基于計算智能的流域污染排放優化模式研究

王 祎,李靜文,邵 雪,田在興,郭 亮,姜繼平,王 鵬 (哈爾濱工業大學市政環境工程學院,黑龍江 哈爾濱150090)

基于計算智能的流域污染排放優化模式研究

王 祎,李靜文,邵 雪,田在興,郭 亮,姜繼平,王 鵬*(哈爾濱工業大學市政環境工程學院,黑龍江 哈爾濱150090)

基于人工神經網絡和遺傳算法建立了流域排污削減控制的技術框架.通過對排污口和目標斷面水質監測數據的模擬與優化提出最優的排污削減控制策略,從而使目標功能區達標,可以間接的實現環境容量總量控制.結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)功能區進行了COD的排污優化研究.結果表明,S1區段執行III類功能區標準時,何家溝與松北兩個排污口平均削減率分別為23%和25%;執行II類功能區標準時2個排污平均削減率分別為64%和42%.S2執行II類功能區標準,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%.基于計算智能的削減控制模式實用可操作性強,可以科學、合理的對各個排污口源強進行優化,給出最優的污染排放策略.

人工神經網絡；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”規劃編制大綱中要求建立污染物排放量和天然水體水質的對應關系[1],這不僅對以前排污總量分配過程中出現的問題進行了完善,也對真實環境功能區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、科學性和可操作性還不完善,究熱點[3-13].這些研究利用計算智能算法大都比較單一,如只利用神經網絡進行預測,或只利用遺傳算法優化環境管理方案和估計模型參數.即使兩者聯用也是通過遺傳算法對神經網絡的結構進行優化[14].本研究耦合計算智能方法中自適應性強的人工神經網絡和全局優化特性的遺傳算法,并結合情景分析理論,通過反向優化功能區內污染源的源強實現對目標控制點的濃度控制,旨在為流域水環境的管理與決策提供技術支持.

1 研究方法

1.1 研究區域

圖1 研究區域示意Fig.1 Map of the study area

松花江發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中部,是全市灌溉量最大的河道.哈爾濱市境內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4個月以上(圖 1).松花江哈爾濱段的環境功能區有 3個,分別為朱順屯—東江橋、東江橋—大頂子山、大頂子山—依蘭段.以覆蓋市區段的朱順屯-東江橋和東江橋-大頂子山功能區段為研究區域,此區段全長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性河流,屬于松花江的一級支流,原為自然河道,現為雨水污水排放溝,其枯水季節河道排泄工業廢水和生活污水為主,目前是哈爾濱市城區最大的污水溝;松北排污口的污水主要來自市政府、松江大學城、松北居民區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,排放源強全年比較恒定;阿什河與呼蘭河2個支流的水質大部分不達標,其中阿什河接受哈爾濱市區大部分的工業點源排放,而呼蘭河是松花江最大的支流之一,年均流量達到松花江干流的6%左右,2支流的污染物濃度或者源強比較高,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,選取能反映哈爾濱市河流水環境質量的主要污染指標COD為研究對象.

1.2 人工神經網絡預測模型建立

功能區控制斷面的污染物濃度達標可以認為功能區內環境容量滿足要求,功能區段內的面源污染一般很難控制,并且其計算機理復雜,大多都是估算;而污染物在河流中的自然本底值是由環境監測直接得到.因此本研究利用神經網絡的黑箱性質可以避免了面源污染的單獨干擾,將環境監測數據和功能區水環境容量很好的聯系起來,在環境預測的應用層面具有很好的可操作性.

研究確定人工神經網絡輸入端分別為時刻t功能區段上游端COD的實際監測數據和功能區段內各個點源排污口相應的 COD排放源強Q(mg/s),輸出端為同一次監測時刻t下功能區段控制端面的COD的實際監測濃度C(mg/L).

研究中的訓練樣本為哈爾濱市環境監測中心站 5年(2005~2009)各個監測斷面和排污口COD的監測數據樣本共238個.其中2009年的12組樣本用于驗證,其余的樣本用于訓練網絡,對朱順屯-東江橋和東江橋-大頂子山區段的COD分別建立相應的神經網絡模型(圖 2):將同一次監測的污染物濃度或源強(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)作為輸入端樣本,東江橋斷面監測的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源強作為后一功能區段的神經網絡輸入端.

選擇3層的BP神經網絡,根據經驗隱含層在5~10個神經元之間遞增選值,隱含層用TANSIG函數,輸出層為PURELIN函數,網絡輸出可以任意取值,同時采用LM算法進行訓練[15].

本研究訓練次數設定500次,訓練誤差ε設定為 0.0001.之后利用線性回歸分析網絡輸出和目標輸出的關系以及網絡輸出變化相對于目標輸出的變化率關系.然后考察網絡的準確性,用訓練好的網絡對2009年12個月的樣本仿真,得到輸出值,用均方誤差RMSE來評價網絡學習性能的好壞.

圖2 神經網絡計算原理Fig.2 Calculation schematic diagram of Neural Network

1.3 排污削減優化與控制

1.3.1 排污情景設定 (1)規劃對象識別 在松花江污染控制決策研究中,將對象分為2類:直接對象,與區域水質的變化直接相關,包各排放點源;間接對象,主要包括各點源排放的影響因素等.

(2) 驅動因子列舉 依據識別的直接要素,將COD作為驅動因子.

(3) 情景構建與分析 基礎情景為流域內環境功能區規劃的水體要求下,不同水期的優化排放或者削減控制情景,即東江橋控制斷面COD濃度目標為 III類功能區標準[16].當控制斷面的COD濃度<20mg/L時,不需要削減;當控制斷面的COD>20mg/L時,進入ANN-GA框架進行最優削減控制,之后可根據需要構建 COD更高標準的II類功能區標準15mg/L;東江橋-大頂子山江段監測的COD均屬于III類水體標準,優于目前 IV類功能區要求,不需要削減,因此設置情景控制目標為II類功能區.

通過改變功能區的規劃標準后進行情景模擬,對各個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.

1.3.2 遺傳算法優化排污管理模式 對訓練達標的人工神經網絡的輸入端引入削減率 ri:對 i個排污口的排污源強 Qi設定相應的削減率 ri(0

根據控制管理規劃把適應度設置為削減率的最小平方和[4],即目標控制斷面達標時各個可控點源的排放削減率達到最小的非線性約束條件:

n為相應區段的排污口個數.種群個體設置為60個,染色體編碼長度為10n.得到的適應度函數值越小則適應度越大,采用輪盤賭方法進行種群的選擇,選取適應度最大的個體復制到下一代,并進行相應的遺傳和變異,遺傳率設置為0.6、變異率設置為 0.01,最大遺傳代數根據收斂情況設定在50或100代不等.

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

(1) 以訓練達標的人工神經網絡預測模型建立目標污染物在環境功能區內各個排污源強和目標控制斷面的水質濃度之間的聯系.

(2) 對某一功能區某一時期 t進行削減控制管理時,將相應的環境監測數據輸入該網絡進行預測,若在設定的情景下達標,則不需削減控制;若超標則進入ANN-GA框架進行最優削減控制.

(3) 對各個排污口的源強的削減率賦隨機初始值,計算適應度最小的削減率函數進入 GA框架,搜索使環境容量有剩余時的最小削減率的組合.

(4) 全局優化并搜尋到符合條件的最優個體(削減率組合)記錄并輸出,如果未搜索到則繼續進化.

利用神經網絡的自適應性和擴展性對不同特征水體的變量進行學習,可實現環境容量的動態計算,并通過對目標斷面或功能區的水質濃度進行模擬預測與優化來間接的實現環境容量總量控制,進而對排污口優化控制與削減使目標區段達到功能區要求,技術路線如圖 3.全部算法由MATLAB7.0 編程實現.

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

2 結果與討論

2.1 神經網絡訓練結果

經過訓練,朱順屯-東江橋區段COD神經預測網絡最佳結構為3-6-1,R=0.996,驗證的12個驗證樣本的平均相對誤差小于 7%,RMSE為2.4075;東江橋-大頂子山區段最佳網絡結構為4-8-1,R=0.999,驗證的 12個驗證樣本的平均相對誤差為9.5%,RMSE為2.1448網絡具有很好的網絡性能,可以滿足流域水質預測與應用[17-19].將訓練好的網絡分別保存后可進行此區域的預測與后續的削減控制管理.

2.2 情景模擬與削減控制管理策略

2.2.1 朱順屯-東江橋功能區段 COD削減策略 對2009年12個月的監測數據進行了整理,然后進入GA框架進行削減優化,設置種群個體60個,進化代數50代.

設定情景為東江橋COD目標執行III類功能區標準時,以濃度超標最多的9月份為例,何家溝和松北排污口最優削減率如圖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代隨機分配削減率,目標為使控制斷面的COD濃度<20mg/L時,尋找到一個每個排污口最優(最小)的削減率的組合.選擇進化了50代即收斂并達到一個最優的削減率組合,從第一代開始,每代都有相應的最好的組合ri,但隨著進化過程的進行,每代最佳的組合會進化到一個全局最優的組合Max(ri);9月份的最優削減率為進化到第28代收斂后最優組合,即何家溝排污口源強削減 15.4%,松北排污口削減 17.4%,此時控制斷面COD濃度為19.91mg/L.同理,具有冰封代表意義的 12月的優化控制結果如圖 4b,進化到18代達到收斂.

對本功能區段2009年的排污情況進行了研究.使該功能區控制斷面達到 III類水體,則對何家溝和松北排污口的最優削減率如表 1所示.1月、2月、4~6月功能區控制段面的實測水質達到III類水體標準,不需要對何家溝和松北排污口進行源強削減;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降水有關,7月降水最多,導致面源污染增加,進而何家溝排污源強最大;12月的削減率遠高于9月,由于河流在冬季冰封狀態下流量小,稀釋作用也小,并且溫度較低,COD降解系數小于非冰封期,所以要達到功能區目標需要更多的削減,另一方面,因為冬季降水少,面源污染導致的排污口源強較小,所以2個月源強的削減量計算分別為328.8,382.1g/s(表1),基本持平;其余3、8、10、11月都削減較少,點源削減率平均在10%左右.

表1 2009年朱順屯-東江橋功能區COD執行Ⅱ類和Ⅲ類標準時的最優削減率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COD執行Ⅱ類標準時的最優削減率Table 2 Optimal COD cut rate of Dongjiangqiao-Dadingzishan functional area under criterion II in 2009

當東江橋COD目標執行II類功能區標準(15mg/L)時,得到的最優削減控制方案見表1.較執行 III類功能區標準時均有大幅削減,但非豐水期松北排污口的削減率大于何家溝排污口,可能是因為松北排污口大多是管道匯水,受到的面源污染較少.對于兩個排污口豐水期到第 1過渡期(11~12月)受到豐水期尾期的影響,同時江面開始冰封,削減量開始逐漸減少,需削減源強之和分別為 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,此時東江橋斷面監測濃度低,不僅由于排污口源強變小,也因為江面冰封,流速減小,會造成一些有機物沉降,導致水中 COD降低,所以此時削減較小.第 2過渡期(3~4月)隨著冰封期的逐漸結束,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行III類標準時大幅增加;5月的削減量最小,不僅因為此時東江橋COD最低,也因為此時冰封期剛過,降雨較少,導致農業面源污染少,監測到的排污口的源強也小.

2.2.2 東江橋-大頂子山功能區段COD削減策略 對2009年12個月的數據進行了整理,對超標的月份進入GA框架進行削減優化,種群個體60個,進化代數50代.以10月份為例,最優削減過程如圖 5,達到最優后為太平排污口源強削減31.5%,阿什河60.5%,呼蘭河14.0%.

當達到 II類功能區時的最優削減控制方案見表2.1月大頂子山斷面COD監測值過高,此數據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,一方面是因為這幾個月背景濃度較低,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性規律,此時較小的面源污染導致的源強也較小.哈爾濱市的工業點源排污幾乎都進入阿什河內,導致阿什河COD很高,河口監測常年為劣V類,但由于流量較小,所以總源強不大.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,總源強反而比阿什河大.根據研究結果,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源污染源強,這與實際情況符合.

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

2.3 討論

2.3.1 計算智能算法優化排放模式的實用性 神經網絡的黑箱性質將功能區段上游來水的水質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;何家溝源強分別為834.67,1515.01 g/s;松北源強分別為166.80,157.48 g/s.經過網絡預測后的目標控制點濃度分別為17.14,22.32mg/L,以III類功能區為標準則需要對3月進行削減控制.即使3月份來水的COD小于2月份,但是源強排放的不同會導致目標控制點的不同,目標控制斷面的污染物濃度是由多個輸入因子共同作用的.同時,在有可觀的數據樣本下訓練的神經網絡預測模型的誤差都在環境管理可允許的范圍內,一般不會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網絡預測模型的誤差范圍之內.如果由于樣本數量過少等原因導致神經網絡訓練誤差較大,可獲取相應的水力水文數據以其他機理預測模型代替,所以本研究相比其他單一規劃類方法應用靈活,實用性強.

采用遺傳算法進行優化時,由于初代種群(削減率)在搜索領域的隨機性展開,會導致每次模擬時的收斂速度不同,在不同模擬過程中相同的代數在當代達到最好的削減率組合 ri也不同,所以表現出最優削減率有相應的震蕩(圖 4,圖 5),但模擬幾次后最終都會歸趨于相同的全局的最優的削減率組合 rbesti.但對于決策者而言,rbesti卻不一定是可以實際操作實施的決策方案,因為源強的削減不僅和自然屬性有關,也和技術上能達到的治理水平及經濟上能承受的支付能力等綜合因素均有關系,此外還有種種不可控的因素.在進化過程中每代中最優的削減率組合ri也都達到了功能區段的目標要求,即有多個削減決策方案可以選擇,決策者可以根據功能區的實際情況給予設計和規劃,從而讓環境決策更加科學與合理.

2.3.2 流域優化排放應用管理的普適性 朱順屯-東江橋功能區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的功能區段.如1.1節中將支流概念化成隨季節變化的排污口也具有一定的合理性,并在流域管理的技術層面上便于應用;對于后一個功能區標準比前一個功能區高的情況,一般在環境規劃時會引入過渡區,此時對后功能區段進行研究時其污染物濃度默認值為過渡區末端達標后的水質濃度值或者實際監測的濃度值.例如之后的大頂子山-依蘭斷面是III類功能區,但上一個功能區為IV類功能區,所以有可能會有來水低于III類水體的情況,此時需要實際監測值或者默認為區段起始斷面的污染物在經過過渡區后濃度至少為III類水體達標.此時的各項條件均滿足本研究建立排污控制削減優化方法的要求,因此本方法在流域范圍應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尋優,可以合理的進行排污削減或總量分配.目前傳統的污染控制削減或分配的方式主要有等比例分配、按貢獻率分配、線性規劃法、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影響管理結果的公平性與有效性[20].相比這些傳統方法,本研究從節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置相應的分配率 p,可以科學的給各個排污口分配多余的環境容量.

3 結論

3.1 基于計算智能算法建立了流域排污削減控制管理技術方法,通過對排污口和目標斷面水質監測數據的反向模擬與優化提出最優的排污削減控制策略,從而使目標功能區達標,可以間接的實現環境容量總量控制,并且能在很大程度上降低環境管理決策的不確定性.

3.2 結合情景分析,對松花江流域上的2個功能區段的COD削減進行了研究與分析,朱順屯-東江橋區段執行III類功能區標準時,何家溝與松北兩個排污口主要在7~12月需要削減,平均削減率分別為23%和25%;執行II類功能區標準時兩個排污口全年平均削減率分別為64%和42%.東江橋-大頂子山區段執行 II類功能區標準,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條季節性河流在豐水期需削減較多,符合實際情況.

[1] 中國環境保護部,松花江流域水污染防治“十二五”規劃編制大綱 [Z]. 2010.

[2] 逄 勇,陸桂華.水環境容量計算及理論應用 [M]. 北京:科學出版社, 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網絡預報 [J].中國環境科學, 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規劃中的應用[J], 武漢水利電力大學學報, 1996,29(4):95-99.

[10] 李祚泳,彭荔紅.基于遺傳算法優化的大氣質量評價的污染危害指數公式 [J]. 中國環境科學, 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模型多參數識別 [J]. 中國環境科學, 2009,29(9):962-966.

[12] 劉國東,黃川友,丁 晶,等.水質綜合評價的人工神經網絡模型[J], 中國環境科學, 1998,18(6):514-517.

[13] 萬顯烈,楊鳳林,王慧卿,等.利用人工神經網絡對空氣中O3濃度進行預測 [J]. 中國環境科學, 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化評價方法 [J]. 中國環境科學, 2011,31(4):674-679.

[15] 郭 亮,王 鵬,趙 英.基于BP神經網絡的松花江四方臺水質預測 [J], 哈爾濱工業大學學報, 2009,41(6):1569-1573.

[16] GB3838-2002 地表水環境質量標準 [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.進一步強化水環境容量控制管理 [N]. 中國建設報, 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

國家自然科學基金資助項目(50821002);城市水資源與水環境國家重點實驗室資助項目(2008TS06)

* 責任作者, 教授, pwang73@hit.edu.cn

X703.5

A

1000-6923(2012)01-0173-08

致謝：本研究的監測數據由哈爾濱市環境監測中心站白羽軍高級工程師等協助提供,在此表示感謝.

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