基于伴随模式的大气污染优化控制方法研究

Currently, heavy pollution episodes are occurring very frequently in Middle-East and the Beijing-Tianjin-Hebei area of China. This phenomenon raised concern from both the government and the society, and caused big stress in reducing emissions. Constituting optimum scientific and effective controlling strategies – fulfilling the air quality standards with minimum cost, or improving the air quality (or obtaining health benefits) to the most at the expense of a set pecuniary loss – is extremely urgent..Optimal control of atmospheric pollution is a complex nonlinear optimization problem. By exploiting the advantage of adjoint method in sensitivity analysis, this project plans to build the adjoint of GRAPES-CUACE, and track primary emission zones that caused a pollution episode by analyzing the adjoint sensitivity. Meanwhile, based on different optimal control targets, the object functions are set, and their gradients with respect to controlling factors are calculated by the adjoint model. Further, with the above gradients and the utilization of optimization algorithm, the optimum solution can be obtained..On the basis of GRAPES-CUACE model, this project plans to develop an air pollution simulation and optimal controlling system focusing on adjoint simulation, sensitivity analysis and optimal control. By researching on optimal control of atmospheric pollution, we plan to provide reference in making scientific and effective air pollution control schemes.

目前我国中东部及京津冀区域重污染天气频发，引起政府和社会各界高度关注，污染减排压力大。如何制定科学有效措施实现大气污染最优控制，使得空气质量达到环境标准的同时经济代价最小或在同样控制成本下空气质量改善最明显、健康效益最高等，是迫在眉睫的工作。大气污染优化控制是一个复杂的非线性优化问题。本项目拟发挥伴随方法敏感性分析优势，构建GRAPES-CUACE伴随模式；利用伴随模拟获得敏感性追踪引起污染事件的关键源区；同时针对不同优化控制目标（空气质量达到环境标准的前提下，控制代价最小；可承受的削减力度前提下，健康效益最大），确定合理目标函数，利用伴随计算目标函数关于控制变量敏感性，并结合最优化算法，求目标函数最优解。在GRAPES-CUACE模式基础上，发展以伴随模拟、敏感性分析和优化控制为核心的大气污染模拟与优化控制系统，进行大气污染优化控制方案研究，为制定科学有效的污染控制措施提供参考。

近年来，我国中东部及京津冀地区重污染天气频发，成为政府和社会各界关注的焦点。如何量化“源-浓度”之间的关系，制定科学有效措施实现大气污染最优控制，是迫在眉睫的工作。大气污染优化控制是一个复杂的非线性优化问题，伴随方法是求解大型非线性复杂系统敏感性的高效工具，可以很好地解析“源-浓度”之间的非线性特征。本项目发挥伴随方法敏感性分析优势，构建GRAPES-CUACE气溶胶及气体伴随模式；利用伴随模拟获得敏感性，系统性地追踪北京市典型重污染过程、不同污染天气类型及强弱东亚冬季风年型下PM2.5污染事件的敏感源区，并定量分析短期至次季节(季节)尺度上本地及周边省市排放源对北京PM2.5浓度的贡献；同时开发最优化算法模块，建立GRAPES-CUACE-3D-Var同化系统，并基于该系统开展源反演试验。研究结果表明，北京市重污染过程中的PM2.5浓度峰值是本地源和周边省市(天津、河北及山西)排放源共同作用的结果，且周边源贡献大于本地源贡献。北京地区5种类型PM2.5污染事件的敏感源区分布差异显著：低压、弱高压交替控制型和弱高压型的重点源区位于北京西南方向，低压控制型和高压后部型的重点源区位于北京偏南方向，而均压场型的源区则位于北京东南方向；目标时刻前72h内，本地源对5种污染类型PM2.5峰值浓度的贡献比例为25-43%，河北源贡献比例达37-64%，天津源为6-16%，山西源仅为3-7%；本地源削减在目标时刻前20h内效果较好，而周边源削减在目标时刻前3-57小时效果较好。强弱东亚冬季风年型下北京PM2.5污染事件的敏感源区分布没有明显差异，冬季风弱年(2016年12月)，北京、天津、河北及山西排放源在目标时段前72h内的贡献程度分别为冬季风强年(2014年12月)的2.2，5.9，1.6和1.4倍，关键排放时长约为冬季风强年(2014年12月)的2.6倍。GRAPES-CUACE-3D-Var同化系统能初步应用于源反演问题，基于反演源的模拟效果明显优于先验源模拟效果。本项目研究结果可为制定科学有效的污染控制措施提供参考。