河流突发污染的污染物浓度动态校正方法

发布时间：2020-02-11 01:28

【摘要】：为降低河流突发污染事故的影响,提高下游污染物预测精度、提高预测实时性,结合一维水质模型、卡尔曼滤波及改进的网格寻优算法,综合考虑支流的影响,研究河流突发污染事件中污染物扩散情况的动态预测方法.分析一种改进的网格寻优算法并利用历史数据校正模型参数;借助水质模型构造状态方程引入污染物浓度观测值;运用卡尔曼滤波动态校正预测结果,并在预测过程中考虑支流的影响.在理论研究的基础上,设计基于风浪水槽的污染物模拟扩散实验,对比分析采用不同预测方法的污染物峰现时间、峰值浓度及相对误差.实验结果表明,不同的预测方法所求得的峰现时间相对误差总体相当;采用多步动态校正预测和考虑了支流影响的校正预测方法预测峰值浓度得到的相对误差明显降低.
【图文】：

流程图,实时预测,卡尔曼滤波,污染物浓度

１｜ｔ＋１）＝［Ｉ－Ｋｇ（ｔ＋１）Ｈ］Ｐ（ｔ＋１｜ｔ）．（１１）式中：ｘ（ｔ｜ｔ）为ｔ时刻最优估计值，ｘ（ｔ＋１｜ｔ）为ｔ＋１时刻模型直接预测值，Ｐ（ｔ＋１｜ｔ）为预测误差方差，Ｐ（ｔ｜ｔ）为卡尔曼滤波误差方差，Ｋｇ（ｔ＋１）为卡尔曼增益，ｘ（ｔ＋１｜ｔ＋１）为ｔ＋１时刻最优估计值，ｙ（ｔ＋１）为观测值，Ｖ为系统噪声误差方差，Ｒ为测量噪声误差方差．１．２．２实时预测流程如图１所示为基于卡尔曼滤波的污染物浓度实时预测流程图．获取系统噪声和测量噪声是进行卡尔曼滤波的关键一步，一般而言，数学上比较常用的方法是Ｓａｇｅ－Ｈｕｓａ算法，工程应用中则主要采用经验法来确定Ｖ和Ｒ．本文首图１基于卡尔曼滤波的污染物浓度实时预测流程图Ｆｉｇ．１Ｆｌｏｗｃｈａｒｔｏｆｒｅａｌ－ｔｉｍｅｐｒｅｄｉｃｔｉｏｎｆｏｒｐｏｌｌｕｔａｎｔｃｏｎｃｅｎｔｒａｔｉｏｎｂａｓｅｄｏｎＫａｌｍａｎｆｉｌｔｅｒ先通过初步率定和经验知识分析得到系统噪声误差方差Ｖ和测量噪声误差方差Ｒ，并利用历史数据校正模型参数．然后设置模型计算时间，判断是否有观测值．若有，则利用卡尔曼滤波算法，通过观测值和当前时刻预测值校正下一时刻浓度预测值，即一步预测校正；若没有，则直接利用式（２）及过去的校正值预测未来各断面的污染物浓度值，即多步预测．在模型结构确定的情况下，模型参数的准确性很大程度上决定了模型的好坏．本文模型参数校正通过历史污染物浓度数据进行（若缺乏历史数据则２４６１第１２期刘景明，等：河流突发

曲线,罗丹明,荧光强度,曲线

．０ｍ，高为１．６ｍ，净宽为１．２ｍ，最大水深１．０ｍ．共进行３组实验，将其中２组作为历史数据用于参数校正，另一组用于验证．实验装置及实验方案如图３所示，实验主要内容和步骤如下．１）选取罗丹明Ｂ作为模拟污染物．罗丹明Ｂ在水中稀释可以显现肉眼可见的红色，可以直观地看到污染物扩散过程，而且罗丹明Ｂ在溶液中有强烈的荧光，可利用荧光仪直接测量．利用荧光仪得到的是光谱数据，为得到浓度数据需首先进行标定实验，得到浓度标准曲线，标定结果如图２所示，荧光强度和污染物浓度满足方程：ｙ＝０．００２５ｘ－２．３６０６．（１４）其中，，相关系数Ｒ２＝０．９８１５，可见两者线性度较好，可用于间接测量污染物浓度．图２罗丹明Ｂ荧光强度和浓度标准曲线Ｆｉｇ．２ＦｌｕｏｒｅｓｃｅｎｃｅｉｎｔｅｎｓｉｔｙａｎｄｃｏｎｃｅｎｔｒａｔｉｏｎｓｔａｎｄａｒｄｃｕｒｖｅｏｆＲｈｏｄａｍｉｎｅＢ２）采样点设置如图３所示，考虑污染物混合均匀需要一定距离，在４．５ｍ处设置第１个采样点，之后每隔１０．５ｍ设一个采样点，共４个采样点．图３实验装置、采样点布置及模拟支流示意图Ｆｉｇ．３Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｅｘｐｅｒｉｍｅｎｔａｌｄｅｖｉｃｅ，ｓａｍｐｌｉｎｇｐｏｉｎｔｄｉｓｔｒｉｂｕｔｉｏｎｓａｎｄｓｉｍｕｌａｔｉｏｎｏｆｔｒｉｂｕｔａｒｉｅｓ３）配置一定浓度的溶液，设置水深和水流流速，在污染物注入点按（４）中的方法注入污染物，下游采样点按等时间间隔采样．设置水流流速为０．１ｍ／ｓ，水深０．３ｍ，并配置包含３０ｍｇ

【相似文献】