一种空气质量数据快速优化方法、系统及装置与流程

1.本发明涉及大气污染治理领域及计算机大数据处理领域，具体涉及一种空 气质量数据快速优化方法、系统及装置。


背景技术：

2.随着工业化进程的不断加速和社会日常工业品消耗的加剧，大气污染已经 在全球不同区域先后上演，并且已然成为影响社会经济发展和人类生活的一大 制约，并形成了包括对身体健康、安全生产等的潜在风险隐患，是目前影响社 会经济发展的重要因素之一。在大气污染治理领域中，如何对大气质量进行监 控，如何形成精准、有效的复核区域实际的大气质量模型，是对当地大气污染 进行有效治理的重要前提。
3.空气质量模型是用数学方法来模拟影响大气污染物的扩散和反应的物理和 化学过程。基于输入的气象数据和污染源信息如排放率，烟囱高度等，这些模 型可以模拟直接排入大气的一次污染物和由于复杂的化学反应形成的二次污染 物。这些模型对空气质量管理是非常重要的，因为他们被许多机构用来测算源 分担率，同时帮助制定有效的削减污染物排放的政策。例如空气质量模型可以 用来预测一个新的污染源会不会达标排放，如果超标的话，还可以给出适当的 控制措施。此外，空气质量模型还可以预测未来新的政策法规实施后的污染物 的浓度。可以估计政策法规的有效性以及减少人类和环境暴露。
4.与此同时，对于空气质量模型的准确性判断，是于空气质量模型并行的重 要前提。对空气质量模型的准确性的判断，是空气质量模型是否有效，甚至技 术路线是否正确的重要一环。在空气质量模型效果判断方面，现有技术主要采 用情景分析法，先设计多个情景，然后通过空气质量模型逐一模拟，无法实现 快速判断；在空气质量模型辅助决策研究方面，现有技术主要是基于响应面模 型开展的区域空气质量模型辅助决策研究，可快速寻找期望的情景，但受到区 域模型(camq)等限制，无法分析具体每个源的贡献。
5.因此，在环境治理日益重要的今天，如何对空气质量模型进行快速、准确 的判断，并快速给出不同污染源的贡献情况，是目前亟待解决的问题。


技术实现要素：

6.有鉴于此，本发明基于线性规划的基础技术路线，给出了适合不同尺度、 不同空气质量模型的准确性快速判断方案，可快速给出每个源具体贡献，从而 为制定适合当地管理部门的大气污染减排最优方案提供支持。
7.具体而言，本发明提供了以下技术方案：
8.一方面，本发明提供了一种空气质量数据快速优化方法，该方法包括：
9.s1、输入原始数据，确定各污染源对敏感点的年均贡献浓度，并进行排名， 得到各污染源对敏感点的年均贡献浓度排名；所述原始数据至少包括年排放清 单原始数据、地面数据、敏感点数据；
10.s2、确定空气质量目标，并结合年排放清单原始数据、年均贡献浓度，在 约束条件
下，求解在所有污染源排放量最大目标下，各污染源的最优排放量数 据；
11.s3、基于各污染源的最优排放量数据，确定排放源数据调整方式。
12.优选的，所述原始数据还包括污染源数据、地面气象数据、高空气象数据； 所述年排放清单原始数据指年维度的污染物因子s的各企业排放量数据。
13.优选的，所述确定各污染源对敏感点的年均贡献浓度，通过以下方式实现：
14.确定目标区域后，基于该目标区域内污染源的污染物因子s的年排放清单 原始数据、污染源数据、地面数据、敏感点数据、地面气象数据、高空气象数 据，通过空气质量模型进行模拟，获得各污染源对敏感点的年均贡献浓度。
15.优选的，所述s2进一步包括，基于在所有污染源排放量最大目标下设置目 标函数，所述目标函数为：
[0016][0017]
其中，x
i
为企业i排放量调整比例，α
i
为污染源i的排放量，i为污染源集 合，z为所有污染源排放量。
[0018]
优选的，所述s2中的约束条件为：
[0019]
各企业排放量调整下降比例不高于γ，γ取值范围[0，100％]；并且
[0020]
对敏感点年均浓度贡献不超过c
j
，c
j
为空气质量的目标浓度值。
[0021]
优选的，所述目标函数的约束条件为：
[0022][0023]
其中，i是污染源集合i＝1,2,
…
,n，j是敏感点集合j＝1,2,
…
,m，α
i
是污染源 i的排放量，β
i,j
是污染源i对敏感点j的单位排放贡献，c
j
是对敏感点j的所确定 的空气质量的目标浓度值，x
i
是企业i排放量调整比例。
[0024]
优选的，排放量调整比例x的取值范围为：x∈[0,γ]，其中，γ是排放 量调整下降比例的上限，γ取值范围[0，100％]。
[0025]
同时，本发明还提供了一种空气质量数据快速优化系统，该系统包括：
[0026]
数据输入模块，用于输入原始数据，所述原始数据至少包括年排放清单原 始数据、地面数据、敏感点数据；
[0027]
年均贡献浓度模块，基于原始数据，确定各污染源对敏感点的年均贡献浓 度，并进行排名，得到各污染源对敏感点的年均贡献浓度排名；
[0028]
排放量优化模块，基于确定的空气质量目标、年排放清单原始数据、年均 贡献浓
度，在约束条件下，获取在所有污染源排放量最大目标下，各污染源的 最优排放量数据；
[0029]
排放源数据调整模块，基于各污染源的最优排放量数据，确定排放源数据 调整方式。
[0030]
优选的，所述年均贡献浓度模块中确定各污染源对敏感点的年均贡献浓度， 通过以下方式实现：
[0031]
确定目标区域后，基于该目标区域内污染源的污染物因子s的年排放清单 原始数据、污染源数据、地面数据、敏感点数据、地面气象数据、高空气象数 据，通过空气质量模型进行模拟，获得各污染源对敏感点的年均贡献浓度。
[0032]
优选的，所述排放量优化模块还包括约束条件单元，所述约束条件单元用 于确定最优排放量计算中的约束条件；
[0033]
所述约束条件为：各企业排放量调整下降比例不高于γ，γ取值范围[0， 100％]；并且对敏感点年均浓度贡献不超过c
j
，c
j
为空气质量的目标浓度值。
[0034]
优选的，排放量优化模块还用于基于在所有污染源排放量最大目标下设置 目标函数，所述目标函数为：
[0035][0036]
其中，x
i
为企业i排放量调整比例，α
i
为污染源i的排放量，i为污染源集 合，z为所有污染源排放量。
[0037]
优选的，所述目标函数的约束条件为：
[0038][0039]
其中，i是污染源集合i＝1,2,
…
,n，j是敏感点集合j＝1,2,
…
,m，α
i
是污染源 i的排放量，β
i,j
是污染源i对敏感点j的单位排放贡献，c
j
是对敏感点j的所确定 的空气质量的目标浓度值，x
i
是企业i排放量调整比例。
[0040]
优选的，排放量调整比例x的取值范围为：x∈[0,γ]，其中，γ是排放 量调整下降比例的上限，γ取值范围[0，100％]。
[0041]
同时，本发明还提供了一种空气质量数据快速优化装置，该装置至少包括 存储器、处理器、输入设备，所述处理器可以从所述存储器调用指令，以执行 如上所述的空气质量数据快速优化方法。
[0042]
与现有技术相比，本发明技术方案基于线性规划方法，开发了适合不同尺 度不同空气质量模型的大气污染模拟快速效果评估工具，可快速给出每个源具 体贡献。解决了模
拟计算时间因受到污染源数量、网格数量、计算周期等限制， 而无法精确给出各情景下每个源贡献的问题，同时解决了多个模拟情景的建模 过程繁琐问题，可以快速评估多个优化方案；同时能实现人机交互，方便用户 使用。
附图说明
[0043]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出 创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0044]
图1为本发明实施例的整体方案实施流程示意图；
[0045]
图2为本发明实施例的预测及减排规划流程示意图；
[0046]
图3为本发明实施例的2018年度某区域火电企业对区域内各城市pm
10
浓度 贡献；
[0047]
图4为本发明实施例的2018年度某区域火电企业pm
10
贡献；
[0048]
图5为本发明实施例的模型优化后得到的某区域城市火电企业pm
10
贡献；
[0049]
图6为本发明实施例的某区域火电现状情景和优化情景对各城市浓度贡献 对比。
具体实施方式
[0050]
下面结合附图对本发明实施例进行详细描述。应当明确，所描述的实施例 仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本 领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都 属于本发明保护的范围。
[0051]
本领域技术人员应当知晓，下述具体实施例或具体实施方式，是本发明为 进一步解释具体的发明内容而列举的一系列优化的设置方式，而该些设置方式 之间均是可以相互结合或者相互关联使用的，除非在本发明明确提出了其中某 些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置 或共同使用。同时，下述的具体实施例或实施方式仅作为最优化的设置方式， 而不作为限定本发明的保护范围的理解。
[0052]
实施例1
[0053]
在一个具体的实施例中，结合图1，对本发明的核心方案进行阐述。
[0054]
1.污染源贡献分析
[0055]
首先，要对污染源的贡献进行分析，以获得基础的判断依据。该过程主要 包括：
[0056]
(1)输入数据
[0057]
在一个具体的实施方式中，输入的数据，优选可以包含以下内容：
[0058]
①
年排放清单原始数据：为年维度的污染物因子s(s代表so2，nox，pm
10
， co等)的排放量数据，如pm
10
一年的排放量；
[0059]
②
污染源(例如：烟囱等)数据：污染源坐标、污染源高度、污染源排放 速率、烟囱直径、烟气温度、建筑物尺寸等；该部分的具体数据类型，可以基 于主要污染源的不同进行调整，以能准确描述污染源的污染情况或污染贡献程 度相关的数据为主。
[0060]
③
地面数据：地形数据(usgs)、土地利用数据等；其中地形数据可以选取 例如分辨率为90m的，土地利用数据可以选取分辨率为例如30m的等，也可依 据实际的数据情况、区域范围等，选用其他分辨率数据；
[0061]
④
地面气象数据：气温、气压、相对湿度、水汽压、风、降水量等；
[0062]
⑤
高空气象数据：温度、湿度、气压、风向、风速等；
[0063]
⑥
敏感点(又称：受体点或预测点)数据：坐标、海拔高度、山体高度等。
[0064]
(2)在一个更为优选的实施方式中，本方案所采用的污染源贡献分析具体 方式如下：
[0065]
①
选取一个区域，如某市；
[0066]
②
将该区域所有污染源的污染物因子s的年排放清单原始数据、污染源数 据、地面数据、地面气象数据、高空气象数据及敏感点数据等输入待测试的空 气质量模型进行模拟，空气质量模型可以采用例如aermod、calpuff、cmaq和 camx等模型；
[0067]
③
输出各污染源对敏感点年均贡献浓度；
[0068]
④
将各污染源对敏感点年均贡献浓度进行排名，得到对敏感点年均贡献浓 度排名。
[0069]
2.大气污染模拟快速反应决策模型
[0070]
基于上述污染源贡献分析结果数据的基础上，形成针对大气污染的反应决 策模型。在一个优选的实施方式中，该反应决策模型可以通过以下方式构建：
[0071]
(1)输入数据
[0072]
①
年排放清单原始数据：为年维度的污染物因子s(s代表so2，nox，pm
10
， co等)的各企业排放量数据；
[0073]
②
各污染源贡献浓度数据：各污染源对敏感点的污染物因子s年均贡献浓 度；
[0074]
③
空气质量目标：即目标浓度值，单位：μg/m3。
[0075]
(2)在一个具体的实施方式中，该反应决策模型构建的过程如下：
[0076]
①
设置目标函数：在所确定的浓度目标值下，所有污染源排放量z最大；
[0077]
②
确定约束条件：
[0078]
a.各企业排放量调整下降比例不高于γ，γ可以通过用户基于实际排放要 求、企业设备状况等进行设置，优选取值范围[0，100％]；
[0079]
b.对敏感点年均浓度贡献不超过c
j
，c
j
为空气质量的目标浓度值，单 位:μg/m3；
[0080]
③
具体公式：
[0081][0082]
[0083]
x∈[0，γ]
ꢀꢀ
(3)
[0084]
其中：公式(1)为目标函数表示，在所确定的目标浓度值下，污染物排放 量z最大化；
[0085]
公式(2)是约束条件，表示各污染与对各敏感点的贡献约束；
[0086]
公式(3)表示决策变量的取值范围；
[0087]
上述公式(1)
‑
(3)中参数含义如表1所示。
[0088]
表1模型参数
[0089][0090]
(3)基于上述的模型，参考图2的实施例，具体执行步骤如下：
[0091]
①
将所选区域的污染物因子s(s代表so2，nox，pm
10
，co等)的排放量数 据、各个污染源对敏感点的污染物因子s年均贡献浓度、以及对敏感点j所确 定的空气质量的目标浓度值输入模型进行计算；
[0092]
②
输出污染源i的最优排放量；
[0093]
③
确定排放源组调整方案，即各污染源应该降低的排放量。
[0094]
实施例2
[0095]
在又一个具体的实施例中，本发明的方案还可以通过系统模块或者电子装 置的方式来实现。
[0096]
该系统包括：
[0097]
数据输入模块，用于输入原始数据，所述原始数据至少包括年排放清单原 始数据、地面数据、敏感点数据；
[0098]
年均贡献浓度模块，基于原始数据，确定各污染源对敏感点的年均贡献浓 度，并进行排名，得到各污染源对敏感点的年均贡献浓度排名；
[0099]
排放量优化模块，基于确定的空气质量目标、年排放清单原始数据、年均 贡献浓度，在约束条件下，获取在所有污染源排放量最大目标下，各污染源的 最优排放量数据；
[0100]
排放源数据调整模块，基于各污染源的最优排放量数据，确定排放源数据 调整方
式。
[0101]
在更为具体的实施方式中，所述年均贡献浓度模块中确定各污染源对敏感 点的年均贡献浓度，通过以下方式实现：
[0102]
确定目标区域后，基于该目标区域内污染源的污染物因子s(s代表so2， nox，pm
10
，co等)的年排放清单原始数据、污染源数据、地面数据、敏感点数 据、地面气象数据、高空气象数据，通过空气质量模型进行模拟，获得各污染 源对敏感点的年均贡献浓度。
[0103]
在更为具体的实施方式中，排放量的优化，一般需要跟区域内的实际排放 数据、期望数据值等相匹配，这就需要设置符合当地大气污染物特性的约束条 件，从而在约束条件下，获得最优的数据配置方案。因此，系统中，所述排放 量优化模块还包括约束条件单元，所述约束条件单元用于确定最优排放量计算 中的约束条件；
[0104]
所述约束条件为：各企业排放量调整下降比例不高于γ，γ取值范围[0， 100％]；并且对敏感点年均浓度贡献不超过c
j
，c
j
为空气质量的目标浓度值。
[0105]
在更为优选的方式中，排放量优化模块还用于基于在所有污染源排放量最 大目标下设置目标函数，通过目标函数的设置，可以将数据间关系简化为与主 要目标数据件的数学关系，所述目标函数优选可设置为：
[0106][0107]
其中，x
i
为企业i排放量调整比例，α
i
为污染源i的排放量，i为污染源集 合，z为所有污染源排放量。
[0108]
基于目标函数，以及该区域的实际污染物排放数据情况和地理、气候等数 据情况，对目标函数设置相应的约束，所述目标函数的约束条件的数学表达优 选设置为：
[0109][0110]
其中，i是污染源集合i＝1,2,
…
,n，j是敏感点集合j＝1,2,
…
,m，α
i
是污染源 i的排放量，β
i,j
是污染源i对敏感点j的单位排放贡献，c
j
是对敏感点j的所确定 的空气质量的目标浓度值，x
i
是企业i排放量调整比例。
[0111]
在对单独的污染企业等的排放量调整比例上，也需要依据区域内实际排放 数据量确定，优选的排放量调整比例x的取值范围为：x∈[0,γ]，其中，γ 是排放量调整下降比例的上限，γ取值范围[0，100％]。
[0112]
上述系统的设置方式中，各模块的设置，可以基于系统的整体架构进行调 整，以能执行相应的数据快速优化处理为准，常规的模块结构调整，均应当视 为落入本发明的保
护范围之内。
[0113]
此外，本发明的技术方案也可以通过一种空气质量数据快速优化装置来实 现，该装置至少包括存储器、处理器、输入设备，所述处理器可以从所述存储 器调用指令，以执行如上所述的空气质量数据快速优化方法，或者，该装置可 以搭载如上所述的空气质量数据快速优化系统，以执行相应的系统功能，实现 空气质量数据的快速优化。
[0114]
实施例3
[0115]
本实施例中，以某区域实际的大气污染排放的方案优化为例，对本发明的 核心方案进行进一步阐述。本实施例中，以当地pm
10
污染的减排为例。
[0116]
以某区域火电企业为例，采用2018年某区域火电行业的排放清单，对区域 进行大气扩散模拟。2018年该区域的火电行业pm
10
排放量为0.58万t
·
a
‑1。该 区域的火电行业排放在各地区之间差异很大。
[0117]
本实施例采用空气质量模型calpuff对该区域内火电企业pm
10
现状情景开 展模拟，追踪每个火电企业pm
10
排放对汾渭平原每个城市的浓度贡献。采用气象 基准年为2018年，模式均采用lcc投影，由wrf模型获取地面数据、探空数据。 该区域模拟范围划分为960km
×
920km，像元大小为10km
×
10km，网格点数设置为 96
×
92，模型中需输入每家火电企业的排放源等信息，考虑干湿沉降，未考虑化 学反应，模拟并计算出各火电企业对各市污染物浓度占比。
[0118]
calpuff模型的输入参数包括地形数据、气象数据、排放源等数据：(1)获 取分辨率90m的地形数据(usgs)，分辨率为30m的土地数据；(2)气象数据的 获取及气象场的模拟，由wrf模拟地面数据和探空数据；(3)污染源参数研究 区域污染物排放浓度，主要考虑火电厂烟囱的pm
10
排放，以点源形式输入，各类 源所需的模型计算参数包括位置、烟囱高度、烟囱直径、排放速率和温度等。
[0119]
在此基础上，获取该区域内各个预测点的坐标，在本实施例中，即区域内 各个城市的市中心经纬度坐标，作为预测点坐标。
[0120]
下面，本实施例通过现情况下的大气排放情况和优化情景下的大气排放情 况进行模拟及对比。
[0121]
表2预测方案统计表
[0122][0123]
结合图3所示，在本实施例中，以11个城市为受体，对相邻13个城市排 放源对区域内pm
10
排放的年均贡献浓度进行了模拟。结果表明，该区域中西咸新 区、运城市和洛阳市对区域内城市年均累计贡献浓度较大，年均累计贡献浓度 分别为119.17μg
·
m
‑3、118.98μg
·
m
‑3、95.47μg
·
m
‑3。pm
10
排放的年均累计贡献浓度 差异较大的主要原因为排放量的明显变化。具体来说，活动水平是主要的排放 驱动因素，火电行业的排放通常与活动水平的空间分布一致，其中洛阳和运城， 合计占该地区总发电量的近29.6％，西咸新区排放量不多，但受其它地区扩散 影响较大，导致其年均累计贡献浓度较高。
[0124]
基于上述的模拟结果，进一步分析得到各企业排放对各市年均累计贡献浓 度排序情况。
[0125]
图4为2018年该区域火电行业pm
10
排放年均累计贡献浓度分布情况，火电 行业pm
10
排放年均贡献浓度与2018年该区域火电排放清单分布较为一致，其中 渭南市、西安市及周边地区pm
10
年均贡献浓度较高，最高为13.84μg
·
m
‑3，主要 是附近周边地区运城、咸阳等其它地区扩散影响导致。
[0126]
以上结果表明，2018年该区域中西咸新区、运城市和洛阳市火电企业pm
10
排放对各城市年均累计贡献浓度最大，其中区域内火电企业排放源中，西咸新 区和运城市中一些企业贡献较大，因此，着重加强对有关排放源的相应控制措 施，可有效降低火电企业对汾渭平原的污染贡献。
[0127]
基于上述的模拟数据情况，进一步通过模型，优化排放规划。此处优化模 型，即采用实施例1中的模型：
[0128]
①
设置目标函数：在所确定的浓度目标值下，所有污染源排放量z最大；
[0129]
②
确定约束条件：
[0130]
a.各企业排放量调整下降比例不高于γ，γ可以通过用户基于实际排放要 求、企业设备状况等进行设置，优选取值范围[0，100％]；
[0131]
b.对敏感点年均浓度贡献不超过c
j
，c
j
为空气质量的目标浓度值，单 位:μg/m3；
[0132]
③
具体公式：
[0133]
目标函数：
[0134]
约束条件：
[0135]
决策变量取值范围：x∈[0,γ]
[0136]
结合上述的优化模型，为了保证生产，该区域内火电企业pm
10
减排比例不超 过50％，即排放量控制为不低于原企业排放总量的50％，规划对各个排放源的减 排比例。
[0137]
现状下该区域火电排放源总排放量为0.58万t
·
a
‑1，对各城市年均累计总贡 献浓度为791.07μg
·
m
‑3。用上述模型求得在约束条件下，各企业的减排比例，得 出企业排放量减排方案。结合表3，结果表明，最优方案为对西咸新区、渭南、 宝鸡等9个排放进行控制，其余源均正常排放。
[0138]
表3汾渭平原火电企业对各城市浓度贡献
[0139][0140][0141]
结合图5所示，优化情景下火电行业排放大气污染物年均贡献浓度与现状 情景下贡献浓度分布趋势较为一致，其中西安及渭南市等周边地区pm
10
年均贡献 浓度较高，与2018年最高值相比，下降了0.14％。
[0142]
基于模型优化结果，分析得到优化情景下各企业排放对各市年均累计贡献 浓度排序情况。
[0143]
该区域优化火电行业排放量估算如下：pm
10
约为0.57万t
·
a
‑1，区域内火电 行业对主要空气污染物的年均贡献浓度的贡献如图6所示。与现状情景相比， 当前情景显示出贡献浓度的下降趋势显著。在该区域减少排放量的结果将集中 在两个问题上：减排量和比例。
[0144]
(1)现状情景显示，一方面，该区域的火电行业排放在各地区之间差异很 大，在pm
10
排放贡献中，运城贡献最大，其次是吕梁和咸阳。不均匀排放的主要 原因为发电量的明显变化。具体来说，活动水平是主要的驱动因素，火电行业 的排放通常与电力生产的空间分布一致。
[0145]
(2)优化情景显示，目标条件下，对区域内火电企业进行调整为最优解。 此时排放量变化最少，而累计贡献浓度可降低54.56μg
·
m
‑3，调整后的总排放量 为5701.08t
·
a
‑1。其中西咸新区、渭南、宝鸡具有较大减排潜力，下一步要着 重控制该地区的排放。因此，以上三个城市，对优化和调整区域火电产业结构 和布局提供了有针对性的机会，以减少空气污染物的排放。
[0146]
总的来说，本发明引入了高分辨率排放清单，以系统地分析这些污染物排 放对空气质量的贡献，基于线性规划思想建立模型，并利用该模型分析了2018 年某区域火电排放对各个城市年均贡献浓度，给出了该区域火电最优减排方案。 模拟结果表明：空气质量的贡献高度集中在山西和陕西高发电地区，通过优化 布局，对区域内火电企业产业结构调整提供了参考依据。
[0147]
以上为本发明的具体实施方式的阐述，本领域普通技术人员可以理解实现 上述
实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬 件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时， 可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、 只读存储记忆体(read
‑
only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0148]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于 此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到 的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围 应以权利要求的保护范围为准。