全局最優(yōu)的組合Max(ri);9月份的最優(yōu)削減率為進(jìn)化到第28代收斂后最優(yōu)組合,即何家溝排污口源強(qiáng)削減 15.4%,松北排污口削減 17.4%,此時(shí)控制斷面COD濃度為19.91mg/L.同理,具有冰封代表意義的 12月的優(yōu)化控制結(jié)果如圖 4b,進(jìn)化到18代達(dá)到收斂.

對本功能區(qū)段2009年的排污情況進(jìn)行了研究.使該功能區(qū)控制斷面達(dá)到 III類水體,則對何家溝和松北排污口的最優(yōu)削減率如表 1所示.1月、2月、4~6月功能區(qū)控制段面的實(shí)測水質(zhì)達(dá)到III類水體標(biāo)準(zhǔn),不需要對何家溝和松北排污口進(jìn)行源強(qiáng)削減;何家溝和松北排污口在7月份削減最多,和本月份哈爾濱地區(qū)降水有關(guān),7月降水最多,導(dǎo)致面源污染增加,進(jìn)而何家溝排污源強(qiáng)最大;12月的削減率遠(yuǎn)高于9月,由于河流在冬季冰封狀態(tài)下流量小,稀釋作用也小,并且溫度較低,COD降解系數(shù)小于非冰封期,所以要達(dá)到功能區(qū)目標(biāo)需要更多的削減,另一方面,因?yàn)槎窘邓?面源污染導(dǎo)致的排污口源強(qiáng)較小,所以2個(gè)月源強(qiáng)的削減量計(jì)算分別為328.8,382.1g/s(表1),基本持平;其余3、8、10、11月都削減較少,點(diǎn)源削減率平均在10%左右.

表1 2009年朱順屯-東江橋功能區(qū)COD執(zhí)行Ⅱ類和Ⅲ類標(biāo)準(zhǔn)時(shí)的最優(yōu)削減率Table 1 Optimal COD cut rate of Zhushuntun-Dongjiangqiao functional area under criterion Ⅱ and Ⅲ in 2009

表2 2009年東江橋-大頂子山功能區(qū)COD執(zhí)行Ⅱ類標(biāo)準(zhǔn)時(shí)的最優(yōu)削減率Table 2 Optimal COD cut rate of Dongjiangqiao-Dadingzishan functional area under criterion II in 2009

當(dāng)東江橋COD目標(biāo)執(zhí)行II類功能區(qū)標(biāo)準(zhǔn)(15mg/L)時(shí),得到的最優(yōu)削減控制方案見表1.較執(zhí)行 III類功能區(qū)標(biāo)準(zhǔn)時(shí)均有大幅削減,但非豐水期松北排污口的削減率大于何家溝排污口,可能是因?yàn)樗杀迸盼劭诖蠖嗍枪艿绤R水,受到的面源污染較少.對于兩個(gè)排污口豐水期到第 1過渡期(11~12月)受到豐水期尾期的影響,同時(shí)江面開始冰封,削減量開始逐漸減少,需削減源強(qiáng)之和分別為 931.3,791.9g/s.在冰封期(1~2月)削減量更低,分別為387.1和458.8 g/s,此時(shí)東江橋斷面監(jiān)測濃度低,不僅由于排污口源強(qiáng)變小,也因?yàn)榻姹?流速減小,會(huì)造成一些有機(jī)物沉降,導(dǎo)致水中 COD降低,所以此時(shí)削減較小.第 2過渡期(3~4月)隨著冰封期的逐漸結(jié)束,流量逐漸開始增大,流速增大,沉積物被沖起為懸浮物造成“二次污染”,此時(shí)排污口的削減之和又逐漸增大,分別為 799.5,782.3g/s.全年來看,冰封期和第2過渡期的削減率相比執(zhí)行III類標(biāo)準(zhǔn)時(shí)大幅增加;5月的削減量最小,不僅因?yàn)榇藭r(shí)東江橋COD最低,也因?yàn)榇藭r(shí)冰封期剛過,降雨較少,導(dǎo)致農(nóng)業(yè)面源污染少,監(jiān)測到的排污口的源強(qiáng)也小.

2.2.2 東江橋-大頂子山功能區(qū)段COD削減策略 對2009年12個(gè)月的數(shù)據(jù)進(jìn)行了整理,對超標(biāo)的月份進(jìn)入GA框架進(jìn)行削減優(yōu)化,種群個(gè)體60個(gè),進(jìn)化代數(shù)50代.以10月份為例,最優(yōu)削減過程如圖 5,達(dá)到最優(yōu)后為太平排污口源強(qiáng)削減31.5%,阿什河60.5%,呼蘭河14.0%.

當(dāng)達(dá)到 II類功能區(qū)時(shí)的最優(yōu)削減控制方案見表2.1月大頂子山斷面COD監(jiān)測值過高,此數(shù)據(jù)異常很可能是某些污染源泄露或者偷排的原因.COD在豐水期(5~10月)削減的最多:其中 7月、9月和10月削減較多,而5月、6月和8月相對削減較少,一方面是因?yàn)檫@幾個(gè)月背景濃度較低,另一方面盡管太平污水廠的處理廢水排放源強(qiáng)全年比較恒定,但將阿什河和呼蘭河概念化成了排污單元,2條支流也有很明顯的水文季節(jié)性規(guī)律,此時(shí)較小的面源污染導(dǎo)致的源強(qiáng)也較小.哈爾濱市的工業(yè)點(diǎn)源排污幾乎都進(jìn)入阿什河內(nèi),導(dǎo)致阿什河COD很高,河口監(jiān)測常年為劣V類,但由于流量較小,所以總源強(qiáng)不大.而呼蘭河COD相比阿什河小很多,但是呼蘭河的年平均流量比阿什河大,總源強(qiáng)反而比阿什河大.根據(jù)研究結(jié)果,對于豐水期流量大的月份,主要以削減呼蘭河的面源污染源強(qiáng)為主,對于流量較小的非豐水期月份,主要削減污染濃度較高的阿什河點(diǎn)源污染源強(qiáng),這與實(shí)際情況符合.

圖5 東江橋-大頂子山10月份排污口COD優(yōu)化過程Fig.5 The optimized COD discharge of each sewage outlet from Dongjiangqiao—Dadingzishan in October

2.3 討論

2.3.1 計(jì)算智能算法優(yōu)化排放模式的實(shí)用性 神經(jīng)網(wǎng)絡(luò)的黑箱性質(zhì)將功能區(qū)段上游來水的水質(zhì)概念化為輸入端因子,可以避免上游來水影響的多種不確定性,在模擬上提高了效率,例如以朱順屯-東江橋斷面2009年2月和3月為例(表1),上游朱順屯斷面來水COD分別為14.32, 13.70mg/L;何家溝源強(qiáng)分別為834.67,1515.01 g/s;松北源強(qiáng)分別為166.80,157.48 g/s.經(jīng)過網(wǎng)絡(luò)預(yù)測后的目標(biāo)控制點(diǎn)濃度分別為17.14,22.32mg/L,以III類功能區(qū)為標(biāo)準(zhǔn)則需要對3月進(jìn)行削減控制.即使3月份來水的COD小于2月份,但是源強(qiáng)排放的不同會(huì)導(dǎo)致目標(biāo)控制點(diǎn)的不同,目標(biāo)控制斷面的污染物濃度是由多個(gè)輸入因子共同作用的.同時(shí),在有可觀的數(shù)據(jù)樣本下訓(xùn)練的神經(jīng)網(wǎng)絡(luò)預(yù)測模型的誤差都在環(huán)境管理可允許的范圍內(nèi),一般不會(huì)引起水體類別的誤判,從而管理決策方案的可信度保持在神經(jīng)網(wǎng)絡(luò)預(yù)測模型的誤差范圍之內(nèi).如果由于樣本數(shù)量過少等原因?qū)е律窠?jīng)網(wǎng)絡(luò)訓(xùn)練誤差較大,可獲取相應(yīng)的水力水文數(shù)據(jù)以其他機(jī)理預(yù)測模型代替,所以本研究相比其他單一規(guī)劃類方法應(yīng)用靈活,實(shí)用性強(qiáng).

采用遺傳算法進(jìn)行優(yōu)化時(shí),由于初代種群(削減率)在搜索領(lǐng)域的隨機(jī)性展開,會(huì)導(dǎo)致每次模擬時(shí)的收斂速度不同,在不同模擬過程中相同的代數(shù)在當(dāng)代達(dá)到最好的削減率組合 ri也不同,所以表現(xiàn)出最優(yōu)削減率有相應(yīng)的震蕩(圖 4,圖 5),但模擬幾次后最終都會(huì)歸趨于相同的全局的最優(yōu)的削減率組合 rbesti.但對于決策者而言,rbesti卻不一定是可以實(shí)際操作實(shí)施的決策方案,因?yàn)樵磸?qiáng)的削減不僅和自然屬性有關(guān),也和技術(shù)上能達(dá)到的治理水平及經(jīng)濟(jì)上能承受的支付能力等綜合因素均有關(guān)系,此外還有種種不可控的因素.在進(jìn)化過程中每代中最優(yōu)的削減率組合ri也都達(dá)到了功能區(qū)段的目標(biāo)要求,即有多個(gè)削減決策方案可以選擇,決策者可以根據(jù)功能區(qū)的實(shí)際情況給予設(shè)計(jì)和規(guī)劃,從而讓環(huán)境決策更加科學(xué)與合理.

2.3.2 流域優(yōu)化排放應(yīng)用管理的普適性 朱順屯-東江橋功能區(qū)為典型的只存在排污口的江段,而東江橋-大頂子山斷面為排污口和支流混合存在的江段,基本涵蓋了哈爾濱地區(qū)的功能區(qū)段.如1.1節(jié)中將支流概念化成隨季節(jié)變化的排污口也具有一定的合理性,并在流域管理的技術(shù)層面上便于應(yīng)用;對于后一個(gè)功能區(qū)標(biāo)準(zhǔn)比前一個(gè)功能區(qū)高的情況,一般在環(huán)境規(guī)劃時(shí)會(huì)引入過渡區(qū),此時(shí)對后功能區(qū)段進(jìn)行研究時(shí)其污染物濃度默認(rèn)值為過渡區(qū)末端達(dá)標(biāo)后的水質(zhì)濃度值或者實(shí)際監(jiān)測的濃度值.例如之后的大頂子山-依蘭斷面是III類功能區(qū),但上一個(gè)功能區(qū)為IV類功能區(qū),所以有可能會(huì)有來水低于III類水體的情況,此時(shí)需要實(shí)際監(jiān)測值或者默認(rèn)為區(qū)段起始斷面的污染物在經(jīng)過過渡區(qū)后濃度至少為III類水體達(dá)標(biāo).此時(shí)的各項(xiàng)條件均滿足本研究建立排污控制削減優(yōu)化方法的要求,因此本方法在流域范圍應(yīng)用的具有較高的普適性.

2.3.3 流域污染排放削減與分配的合理性 本研究通過智能算法的自動(dòng)尋優(yōu),可以合理的進(jìn)行排污削減或總量分配.目前傳統(tǒng)的污染控制削減或分配的方式主要有等比例分配、按貢獻(xiàn)率分配、線性規(guī)劃法、層次分析法等方法,這些方法有些分配模型過于簡單,或是分配過程中有人為因素的干擾都會(huì)影響管理結(jié)果的公平性與有效性[20].相比這些傳統(tǒng)方法,本研究從節(jié)能減排的角度引入了排污口的削減率 r,若從總量分配的角度相反的可以設(shè)置相應(yīng)的分配率 p,可以科學(xué)的給各個(gè)排污口分配多余的環(huán)境容量.

3 結(jié)論

3.1 基于計(jì)算智能算法建立了流域排污削減控制管理技術(shù)方法,通過對排污口和目標(biāo)斷面水質(zhì)監(jiān)測數(shù)據(jù)的反向模擬與優(yōu)化提出最優(yōu)的排污削減控制策略,從而使目標(biāo)功能區(qū)達(dá)標(biāo),可以間接的實(shí)現(xiàn)環(huán)境容量總量控制,并且能在很大程度上降低環(huán)境管理決策的不確定性.

3.2 結(jié)合情景分析,對松花江流域上的2個(gè)功能區(qū)段的COD削減進(jìn)行了研究與分析,朱順屯-東江橋區(qū)段執(zhí)行III類功能區(qū)標(biāo)準(zhǔn)時(shí),何家溝與松北兩個(gè)排污口主要在7~12月需要削減,平均削減率分別為23%和25%;執(zhí)行II類功能區(qū)標(biāo)準(zhǔn)時(shí)兩個(gè)排污口全年平均削減率分別為64%和42%.東江橋-大頂子山區(qū)段執(zhí)行 II類功能區(qū)標(biāo)準(zhǔn),太平排污口全年平均削減率為 18%;阿什河與呼蘭河排污口全年平均削減分別為53%和25%,2條季節(jié)性河流在豐水期需削減較多,符合實(shí)際情況.

[1] 中國環(huán)境保護(hù)部,松花江流域水污染防治“十二五”規(guī)劃編制大綱 [Z]. 2010.

[2] 逄 勇,陸桂華.水環(huán)境容量計(jì)算及理論應(yīng)用 [M]. 北京:科學(xué)出版社, 2010.

[3] Huang G H. A Fuzzy Robust Nonlinear Programming Model for Stream Water Quality Management [J]. Water Resources Management, 2009,23:2913-2940.

[4] Kuo J T. A hybrid neural-genetic algorithm for reservoir water quality management [J]. Water Research, 2006,40:1367-1376.

[5] Momtahen S, Dariane A B. Direct search approaches using genetic algorithms for optimization of water reservoir operating policies [J]. Journal of Water Resources Planning and Management-Asce, 2007,133:202-209.

[6] Sun D, Yang W. Genetic algorithm solution of a gray nonlinear water environment management model developed for the liming river in Daqing,China [J]. Journal of Environmental Engineering-Asce, 2007,133:287-293.

[7] Zou R. An adaptive neural network embedded genetic algorithm approach for inverse water quality modeling [J]. Water Resources Research, 2007.

[8] 劉 罡,李 昕,胡 非.大氣污染物濃度的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào) [J].中國環(huán)境科學(xué), 2000,20(5):429-431.

[9] 劉首文,馮尚友.遺傳算法及其在水污染控制系統(tǒng)規(guī)劃中的應(yīng)用[J], 武漢水利電力大學(xué)學(xué)報(bào), 1996,29(4):95-99.

[10] 李祚泳,彭荔紅.基于遺傳算法優(yōu)化的大氣質(zhì)量評價(jià)的污染危害指數(shù)公式 [J]. 中國環(huán)境科學(xué), 2000,20(4):313-317.

[11] 羅固源,鄭劍鋒,許曉毅,等.基于遺傳算法的次級河流回水段水質(zhì)模型多參數(shù)識(shí)別 [J]. 中國環(huán)境科學(xué), 2009,29(9):962-966.

[12] 劉國東,黃川友,丁 晶,等.水質(zhì)綜合評價(jià)的人工神經(jīng)網(wǎng)絡(luò)模型[J], 中國環(huán)境科學(xué), 1998,18(6):514-517.

[13] 萬顯烈,楊鳳林,王慧卿,等.利用人工神經(jīng)網(wǎng)絡(luò)對空氣中O3濃度進(jìn)行預(yù)測 [J]. 中國環(huán)境科學(xué), 2003,23(1):110-112.

[14] 張維硯,沈蓓雷,童 琰,等.基于GA-BP模型的景觀小水體富營養(yǎng)化評價(jià)方法 [J]. 中國環(huán)境科學(xué), 2011,31(4):674-679.

[15] 郭 亮,王 鵬,趙 英.基于BP神經(jīng)網(wǎng)絡(luò)的松花江四方臺(tái)水質(zhì)預(yù)測 [J], 哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2009,41(6):1569-1573.

[16] GB3838-2002 地表水環(huán)境質(zhì)量標(biāo)準(zhǔn) [S].

[17] Aguilera P A. Application of the Kohonen neural network in coastal water management: Methodological development for the assessment and prediction of water quality [J]. Water Research, 2001,35:4053-4062.

[18] Choi C Y. Assessment of physically-based and data-driven models to predict microbial water quality in open channels [J]. Journal of Environmental Sciences-China, 2010,22:851-857.

[19] Kuo J T. Using artificial neural network for reservoir eutrophication prediction [J]. Ecological Modelling, 2007,200: 171-177.

[20] 錢榮孫.進(jìn)一步強(qiáng)化水環(huán)境容量控制管理 [N]. 中國建設(shè)報(bào), 2008.

Computational intelligence based optimization study on the watershed discharge of sewage.

WANG Yi, LI Jing-wen, SHAO Xue, TIAN Zai-xing, GUO Liang, JIANG Ji-ping, WANG Peng*(School of Municipal and Environmental Engineering, Harbin Institute of Technology, Harbin 150090, China). China Environmental Science, 2012,32(1)：173~180

A general optimization framework about watershed discharge was established based on artificial neutral network and genetic algorithm. Through simulating and optimizing the sampling data from sewage outlets and monitoring sections, the optimal reducing discharge strategies could be obtained to reach the permitted standards. Then combined with scenario analysis theory, the COD optimization research was studied on Zhushuntun-Dongjiangqiao (S1) and Dongjiangqiao-Dadingzishan (S2) functional areas in Songhua river-Harbin region. The average COD cut rates of Hejiagou and Songbei outlets were 23% and 25% respectively when the S1 was under criterion III for functional areas, while they increased to 64% and 42% when S1 was under criterion II. And when the S2 was under criterion II, the cut rates of Taiping, Ashen River and Hulan River were 18%, 53% and 25%, respectively. The computational intelligence based optimization method has high operability and practicality, and it also could get the optimal discharge strategy of each outlet scientifically and reasonably.

artificial neural network；genetic algorithm；watershed management；scenario analysis；Songhua river-Harbin

2011-04-20

國家自然科學(xué)基金資助項(xiàng)目(50821002);城市水資源與水環(huán)境國家重點(diǎn)實(shí)驗(yàn)室資助項(xiàng)目(2008TS06)

* 責(zé)任作者, 教授, pwang73@hit.edu.cn

X703.5

A

1000-6923(2012)01-0173-08

致謝：本研究的監(jiān)測數(shù)據(jù)由哈爾濱市環(huán)境監(jiān)測中心站白羽軍高級工程師等協(xié)助提供,在此表示感謝.

王 祎(1985-),男,山西臨汾人,哈爾濱工業(yè)大學(xué)博士研究生,主要從事環(huán)境模型和流域環(huán)境管理研究.發(fā)表論文4篇.