一种面向引调水工程明渠的突发水污染溯源方法及系统

1.本发明涉及水污染溯源领域，特别是涉及一种面向引调水工程明渠的突发水污染溯源方法及系统。


背景技术：

2.引调水工程的建设对于解决我国水资源空间分布与用水需求不均衡的问题有着深远的意义，但引调水工程明渠存在着交通运输事故等造成突发水污染事件的供水安全风险，因此，需要及时准确地进行污染溯源与应急处理，以防止更大环境污染后果的产生。
3.突发水污染事件具有随机性和突发性的特点，同时出于成本考虑，输水明渠沿程的固定水质监测站数量不足、精度不高，因此很难及时捕捉到水污染来源，仍需要结合经验和技术来实施污染溯源。常见的污染溯源方法有三种：
①
基于优化的方法(optimization-based approach)；
②
基于随机过程的方法(stochastic-based approach)；
③
基于数学推演的方法(mathematics-based approach)。其中基于优化的方法最为常用，模拟-优化模型是描述污染浓度-污染溯源关系的最有效工具之一，其将复杂现实世界中的水质输移-存储-扩散-衰减过程作为简化的数学系统，再优化改进试错过程寻求污染源识别的满意解。然而研究和实践中，模拟-优化溯源计算并没有考虑数据自身存在的监测误差以及模拟模型的结构误差，这些未考虑的误差使得溯源算法很可能无法得到精确的溯源解，甚至有可能根本无法得到任何解，时效性和实际操作性很低。


技术实现要素：

4.本发明的目的是提供一种面向引调水工程明渠的突发水污染溯源方法及系统，既考虑了模型自身的误差又考虑了监测数据存在的观测误差，能够提高计算水污染溯源结果的精确性。
5.为实现上述目的，本发明提供了如下方案：
6.一种面向引调水工程明渠的突发水污染溯源方法，包括：
7.获取引调水工程明渠水质报警渠段的数据测量参数和初始的污染源排放属性三元组，所述数据测量参数包括污染物扩散性能参数和所述水质报警渠段水流的水力学参数，所述污染源排放属性三元组包括污染源位置坐标、污染物的排放时间和污染物的浓度，所述初始的污染源排放属性三元组为预设值；
8.将所述数据测量参数以及所述污染源排放属性三元组输入水质模拟模型，得到目标位置的污染物浓度估计时序值；所述水质模拟模型用于表示水流的水力学参数、污染物扩散性能与污染源排放属性之间的关系；
9.获取目标位置的污染物浓度监测时序值；
10.根据所述污染物浓度监测时序值，采用数据同化方法对所述污染物浓度估计时序值进行去噪；
11.判断所述去噪后的污染物浓度估计时序值与所述污染物浓度监测时序值的差值
是否小于设定阈值，得到判定结果；
12.若所述判定结果为否，则利用遗传算法，以适应度函数最小为目标对所述污染源排放属性三元组的数值进行更新，并返回步骤“根据所述数据测量参数以及所述污染源排放属性三元组输入水质模拟模型”；若所述判定结果为是，则将最后一次迭代得到的污染源排放属性三元组确定为污染源排放属性三元组的最终结果；所述适应度函数用于表示所述去噪后的污染物浓度估计时序值与所述污染物浓度监测时序值的差异程度。
13.可选的，所述污染物扩散性能参数包括：污染物纵向扩散系数和污染物一阶衰减系数。
14.可选的，所述水力学参数至少包括流速。
15.可选的，所述水质模拟模型包括：
[0016][0017]
其中，u表示明渠纵向的流速，d表示纵向扩散系数，k
′
表示污染物一阶衰减系数，t0表示污染排放时间，x0表示污染源排放位置，c表示污染事件发生后目标位置的污染源浓度，m0表示污染源处单位面积上的污染排放强度。
[0018]
可选的，所述根据所述污染物浓度监测时序值，采用数据同化方法对所述污染物浓度估计时序值进行去噪，具体包括：
[0019]
根据所述污染物浓度估计时序值和所述污染物浓度监测时序值，计算系综残差；
[0020]
根据所述系综残差与所述污染物浓度估计时序值计算卡尔曼增益矩阵；
[0021]
利用所述卡尔曼增益矩阵对所述污染物浓度估计时序值进行去噪
[0022]
可选的，所述遗传算法的适应度函数为：
[0023][0024]
其中，k表示时间总计数，lse为最小平方误差，r为相关系数，nse为纳什效率系数；ne表示污染源排放属性三元组；为系综残差的交叉协方差矩阵。
[0025]
可选的，所述初始的污染源排放属性三元组的获取方法包括：
[0026]
根据数据测量参数和水质监测的历史数据预测初始的污染源排放属性三元组。
[0027]
可选的，所述方法还包括：
[0028]
根据所述污染源排放属性三元组的最终结果确定污染物排放时刻和污染物排放量；
[0029]
根据所述污染物排放时刻和所述污染物排放量评估污染危害程度；
[0030]
根据所述污染危害程度进行风险预警。
[0031]
本发明还提供一种面向引调水工程明渠的突发水污染溯源系统，包括：
[0032]
数据获取模块，用于获取引调水工程明渠中水质报警渠段的数据测量参数和初始的污染源排放属性三元组，所述数据测量参数包括污染物扩散性能参数和所述水质报警渠段水流的水力学参数，所述污染源排放属性三元组包括污染源位置坐标、污染物的排放时间和污染物的浓度，所述初始的污染源排放属性三元组为预设值；
[0033]
计算模块，用于将所述数据测量参数以及所述污染源排放属性三元组输入水质模拟模型，得到目标位置的污染物浓度估计时序值；所述水质模拟模型用于表示水流的水力学参数、污染物扩散性能与污染源排放属性之间的关系；
[0034]
污染物浓度监测时序值获取模块，用于获取目标位置的污染物浓度监测时序值；
[0035]
去噪模块，用于根据所述污染物浓度监测时序值，采用数据同化方法对所述污染物浓度估计时序值进行去噪；
[0036]
判断及更新模块，用于判断所述去噪后的污染物浓度估计时序值与所述污染物浓度监测时序值的差值是否小于设定阈值，得到判定结果；
[0037]
若所述判定结果为否，则利用遗传算法，以适应度函数最小为目标对所述污染源排放属性三元组的数值进行更新，并返回步骤“根据所述数据测量参数以及所述污染源排放属性三元组输入水质模拟模型”；若所述判定结果为是，则将最后一次迭代得到的污染源排放属性三元组确定为污染源排放属性三元组的最终结果；所述适应度函数用于表示所述去噪后的污染物浓度估计时序值与所述污染物浓度监测时序值的差异程度。
[0038]
可选的，所述系统还包括：
[0039]
确定模块，用于根据所述污染源排放属性三元组的最终结果确定污染物排放时刻和污染物排放量；
[0040]
评估模块，用于根据所述污染物排放时刻和所述污染物排放量评估污染危害程度；
[0041]
预警模块，用于根据所述污染危害程度进行风险预警。
[0042]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0043]
本发明提供一种面向引调水工程明渠的突发水污染溯源方法及系统，先获取水质报警渠段的数据测量参数和初始的污染源排放属性三元组，将水质报警渠段的数据测量参数和初始的污染源排放属性三元组输入水质模拟模型，得到目标位置的污染物浓度估计时序值；然后，获取目标位置的污染物浓度监测时序值；采用数据同化方法对污染物浓度估计时序值进行去噪；并判断所述去噪后的污染物浓度估计时序值与所述污染物浓度监测时序值的差值是否小于设定阈值，得到判定结果；若判定结果为否，则利用遗传算法，以适应度函数最小为目标对污染源排放属性三元组的数值进行更新，并返回步骤“根据所述数据测量参数以及所述污染源排放属性三元组输入水质模拟模型”；若所判定结果为是，则将最后一次迭代得到的污染源排放属性三元组确定为污染源排放属性三元组的最终结果。本发明采用数据同化方法对污染物浓度估计时序值进行去噪，使污染溯源过程考虑了模型自身的误差；同时，利用遗传算法以适应度函数最小为目标对污染源排放属性三元组的数值进行更新，考虑了数据自身存在的监测误差。因此，本发明既考虑了模型自身的误差，又考虑了监测数据存在的观测误差，相较于传统模拟-优化溯源计算方法提高了溯源计算的精确性。
附图说明
[0044]
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他的附图。
[0045]
图1为本发明实施例1提供的面向引调水工程明渠的突发水污染溯源方法流程图；
[0046]
图2为本发明实施例1提供的面向引调水工程明渠的突发水污染溯源系统结构图。
具体实施方式
[0047]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
本发明的目的是提供一种面向引调水工程明渠的突发水污染溯源方法及系统，能够提高计算水污染溯源结果的精确性。
[0049]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0050]
实施例1
[0051]
如图1所示，本实施例提供一种面向引调水工程明渠的突发水污染溯源方法，包括：
[0052]
s1、获取引调水工程明渠中水质报警渠段的数据测量参数和初始的污染源排放属性三元组，所述数据测量参数包括污染物扩散性能参数和所述水质报警渠段水流的水力学参数，所述污染源排放属性三元组包括污染源位置坐标、污染物的排放时间和污染物的浓度。所述初始的污染源排放属性三元组为预设值；
[0053]
在一些实施例中，所述污染物扩散性能参数包括：污染物纵向扩散系数和污染物一阶衰减系数。
[0054]
在一些实施例中，水力学参数至少包括流速。
[0055]
需要说明的是，初始的污染源排放属性三元组可以是人为估计的污染物排放位置、排放时间以及污染物浓度。初始的污染源排放属性三元组的数值存在一定误差，并不一定等于实际的污染源排放属性三元组的数值。
[0056]
由于后期需要对该初始的污染源排放属性三元组进行迭代，以逐步确定目标污染源排放属性三元组，因此，初始的污染源排放属性三元组的取值影响了迭代计算的次数。
[0057]
作为一种可选的实施方式，根据数据测量参数和水质监测的历史数据预测初始的污染源排放属性三元组。
[0058]
根据数据测量参数结合水质监测的历史数据，可以基于经验估计出污染源排放属性三元组，将根据经验估计的污染源排放属性三元组作为初始的污染源排放属性三元组，相比于人为随意确定的初始的污染源排放属性三元组，能够提高三元组选取的准确性，进而减少后续迭代过程，减小计算量并提高计算效率。
[0059]
s2、将所述数据测量参数以及所述污染源排放属性三元组输入水质模拟模型，得到目标位置的污染物浓度估计时序值；所述水质模拟模型用于表示水流的水力学参数、污染物扩散性能与污染源排放属性之间的关系。
[0060]
上述s2中的污染物浓度估计时序值指的是一段时间内的污染物计算浓度值。目标位置可以为水质观测断面位置或其他具有监测代表性的位置。
[0061]
作为一种可选的实施方式，所述水质模拟模型包括：
[0062][0063][0064]
其中，u表示明渠纵向的流速，d表示纵向扩散系数，k
′
表示污染物一阶衰减系数，t0表示所述污染排放时间，x0表示所述污染源排放位置，c表示污染事件发生后目标位置的污染物浓度，m0表示污染源处单位面积上的污染排放强度。
[0065]
s3、获取目标位置的污染物浓度监测时序值。
[0066]
需要说明的是，在一些实施例中，也可以在s1获取数据测量参数的同时获取目标位置的污染物浓度监测时序值，或先获取s3中目标位置的污染物浓度监测时序值的步骤，然后再获取s1中的数据测量参数。
[0067]
步骤s3中的污染物浓度监测时序值对应的时间与步骤s2中污染物浓度估计时序值对应的时间为同一段时间。
[0068]
s4、根据所述污染物浓度监测时序值，采用数据同化方法对所述污染物浓度估计时序值进行去噪。
[0069]
在一些实施例中，步骤s4具体包括：
[0070]
s41、根据所述污染物浓度估计时序值和所述污染物浓度监测时序值，计算系综残差；
[0071]
s42、根据所述系综残差与所述污染物浓度估计时序值计算卡尔曼增益矩阵；
[0072]
s43、利用所述卡尔曼增益矩阵对所述污染物浓度估计时序值进行去噪。
[0073]
其中，污染物浓度估计时序值记为ck＝{c1,c2,
…
,ck,
…
}，k表示时间总计数；污染物浓度监测时序值记为zk＝{z1,z2,
…
,zk}。在k个时刻的第k个时刻，利用公式r
k-1
＝c
k-1-z
k-1
计算k时刻以前所有的残差值，得到系综残差r
k-1
＝{r1,r2,
…
,r
k-1
}。通过计算污染物浓度估计时序值与系综残差的交叉协方差矩阵以及污染物浓度估计时序值的自相关协方差进而计算出卡尔曼增益矩阵根据所述卡尔曼增益矩阵对污染物浓度估计时序值进行更新，得到数据同化后输出值a
k+1
＝c
k+1|k
+g
k+1
(z
k+1-c
k+1|k
)。然后进行k+1时刻的计算，直到k时刻计算完毕，模型输出三元组n
e0
对应的污染物浓度状态变量c在水质观测断面位置的浓度变化值ak＝{a1,a2,
…
,ak,
…
}。
[0074]
s5、判断所述去噪后的污染物浓度估计时序值与所述污染物浓度监测时序值的差值是否小于设定阈值，得到判定结果。
[0075]
若所述判定结果为否，则利用遗传算法，以适应度函数最小为目标对所述污染源排放属性三元组的数值进行更新，并返回步骤“根据所述数据测量参数以及所述污染源排放属性三元组输入水质模拟模型”；若所述判定结果为是，则将最后一次迭代得到的污染源排放属性三元组确定为污染源排放属性三元组的最终结果；所述适应度函数用于表示所述去噪后的污染物浓度估计时序值与所述污染物浓度监测时序值的差异程度。
[0076]
作为一种可选的实施方式，所述遗传算法的适应度函数为：
[0077][0078]
其中，k表示时间总计数，lse为最小平方误差，r为相关系数，nse为纳什效率系数。
[0079][0080][0081][0082]
其中，c
t
是所述模型时序预测值值，z
t
是所述监测时序观测值，和分别是c
t
和z
t
的平均值。
[0083]
污染源排放属性三元组ne(x,t,m)是优化算法的决策变量，自初始的污染源排放属性三元组n
e0
(x0,t0,m0)持续更新达到污染源项的最优估计。
[0084]
在一些实施例中，所述方法还包括：
[0085]
s6、根据所述污染源排放属性三元组的最终结果确定污染物排放时刻和污染物排放量。
[0086]
s7、根据所述污染物排放时刻和所述污染物排放量评估污染危害程度。
[0087]
s8、根据所述污染危害程度进行风险预警。
[0088]
本发明面向引调水渠道，渠道的长度要远大于宽度和深度，垂向和横向的扩散可以被忽略，使用了水质模型进行模拟，降低了计算复杂度，提高了效率。
[0089]
本发明突破了污染溯源与数据同化的适应性耦合方法难题，将数据同化的不确定性处理优势扩展到污染溯源的反问题中，使得污染溯源既考虑了模型自身误差，又不回避监测数据存在着观测误差，并自适应的识别与处理有偏误差，精度相较于传统“模拟-优化”方法有提升。
[0090]
实施例2
[0091]
本实施例提供一种面向引调水工程明渠的突发水污染溯源系统，请参阅图2，包括：
[0092]
数据获取模块m1，用于获取引调水工程明渠中水质报警渠段的数据测量参数和初始的污染源排放属性三元组，所述数据测量参数包括污染物扩散性能参数和所述水质报警渠段水流的水力学参数，所述污染源排放属性三元组包括污染源位置坐标、污染物的排放时间和污染物的浓度，所述初始的污染源排放属性三元组为预设值；
[0093]
计算模块m2，用于将所述数据测量参数以及所述污染源排放属性三元组输入水质模拟模型，得到目标位置的污染物浓度估计时序值；所述水质模拟模型用于表示水流的水力学参数、污染物扩散性能与污染源排放属性之间的关系；
[0094]
污染物浓度监测时序值获取模块m3，用于获取目标位置的污染物浓度监测时序值；
[0095]
去噪模块m4，用于根据所述污染物浓度监测时序值，采用数据同化方法对所述污染物浓度估计时序值进行去噪；
[0096]
判断及更新模块m5，用于判断所述去噪后的污染物浓度估计时序值与所述污染物浓度监测时序值的差值是否小于设定阈值，得到判定结果；
[0097]
若所述判定结果为否，则利用遗传算法，以适应度函数最小为目标对所述污染源排放属性三元组的数值进行更新，并返回步骤“根据所述数据测量参数以及所述污染源排放属性三元组输入水质模拟模型”；若所述判定结果为是，则将最后一次迭代得到的污染源排放属性三元组确定为污染源排放属性三元组的最终结果；所述适应度函数用于表示所述去噪后的污染物浓度估计时序值与所述污染物浓度监测时序值的差异程度。
[0098]
作为一种可选的实施方式，所述系统还包括：
[0099]
确定模块m6，用于根据所述污染源排放属性三元组的最终结果确定污染物排放时刻和污染物排放量；
[0100]
评估模块m7，用于根据所述污染物排放时刻和所述污染物排放量评估污染危害程度；
[0101]
预警模块m8，用于根据所述污染危害程度进行风险预警。
[0102]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0103]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。