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。
1.一种基于遗传算法的城市PM2.5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PM2.5具体组分浓度贡献的源与受体的响应关系；
步骤S2，结合PM2.5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PM2.5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PM2.5浓度达标下，减排成本最小和排放量最大的可行减排方案。
2.根据权利要求1所述基于遗传算法的城市PM2.5双目标控制策略优化算法，其特征在于：步骤S1中所述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。
3.根据权利要求1所述基于遗传算法的城市PM2.5双目标控制策略优化算法，其特征在于：步骤S2所述减排模型考虑不同源区、不同行业源和不同物种组分，并通过式(1)计算城市最大排放量Max f1，
式中，i为不同源区的序号，L为源区的数量，j为不同行业源的序号，M为行业源数量，s为不同物种组分的序号，N为物种数量，Xi,j,s为允许减排比，Emissi,j,s为排放量。
4.根据权利要求1所述基于遗传算法的城市PM2.5双目标控制策略优化算法，其特征在于：步骤S2所述减排模型考虑不同源区、不同行业源和不同物种组分，并通过式(2)计算城市排放成本Min f2，
式中，Costi,j,s为单位减排成本，i为不同源区的序号，L为源区的数量，j为不同行业源的序号，M为行业源数量，s为不同物种组分的序号，N为物种数量，Xi,j,s为允许减排比，Emissi,j,s为排放量。
5.根据权利要求1所述基于遗传算法的城市PM2.5双目标控制策略优化算法，其特征在于：步骤S2所述减排模型考虑不同源区、不同行业源和不同物种组分，并通过式(3)确定约束条件，
式中，上角标r是源区的序号， 为不同源区、行业或物种对受体城市r的贡献浓度，为空气质量目标， 为背景不可控浓度，i为不同源区的序号，L为源区的数量，j为不同行业源的序号，M为行业源数量，s为不同物种组分的序号，N为物种数量，Xi,j,s为允许减排比。
6.根据权利要求1所述基于遗传算法的城市PM2.5双目标控制策略优化算法，其特征在于：所述遗传算法NSGA‑Ⅱ的步骤及参数确定如下：步骤1，所述遗传算法NSGA‑Ⅱ通过随机生成种群规模为初始规模为300的种群启动，世代数设定为200；
步骤2，以研究城市减排成本最小和排放量最大为目标函数对种群评估，计算约束条件下种群中所有个体的适应度；
步骤3，采用秩选择法为下一代选择亲本，规定最优个体系数为0.3，适应度函数偏差为‑100
10 ，选择适应度高的个体参与遗传操作形成新一代种群，并在多代中重复步骤2，直到达到最大代数200，将后代中排放成本最小的基础上排放量最大的个体作为遗传算法的执行结果。
一种基于遗传算法的城市PM2.5双目标控制策略优化算法
技术领域
[0001] 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PM2.5双目标控制策略优化方法。
背景技术
[0002] 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。
[0003] 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。
[0004] 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。
[0005] 因此，针对当前我国PM2.5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PM2.5双目标控制策略优化方法。
发明内容
[0006] 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PM2.5双目标控制策略优化算法，本方法针对城市尺度PM2.5浓度管控，，依据污染源对PM2.5浓度贡献的源‑受体
关系和PM2.5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PM2.5双目标控制减排方案。。
[0007] 为解决上述技术问题，本发明采用了以下技术方案：
[0008] 一种基于遗传算法的城市PM2.5双目标控制策略优化算法，包括以下步骤：
[0009] 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PM2.5具体组分浓度贡献的源与受体的响应关系；
[0010] 步骤S2，结合PM2.5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；
[0011] 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；
[0012] 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PM2.5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PM2.5浓
度达标下，减排成本最小和排放量最大的可行减排方案。
[0013] 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。
[0014] 进一步的，步骤S2所述减排模型考虑不同源区、不同行业源和不同物种组分，并通过式(1)计算城市最大排放量Max f1，
[0015]
[0016] 式中，i为不同源区的序号，L为源区的数量，j为不同行业源的序号，M为行业源数量，s为不同物种组分的序号，N为物种数量，Xi,j,s为允许减排比，Emissi,j,s为排放量。
[0017] 进一步的，步骤S2所述减排模型考虑不同源区、不同行业源和不同物种组分，并通过式(2)计算城市排放成本Min f2，
[0018]
[0019] 式中，Costi,j,s为单位减排成本，i为不同源区的序号，L为源区的数量，j为不同行业源的序号，M为行业源数量，s为不同物种组分的序号，N为物种数量，Xi,j,s为允许减排比，
Emissi,j,s为排放量。
[0020] 进一步的，步骤S2所述减排模型考虑不同源区、不同行业源和不同物种组分，并通过式(3)确定约束条件，
[0021]
[0022] 式中，上角标是源区的序号， 为不同源区、行业或物种对受体城市r的贡献浓度， 为空气质量目标， 为背景不可控浓度，i为不同源区的序号，L为源区的数量，j为
不同行业源的序号，M为行业源数量，s为不同物种组分的序号，N为物种数量，Xi,j,s为允许减
排比。
[0023] 进一步的，所述遗传算法NSGA‑Ⅱ通过随机生成指定数量的控制策略来启动,然后用两个目标函数来评估每个控制策略，通过选择、交叉和变异组合最优控制策略以产生后
代，并在多代中重复该方案，直到达到最大代数；
[0024] 遗传算法NSGA‑Ⅱ的参数设定对算法的收敛速度和优化的成功率具有较大的影响。本发明方法将遗传算法的种群规模设定为300，世代数设定200，采用秩选择法为下一代
‑100
选择亲本,最优个体系数为0.3，适应度函数偏差为10 。
[0025] 有益效果：相对于现有技术，通过采用本发明方法，在满足PM2.5浓度达标的前提下，给出减排成本最低和排放量最大的城市减排方案，同时兼顾考虑治理成本以及减排对
当地经济发展，制定本地化的控制策略。
附图说明
[0026] 图1为实施例中输入的各类源排放量；
[0027] 图2为应用本发明方法得到的PM2.5各组分排放源‑受体响应关系；
[0028] 图3为应用本发明方法得到的不同PM2.5浓度目标下减排系数矩阵；
[0029] 图4为应用本发明方法的到的不同行业源、不同地区减排量与减排成本；
[0030] 图5为应用本发明方法得到的两种空气质量目标下减排系数与减排成本。
具体实施方式
[0031] 下面结合附图并以具体实施例，进一步阐明本发明。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的
各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0032] 本发明揭示了一种基于遗传算法的城市PM2.5双目标控制策略优化方法，包括有以下步骤：
[0033] 第一步：根据目标城市排放源清单划分排放源单位，基于空气质量模式RegAEMS模拟各单位污染源对PM2.5具体组分浓度贡献的源‑受体响应关系；
[0034] 第二步：结合PM2.5减排措施和主要行业中末端技术的单位减排成本(包括脱硫、脱硝、除尘、除NH3和VOCs)，将第一步模拟建立的城市排放源‑受体响应关系作为输入，以排放
成本最小和排放量最大作为目标函数，以空气质量达标为约束条件建立减排模型；
[0035] 其中，目标城市减排模型如下：
[0036] ①对于城市排放量 计算不同源区i，不同行业源j，不同物种s的最大允许排放量，其中Xijs为允许减排比，Emissijs为排放量(元)。
[0037] ②对于城市排放成本 计算不同源区i，不同行业源j，不同物种s的最小减排成本，其中Costijs是单位减排成本(元/吨)。
[0038] ③对于约束条件 其中 为不同源区、行业源、物种对r个受体城市的贡献浓度， 为空气质量目标， 为背景不可控浓度。
[0039] 第三步：利用遗传算法NSGA‑Ⅱ求解减排模型解集，得到目标城市不同地区、不同行业各污染物减排比例，确定污染源减排清单。所述遗传算法NSGA‑Ⅱ的原理是通过随机生
成指定数量的控制策略来启动,然后用两个目标函数来评估每个控制策略，通过选择、交叉
和变异组合最优控制策略以产生后代，并在多代中重复该方案，直到达到最大代数。在算法
求解过程中，参数设定对算法的收敛速度和优化的成功率具有较大的影响。其具体步骤如
下：
[0040] 步骤1，所述遗传算法NSGA‑Ⅱ通过随机生成种群规模为初始规模为300的种群启动，世代数设定为200；
[0041] 步骤2，以研究城市减排成本最小和排放量最大为目标函数对种群评估，计算约束条件下种群中所有个体的适应度；
[0042] 步骤3，采用秩选择法为下一代选择亲本，规定最优个体系数为0.3，适应度函数偏‑100
差为10 ，选择适应度高的个体参与遗传操作形成新一代种群，并在多代中重复步骤2，直
到达到最大代数200，将后代中表现最好的个体作为遗传算法的执行结果。其中，表现最好
的个体以排放成本最小的基础上排放量最大作为评价依据。
[0043] 第四步：依据计算结果，利用空气质量模型对减排后的排放清单重新模拟，判断PM2.5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PM2.5浓度达标下，减
排成本最小和排放量最大的可行减排方案。
[0044] 本发明的设计重点是：通过采用本发明方法，将目标城市排放清单和减排成本作为外部参数文件输入，适用性和可操作性强，通过空气质量模型的模拟验证，给出满足PM2.5
浓度达标下减排成本最小、排放量最大的控制方案，研究城市不同行业大气污染物减排量，
可以实现城市的PM2.5控制策略优化，同时兼顾成本与经济效益，一定程度上缓解污染减排
一刀切。
[0045] 图1为实施例中输入的各类源排放量；图2为应用本发明方法得到的PM2.5各组分排放源‑受体响应关系；图3为应用本发明方法得到的不同PM2.5浓度目标下减排系数矩阵；图4
为应用本发明方法的到的不同行业源、不同地区减排量与减排成本；图5为应用本发明方法
得到的两种空气质量目标下减排系数与减排成本。
[0046] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可
以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而
这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范
围。
