CN114049033B - 一种基于用电数据分布的排污企业监测方法 - Google Patents
一种基于用电数据分布的排污企业监测方法 Download PDFInfo
- Publication number
- CN114049033B CN114049033B CN202111389019.6A CN202111389019A CN114049033B CN 114049033 B CN114049033 B CN 114049033B CN 202111389019 A CN202111389019 A CN 202111389019A CN 114049033 B CN114049033 B CN 114049033B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- enterprises
- abnormal
- sewage
- suspected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 73
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 82
- 239000010865 sewage Substances 0.000 claims abstract description 75
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 abstract description 5
- 230000007123 defense Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于用电数据分布的排污企业监测方法,包括筛选待监测排污企业:获取待监测排污企业观测时间段内每日的日用电数据,用电数据的平均值和标准差;采用正态分布的3σ原理设定第一区间,筛选第一疑似排污异常企业清单;将所有待监测排污企业按照行业进行分组,对于每一组企业逐日计算当日用电数据的平均值和标准差;采用正态分布的3σ原理设定第二区间,筛选第二疑似排污异常企业清单;将第一疑似排污异常企业清单与第二疑似排污异常企业清单进行交叉验证,得到最终的疑似排污异常企业清单。本发明采用用电数据,基于双区间、多阈值实现排污企业监测,能够更加客观地额反映企业排污状况。
Description
技术领域
本发明属于企业排污状况监测技术领域,涉及一种基于用电数据分布的排污企业监测方法。
背景技术
对于排污企业进行监测对于环境治理是一项非常重要的工作。目前对于企业排污情况的监测手段可以归纳为人防和技防两类。
人防主要通过环境部门通过定期开展检查督促,或者接受社会举报线索开展调查;这样的方式一方面使得环境部门的工作量较大,另一方面,异常排污的发现带有一定的偶然性。
技防主要通过对排污设备或排污口,引入可以实时监测的传感器,环境部门可以通过远程监控或者数据回溯,对企业是否排污异常进行实时监测。这类技防方法,由于需要额外的添加设备建立***,需要企业或者政府额外承担费用,增加了监测成本。
另外,技防和人防过程,还存在排污异常行为隐蔽,排污企业可以通过绕开监测设备进行偷排,反馈数据不精确的情况。
综上所述,现有企业排污监测技术中通常存在的人力成本过高、企业负担重、监测数据失真等缺点。
发明内容
为解决现有技术中的不足,本申请提供一种基于用电数据分布的排污企业监测方法,无需增加额外的设施,并且鉴于用电数据的真实有效特征,具备良好的可信度。
为了实现上述目标,本发明采用如下技术方案:
一种基于用电数据分布的排污企业监测方法,包括以下步骤:
步骤1:筛选待监测排污企业:
步骤2:获取每一待监测排污企业观测时间段内每日的日用电数据,计算该时间段内用电数据的平均值和标准差;
步骤3:基于步骤2的平均值和标准差,采用正态分布的3σ原理设定第一区间,采用第一区间筛选第一疑似排污异常企业清单;
步骤4:将所有待监测排污企业按照行业进行分组,基于步骤2获取的日用电数据对于每一组企业逐日计算当日用电数据的平均值和标准差;
步骤5:基于步骤4的平均值和标准差,采用正态分布的3σ原理设定第二区间,采用第二区间筛选第二疑似排污异常企业清单;
步骤6:将第一疑似排污异常企业清单与第二疑似排污异常企业清单进行交叉验证,得到最终的疑似排污异常企业清单。
本发明进一步包括以下优选方案:
优选地,步骤1中,通过环境部门提供的排污企业清单,筛选出企业生产与电力消耗密切相关的企业作为待监测排污企业。
优选地,步骤1中,通过能源结构中电力占比度量企业生产与电力消耗关系密切度,筛选能源结构中电力占比超过80%的企业认为企业生产与电力消耗密切相关,作为待监测排污企业。
优选地,步骤3具体包括:
步骤3.1:利用正态分布的3σ原理,以平均值加上3倍标准差为区间上限,以平均值减去3倍标准差为区间下限设定第一区间;
步骤3.2:对每一个待监测排污企业,当观测时间段内某日的用电量落在第一区间之外,则认为该日的用电量超过了常规随机波动模式,视为异常情况;
步骤3.3:统计所述观测时间段内每一个待监测排污企业出现异常情况的天数;
步骤3.4:将所有待监测排污企业出现异常情况的天数按照从高到低进行排序,设定阈值n,n为小于待监测排污企业数量且大于零的整数;
将排在前n位的企业作为疑似排污异常企业,得到第一疑似排污异常企业清单。
优选地,步骤4中,将所有待监测排污企业按照行业进行分组,得到的行业分组包括电力供应、房屋建筑业、环境治理和机织服装制造。
优选地,步骤5具体包括:
步骤5.1:运用3σ原理,分组将该组当日用电量的平均值加和减3倍的标准差,分别作为区间的上下限,得到各分组的第二区间;
步骤5.2:当各分组中企业的日用电量值落在该分组的第二区间之外,则视为异常情况;
步骤5.3:统计每个待监测企业在观测时间段内出现异常情况的天数;
步骤5.4:对于所有待监测企业,分组将出现异常情况的天数按照从高到低进行排序,每组各自设定阈值,将所有分组中位于前阈值位的企业作为疑似排污异常企业,得到第二疑似排污异常企业清单。
优选地,步骤5.4中,各组按照观测时间段天数的30%基础上设定阈值。
优选地,步骤6具体包括:
步骤6.1:将第一疑似排污异常企业清单与第二疑似排污异常企业清单的日用电数据作为两组样本,分别计算两组企业清单的分布特征指标;
步骤6.2:分别计算两组企业清单的分布指标中心,得到第一中心值和第二中心值;
步骤6.3:分别计算第一疑似排污异常企业清单中所有企业用电分布特征指标与第一中心值和第二中心值的欧式距离,比较指标与第一中心值和第二中心值的欧式距离,筛选并记录第一组中所剩的企业;
步骤6.4:将第二疑似排污异常企业清单中所有企业用电分布特征指标与第一中心值和第二中心值的欧式距离,比较指标与第一中心值和第二中心值的欧式距离,筛选并记录第二组中所剩的企业;
步骤6.5:将第一组中所剩的企业和第二组中所剩的企业进行合并,得到疑似排污异常企业清单。
优选地,步骤6.1所述分布特征指标包括观测时段内的用电数据的均值x1、方差x2、偏度系数x3和峰度系数x4。
优选地,步骤6.2所述分布指标中心为每组分布特征指标的平均值。
本申请所达到的有益效果:
本发明基于双区间、多阈值实现排污企业监测,首先采用所有待监测排污企业的用电数据及特征进行初步检测,得出初步的疑似排污异常企业,其次依据行业划分,分别对不同行业的排污企业用电数据及特征进行分析,进行细化检测,最后将两次检测结果进行交叉验证,筛选最终的疑似排污异常企业,有利于提高检测精度,同时在提升检测准确性方面具有突出优势,本发明可以对各行业排污企业进行快速各时段准确监测。
本发明直接利用现有的电网设施,更加便捷、经济,排污企业的生产行为与用电具有密切关系的情况下,都可以使用本发明进行排污监测;
本发明基于用电数据的不可篡改特性,采用企业用电数据进行排污监测,能够更加客观地额反映出排污的企业的生产状况,进而能够运用统计分析方法推断出企业排污状况。
附图说明
图1是本发明一种基于用电数据分布的排污企业监测方法流程图;
图2是本发明实施例中用电数据示例;
图3是本发明实施例中用电数据的异常分析示例;
图4是本发明实施例中各个排污企业在观测时间段内的出现异常情况的天数示例;
图5是本发明实施例中房屋建筑行业分组中观测企业示例;
图6是本发明实施例中六个企业用电量在房屋建筑行业均值的3σ以外的区域分析结果;
图7是本发明实施例中六个企业用电量在房屋建筑行业均值的3σ以外的区域统计结果。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,本发明的一种基于用电数据分布的排污企业监测方法,包括以下步骤:
步骤1:筛选待监测排污企业:
具体实施时,通过环境部门提供的重点排污企业清单,筛选出企业生产与电力消耗密切相关的企业作为待监测排污企业;
通过能源结构中电力占比度量企业生产与电力消耗关系密切度,筛选能源结构中电力占比超过80%的企业认为企业生产与电力消耗密切相关,作为待监测排污企业。
步骤2:获取每一待监测排污企业观测时间段内每日的日用电数据,计算该时间段内用电数据的平均值和标准差;
例如:获取“江苏天平洋石英股份有限公司”2020年5月1日到7月30日的用电数据共92条,用电数据观测值示例如图2所示。
步骤3:基于步骤2的平均值和标准差,采用正态分布的3σ原理设定第一区间,采用第一区域筛选第一疑似排污异常企业清单,具体包括:
步骤3.1:利用正态分布的3σ原理,以平均值加上3倍标准差为区间上限,以平均值减去3倍标准差为区间下限设定第一区间;
步骤3.2:对每一个待监测排污企业,当步骤2所述观测时间段内某一天的用电量落在第一区域之外,则认为该日的用电量超过了常规随机波动模式,将其作为离群值,视为异常情况;
步骤3.3:统计所述观测时间段内每一个待监测排污企业出现异常情况的天数;
步骤3.4:将所有待监测排污企业出现异常情况的天数按照从高到低进行排序,设定阈值n,n为小于待监测排污企业数量且大于零的整数;
将排在前n位的企业作为疑似排污异常企业,得到第一疑似排污异常企业清单。
对于实施例的92条用电数据,计算样本均值和标准差分别为309301.09和14540.19,某一天的用电数据值在区间309301.09±3×14540.19以外,可以认为排污企业异常,进一步的,可以用由SAS生成的图3所示的盒装图表示。
图3中出现三个圆圈表示出现了三个异常情况,也就是92条用电数据中有三条出现异常。
进一步的对于所有待监测排污企业,分析2020年5月1日到7月31日用电数据中出现异常情况的天数,形成如图4所示的盒装图。
图4中圆点代表各个排污企业在观测时间段内的出现异常情况的天数。
将所有企业出现异常的天数进行从高到低排序,可以选取前n个企业列入第一异常企业清单。
其中n的取值可以根据实际需要确定。
步骤4:将所有待监测排污企业按照行业进行分组,基于步骤2获取的日用电数据对于每一组企业逐日计算当日用电数据的平均值和标准差;
其中行业分类按照国家能源局制定标准《NB/T 33030-2018国民经济行业用电分类》进行行业分组,形成例如:电力供应、房屋建筑业、环境治理、机织服装制造等行业分组。
例如:房屋建筑行业分组中包括114个观测企业,示例如图5所示:
步骤5:基于步骤4的平均值和标准差,采用正态分布的3σ原理设定第二区间,采用第二区域筛选第二疑似排污异常企业清单,具体包括:
步骤5.1:运用3σ原理,分组将该组当日用电量的平均值加和减3倍的标准差,分别作为区间的上下限,得到各分组的第二区间;
步骤5.2:当各分组中企业的日用电量值落在该分组的第二区间之外,则将企业当天用电量作为离群值,视为异常情况;
步骤5.3:统计每个待监测企业在在步骤2所述观测时间段内出现异常情况的天数;
步骤5.4:对于所有待监测企业,分组将出现异常情况的天数按照从高到低进行排序,每组各自设定阈值,将所有分组中位于前阈值位的企业作为疑似排污异常企业,得到第二疑似排污异常企业清单。
对114个企业逐日分析用电数据的分布情况,例如以5月1日为例,企业用电分布如图6所示。
从图6中可以看出有六个企业用电量在房屋建筑行业均值的3σ以外的区域,视为异常情况。
依次可以分析5月2日,5月3日,...,7月31日,形成如图7所示的逐日统计的结果。
统计该行业分组中每个企业观察期内(2020年5月1日-7月31日)出现异常的天数,计算该天数与观测时间段天数的比值,并对比值设定阈值(一般取值为30%,也可以结合实际需求进行调整,希望疑似清单企业少一点,可以提高比值,反之降低比值),将超过阈值的企业作为疑似排污异常企业,得到第二疑似异常企业清单。
步骤6:将第一疑似排污异常企业清单与第二疑似排污异常企业清单进行交叉验证,得到最终的疑似排污异常企业清单。
具体的,对两个清单中排污企业观测时段内的用电数据,构建每个企业分布的特征指标:均值(x1)、方差(x2)、偏度系数(x3)、峰度系数(x4),然后运用一种交叉判别的方法得到最终疑似异常排污清单。具体包括:
步骤6.1:将第一疑似排污异常企业清单与第二疑似排污异常企业清单的日用电数据作为两组样本,分别计算两组企业清单的分布特征指标;
步骤6.2:分别计算两组企业清单的分布指标中心,得到第一中心值和第二中心值(即:x1-x4的平均值,每一组有一个中心,包含四个指标的平均值,也就是这组数据中x1-x4各自的平均值);
第一中心值为:
C1=(m1,m2,m3,m4);
第二中心值为:
C2=(n1,n2,n3,n4);
mi和ni分别表示第一组和第二组中指标xi的平均值;
步骤6.3:分别计算第一疑似排污异常企业清单中所有企业用电分布特征指标与第一中心值和第二中心值的欧式距离,比较指标与第一中心值和第二中心值的欧式距离,筛选并记录第一组中所剩的企业,具体的:
以表示第一组中第i个企业用电分布特征指标,
表示第i个企业用电分布特征指标到第一中心的欧氏距离;
表示第i个企业用电分布指标到第二中心的欧氏距离。
当时候,将第i个企业从第一组中剔除,反之保留在第一组。
对第一组中所有排污企业重复以上判断过程,记录第一组中所剩的企业;
步骤6.4:将第二疑似排污异常企业清单中所有企业用电分布特征指标与第一中心值和第二中心值的欧式距离,比较指标与第一中心值和第二中心值的欧式距离,筛选并记录第二组中所剩的企业,具体的:
以表示第一组中第i个企业用电分布特征指标,
表示第i个企业用电分布指标到第一中心的欧氏距离;
表示第i个企业用电分布指标到第二中心的欧氏距离。
当时候,将第i个企业从第二组中剔除,反之保留在第二组。
对第二组中所有排污企业重复以上判断过程,记录第二组中所剩的企业;
步骤6.5:将第一组中所剩的企业和第二组中所剩的企业进行合并,得到疑似排污异常企业清单。
本发明现在已经国网***中架构号分析平台,能够较好的找出那些用电量出现极端变化的企业。也就是本发明针对哪些在以往生产模式和同行之间出现极端背离的企业,能够高校的找出来。对于排污企业来说,这样的企业疑似异常也是比较合理。环境部门根据提供的疑似异常清单进行异常调查,结本发明能够有效的提升查证的效率和精准度。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (4)
1.一种基于用电数据分布的排污企业监测方法,其特征在于:
所述方法包括以下步骤:
步骤1:筛选待监测排污企业:通过环境部门提供的排污企业清单,筛选出企业生产与电力消耗密切相关的企业作为待监测排污企业;
步骤2:获取每一待监测排污企业观测时间段内每日的日用电数据,计算该时间段内用电数据的平均值和标准差;
步骤3:基于步骤2的平均值和标准差,采用正态分布的3σ原理设定第一区间,采用第一区间筛选第一疑似排污异常企业清单,具体包括:
步骤3.1:利用正态分布的3σ原理,以平均值加上3倍标准差为区间上限,以平均值减去3倍标准差为区间下限设定第一区间;
步骤3.2:对每一个待监测排污企业,当观测时间段内某日的用电量落在第一区间之外,则认为该日的用电量超过了常规随机波动模式,视为异常情况;
步骤3.3:统计所述观测时间段内每一个待监测排污企业出现异常情况的天数;
步骤3.4:将所有待监测排污企业出现异常情况的天数按照从高到低进行排序,设定阈值n,n为小于待监测排污企业数量且大于零的整数;
将排在前n位的企业作为疑似排污异常企业,得到第一疑似排污异常企业清单;
步骤4:将所有待监测排污企业按照行业进行分组,基于步骤2获取的日用电数据对于每一组企业逐日计算当日用电数据的平均值和标准差;
步骤5:基于步骤4的平均值和标准差,采用正态分布的3σ原理设定第二区间,采用第二区间筛选第二疑似排污异常企业清单,具体包括:
步骤5.1:运用3σ原理,分组将该组当日用电量的平均值加和减3倍的标准差,分别作为区间的上下限,得到各分组的第二区间;
步骤5.2:当各分组中企业的日用电量值落在该分组的第二区间之外,则视为异常情况;
步骤5.3:统计每个待监测企业在观测时间段内出现异常情况的天数;
步骤5.4:对于所有待监测企业,分组将出现异常情况的天数按照从高到低进行排序,每组各自设定阈值,将所有分组中位于前阈值位的企业作为疑似排污异常企业,得到第二疑似排污异常企业清单;
步骤6:将第一疑似排污异常企业清单与第二疑似排污异常企业清单进行交叉验证,得到最终的疑似排污异常企业清单,具体包括:
步骤6.1:将第一疑似排污异常企业清单与第二疑似排污异常企业清单的日用电数据作为两组样本,分别计算两组企业清单的分布特征指标,包括观测时段内的用电数据的均值、方差、偏度系数和峰度系数;
步骤6.2:分别计算两组企业清单的分布指标中心,得到第一中心值和第二中心值,所述分布指标中心为每组分布特征指标的平均值;
步骤6.3:分别计算第一疑似排污异常企业清单中所有企业用电分布特征指标与第一中心值和第二中心值的欧式距离,比较指标与第一中心值和第二中心值的欧式距离,筛选并记录第一组中所剩的企业;
步骤6.4:将第二疑似排污异常企业清单中所有企业用电分布特征指标与第一中心值和第二中心值的欧式距离,比较指标与第一中心值和第二中心值的欧式距离,筛选并记录第二组中所剩的企业;
步骤6.5:将第一组中所剩的企业和第二组中所剩的企业进行合并,得到疑似排污异常企业清单。
2.根据权利要求1所述的一种基于用电数据分布的排污企业监测方法,其特征在于:
步骤1中,通过能源结构中电力占比度量企业生产与电力消耗关系密切度,筛选能源结构中电力占比超过80%的企业认为企业生产与电力消耗密切相关,作为待监测排污企业。
3.根据权利要求1所述的一种基于用电数据分布的排污企业监测方法,其特征在于:
步骤4中,将所有待监测排污企业按照行业进行分组,得到的行业分组包括电力供应、房屋建筑业、环境治理和机织服装制造。
4.根据权利要求1所述的一种基于用电数据分布的排污企业监测方法,其特征在于:
步骤5.4中,各组按照观测时间段天数的30%基础上设定阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389019.6A CN114049033B (zh) | 2021-11-22 | 2021-11-22 | 一种基于用电数据分布的排污企业监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389019.6A CN114049033B (zh) | 2021-11-22 | 2021-11-22 | 一种基于用电数据分布的排污企业监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114049033A CN114049033A (zh) | 2022-02-15 |
CN114049033B true CN114049033B (zh) | 2024-06-07 |
Family
ID=80210386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111389019.6A Active CN114049033B (zh) | 2021-11-22 | 2021-11-22 | 一种基于用电数据分布的排污企业监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049033B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879726B (zh) * | 2022-12-23 | 2023-10-31 | 中国环境科学研究院 | 一种企业生产状况与排放量监测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488867A (zh) * | 2013-07-16 | 2014-01-01 | 深圳市航天泰瑞捷电子有限公司 | 一种用电异常用户自动筛选方法 |
CN103646351A (zh) * | 2013-11-08 | 2014-03-19 | 安徽科蓝智能技术有限公司 | 一种基于电、水、气计量变化而甄别窃取事件的检测方法 |
CN108510006A (zh) * | 2018-04-08 | 2018-09-07 | 重庆邮电大学 | 一种基于数据挖掘的企业用电量分析与预测方法 |
CN109490651A (zh) * | 2017-09-13 | 2019-03-19 | 广州小兵过河信息科技有限公司 | 一种实时排污监控***及其方法 |
CN110928254A (zh) * | 2019-11-13 | 2020-03-27 | 江苏三希科技股份有限公司 | 一种排污企业产治污设备运行环保监控方法及*** |
CN110990393A (zh) * | 2019-12-17 | 2020-04-10 | 清华苏州环境创新研究院 | 一种行业企业数据异常行为的大数据识别方法 |
CN112307435A (zh) * | 2020-10-30 | 2021-02-02 | 三峡大学 | 一种基于模糊聚类和趋势判断筛查用电量异常的方法 |
CN112612824A (zh) * | 2020-12-15 | 2021-04-06 | 重庆梅安森科技股份有限公司 | 基于大数据的供水管网异常数据检测方法 |
CN113495912A (zh) * | 2021-07-05 | 2021-10-12 | 晟至技术有限公司 | 基于电力数据的散乱污企业精准防控监测方法及*** |
-
2021
- 2021-11-22 CN CN202111389019.6A patent/CN114049033B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488867A (zh) * | 2013-07-16 | 2014-01-01 | 深圳市航天泰瑞捷电子有限公司 | 一种用电异常用户自动筛选方法 |
CN103646351A (zh) * | 2013-11-08 | 2014-03-19 | 安徽科蓝智能技术有限公司 | 一种基于电、水、气计量变化而甄别窃取事件的检测方法 |
CN109490651A (zh) * | 2017-09-13 | 2019-03-19 | 广州小兵过河信息科技有限公司 | 一种实时排污监控***及其方法 |
CN108510006A (zh) * | 2018-04-08 | 2018-09-07 | 重庆邮电大学 | 一种基于数据挖掘的企业用电量分析与预测方法 |
CN110928254A (zh) * | 2019-11-13 | 2020-03-27 | 江苏三希科技股份有限公司 | 一种排污企业产治污设备运行环保监控方法及*** |
CN110990393A (zh) * | 2019-12-17 | 2020-04-10 | 清华苏州环境创新研究院 | 一种行业企业数据异常行为的大数据识别方法 |
CN112307435A (zh) * | 2020-10-30 | 2021-02-02 | 三峡大学 | 一种基于模糊聚类和趋势判断筛查用电量异常的方法 |
CN112612824A (zh) * | 2020-12-15 | 2021-04-06 | 重庆梅安森科技股份有限公司 | 基于大数据的供水管网异常数据检测方法 |
CN113495912A (zh) * | 2021-07-05 | 2021-10-12 | 晟至技术有限公司 | 基于电力数据的散乱污企业精准防控监测方法及*** |
Non-Patent Citations (1)
Title |
---|
环保用电监控***初探;苗刚松;马雪梅;;现代信息科技(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114049033A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110824270B (zh) | 结合台区线损和异常事件的窃电用户辨识方法及装置 | |
CN110689279B (zh) | 一种居民用电安全隐患的分析方法 | |
CN111539604A (zh) | 一种依托电力数据的企业复工复产指数测算监控方法 | |
CN109948877B (zh) | 一种基于异常事件组合的用电异常精准分析方法 | |
CN110927654B (zh) | 一种智能电能表批次运行状态评价方法 | |
CN108898311A (zh) | 一种面向智能配电网抢修调度平台的数据质量检测方法 | |
CN110119755A (zh) | 基于Ensemble学习模型的电量异常检测方法 | |
CN112863134A (zh) | 一种农村污水处理设施运行异常的智能诊断***及方法 | |
CN116073372A (zh) | 一种基于智慧用电的安全监控管理***及方法 | |
CN110889088A (zh) | 一种应用电力模型辅助的企业排污监管方法 | |
CN113221931B (zh) | 一种基于用电信息采集大数据分析的反窃电智能识别方法 | |
CN109389280B (zh) | 基于多属性决策模型的电能表生产厂商评价方法 | |
CN213750303U (zh) | 一种基于用电信息采集***的电能计量异常诊断*** | |
CN114049033B (zh) | 一种基于用电数据分布的排污企业监测方法 | |
CN111582568A (zh) | 基于电力数据的春节期间企业复工预测方法 | |
CN116882946B (zh) | 一种基于发电企业数据的智能化管理***及方法 | |
CN111612019A (zh) | 一种基于大数据模型对智能电表故障异常辨识分析的方法 | |
CN114169424A (zh) | 基于k近邻回归算法和用电数据的排污量预测方法 | |
CN111177128B (zh) | 基于改进的离群点检测算法的计量大数据批量处理方法及*** | |
CN115018384A (zh) | 一种建筑工地安全风险评估方法及*** | |
CN110426996B (zh) | 基于大数据及人工智能的环境污染监测方法 | |
CN114371438B (zh) | 基于物联网的计量设备失准判断方法 | |
CN112036725A (zh) | 一种电能表故障识别方法 | |
CN109409629B (zh) | 基于多属性决策模型的采集终端生产厂商评价方法 | |
CN109035062A (zh) | 一种客户电费异常分析及策略应用*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |