CN114118580B - 一种电力-环保数据融合分析的黄河流域污染源监测预警方法 - Google Patents
一种电力-环保数据融合分析的黄河流域污染源监测预警方法 Download PDFInfo
- Publication number
- CN114118580B CN114118580B CN202111429817.7A CN202111429817A CN114118580B CN 114118580 B CN114118580 B CN 114118580B CN 202111429817 A CN202111429817 A CN 202111429817A CN 114118580 B CN114118580 B CN 114118580B
- Authority
- CN
- China
- Prior art keywords
- data
- enterprise
- pollution
- enterprises
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 59
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 claims description 12
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 claims description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000010410 layer Substances 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- PPBRXRYQALVLMV-UHFFFAOYSA-N Styrene Chemical compound C=CC1=CC=CC=C1 PPBRXRYQALVLMV-UHFFFAOYSA-N 0.000 claims description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- -1 relative humidity Substances 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 239000003344 environmental pollutant Substances 0.000 claims description 7
- 231100000719 pollutant Toxicity 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 claims description 6
- CTQNGGLPUBDAKN-UHFFFAOYSA-N O-Xylene Chemical compound CC1=CC=CC=C1C CTQNGGLPUBDAKN-UHFFFAOYSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000003449 preventive effect Effects 0.000 claims description 5
- 239000010865 sewage Substances 0.000 claims description 5
- 238000003911 water pollution Methods 0.000 claims description 5
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 claims description 4
- HGINCPLSRVDWNT-UHFFFAOYSA-N Acrolein Chemical compound C=CC=O HGINCPLSRVDWNT-UHFFFAOYSA-N 0.000 claims description 4
- YNQLUTRBYVCPMQ-UHFFFAOYSA-N Ethylbenzene Chemical compound CCC1=CC=CC=C1 YNQLUTRBYVCPMQ-UHFFFAOYSA-N 0.000 claims description 4
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 claims description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 4
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims description 4
- URLKBWYHVLBVBO-UHFFFAOYSA-N Para-Xylene Chemical group CC1=CC=C(C)C=C1 URLKBWYHVLBVBO-UHFFFAOYSA-N 0.000 claims description 4
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 claims description 4
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 4
- 239000007789 gas Substances 0.000 claims description 4
- 229930195733 hydrocarbon Natural products 0.000 claims description 4
- 150000002430 hydrocarbons Chemical class 0.000 claims description 4
- LELOWRISYMNNSU-UHFFFAOYSA-N hydrogen cyanide Chemical compound N#C LELOWRISYMNNSU-UHFFFAOYSA-N 0.000 claims description 4
- IVSZLXZYQVIEFR-UHFFFAOYSA-N m-xylene Chemical group CC1=CC=CC(C)=C1 IVSZLXZYQVIEFR-UHFFFAOYSA-N 0.000 claims description 4
- LQNUZADURLCDLV-UHFFFAOYSA-N nitrobenzene Chemical compound [O-][N+](=O)C1=CC=CC=C1 LQNUZADURLCDLV-UHFFFAOYSA-N 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 229910052770 Uranium Inorganic materials 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 3
- 239000004568 cement Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 239000010842 industrial wastewater Substances 0.000 claims description 3
- 229910052751 metal Inorganic materials 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 2
- NLHHRLWOUZZQLW-UHFFFAOYSA-N Acrylonitrile Chemical compound C=CC#N NLHHRLWOUZZQLW-UHFFFAOYSA-N 0.000 claims description 2
- 241000894006 Bacteria Species 0.000 claims description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 2
- XFXPMWWXUTWYJX-UHFFFAOYSA-N Cyanide Chemical compound N#[C-] XFXPMWWXUTWYJX-UHFFFAOYSA-N 0.000 claims description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 claims description 2
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 claims description 2
- 241001465754 Metazoa Species 0.000 claims description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 claims description 2
- JVMRPSJZNHXORP-UHFFFAOYSA-N ON=O.ON=O.ON=O.N Chemical compound ON=O.ON=O.ON=O.N JVMRPSJZNHXORP-UHFFFAOYSA-N 0.000 claims description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 2
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 claims description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 2
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 claims description 2
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 claims description 2
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 claims description 2
- BZHJMEDXRYGGRV-UHFFFAOYSA-N Vinyl chloride Chemical compound ClC=C BZHJMEDXRYGGRV-UHFFFAOYSA-N 0.000 claims description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 2
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims description 2
- IKHGUXGNUITLKF-XPULMUKRSA-N acetaldehyde Chemical compound [14CH]([14CH3])=O IKHGUXGNUITLKF-XPULMUKRSA-N 0.000 claims description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 2
- 125000002490 anilino group Chemical class [H]N(*)C1=C([H])C([H])=C([H])C([H])=C1[H] 0.000 claims description 2
- 239000010775 animal oil Substances 0.000 claims description 2
- 239000003945 anionic surfactant Substances 0.000 claims description 2
- 229910052785 arsenic Inorganic materials 0.000 claims description 2
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 claims description 2
- 229910052788 barium Inorganic materials 0.000 claims description 2
- DSAJWYNOEDNPEQ-UHFFFAOYSA-N barium atom Chemical compound [Ba] DSAJWYNOEDNPEQ-UHFFFAOYSA-N 0.000 claims description 2
- 229910052790 beryllium Inorganic materials 0.000 claims description 2
- ATBAMAFKBVZNFJ-UHFFFAOYSA-N beryllium atom Chemical compound [Be] ATBAMAFKBVZNFJ-UHFFFAOYSA-N 0.000 claims description 2
- 229910052793 cadmium Inorganic materials 0.000 claims description 2
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 claims description 2
- 239000011575 calcium Substances 0.000 claims description 2
- 229910052791 calcium Inorganic materials 0.000 claims description 2
- 229910052799 carbon Inorganic materials 0.000 claims description 2
- QGJOPFRUJISHPQ-NJFSPNSNSA-N carbon disulfide-14c Chemical compound S=[14C]=S QGJOPFRUJISHPQ-NJFSPNSNSA-N 0.000 claims description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 2
- 239000000460 chlorine Substances 0.000 claims description 2
- 229910052801 chlorine Inorganic materials 0.000 claims description 2
- 229910052804 chromium Inorganic materials 0.000 claims description 2
- 239000011651 chromium Substances 0.000 claims description 2
- JOPOVCBBYLSVDA-UHFFFAOYSA-N chromium(6+) Chemical compound [Cr+6] JOPOVCBBYLSVDA-UHFFFAOYSA-N 0.000 claims description 2
- 229910017052 cobalt Inorganic materials 0.000 claims description 2
- 239000010941 cobalt Substances 0.000 claims description 2
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 claims description 2
- 229910052802 copper Inorganic materials 0.000 claims description 2
- 239000010949 copper Substances 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000001704 evaporation Methods 0.000 claims description 2
- 230000008020 evaporation Effects 0.000 claims description 2
- 239000003517 fume Substances 0.000 claims description 2
- IXCSERBJSXMMFS-UHFFFAOYSA-N hydrogen chloride Substances Cl.Cl IXCSERBJSXMMFS-UHFFFAOYSA-N 0.000 claims description 2
- 229910000041 hydrogen chloride Inorganic materials 0.000 claims description 2
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 2
- 229910052742 iron Inorganic materials 0.000 claims description 2
- 239000011133 lead Substances 0.000 claims description 2
- 239000011777 magnesium Substances 0.000 claims description 2
- 229910052749 magnesium Inorganic materials 0.000 claims description 2
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 claims description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 2
- 229910052753 mercury Inorganic materials 0.000 claims description 2
- 238000005272 metallurgy Methods 0.000 claims description 2
- 239000003595 mist Substances 0.000 claims description 2
- 229910052750 molybdenum Inorganic materials 0.000 claims description 2
- 239000011733 molybdenum Substances 0.000 claims description 2
- 229910052759 nickel Inorganic materials 0.000 claims description 2
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 2
- 229940078552 o-xylene Drugs 0.000 claims description 2
- 239000003921 oil Substances 0.000 claims description 2
- 235000019198 oils Nutrition 0.000 claims description 2
- 239000003208 petroleum Substances 0.000 claims description 2
- 150000002989 phenols Chemical class 0.000 claims description 2
- 229910052698 phosphorus Inorganic materials 0.000 claims description 2
- 239000011574 phosphorus Substances 0.000 claims description 2
- 229910052700 potassium Inorganic materials 0.000 claims description 2
- 239000011591 potassium Substances 0.000 claims description 2
- 238000001556 precipitation Methods 0.000 claims description 2
- 150000003839 salts Chemical class 0.000 claims description 2
- 229910052711 selenium Inorganic materials 0.000 claims description 2
- 239000011669 selenium Substances 0.000 claims description 2
- 229910052708 sodium Inorganic materials 0.000 claims description 2
- 239000011734 sodium Substances 0.000 claims description 2
- 235000015112 vegetable and seed oil Nutrition 0.000 claims description 2
- 239000008158 vegetable oil Substances 0.000 claims description 2
- 239000012855 volatile organic compound Substances 0.000 claims description 2
- 239000008096 xylene Substances 0.000 claims description 2
- 229910052725 zinc Inorganic materials 0.000 claims description 2
- 239000011701 zinc Substances 0.000 claims description 2
- 239000000779 smoke Substances 0.000 claims 3
- RTKOBJLAEACCQP-UHFFFAOYSA-L azane;dihydroxy(dioxo)chromium Chemical compound N.O[Cr](O)(=O)=O RTKOBJLAEACCQP-UHFFFAOYSA-L 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 239000004071 soot Substances 0.000 description 2
- PMJNEQWWZRSFCE-UHFFFAOYSA-N 3-ethoxy-3-oxo-2-(thiophen-2-ylmethyl)propanoic acid Chemical compound CCOC(=O)C(C(O)=O)CC1=CC=CS1 PMJNEQWWZRSFCE-UHFFFAOYSA-N 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000011514 vinification Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电力‑环保数据融合分析的黄河流域污染源监测预警方法，将用电数据与环保指标数据间关联度的数据拟合，获取不同企业的用电数据与环保指标数据关联映射；从环保指标数据和用电特征数据两个维度，构建样本集内各个企业的企业画像，并基于企业画像结合自身实际采样点数据与企业实际用电负荷数据，实现企业样本排污监测数据补全；基于企业的短期各企业的用电负荷预测值，结合企业的用电数据与环保指标数据关联映射，获取区域内各企业的短期排污预测数据，作为流域动态监测预警模型的输入，从而对区域内的短期环境指标进行预测，实现环保预警监测的未雨绸缪。
Description
技术领域
本发明涉及一种污染监测及预警方法，特别涉及一种电力与环保数据融合对河流所属流域污染源进行监测及预警的方法。
背景技术
当前企业实时排污监测数据缺乏、区域环保指标预警难以实现的问题。
由于企业污染防治面临点多、面广、线长等困境，且工业废水、废气处理工序繁冗、成本高昂，导致部分重污染企业仅考虑自身利益，存在不遵规排放的现象，传统污染防治工作开展主要依靠现场巡检开展治理和防控，人力物力成本高、效率低。
现有的重污染企业往往分布于经济发达、产业众多的中东部地区，诸如纺织、印染、制酒、医药、建材等往往存在地域聚集性；同时，基于环境污染排放监测站的监测数据为各类因素的混合后的统计数据，难以有效实现污染源的溯源追踪。
随着全国电力全覆盖和泛在电力物联网建设的推进，电力作为企业生产活动必不可少的能源，可及时、准确反映企业的生产状况及设备使用情况，故当前有关机构通过监测重点企业用电量实现企业排污监测，然而当前仅部分企业存在实时排污监测数据，大部分企业(尤其中小企业)仅存在部分可用的采样点监测数据，样本数据缺乏难以实现企业污染排放监测，导致区域环境监测预警难以实现。
当前有关机构通过监测重点企业用电量实现企业排污监测，如文献[一种基于用电规律的污染企业违规生产监控方法[J].电力大数据,2019,22(08):35-39.]，是基于污染企业的用电规律进行用电阈值设定以违规生产研判，该方法可实现停产企业监测告警与环保设备停运告警，但由于实用时存在生产用电数据干扰，导致误判率较高；文献[基于电力大数据挖掘的重点企业污染防治专项行动方案设计[J].供用电,2021,38(04):28-36.]采回归分析方法构建基于行业用电量的环境影响预测模型，从而实现对重点企业大气污染防治监测预警，然而未能动态评估企业生产对大气污染的后续影响。
上述方法均表明用电数据可以作为企业排污监控的有效依据，然而依赖于线性的数据处理过程，一方面另一方面各类企业的设备、调控约束条件及获取的监测数据指标存在差异，线性训练模型在实际应用中存在跨企业偏移问题，导致排污监测预警效果不理想；另一方面，上述方法均未挖掘不同时间与空间中各类因素的潜在关联性，且不能基于当前可获取的数据实现短期的排污数据预测，滞后的污染监测结果往往导致环境治理只能亡羊补牢。
发明内容
一种电力-环保数据融合分析的黄河流域污染源监测预警方法，包括：
A.获取各类采集数据，所述采集数据包括：高能耗、高污染的企业的电能采集数据、设备运行数据、排污监测数据、环保指标数据、企业所在的区域的气象数据、水域监测数据、大气监测数据、节假日数据；
对上述采集数据进行汇总与预处理，获得可用的企业样本数据；
B.对企业样本数据采用多标签分类，形成企业分类训练样本集，所述标签包括：行业标签、生产规模标签、排放污染物标签；
C.基于同一类型的企业样本数据，对环保指标数据与企业的电能采集数据进行关联性分析，获取企业用电特征与环保指标的相关联特征，并设定环保指标阈值范围；
D.选取多个具有排污实时监测数据的企业设定为典型高污染企业，获取典型高污染企业的环保指标数据，将每个典型高污染企业的环保指标数据与各自的用电负荷曲线结合，形成负荷聚类数据；
依据每个典型高污染企业的负荷聚类数据，将每个典型高污染企业的运行状态分为：满负荷工作状态、欠负荷工作状态和停工状态；
对于有排污实时监测数据的企业，创建用电-环保指数关联图集；
E.基于全部企业分类训练样本集数据，从环保指标数据和企业用电特征两个维度，构建样本集内各个企业的企业画像；
F.对于无排污实时监测数据的企业，从同一类型的企业的企业画像提取样本特征数据，作为输入数据，采用皮尔逊相关系数进行相似度计算，取相似度最大的、已存在的企业，作为无排污实时监测数据的企业的相似企业；
G.对于有排污实时监测数据的企业，基于一段历史时期的用电负荷特征数据，构建采用LSTM算法构建短期用电负荷预测模型，并输出企业短期的用电负荷预测值；
对于无排污实时监测数据的企业，提取相似企业一段历史时期的用电负荷特征数据，构建采用LSTM算法构建短期用电负荷预测模型，并输出企业短期的用电负荷预测值；
H.判断企业是否存在用电-环保指数关联图集，若该企业存在用电-环保指数关联图集，则基于企业短期的用电负荷预测值与用电-环保指数关联图集进行匹配，获取短期排污预测数据；若该企业不存在用电-环保指数关联图集，则基于比例缩放因子结合该企业的相似企业的用电-环保指数关联图集，进而获取短期排污预测数据；
将短期排污预测数据与环保指标阈值范围进行比对；
I.按照实际地理信息***(Geographic Information System或Geo－Information system，GIS)分布将河流流域所属的河流断面、周边大气监测站、高污染企业进行划分，针对流域的每一条河流创建流域动态监测区域；
J.针对流域动态监测区域内高污染企业的历史排污数据，构建流域动态监测预警模型，并基于获取的短期排污预测数据，进行流域动态监测区域内的环保指数预测，从而辅助环保部门提前制定预防治理措施。
优选的，所述电能采集数据包括：电力用户类型、用户区域、用户行业、供电地址、电压等级、变压器容量、电价类别、电压、电流、有功功率、无功功率、功率因数、谐波、日电能量、最大需量。
优选的，所述排污监测数据包括：工业废气的废气温度、相对湿度、空气流速、新风量、总悬浮颗粒锅炉烟尘、工业炉窑烟尘、烟气林格曼黑度，可吸入颗粒物、铬酸雾氨、氟化物、氯化氢、硫酸雾、二硫化碳、一氧化碳、二氧化氮、氮氧化物、臭氧、二氧化硫、硫化氢、氰化氢、氯气、酚类化合物、饮食业油烟、苯胺类、甲醛、苯系物、苯、甲苯、二甲苯、苯乙烯、总挥发性有机物(TVOC),甲醇、丙酮、总烃、丙烯腈、丙烯醛、非甲烷总烃、乙醛、氯乙烯、硝基苯、甲烷的含量；
工业废水的水温、臭、电导率、透明度、pH值、全盐量、色度、浊度、悬浮物、酸度、碱度、六价铬、总汞、铜、锌、铅、镉、镍、铁、锰、铍、总铬、钾、钠、钙、镁、总硬度、总砷、硒、钡、钼、钴、溶解氧、氨氮、亚硝酸盐氮、硝酸盐氮、硫酸盐、总氮、总磷、氯化物、氟化物、总氰化物、硫化物、高锰酸盐指数、生化需氧量、化学需氧量、挥发性酚、石油类、动植物油、阴离子表面活性剂、苯、甲苯、乙苯、对二甲苯、邻二甲苯、间二甲苯、苯乙烯的含量。
优选的，所述区域气象数据包括：气压、气温、降水量、蒸发量、相对湿度、风向风速、日照时数和0cm地温要素的日值数据。
优选的，所述水域监测数据包括：臭味、水温、浑浊度、pH值、电导率、溶解性固体、悬浮性固体、总氮、总有机碳(TOC)溶解氧(DO)、生化需氧量(BOD)、化学需氧量(COD)、细菌总数、大肠菌群含量。
优选的，对所述采集数据进行的汇总与预处理包括：数据清洗、数据转换、数据归一标准化、异常值删除，从而获取可用样本数据，并提升可用样本数据的准确性。
优选的，所述行业标签为：火电、钢铁、水泥、石化、化工、有色金属冶炼及其他，所述生产规模标签为：特大型、大型、中型、小型、微型。
更优选的，所述行业标签相同、生产规模标签相同且排放污染物标签相同的企业属于同一类型企业。
优选的，对环保指标数据与企业的电能采集数据，是以如下方式进行关联性分析：
C1.选取同一类型企业样本数据作为该类型样本数据集A；该类型数据集中包含N个用电特征和M个环保指标特征；SD为选中用电特征集，初始为空集；SH为选中环保指标特征集，初始为空集；FD为待选电力特征集，初始包含N个特征，待选电力特征集的N个特征是随时间变化的动态变量；FH为待选环保特征集，初始包含M个特征；
C2.计算待选电力特征集FD中的任一特征项
与待选环保特征集FH中的任一特征项
间的互信息
计算公式如下：
其中，特征项
和
的概率密度分布为
和
为离散联合概率密度，
为
在t时刻的特征值，
为
在t-1时刻到t时刻的差分值，
为
在t时刻的特征值，
为
在t-1时刻到t时刻的差分值；
由于求特征项
和
同时变化的关联度，故选择二者同一时刻的差分值进行关联性分析，互信息
表示二者之间的关联度；
C3.设定环保指标阈值D，若
则选定特征项
和
为关联特征，重复步骤C2和步骤C3，直至遍历完特征集FD和FH内的特征项，由此获得选中用电特征集SD和选中环保特征集SH，及关联特征集
更优选的，对于无排污实时监测数据的企业选取相似企业时，计算最大相似度的公式为：
其中，A是无用电-环保指数关联图的企业，B是已存在用电-环保指数关联图集的企业；IA(FD,FH)为企业A所包含的关联特征关联度，
为企业A所包含的关联特征关联度均值，IB(FD,FH)为企业B所包含的关联特征关联度，
为企业B所包含的关联特征关联度均值，
为企业A的特征项
和
的关联度值，
为企业B的特征项
和
的关联度值，cov为协方差，σ为标准差。
更优选的，企业的短期用电负荷预测模型和短期的用电负荷预测值是以如下方式构建和获得：
G1.以气温数据、节假日数据、企业用电负荷特征数据作为LSTM模型数据输入特征集x，输入层为100个神经元，
在t时刻的气温数据、节假日数据、企业用电负荷特征数据为输入值xt，上一个神经单元的用电负荷预测输出值为ht+1，两个输入都有对应的权重，在经过sigmoid激活作用下得到0-1的值，也就是三个门值，计算公式如下：
it＝σ(Wixt+Uiht-1)
ft＝σ(Wfxt+Ufht-1)
ot＝σ(Woxt+Uoht-1)
在t时刻，输入门输出值为it，遗忘门输出值为ft，输出门输出值为ot，Wi、Ui、Wf、Uf、Wo、Uo分别为各个门的对应参数；
输入值xt和上一个单元的输出ht+1，两个值有对应的权重Wc和Uc，并采用tanh激活函数，输出值相当于得到基于t时刻的输入值获得的新的记忆值
计算公式如下：
计算获取该神经单元的最终记忆值ct
ft为t时刻遗忘门的输出值，it为t时刻输入门的输出值，ct-1为上一个神经元在t-1时刻的最终记忆值；
最终输出值ht为
隐藏层采用3层结构，输出层为一维输出，输出数据为短期企业用电负荷预测值ht；
G2.基于企业在t时刻的历史实际用电负荷数据，与短期企业用电负荷预测值ht做交叉熵运算，并作为损失函数进行反向反馈，从而调节神经元的各个参数值，当损失函数小于设定阈值时，固定各参数值，完成构建短期用电负荷预测模型；
G3.将当前时刻的企业的气温数据、节假日数据、企业的用电负荷特征数据作为输入，获取企业的短期用电负荷预测值；
更优选的，所述比例缩放因子比例缩放因子d的计算公式如下：
其中，
为企业B的
在t时刻的特征值，
为企业B的
在t时刻的特征值，
为企业A的
在t时刻的特征值，
为企业A的
在t时刻的特征值，∑为
内所有的企业A实际采样点的和；
对于无排污实时监测数据的企业，比例缩放因子d乘以相似企业短期排污预测数据获取该企业的短期排污预测数据。
更优选的，所述流域动态监测预警模型构建过程为：
J1.基于流域动态监测区域内的高污染企业的历史用电数据，根据企业的历史短期排污预测数据，获取基于流域动态监测区域内的高污染企业的历史排污拟合数据；
J2.将基于流域动态监测区域内的高污染企业样本作为流域动态监测预警模型训练样本(xk,h′),k∈(1,2,L,K),h′为污染预测数据，其中x为企业样本，共计为K个企业，每个样本数据包含历史排污数据/历史排污预测数据、历史气象数据、历史节假日数据；
J3.如步骤G所示模型采用LSTM算法结构及各参数定义，采用单层隐藏神经元，输出为流域动态监测区域的短期水污染/大气污染预测数据；
J4.基于梯度下降策略，结合污染监测点到排污企业的扩散权重，以目标的负梯度方向对参数进行调整，
式中，
是t时刻输出的污染预测数值，h′t为t时刻实际的污染数值，α为污染监测点到排污企业的扩散权重，基于距离和企业数量进行归一化定义；
J5.迭代反馈优化神经元参数，直至累计自定义的时间段内Et≤ε，ε为期望累积误差，则流域动态监测预警模型训练完毕；
以获取的短期排污预测数据，结合获取的气象数据、节假日数据为流域动态监测预警模型的输入数据，输出流域动态监测区域内的环保指数预测，从而辅助环保部门提前制定预防治理措施
更优选的，所述步骤J1若存在小部分样本真实检测数据，则对历史短期排污预测数据进行修正，并以差额数据作为反馈更新步骤H的比例缩放因子d，从而提升高污染企业的历史排污拟合数据的准确性。
本发明提供的技术方案解决了如下技术问题：
1.解决了用电数据与环保指标数据间关联度的数据拟合问题。由于用电量数据与环保指标数据间存在关联度，但关联度受时间、空间、环境等多种因素而变化，线性关系难以描述其动态关联度，且高污染企业存在实时排污数据监测的样本数据少，故本专利基于部分可用的典型高污染企业的实时监测数据，构建企业用电-环保指数关联图集，从而获取不同企业的用电数据与环保指标数据关联映射；
2.解决了排污企业实时监测样本量少、仅存在部分采样点数据的问题。从环保指标数据和用电特征数据两个维度，构建样本集内各个企业的企业画像，并基于企业画像计算企业间的皮尔逊相关系数，对无实时监测数据的企业获取相似企业的企业用电-环保指数关联图集，结合自身实际采样点数据与企业实际用电负荷数据，基于比例缩放因子获取全部企业样本的排污拟合数据，实现企业样本排污监测数据补全；
3.解决了环保预警的滞后性问题。基于企业的短期各企业的用电负荷预测值，结合企业的用电数据与环保指标数据关联映射，获取区域内各企业的短期排污预测数据，作为流域动态监测预警模型的输入，从而对区域内的短期环境指标进行预测，实现环保预警监测的未雨绸缪；
4.实现了高污染企业排污数据的全面监测。基于每一条河流创建流域动态监测区域，通过大气污染监测和水污染监测预警两方面，从大气、土地渗入、水源、上下游影响等多个角度，实现流域动态监测区域内的环保指数预测。
本发明是基于高实时性的电力数据，结合环保监测指标数据、气象数据、节假日数据，对黄河流域的重点污染源企业进行监测与预警，一方面挖掘企业排污与用电数据的潜在关系，基于多标签分类、企业画像、皮尔逊相关系数算法，实现企业用电-环保指标间的关联映射在相似企业间的迁移应用，并采用LSTM算法+用电-环保指数关联图集匹配，实现各企业的短期排污预测数据，另一反面基于细粒度的企业动态排污数据结合地理空间数据，实现流域环保指标的动态预警与溯源分析，加强对重点企业污染防治的联防联控,实现黄河流域大气和水源污染的协同治理。
附图说明
图1为本发明的流程图
图2为本发明构建短期用电负荷预测模型的神经元构造过程图
图3为本发明的流域动态监测预警模型构建流程图
具体实施方式
如图1所示，本发明所述的一种电力-环保数据融合分析的黄河流域污染源监测预警方法，包括：
A.提取高能耗、高污染企业的各类电能采集数据、企业在运设备运行数据、企业各排污监测数据及对应档案数据，获取企业所在区域气象数据、水域监测数据、节假日数据，进行数据汇总，完成可用企业样本数据的采集，具体采集数据内容如下：
对获取的采集数据进行数据预处理，包含数据清洗、数据转换、数据归一标准化、异常值删除，从而获取可用样本数据；
各类采集数据汇总如下表：
B.基于各个企业的样本数据，依据分别依次按照行业、生产规模、排放污染物进行多标签分类，形成企业分类训练样本集；
其中，行业按照火电、钢铁、水泥、石化、化工、有色金属冶炼及其他；生产规模分为特大型、大型、中型、小型、微型；排放污染物根据各个企业的排放污染监测指标进行贴标签分类；同行业同规模且排放污染物标签相同的分为同一类；
C.基于同类型企业样本数据，对环保指标数据与企业用电数据进行关联性分析，获取相关性的用电特征与环保指标数据，并获取相关指标阈值范围；
C1.基于某一同类型企业样本数据作为该类型样本数据集A，该类型数据集中包含N个用电特征和M个环保指标特征，SD为选中用电特征集，初始为空集，SH为选中环保特征集，初始为空集，FD为待选电力特征集，初始包含N个特征，该N个特征为随时间变化的动态变量，非静态类数据，FH为待选环保特征集，初始包含M个特征；
C2.分别计算待选电力特征集FD中的任一特征项
与待选环保特征集FH中的任一特征项
间的互信息
计算公式如下：
其中，特征项
和
的概率密度分布为
和
为离散联合概率密度，
为
在t时刻的特征值，
为
在t-1时刻到t时刻的差分值，
为
在t时刻的特征值，
为
在t-1时刻到t时刻的差分值；
由于求特征项
和
同时变化的关联度，故选择二者同一时刻的差分值进行关联性分析，互信息
表示二者之间的关联度；
C3.设定阈值D，若
则选定特征项
和
为关联特征，重复步骤C2和步骤C3，直至遍历完特征集FD和FH内的特征项，由此获得选中用电特征集SD和选中环保特征集SH，及关联特征集
D.基于部分具有排污实时监测数据的典型高污染企业环保指标数据，结合同一企业用电负荷曲线聚类数据，将同一企业运行状态分为满负荷工作状态、欠负荷工作状态和停工状态，其中，欠负荷状态基于企业负荷聚类情况可分为多种。根据关联特征集
绘制关联特征
和
同时刻的企业用电-环保指数关联图集；
E.对全部企业分类训练样本集数据，基于步骤C获取的用电特征集SD、选中环保特征集SH及关联特征集
从环保指标数据和用电特征数据两个关联维度，构建构建样本集内各个企业的企业画像；
F.在同一多标签分类样本集内，针对无排污实时监测数据的企业A，以企业画像的样本特征数据为输入，采用皮尔逊相关系数进行相似度计算，取最大相似度的已存在的企业用电-环保指数关联图集的企业B，作为无排污实时监测数据企业的相似企业；
定义企业A和企业B，企业A无企业用电-环保指数关联图，企业B已存在用电-环保指数关联图集，企业A和企业B最大相似度计算公式如下：
其中，IA(FD,FH)为企业A所包含的关联特征关联度，
为企业A所包含的关联特征关联度均值，IB(FD,FH)为企业B所包含的关联特征关联度，
为企业B所包含的关联特征关联度均值，
为企业A的特征项
和
的关联度值，
为企业B的特征项
和
的关联度值，cov为协方差，σ为标准差；
G.基于获取的企业历史用电负荷特征数据，构建采用LSTM算法构建短期用电负荷预测模型，并输出短期各企业的用电负荷预测值；
G1以气温数据、节假日数据、企业用电负荷特征数据作为LSTM模型数据输入特征集x，输入层为100个神经元，每个神经元的构造过程如图2所示。
在t时刻的气温数据、节假日数据、企业用电负荷特征数据为输入值xt，上一个神经单元的用电负荷预测输出值为ht+1，两个输入都有对应的权重，在经过sigmoid激活作用下得到0-1的值，也就是三个门值，计算公式如下：
it＝σ(Wixt+Uiht-1)
ft＝σ(Wfxt+Ufht-1)
ot＝σ(Woxt+Uoht-1)
在t时刻，输入门输出值为it，遗忘门输出值为ft，输出门输出值为ot，Wi、Ui、Wf、Uf、Wo、Uo分别为各个门的对应参数；
输入值xt和上一个单元的输出ht+1，两个值有对应的权重Wc和Uc，并采用tanh激活函数，输出值相当于得到基于t时刻的输入值获得的新的记忆值
计算公式如下：
计算获取该神经单元的最终记忆值ct
ft为t时刻遗忘门的输出值，it为t时刻输入门的输出值，ct-1为上一个神经元在t-1时刻的最终记忆值；
最终输出值ht为
隐藏层采用3层结构，输出层为一维输出，输出数据为短期企业用电负荷预测值ht；
G2基于企业在t时刻的历史实际用电负荷数据，与短期企业用电负荷预测值ht做交叉熵运算，并作为损失函数进行反向反馈，从而调节神经元的各个参数值，当损失函数小于设定阈值时，固定各参数值，完成构建短期用电负荷预测模型；
G3将当前时刻的企业的气温数据、节假日数据、企业用电负荷特征数据作为输入，获取企业短期用电负荷预测值；
H.若该企业存在用电-环保指数关联图集，则基于企业短期用电负荷预测值进行匹配，获取短期排污预测数据；若该企业不存在用电-环保指数关联图集，则基于比例缩放因子结合步骤F获取的相似企业的用电-环保指数关联图集，比例缩放因子d乘以相似企业短期排污预测数据获取该企业的短期排污预测数据，比例缩放因子d的计算公式如下：
其中，
为企业B的
在t时刻的特征值，
为企业B的
在t时刻的特征值，
为企业A的
在t时刻的特征值，
为企业A的
在t时刻的特征值，∑为
内所有的企业A实际采样点的和。
将短期排污预测数据与环保指标阈值范围进行比对。
I.按照实际GIS分布将河流流域所属的河流断面、周边大气监测站、高污染企业进行划分，针对流域的每一条河流创建流域动态监测区域；
J.针对流域动态监测区域内高污染企业的历史排污数据，分别针对大气污染和水污染两个方面分别构建流域动态监测预警模型，模型构建过程如图3所示，包括如下步骤：
J1基于流域动态监测区域内的高污染企业的历史用电数据，根据步骤H获取企业的历史短期排污预测数据，若存在小部分样本真实检测数据，则对历史短期排污预测数据进行修正，并以差额数据作为反馈更新步骤H的比例缩放因子d，从而获取基于流域动态监测区域内的高污染企业的历史排污拟合数据；
J2将基于流域动态监测区域内的高污染企业样本作为流域动态监测预警模型训练样本(xk,h′),k∈(1,2,L,K),h′为污染预测数据，其中x为企业样本，共计为K个企业，每个样本数据包含历史排污数据/历史排污预测数据、历史气象数据、历史节假日数据；
J3如步骤G所示模型采用LSTM算法结构及各参数定义，采用单层隐藏神经元，输出为流域动态监测区域的短期水污染/大气污染预测数据；
J4基于梯度下降策略，结合污染监测点到排污企业的扩散权重，以目标的负梯度方向对参数进行调整，
式中，
是t时刻输出的污染预测数值，h′t为t时刻实际的污染数值，α为污染监测点到排污企业的扩散权重，基于距离和企业数量进行归一化定义；
J5迭代反馈优化神经元参数，直至累计自定义的时间段内Et≤ε，ε为期望累积误差，则流域动态监测预警模型训练完毕；
以基于步骤H获取的短期排污预测数据，结合获取的气象数据、节假日数据为流域动态监测预警模型的输入数据，输出流域动态监测区域内的环保指数预测，从而辅助环保部门提前制定预防治理措施。
Claims (13)
1.一种电力-环保数据融合分析的黄河流域污染源监测预警方法，其特征在于，包括：
A.获取各类采集数据，所述采集数据包括：高能耗、高污染的企业的电能采集数据、设备运行数据、排污监测数据、环保指标数据、企业所在的区域的气象数据、水域监测数据、大气监测数据、节假日数据；
对上述采集数据进行汇总与预处理，获得企业样本数据；
B.对企业样本数据采用多标签分类，形成企业分类训练样本集，所述标签包括：行业标签、生产规模标签、排放污染物标签；
C.基于同一类型的企业样本数据，对环保指标数据与企业的电能采集数据进行关联性分析，获取企业用电特征与环保指标的相关联特征，并设定环保指标阈值范围；
D.选取多个具有排污实时监测数据的企业设定为典型高污染企业，获取典型高污染企业的环保指标数据，将每个典型高污染企业的环保指标数据与各自的用电负荷曲线结合，形成负荷聚类数据；
依据每个典型高污染企业的负荷聚类数据，将每个典型高污染企业的运行状态分为：满负荷工作状态、欠负荷工作状态和停工状态；
对于有排污实时监测数据的企业，创建用电-环保指数关联图集；
E.基于全部企业分类训练样本集数据，从环保指标数据和企业用电特征两个维度，构建样本集内各个企业的企业画像；
F.对于无排污实时监测数据的企业，从同一类型的企业的企业画像提取样本特征数据，作为输入数据，采用皮尔逊相关系数进行相似度计算，取相似度最大的企业，作为无排污实时监测数据的企业的相似企业；
G.对于有排污实时监测数据的企业，基于一段历史时期的用电负荷特征数据，构建采用LSTM算法构建短期用电负荷预测模型，并输出企业短期的用电负荷预测值；
对于无排污实时监测数据的企业，提取相似企业一段历史时期的用电负荷特征数据，构建采用LSTM算法构建短期用电负荷预测模型，并输出企业短期的用电负荷预测值；
H.判断企业是否存在用电-环保指数关联图集，若该企业存在用电-环保指数关联图集，则基于企业短期的用电负荷预测值与用电-环保指数关联图集进行匹配，获取短期排污预测数据；若该企业不存在用电-环保指数关联图集，则基于比例缩放因子结合该企业的相似企业的用电-环保指数关联图集，进而获取短期排污预测数据；
将短期排污预测数据与环保指标阈值范围进行比对；
I.按照实际地理信息***分布将河流流域所属的河流断面、周边大气监测站、高污染企业进行划分，针对流域的每一条河流创建流域动态监测区域；
J.针对流域动态监测区域内高污染企业的历史排污数据，构建流域动态监测预警模型，并基于获取的短期排污预测数据，进行流域动态监测区域内的环保指数预测，从而辅助环保部门提前制定预防治理措施。
2.如权利要求1所述的电力-环保数据融合分析的黄河流域污染源监测预警方法，其特征在于，所述电能采集数据包括：电力用户类型、用户区域、用户行业、供电地址、电压等级、变压器容量、电价类别、电压、电流、有功功率、无功功率、功率因数、谐波、日电能量、最大需量。
3.如权利要求1所述的电力-环保数据融合分析的黄河流域污染源监测预警方法，其特征在于，所述排污监测数据包括：工业废气的废气温度、相对湿度、空气流速、新风量、总悬浮颗粒锅炉烟尘、工业炉窑烟尘、烟气林格曼黑度，可吸入颗粒物、铬酸雾氨、氟化物、氯化氢、硫酸雾、二硫化碳、一氧化碳、二氧化氮、氮氧化物、臭氧、二氧化硫、硫化氢、氰化氢、氯气、酚类化合物、饮食业油烟、苯胺类、甲醛、苯系物、苯、甲苯、二甲苯、苯乙烯、总挥发性有机物,甲醇、丙酮、总烃、丙烯腈、丙烯醛、非甲烷总烃、乙醛、氯乙烯、硝基苯、甲烷的含量；
工业废水的水温、臭、电导率、透明度、pH值、全盐量、色度、浊度、悬浮物、酸度、碱度、六价铬、总汞、铜、锌、铅、镉、镍、铁、锰、铍、总铬、钾、钠、钙、镁、总硬度、总砷、硒、钡、钼、钴、溶解氧、氨氮、亚硝酸盐氮、硝酸盐氮、硫酸盐、总氮、总磷、氯化物、氟化物、总氰化物、硫化物、高锰酸盐指数、生化需氧量、化学需氧量、挥发性酚、石油类、动植物油、阴离子表面活性剂、苯、甲苯、乙苯、对二甲苯、邻二甲苯、间二甲苯、苯乙烯的含量。
4.如权利要求1所述的电力-环保数据融合分析的黄河流域污染源监测预警方法，其特征在于，所述区域气象数据包括：气压、气温、降水量、蒸发量、相对湿度、风向风速、日照时数和0cm地温要素的日值数据。
5.如权利要求1所述的电力-环保数据融合分析的黄河流域污染源监测预警方法，其特征在于，所述水域监测数据包括：臭味、水温、浑浊度、pH值、电导率、溶解性固体、悬浮性固体、总氮、总有机碳、溶解氧、生化需氧量、化学需氧量、细菌总数、大肠菌群含量。
6.如权利要求1所述的电力-环保数据融合分析的黄河流域污染源监测预警方法，其特征在于，对所述采集数据进行的汇总与预处理包括：数据清洗、数据转换、数据归一标准化、异常值删除，从而获取企业样本数据，并提升企业样本数据的准确性。
7.如权利要求1所述的电力-环保数据融合分析的黄河流域污染源监测预警方法，其特征在于，所述行业标签为：火电、钢铁、水泥、石化、化工、有色金属冶炼及其他，所述生产规模标签为：特大型、大型、中型、小型、微型。
8.如权利要求7所述的电力-环保数据融合分析的黄河流域污染源监测预警方法，其特征在于，所述行业标签相同、生产规模标签相同且排放污染物标签相同的企业属于同一类型企业。
9.如权利要求1至8任一所述的电力-环保数据融合分析的黄河流域污染源监测预警方法，其特征在于，对环保指标数据与企业的电能采集数据，是以如下方式进行关联性分析：
C1.选取同一类型企业样本数据作为该类型样本数据集A；该类型样本数据集中包含N个用电特征和M个环保指标特征；SD为选中用电特征集，初始为空集；SH为选中环保指标特征集，初始为空集；FD为待选电力特征集，初始包含N个特征，待选电力特征集的N个特征是随时间变化的动态变量；FH为待选环保特征集，初始包含M个特征；
C2.计算待选电力特征集FD中的任一特征项Fi D与待选环保特征集FH中的任一特征项间的互信息计算公式如下：
其中，特征项Fi D和的概率密度分布为和 为离散联合概率密度，为Fi D在t时刻的特征值，为Fi D在t-1时刻到t时刻的差分值，为在t时刻的特征值，为在t-1时刻到t时刻的差分值；
由于求特征项Fi D和同时变化的关联度，故选择二者同一时刻的差分值进行关联性分析，互信息表示二者之间的关联度；
C3.设定环保指标阈值D，若则选定特征项Fi D和为关联特征，重复步骤C2和步骤C3，直至遍历完特征集FD和FH内的特征项，由此获得选中用电特征集SD和选中环保特征集SH，及关联特征集
10.如权利要求9所述的电力-环保数据融合分析的黄河流域污染源监测预警方法，其特征在于，对于无排污实时监测数据的企业选取相似企业时，计算最大相似度的公式为：
其中，A是无用电-环保指数关联图的企业，B是有用电-环保指数关联图集的企业；IA(FD,FH)为企业A所包含的关联特征关联度，为企业A所包含的关联特征关联度均值，IB(FD,FH)为企业B所包含的关联特征关联度，为企业B所包含的关联特征关联度均值，为企业A的特征项Fi D和的关联度值，为企业B的特征项Fi D和的关联度值，cov为协方差，σ为标准差。
11.如权利要求10所述的电力-环保数据融合分析的黄河流域污染源监测预警方法，其特征在于，企业的短期用电负荷预测模型和短期的用电负荷预测值是以如下方式构建和获得：
G1.以气温数据、节假日数据、企业用电负荷特征数据作为LSTM模型数据输入特征集x，输入层为100个神经元，
在t时刻的气温数据、节假日数据、企业用电负荷特征数据为输入值xt，上一个神经单元的用电负荷预测输出值为ht+1，两个输入都有对应的权重，在经过sigmoid激活作用下得到0-1的值，也就是三个门值，计算公式如下：
it＝σ(Wixt+Uiht-1)
ft＝σ(Wfxt+Ufht-1)
ot＝σ(Woxt+Uoht-1)
在t时刻，输入门输出值为it，遗忘门输出值为ft，输出门输出值为ot，Wi、Ui、Wf、Uf、Wo、Uo分别为各个门的对应参数；
输入值xt和上一个单元的输出ht+1，两个值有对应的权重Wc和Uc，并采用tanh激活函数，输出值相当于得到基于t时刻的输入值获得的新的记忆值计算公式如下：
计算获取该神经单元的最终记忆值ct
ft为t时刻遗忘门的输出值，it为t时刻输入门的输出值，ct-1为上一个神经元在t-1时刻的最终记忆值；
最终输出值ht为
ht＝otοtanh(ct)
隐藏层采用3层结构，输出层为一维输出，输出数据为短期企业用电负荷预测值ht；
G2.基于企业在t时刻的历史实际用电负荷数据，与短期企业用电负荷预测值ht做交叉熵运算，并作为损失函数进行反向反馈，从而调节神经元的各个参数值，当损失函数小于设定阈值时，固定各参数值，完成构建短期用电负荷预测模型；
G3.将当前时刻的企业的气温数据、节假日数据、企业的用电负荷特征数据作为输入，获取企业的短期用电负荷预测值；
所述比例缩放因子d的计算公式如下：
其中，为企业B的Fi D在t时刻的特征值，为企业B的在t时刻的特征值，为企业A的Fi D在t时刻的特征值，为企业A的在t时刻的特征值，∑为内所有的企业A实际采样点的和；
对于无排污实时监测数据的企业，比例缩放因子d乘以相似企业短期排污预测数据获取该企业的短期排污预测数据。
12.如权利要求11所述的电力-环保数据融合分析的黄河流域污染源监测预警方法，其特征在于，所述流域动态监测预警模型构建过程为：
J1.基于流域动态监测区域内的高污染企业的历史用电数据，根据企业的历史短期排污预测数据，获取基于流域动态监测区域内的高污染企业的历史排污拟合数据；
J2.将基于流域动态监测区域内的高污染企业样本作为流域动态监测预警模型训练样本(xk,h′),k∈(1,2,L,K),h′为污染预测数据，其中x为企业样本，共计为K个企业，每个样本数据包含历史排污数据/历史排污预测数据、历史气象数据、历史节假日数据；
J3.如步骤G所示模型采用LSTM算法结构及各参数定义，采用单层隐藏神经元，输出为流域动态监测区域的短期水污染/大气污染预测数据；
J4.基于梯度下降策略，结合污染监测点到排污企业的扩散权重，以目标的负梯度方向对参数进行调整，
式中，是t时刻输出的污染预测数值，h′t为t时刻实际的污染数值，α为污染监测点到排污企业的扩散权重，基于距离和企业数量进行归一化定义；
J5.迭代反馈优化神经元参数，直至累计自定义的时间段内Et≤ε，ε为期望累积误差，则流域动态监测预警模型训练完毕；
以获取的短期排污预测数据，结合获取的气象数据、节假日数据为流域动态监测预警模型的输入数据，输出流域动态监测区域内的环保指数预测，从而辅助环保部门提前制定预防治理措施。
13.如权利要求12所述的电力-环保数据融合分析的黄河流域污染源监测预警方法，其特征在于，所述步骤J1若存在小部分样本真实检测数据，则对历史短期排污预测数据进行修正，并以差额数据作为反馈更新步骤H的比例缩放因子d，从而提升高污染企业的历史排污拟合数据的准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111429817.7A CN114118580B (zh) | 2021-11-29 | 2021-11-29 | 一种电力-环保数据融合分析的黄河流域污染源监测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111429817.7A CN114118580B (zh) | 2021-11-29 | 2021-11-29 | 一种电力-环保数据融合分析的黄河流域污染源监测预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114118580A CN114118580A (zh) | 2022-03-01 |
| CN114118580B true CN114118580B (zh) | 2023-04-07 |
Family
ID=80371114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111429817.7A Active CN114118580B (zh) | 2021-11-29 | 2021-11-29 | 一种电力-环保数据融合分析的黄河流域污染源监测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114118580B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819773B (zh) * | 2022-06-29 | 2022-09-09 | 天津大学 | 一种基于大数据的企业绿色生产管控方法及*** |
| CN115471145B (zh) * | 2022-11-15 | 2024-06-04 | 碳管家智能云平台有限公司 | 一种企业能耗双控管理方法、设备及介质 |
| CN115689396B (zh) * | 2022-12-30 | 2023-08-08 | 天津友美环保科技有限公司 | 污染物排放管控方法、装置、设备及介质 |
| CN115908082A (zh) * | 2023-01-06 | 2023-04-04 | 佰聆数据股份有限公司 | 基于用电特征指标的企业排污监控方法及装置 |
| CN115860590B (zh) * | 2023-03-02 | 2023-04-28 | 广东慧航天唯科技有限公司 | 一种企业排放污染数据的智能分析预警方法及*** |
| CN116434857B (zh) * | 2023-03-24 | 2024-03-15 | 青岛思普润水处理股份有限公司 | 一种污水处理***的智能加药设置方法 |
| CN116976733B (zh) * | 2023-07-31 | 2024-04-02 | 青岛熙正数字科技有限公司 | 一种基于大数据的大气污染源在线监测数据评估*** |
| CN117335416B (zh) * | 2023-11-24 | 2024-03-01 | 国网浙江省电力有限公司 | 一种用电负荷优化的方法、装置、设备及存储介质 |
| CN117455124B (zh) * | 2023-12-25 | 2024-03-08 | 杭州烛微智能科技有限责任公司 | 企业的环保设备监测方法、***、介质及电子设备 |
| CN117829614B (zh) * | 2024-03-06 | 2024-05-07 | 四川国蓝中天环境科技集团有限公司 | 一种基于多源数据融合的工业企业排污风险分级计算方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651200A (zh) * | 2016-12-29 | 2017-05-10 | 中国西电电气股份有限公司 | 一种工业企业聚合用户电力负荷管理方法和*** |
| CN109242169B (zh) * | 2018-08-28 | 2021-11-02 | 贵州电网有限责任公司 | 一种面向电力大客户的短期负荷预测方法 |
| CN110991700A (zh) * | 2019-11-08 | 2020-04-10 | 北京博望华科科技有限公司 | 基于深度学习改进的天气与用电相关性预测方法及装置 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN113298422B (zh) * | 2021-06-16 | 2023-01-31 | 福建亿力优能电力科技有限公司 | 一种基于用电数据的污染源企业违规生产监控方法 |
-
2021
- 2021-11-29 CN CN202111429817.7A patent/CN114118580B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114118580A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114118580B (zh) | 一种电力-环保数据融合分析的黄河流域污染源监测预警方法 | |
| Ye et al. | Tackling environmental challenges in pollution controls using artificial intelligence: A review | |
| Wu et al. | Westward movement of new polluting firms in China: Pollution reduction mandates and location choice | |
| Ihsanullah et al. | Recent advances in applications of artificial intelligence in solid waste management: A review | |
| Vu et al. | Analysis of input set characteristics and variances on k-fold cross validation for a Recurrent Neural Network model on waste disposal rate estimation | |
| Bagherzadeh et al. | Prediction of energy consumption and evaluation of affecting factors in a full-scale WWTP using a machine learning approach | |
| Singh et al. | Artificial intelligence and machine learning-based monitoring and design of biological wastewater treatment systems | |
| Kang et al. | Data-driven water quality analysis and prediction: A survey | |
| Muñoz et al. | Prediction of PM10 and SO 2 exceedances to control air pollution in the Bay of Algeciras, Spain | |
| Li et al. | Improvements in the decision making for Cleaner Production by data mining: Case study of vanadium extraction industry using weak acid leaching process | |
| CN112465206B (zh) | 一种水资源优化配置及优化结果评价反馈方法 | |
| Speight et al. | Identification of the causes of drinking water discolouration from machine learning analysis of historical datasets | |
| CN113313399A (zh) | 一种基于特征污染物源解析的地下水污染溯源方法 | |
| Park et al. | Predicting PM10 and PM2. 5 concentration in container ports: A deep learning approach | |
| Yang et al. | Cloud model driven assessment of interregional water ecological carrying capacity and analysis of its spatial-temporal collaborative relation | |
| Aldaghi et al. | The evaluation of wastewater treatment plant performance: A data mining approach | |
| Hou et al. | Integrated machine learning methods with oversampling technique for regional suitability prediction of waste-to-energy incineration projects | |
| Nejsum et al. | Population dynamics of Ascaris suum in trickle-infected pigs | |
| Babu et al. | Water quality prediction using neural networks | |
| Bhuvaneshwari et al. | Gaussian Support Vector Machine Algorithm Based Air Pollution Prediction. | |
| Utku et al. | Deep learning based a comprehensive analysis for waste prediction | |
| Liu et al. | Extended exergy accounting theory to design waste-to-energy management system under uncertainty | |
| Dutta et al. | A survey of data mining applications in water quality management | |
| Pillai et al. | Municipal Solid Waste Management: A Review of Machine Learning Applications | |
| Tadesse et al. | Water Quality Class Modeling Using Machine Learning Algorithms at Roodeplaat Dam, South Africa |
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 | ||
| GR01 | Patent grant |