基于计算智能的流域污染排放优化模式研究

王 祎,李静文,邵 雪,田在兴,郭 亮,姜继平,王 鹏 (哈尔滨工业大学市政环境工程学院,黑龙江 哈尔滨150090)

基于计算智能的流域污染排放优化模式研究

王 祎,李静文,邵 雪,田在兴,郭 亮,姜继平,王 鹏*(哈尔滨工业大学市政环境工程学院,黑龙江 哈尔滨150090)

基于人工神经网络和遗传算法建立了流域排污削减控制的技术框架.通过对排污口和目标断面水质监测数据的模拟与优化提出最优的排污削减控制策略,从而使目标功能区达标,可以间接的实现环境容量总量控制.结合情景分析理论对松花江哈尔滨段的朱顺屯-东江桥(S1)与东江桥-大顶子山(S2)功能区进行了COD的排污优化研究.结果表明,S1区段执行III类功能区标准时,何家沟与松北两个排污口平均削减率分别为23%和25%;执行II类功能区标准时2个排污平均削减率分别为64%和42%.S2执行II类功能区标准,太平,阿什河和呼兰河排污口全年平均削减率分别为 18%、53%和 25%.基于计算智能的削减控制模式实用可操作性强,可以科学、合理的对各个排污口源强进行优化,给出最优的污染排放策略.

人工神经网络；遗传算法；流域管理；情景分析；松花江哈尔滨段

松花江流域水污染防治“十二五”规划编制大纲中要求建立污染物排放量和天然水体水质的对应关系[1],这不仅对以前排污总量分配过程中出现的问题进行了完善,也对真实环境功能区的纳污情况有了更全面的考虑.但是目前水污染控制管理的合理性、科学性和可操作性还不完善,究热点[3-13].这些研究利用计算智能算法大都比较单一,如只利用神经网络进行预测,或只利用遗传算法优化环境管理方案和估计模型参数.即使两者联用也是通过遗传算法对神经网络的结构进行优化[14].本研究耦合计算智能方法中自适应性强的人工神经网络和全局优化特性的遗传算法,并结合情景分析理论,通过反向优化功能区内污染源的源强实现对目标控制点的浓度控制,旨在为流域水环境的管理与决策提供技术支持.

1 研究方法

1.1 研究区域

图1 研究区域示意Fig.1 Map of the study area

松花江发源于吉林省长白山天池,其干流由西向东贯穿哈尔滨市地区中部,是全市灌溉量最大的河道.哈尔滨市境内的大小河流大多属于松花江水系,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续4个月以上(图 1).松花江哈尔滨段的环境功能区有 3个,分别为朱顺屯—东江桥、东江桥—大顶子山、大顶子山—依兰段.以覆盖市区段的朱顺屯-东江桥和东江桥-大顶子山功能区段为研究区域,此区段全长55km,主要有排污口分别为何家沟、松北、太平排污口与阿什河、呼兰河.何家沟为中小流域季节性河流,属于松花江的一级支流,原为自然河道,现为雨水污水排放沟,其枯水季节河道排泄工业废水和生活污水为主,目前是哈尔滨市城区最大的污水沟;松北排污口的污水主要来自市政府、松江大学城、松北居民区以及太阳岛和船厂排放的废水;太平排污口主要排放太平污水厂的处理废水,排放源强全年比较恒定;阿什河与呼兰河2个支流的水质大部分不达标,其中阿什河接受哈尔滨市区大部分的工业点源排放,而呼兰河是松花江最大的支流之一,年均流量达到松花江干流的6%左右,2支流的污染物浓度或者源强比较高,在研究过程中将2支流概化为干流的排污口.本研究以城市废水排放污染物特征为依据,选取能反映哈尔滨市河流水环境质量的主要污染指标COD为研究对象.

1.2 人工神经网络预测模型建立

功能区控制断面的污染物浓度达标可以认为功能区内环境容量满足要求,功能区段内的面源污染一般很难控制,并且其计算机理复杂,大多都是估算;而污染物在河流中的自然本底值是由环境监测直接得到.因此本研究利用神经网络的黑箱性质可以避免了面源污染的单独干扰,将环境监测数据和功能区水环境容量很好的联系起来,在环境预测的应用层面具有很好的可操作性.

研究确定人工神经网络输入端分别为时刻t功能区段上游端COD的实际监测数据和功能区段内各个点源排污口相应的 COD排放源强Q(mg/s),输出端为同一次监测时刻t下功能区段控制端面的COD的实际监测浓度C(mg/L).

研究中的训练样本为哈尔滨市环境监测中心站 5年(2005~2009)各个监测断面和排污口COD的监测数据样本共238个.其中2009年的12组样本用于验证,其余的样本用于训练网络,对朱顺屯-东江桥和东江桥-大顶子山区段的COD分别建立相应的神经网络模型(图 2):将同一次监测的污染物浓度或源强(例如朱顺屯断面COD、何家沟排污口和松北排污口COD排放源强)作为输入端样本,东江桥断面监测的COD作为输出端样本;同理,将东江桥 COD、太平排污口、阿什河和呼兰河的COD源强作为后一功能区段的神经网络输入端.

选择3层的BP神经网络,根据经验隐含层在5~10个神经元之间递增选值,隐含层用TANSIG函数,输出层为PURELIN函数,网络输出可以任意取值,同时采用LM算法进行训练[15].

本研究训练次数设定500次,训练误差ε设定为 0.0001.之后利用线性回归分析网络输出和目标输出的关系以及网络输出变化相对于目标输出的变化率关系.然后考察网络的准确性,用训练好的网络对2009年12个月的样本仿真,得到输出值,用均方误差RMSE来评价网络学习性能的好坏.

图2 神经网络计算原理Fig.2 Calculation schematic diagram of Neural Network

1.3 排污削减优化与控制

1.3.1 排污情景设定 (1)规划对象识别 在松花江污染控制决策研究中,将对象分为2类:直接对象,与区域水质的变化直接相关,包各排放点源;间接对象,主要包括各点源排放的影响因素等.

(2) 驱动因子列举 依据识别的直接要素,将COD作为驱动因子.

(3) 情景构建与分析 基础情景为流域内环境功能区规划的水体要求下,不同水期的优化排放或者削减控制情景,即东江桥控制断面COD浓度目标为 III类功能区标准[16].当控制断面的COD浓度<20mg/L时,不需要削减;当控制断面的COD>20mg/L时,进入ANN-GA框架进行最优削减控制,之后可根据需要构建 COD更高标准的II类功能区标准15mg/L;东江桥-大顶子山江段监测的COD均属于III类水体标准,优于目前 IV类功能区要求,不需要削减,因此设置情景控制目标为II类功能区.

通过改变功能区的规划标准后进行情景模拟,对各个排污口污染控制的削减率或可排放污染的分配率提供决策依据.

1.3.2 遗传算法优化排污管理模式 对训练达标的人工神经网络的输入端引入削减率 ri:对 i个排污口的排污源强 Qi设定相应的削减率 ri(0

根据控制管理规划把适应度设置为削减率的最小平方和[4],即目标控制断面达标时各个可控点源的排放削减率达到最小的非线性约束条件:

n为相应区段的排污口个数.种群个体设置为60个,染色体编码长度为10n.得到的适应度函数值越小则适应度越大,采用轮盘赌方法进行种群的选择,选取适应度最大的个体复制到下一代,并进行相应的遗传和变异,遗传率设置为0.6、变异率设置为 0.01,最大遗传代数根据收敛情况设定在50或100代不等.

1.3.3 流域排污管理控制削减技术框架 流域排污削减控制管理技术框架方法包括如下几个步骤:

(1) 以训练达标的人工神经网络预测模型建立目标污染物在环境功能区内各个排污源强和目标控制断面的水质浓度之间的联系.

(2) 对某一功能区某一时期 t进行削减控制管理时,将相应的环境监测数据输入该网络进行预测,若在设定的情景下达标,则不需削减控制;若超标则进入ANN-GA框架进行最优削减控制.

(3) 对各个排污口的源强的削减率赋随机初始值,计算适应度最小的削减率函数进入 GA框架,搜索使环境容量有剩余时的最小削减率的组合.

(4) 全局优化并搜寻到符合条件的最优个体(削减率组合)记录并输出,如果未搜索到则继续进化.

利用神经网络的自适应性和扩展性对不同特征水体的变量进行学习,可实现环境容量的动态计算,并通过对目标断面或功能区的水质浓度进行模拟预测与优化来间接的实现环境容量总量控制,进而对排污口优化控制与削减使目标区段达到功能区要求,技术路线如图 3.全部算法由MATLAB7.0 编程实现.

图3 情景模拟技术路线Fig.3 Flow path graph of Scenarios Simulation

2 结果与讨论

2.1 神经网络训练结果

经过训练,朱顺屯-东江桥区段COD神经预测网络最佳结构为3-6-1,R=0.996,验证的12个验证样本的平均相对误差小于 7%,RMSE为2.4075;东江桥-大顶子山区段最佳网络结构为4-8-1,R=0.999,验证的 12个验证样本的平均相对误差为9.5%,RMSE为2.1448网络具有很好的网络性能,可以满足流域水质预测与应用[17-19].将训练好的网络分别保存后可进行此区域的预测与后续的削减控制管理.

2.2 情景模拟与削减控制管理策略

2.2.1 朱顺屯-东江桥功能区段 COD削减策略 对2009年12个月的监测数据进行了整理,然后进入GA框架进行削减优化,设置种群个体60个,进化代数50代.

设定情景为东江桥COD目标执行III类功能区标准时,以浓度超标最多的9月份为例,何家沟和松北排污口最优削减率如图4a.

图4 朱顺屯-东江桥9月和12月排污口COD排放优化Fig.4 The optimized COD discharge of each sewage outlet of Zhushuntun--Dongjiangqiao in September and December

由图4a可知,从第1代随机分配削减率,目标为使控制断面的COD浓度<20mg/L时,寻找到一个每个排污口最优(最小)的削减率的组合.选择进化了50代即收敛并达到一个最优的削减率组合,从第一代开始,每代都有相应的最好的组合ri,但随着进化过程的进行,每代最佳的组合会进化到一个全局最优的组合Max(ri);9月份的最优削减率为进化到第28代收敛后最优组合,即何家沟排污口源强削减 15.4%,松北排污口削减 17.4%,此时控制断面COD浓度为19.91mg/L.同理,具有冰封代表意义的 12月的优化控制结果如图 4b,进化到18代达到收敛.

对本功能区段2009年的排污情况进行了研究.使该功能区控制断面达到 III类水体,则对何家沟和松北排污口的最优削减率如表 1所示.1月、2月、4~6月功能区控制段面的实测水质达到III类水体标准,不需要对何家沟和松北排污口进行源强削减;何家沟和松北排污口在7月份削减最多,和本月份哈尔滨地区降水有关,7月降水最多,导致面源污染增加,进而何家沟排污源强最大;12月的削减率远高于9月,由于河流在冬季冰封状态下流量小,稀释作用也小,并且温度较低,COD降解系数小于非冰封期,所以要达到功能区目标需要更多的削减,另一方面,因为冬季降水少,面源污染导致的排污口源强较小,所以2个月源强的削减量计算分别为328.8,382.1g/s(表1),基本持平;其余3、8、10、11月都削减较少,点源削减率平均在10%左右.

表1 2009年朱顺屯-东江桥功能区COD执行Ⅱ类和Ⅲ类标准时的最优削减率Table 1 Optimal COD cut rate of Zhushuntun-Dongjiangqiao functional area under criterion Ⅱ and Ⅲ in 2009

表2 2009年东江桥-大顶子山功能区COD执行Ⅱ类标准时的最优削减率Table 2 Optimal COD cut rate of Dongjiangqiao-Dadingzishan functional area under criterion II in 2009

当东江桥COD目标执行II类功能区标准(15mg/L)时,得到的最优削减控制方案见表1.较执行 III类功能区标准时均有大幅削减,但非丰水期松北排污口的削减率大于何家沟排污口,可能是因为松北排污口大多是管道汇水,受到的面源污染较少.对于两个排污口丰水期到第 1过渡期(11~12月)受到丰水期尾期的影响,同时江面开始冰封,削减量开始逐渐减少,需削减源强之和分别为 931.3,791.9g/s.在冰封期(1~2月)削减量更低,分别为387.1和458.8 g/s,此时东江桥断面监测浓度低,不仅由于排污口源强变小,也因为江面冰封,流速减小,会造成一些有机物沉降,导致水中 COD降低,所以此时削减较小.第 2过渡期(3~4月)随着冰封期的逐渐结束,流量逐渐开始增大,流速增大,沉积物被冲起为悬浮物造成“二次污染”,此时排污口的削减之和又逐渐增大,分别为 799.5,782.3g/s.全年来看,冰封期和第2过渡期的削减率相比执行III类标准时大幅增加;5月的削减量最小,不仅因为此时东江桥COD最低,也因为此时冰封期刚过,降雨较少,导致农业面源污染少,监测到的排污口的源强也小.

2.2.2 东江桥-大顶子山功能区段COD削减策略 对2009年12个月的数据进行了整理,对超标的月份进入GA框架进行削减优化,种群个体60个,进化代数50代.以10月份为例,最优削减过程如图 5,达到最优后为太平排污口源强削减31.5%,阿什河60.5%,呼兰河14.0%.

当达到 II类功能区时的最优削减控制方案见表2.1月大顶子山断面COD监测值过高,此数据异常很可能是某些污染源泄露或者偷排的原因.COD在丰水期(5~10月)削减的最多:其中 7月、9月和10月削减较多,而5月、6月和8月相对削减较少,一方面是因为这几个月背景浓度较低,另一方面尽管太平污水厂的处理废水排放源强全年比较恒定,但将阿什河和呼兰河概念化成了排污单元,2条支流也有很明显的水文季节性规律,此时较小的面源污染导致的源强也较小.哈尔滨市的工业点源排污几乎都进入阿什河内,导致阿什河COD很高,河口监测常年为劣V类,但由于流量较小,所以总源强不大.而呼兰河COD相比阿什河小很多,但是呼兰河的年平均流量比阿什河大,总源强反而比阿什河大.根据研究结果,对于丰水期流量大的月份,主要以削减呼兰河的面源污染源强为主,对于流量较小的非丰水期月份,主要削减污染浓度较高的阿什河点源污染源强,这与实际情况符合.

图5 东江桥-大顶子山10月份排污口COD优化过程Fig.5 The optimized COD discharge of each sewage outlet from Dongjiangqiao—Dadingzishan in October

2.3 讨论

2.3.1 计算智能算法优化排放模式的实用性 神经网络的黑箱性质将功能区段上游来水的水质概念化为输入端因子,可以避免上游来水影响的多种不确定性,在模拟上提高了效率,例如以朱顺屯-东江桥断面2009年2月和3月为例(表1),上游朱顺屯断面来水COD分别为14.32, 13.70mg/L;何家沟源强分别为834.67,1515.01 g/s;松北源强分别为166.80,157.48 g/s.经过网络预测后的目标控制点浓度分别为17.14,22.32mg/L,以III类功能区为标准则需要对3月进行削减控制.即使3月份来水的COD小于2月份,但是源强排放的不同会导致目标控制点的不同,目标控制断面的污染物浓度是由多个输入因子共同作用的.同时,在有可观的数据样本下训练的神经网络预测模型的误差都在环境管理可允许的范围内,一般不会引起水体类别的误判,从而管理决策方案的可信度保持在神经网络预测模型的误差范围之内.如果由于样本数量过少等原因导致神经网络训练误差较大,可获取相应的水力水文数据以其他机理预测模型代替,所以本研究相比其他单一规划类方法应用灵活,实用性强.

采用遗传算法进行优化时,由于初代种群(削减率)在搜索领域的随机性展开,会导致每次模拟时的收敛速度不同,在不同模拟过程中相同的代数在当代达到最好的削减率组合 ri也不同,所以表现出最优削减率有相应的震荡(图 4,图 5),但模拟几次后最终都会归趋于相同的全局的最优的削减率组合 rbesti.但对于决策者而言,rbesti却不一定是可以实际操作实施的决策方案,因为源强的削减不仅和自然属性有关,也和技术上能达到的治理水平及经济上能承受的支付能力等综合因素均有关系,此外还有种种不可控的因素.在进化过程中每代中最优的削减率组合ri也都达到了功能区段的目标要求,即有多个削减决策方案可以选择,决策者可以根据功能区的实际情况给予设计和规划,从而让环境决策更加科学与合理.

2.3.2 流域优化排放应用管理的普适性 朱顺屯-东江桥功能区为典型的只存在排污口的江段,而东江桥-大顶子山断面为排污口和支流混合存在的江段,基本涵盖了哈尔滨地区的功能区段.如1.1节中将支流概念化成随季节变化的排污口也具有一定的合理性,并在流域管理的技术层面上便于应用;对于后一个功能区标准比前一个功能区高的情况,一般在环境规划时会引入过渡区,此时对后功能区段进行研究时其污染物浓度默认值为过渡区末端达标后的水质浓度值或者实际监测的浓度值.例如之后的大顶子山-依兰断面是III类功能区,但上一个功能区为IV类功能区,所以有可能会有来水低于III类水体的情况,此时需要实际监测值或者默认为区段起始断面的污染物在经过过渡区后浓度至少为III类水体达标.此时的各项条件均满足本研究建立排污控制削减优化方法的要求,因此本方法在流域范围应用的具有较高的普适性.

2.3.3 流域污染排放削减与分配的合理性 本研究通过智能算法的自动寻优,可以合理的进行排污削减或总量分配.目前传统的污染控制削减或分配的方式主要有等比例分配、按贡献率分配、线性规划法、层次分析法等方法,这些方法有些分配模型过于简单,或是分配过程中有人为因素的干扰都会影响管理结果的公平性与有效性[20].相比这些传统方法,本研究从节能减排的角度引入了排污口的削减率 r,若从总量分配的角度相反的可以设置相应的分配率 p,可以科学的给各个排污口分配多余的环境容量.

3 结论

3.1 基于计算智能算法建立了流域排污削减控制管理技术方法,通过对排污口和目标断面水质监测数据的反向模拟与优化提出最优的排污削减控制策略,从而使目标功能区达标,可以间接的实现环境容量总量控制,并且能在很大程度上降低环境管理决策的不确定性.

3.2 结合情景分析,对松花江流域上的2个功能区段的COD削减进行了研究与分析,朱顺屯-东江桥区段执行III类功能区标准时,何家沟与松北两个排污口主要在7~12月需要削减,平均削减率分别为23%和25%;执行II类功能区标准时两个排污口全年平均削减率分别为64%和42%.东江桥-大顶子山区段执行 II类功能区标准,太平排污口全年平均削减率为 18%;阿什河与呼兰河排污口全年平均削减分别为53%和25%,2条季节性河流在丰水期需削减较多,符合实际情况.

[1] 中国环境保护部,松花江流域水污染防治“十二五”规划编制大纲 [Z]. 2010.

[2] 逄 勇,陆桂华.水环境容量计算及理论应用 [M]. 北京:科学出版社, 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] 刘 罡,李 昕,胡 非.大气污染物浓度的神经网络预报 [J].中国环境科学, 2000,20(5):429-431.

[9] 刘首文,冯尚友.遗传算法及其在水污染控制系统规划中的应用[J], 武汉水利电力大学学报, 1996,29(4):95-99.

[10] 李祚泳,彭荔红.基于遗传算法优化的大气质量评价的污染危害指数公式 [J]. 中国环境科学, 2000,20(4):313-317.

[11] 罗固源,郑剑锋,许晓毅,等.基于遗传算法的次级河流回水段水质模型多参数识别 [J]. 中国环境科学, 2009,29(9):962-966.

[12] 刘国东,黄川友,丁 晶,等.水质综合评价的人工神经网络模型[J], 中国环境科学, 1998,18(6):514-517.

[13] 万显烈,杨凤林,王慧卿,等.利用人工神经网络对空气中O3浓度进行预测 [J]. 中国环境科学, 2003,23(1):110-112.

[14] 张维砚,沈蓓雷,童 琰,等.基于GA-BP模型的景观小水体富营养化评价方法 [J]. 中国环境科学, 2011,31(4):674-679.

[15] 郭 亮,王 鹏,赵 英.基于BP神经网络的松花江四方台水质预测 [J], 哈尔滨工业大学学报, 2009,41(6):1569-1573.

[16] GB3838-2002 地表水环境质量标准 [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] 钱荣孙.进一步强化水环境容量控制管理 [N]. 中国建设报, 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

国家自然科学基金资助项目(50821002);城市水资源与水环境国家重点实验室资助项目(2008TS06)

* 责任作者, 教授, pwang73@hit.edu.cn

X703.5

A

1000-6923(2012)01-0173-08

致谢：本研究的监测数据由哈尔滨市环境监测中心站白羽军高级工程师等协助提供,在此表示感谢.

王 祎(1985-),男,山西临汾人,哈尔滨工业大学博士研究生,主要从事环境模型和流域环境管理研究.发表论文4篇.