[发明专利]一种基于遗传算法的城市PM2.5双目标控制策略优化算法

说明书

本发明公开了一种数值模型和线性规划模型相结合的大气污染协同控制方法，基于源追踪数值模型建立PM2.5和O₃浓度的区域排放源—受体响应关系，利用数学规划模型求取PM2.5和O₃浓度同时达标情况下的最大允许排放量方案，估算大气环境容量，评估不同城市、不同行业排放源减排方案的有效性，给出区域空气质量达标的可行对策建议，提出优化减排建议。

技术领域

本发明属于气象科学技术领域，尤其涉及利用遗传算法求解在空气质量达标前提下，满足减排成本最小且排放量最大的城市PM_2.5双目标控制策略优化方法。

背景技术

目前，为了给大气污染调控提供科学的决策支持，我国采用大气环境容量概念，提出了空气质量标准下最大允许污染物排放量的计算方法，这些方法通常采用先进的空气质量模式获取排放源与受体之间的响应关系，在此基础上，运用线性规划的方法寻求在满足一定环境质量目标约束条件下的区域污染物最大允许排放量，实现对区域环境容量资源得到优化配置。

目前，基于最优化数学方法的成本效益分析在环境决策领域得到了广泛应用，该方法着眼区域尺度，对排放源、控制措施及其成本进行划分，通过设置“软约束条件”等方式研究某一具体污染问题，并制定减污治污方案，这一方法在控制减排成本上具有一定参考价值。

但是，在实际减污治污中，制定兼顾减排成本和排放总量的控制策略是必要的。由于，数值模式能够对不同空间尺度、不同行业污染源排放进行模拟，计算“空气质量达标”等约束条件下污染物最大允许排放量，这对目前大气污染优化控制方法中存在的控制单元与污染源划分粗糙，不适用于城市尺度等问题进行了补充；另外，遗传算法在解决多目标优化问题上稳健有效，且在大气复合污染多目标优化问题中得到了成功应用。

因此，针对当前我国PM_2.5污染问题，有必要基于遗传算法开发一种在空气质量达标约束下，兼顾减排成本最小且排放量最大的城市PM_2.5双目标控制策略优化方法。

发明内容

针对现有技术存在的问题，本发明提供了基于遗传算法的城市PM_2.5双目标控制策略优化算法，本方法针对城市尺度PM_2.5浓度管控，，依据污染源对PM_2.5浓度贡献的源-受体关系和PM_2.5减排成本，利用遗传算法求解得到空气质量达标下，减排成本最小和排放量最大的城市PM_2.5双目标控制减排方案。。

为解决上述技术问题，本发明采用了以下技术方案：

一种基于遗传算法的城市PM_2.5双目标控制策略优化算法，包括以下步骤：

步骤S1，根据研究城市排放源清单划分排放源单位，并基于空气质量模式REGAEMS模拟各排放源单位污染源对PM_2.5具体组分浓度贡献的源与受体的响应关系；

步骤S2，结合PM_2.5减排措施和减排成本，以污染物排放量和城市排放源分别相对受体的响应关系为输入，以研究城市减排成本最小和排放量最大为目标函数，以空气质量达标为约束条件建立减排模型；

步骤S3，利用遗传算法NSGA-Ⅱ对步骤S2建立的减排模型进行求解，得到减排模型解集，进而得到研究城市不同地区、不同行业各污染物减排比例，从而确定污染源减排清单；

步骤S4，依据步骤S3得到的计算结果，利用空气质量模型对减排后的排放清单重新模拟，判断PM_2.5浓度是否达到空气标准，评估减排方案的有效性和可靠性，筛选出PM_2.5浓度达标下，减排成本最小和排放量最大的可行减排方案。

作为优选，步骤S1中所各污染源包括不同行业污染源和不同污染物组分污染源，并存储在同一排放源文件中。