5.3.4.1 草海补水调度分析及情景设计
如前(3.1.2.3节)所述，回报函数以及状态变量可以从实际运行的监测数据中得到，但是这样得到的数据覆盖面不够，不可能从中推断有效的调水策略。所以高精度三维模型是弥补数据不足的有效方法，高精度三维模型可以充分考虑污染物运输转移的特征，体现出从决策到输入的时间滞后效应。在三维模型的基础上，以及对可能的情景进行充分组合，得到更多的决策—响应数据。所以本调度问题需要建立在能充分体现时空机理过程的高精度示范区三维模型的基础之上，利用高精度水质模型获得不同调水情景组合与相应的水质响应结果，为建立动态调度优化模型提供数据基础。
◆草海湖体水质的影响因素设计
已构建的高精度水质模型对重要的模型输入数据表现出敏感性，湖体初始的水质浓度、调水水质对草海水质的影响作用突出。
湖体的初始水质浓度值主要影响模型运行的前期，作用范围为几天到一个月，随着时间的推移，湖体初始值对未来水质的贡献将会逐渐降低直至消失，取而代之的是边界条件，其会决定水体水质的趋势变化。因此，鉴于湖体初始值对湖体水质模拟的贡献有限，本书只设置两种不同的湖体初始水质情景，如表5.5。
牛栏江补水作为草海的负荷边界输入，对草海水质的变化起着关键作用。将大观河和西坝河河口水质进行统计，以10%、40%、70%和90%分位数作为调水水质设计情景，10～3月旱季的水质浓度在4～9月雨季的水质浓度上增加20%。情景设计如表5.6。
牛栏江补水中从玉带河闸口导流进入草海的水量也是决定入湖负荷的关键因子，对草海水质影响显著。根据牛栏江—草海补水的历史数据，从2016年1月至2017年7月，从玉带河补给草海的水量最高值是112m3，除夏季松华坝泄洪暂停补水外，在调水的情况下最低补水量是30万m3。以此作为情景设计的基础，以目前的调水量为基线，取基线的0.4、0.6、0.8、0.9、1、1.15倍的设计调水量作为情景，结果如图5.29。
图5.29 草海示范区补水量情景
◆调水规则与水质影响因素的情景组合
目前，牛栏江—草海补水工程的调水量综合考虑了补水的可用水量、补水水质、草海水质和防洪泄洪、工程能力等多方面因素，调水量的现状如图5.30。
图5.30 2016～2017年草海补水量现状
从调水趋势来看，补水的平均日水量是83万m3。由于防洪要求，旱季的补水量高于雨季补水量，同时在一定时间范围内，补水量保持不变(除特殊情景下的补水情况)。如前所述，调水策略的实施与水质的充分响应存在时间滞后效应，所以在优化调水时需要考虑一个调水策略的时间周期，在同一周期的日调水量保持不变，而下一周期的调水量是根据当期第一天的湖体水质和调水水质确定。因而，本书制定以下的调水原则。
(1)牛栏江—草海补水工程的最高日调水量是112万m3(考虑补水河道防洪要求)，最低日调水量是30万m3(牛栏江的补水能够保证达到这个值)。
(2)草海水位保持不变，西园隧道出流根据入流量作相应调整。
(3)调水的目标是改善草海水体的TN和TP，使之达到水质改善目标，暂不考虑水体叶绿素a。
(4)调水的周期为15天，周期内的日调水量保持不变。下一周期的调水量根据当期第一天的湖体水质和调水水质决定。
在该调度规则下，利用高精度水质模型计算，以及对可能的情景进行充分组合，得到更多的决策—响应数据，为优化调水提供数据基础。但是三维模型一般对计算量的要求也比较高，而在三维模型的基础之上，建立直接模拟优化方法也较为困难。一般而言，动态优化问题的维度较高，需要对状态空间进行充分的搜索才可能寻找到最优解或者近似最优解。即使是采用智能算法或其他适应性采样方法，也需要成百上千次地运行三维模型，这无疑带来了很大的计算负担。所以应考虑间接模拟优化方法或者基于小样本的机器学习方法来实现整个模拟—优化模型的构建和求解。所以本调度问题的解决需要设计合理的情景和新的模拟优化方法。
前文所述，草海湖体水质主要受到初始水质、调水水质和调水量的影响。初始水质主要影响前期水质，设计了两种不同的氮磷初始子情景；调水水质在年内和年际之间的变化显著，设置了四种调水水质子情景；调水量是本书需要优化的决策变量，为了得到更合理的调水量，设计了六种可能出现的调水量子情景。各个子情景组合一共形成2×4×6=48个情景组合，见表5.36。
表5.36 草海示范区调水情景组合
续 表
续 表
◆基于调水情景的水质响应结果
在调水的水质较好的情况下，调水量越大，示范区水体的停留时间越短，水质改善越快，如图5.31。对总氮来说，在水质较好的调水情景下，调水量为0.4倍现状调水量的草海示范区水体浓度最高，而随着调水量的升高，草海的水质浓度也逐渐降低，在最大调水量情景下水质最好。对总磷来说，在草海水体TP的浓度高于0.1mg/L时，调水量越大草海TP越低；草海水体TP处于较低水平时，不同调水情景下的湖体TP浓度差异很小，局部地区还会出现调水量越大湖体TP浓度越高的现象。
图5.31 草海中心水质对调水量的响应(调水水质子情景1)(www.xing528.com)
在调水水质较差的情况下，补水的水质与湖体的水质浓度相当，或调水水质浓度高于湖体。如果增加调水量，虽然一方面改善了湖体的水动力条件，但是湖体接纳了更多的污染负荷，使得湖体的水质浓度进一步上升，如图5.32。因此当调水水质高于湖体水质时，尽量减少补给草海的调水量。
图5.32 草海中心水质对调水量的响应(调水水质子情景4)
5.3.4.2 补水水量优化
高精度模型在48个调度情景下计算获得湖体草海中心监测点TN和TP对于调度情景的响应情况。
按照优化算法的数据要求，将调水水质TN和TP、逐日调水量、草海中心逐日的TN和TP响应值作为拟合QN的训练数据。
以年调水总量最小为优化目标，以现状平均调水水质、现状调水量(图5.33)和模拟的湖体水质响应结果作为计算最优调水量的实验数据。需要说明的是，实验数据中的调水量并不参与最优调水量的计算，只是作为调水水质和调水量共同计算湖体水质响应的关联数据。
图5.33 现状调水量(2016年8月～2017年9月)
按照示范工程考核目标要求，示范区建成后的TN和TP浓度要比2012年同期下降30%。为此，取草海TN的目标浓度不高于3mg/L，TP的目标浓度不高于0.1mg/L。优化算法根据训练数据拟合Q函数。
实验数据中调水水质和湖体水质的响应结果如图5.34。调水水质优于湖体的水质时，有利于降低草海水体的氮磷浓度，反之亦然。同时湖体水质的变化趋势滞后于调水水质，表明湖体水质对补水存在一定的响应时间。
图5.34 调水水质和湖体水质的响应(2016年9月～2017年9月)
动态调度优化算法计算得到现状湖体初始水质和平均调水水质下的最优调水量(图5.35)。结果显示，目前实际调水量参考了优化得到的(理论)最优调水量，两者的时间序列相近，但是由于在实际决策过程中需要考虑设备维修、城市防洪和取用水等因素，会在理论最优调水量的基础上做一些调整，比如夏季为了盘龙江控制防洪水位，降低或短暂停止牛栏江调水。
图5.35 最优调水量年内分布(2016年8月～2017年9月)
为体现目前调水决策的优势，现设计增大调水量的情景(图5.36蓝色曲线)。将现状(实际)调水量和增大调水量作为输入数据，利用高精度模型计算湖体在该两种调水情景下的水质响应，并作对比分析。如图5.37，两者按照相同的变化趋势演变，但在模拟后期，现状调水情景下的水质TN浓度会稍低于增大调水情景。这一现象的主要原因是在模拟后期，调水水质劣于湖体水质(图5.36)，更大的调水水量进入草海水体，使得湖体水质浓度上升。
图5.36 调水量优化前后草海中心的水质响应对比(2016年9月～2017年9月)
综上，动态调度优化模型获得使水质尽可能达到水质改善目标的最小调水量。通过情景设计，发现现状的调水量和增大调水情景下的草海水质无明显变化，但是现状调水量年调水总量是3.4亿m3，比增大调水量少调水约1.6亿m3。
需要补充的是，在实际的调控运营中，计算所得的调度方案能够在不断有新监测数据输入的情况下进行调整和优化，以真正达到改善水质的目的。所以还需要充分考虑到未来实际运行过程中对水质数据的更新与对最优调水量的调整。
图5.37 设计补水水质条件下的草海中心水质变化(2016年9月～2017年9月)
以上分析尚且不能保证草海2017年水质与2012年同期水质相比降低30%，主要原因是牛栏江补水水质的不稳定和盘龙江沿程水质污染。为核实草海水质能否在2012年基础上下降30%的目标，借助水质模型做补充分析。在任务合同书要求的设计补水水质条件下，设计大观河进入草海的水质满足设计条件(TN、TP浓度分别为1.0mg/L和0.05mg/L)，模型其他边界条件不变，对比模拟结果发现，当输入的TN、TP浓度分别为1.0mg/L和0.05mg/L时，草海水质浓度有很大的下降，使草海中心的TN平均值保持在2mg/L。
与2012年相比，2017年设计补水水质情景下的草海水质平均下降比例如表5.37。结果表明草海水质受到补水水质的很大影响，在设计补水水质条件下，草海水质相对2012年能达到同期下降30%的目标。
表5.37 2017年设计补水水质条件的草海水质改善
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
