CN116739223B - 企业排污实时监管方法、装置、存储介质及电子设备 - Google Patents

企业排污实时监管方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN116739223B
CN116739223B CN202311020006.0A CN202311020006A CN116739223B CN 116739223 B CN116739223 B CN 116739223B CN 202311020006 A CN202311020006 A CN 202311020006A CN 116739223 B CN116739223 B CN 116739223B
Authority
CN
China
Prior art keywords
enterprise
data
supervision
target
enterprises
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
Application number
CN202311020006.0A
Other languages
English (en)
Other versions
CN116739223A (zh
Inventor
郭姣姣
钱方
李璇
田相桂
李诗瑶
李峰厚
陆涛
秦东明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongke Sanqing Environmental Technology Co ltd
3Clear Technology Co Ltd
Original Assignee
Beijing Zhongke Sanqing Environmental Technology Co ltd
3Clear Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhongke Sanqing Environmental Technology Co ltd, 3Clear Technology Co Ltd filed Critical Beijing Zhongke Sanqing Environmental Technology Co ltd
Priority to CN202311020006.0A priority Critical patent/CN116739223B/zh
Publication of CN116739223A publication Critical patent/CN116739223A/zh
Application granted granted Critical
Publication of CN116739223B publication Critical patent/CN116739223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种企业排污实时监管方法、装置、存储介质及电子设备，该企业排污实时监管方法通过获取监管区域内多个监管企业中每个监管企业的企业监管数据；根据所述监管区域内每个监管企业的所述企业监管数据确定所述监管区域的基准企业特征数据，所述基准企业特征数据用于补全监管企业的企业特征数据；根据所述基准企业特征数据确定每个所述监管企业的目标企业特征数据；根据每个所述监管企业的所述目标企业特征数据确定所述监管区域内多个监管企业中的监管问题企业，能够有效扩大污染排放远程监管企业的覆盖范围，也能够有效提升企业污染排放监管的自动化程度，降低企业污染排放监管所需的人力物力，提升监管效率。

Description

企业排污实时监管方法、装置、存储介质及电子设备
技术领域
本公开涉及环境监测技术领域，具体地，涉及一种企业排污实时监管方法、装置、存储介质及电子设备。
背景技术
随着工业化发展进程的深入，环境污染问题日益凸显。工业排放是环境污染最大来源，对工业企业的污染排放进行实时全面监管，遏止偷排、漏排、超标排放等行为是有效减少环境污染的重要途经。然而目前对工业企业的污染排放的监管，通常存在监管企业数量多、分布广，监管效率低、覆盖面有限等问题。
发明内容
本公开的目的是提供一种企业排污实时监管方法、装置、存储介质及电子设备。
为了实现上述目的，本公开第一方面提供一种企业排污实时监管方法，所述方法包括：
获取监管区域内多个监管企业中每个监管企业的企业监管数据，所述企业监管数据，用于描述指定历史时间段内企业的生产、排污、治污以及排污检查的状况信息；
根据所述监管区域内每个监管企业的所述企业监管数据确定所述监管区域的基准企业特征数据，所述基准企业特征数据用于补全监管企业的企业特征数据；
根据所述基准企业特征数据确定每个所述监管企业的目标企业特征数据；
根据每个所述监管企业的所述目标企业特征数据确定所述监管区域内多个监管企业中的监管问题企业。
可选地，所述根据所述监管区域内每个监管企业的所述企业监管数据确定所述监管区域的基准企业特征数据，包括：
对每个所述监管企业的所述企业监管数据进行校验处理，以得到校验之后的待用监管数据；
从每个所述监管企业的所述待用监管数据中提取多个预设字段的企业数据，以得到每个监管企业的企业特征数据；
根据所述监管区域内多个监管企业中每个监管企业的所述企业特征数据确定所述基准企业特征数据。
可选地，所述根据所述监管区域内多个监管企业中每个监管企业的所述企业特征数据确定所述基准企业特征数据，包括：
确定每个所述企业特征数据对应的字段类型数量；
确定所述监管区域内多个监管企业中所述字段类型数量最多的目标监管企业；
将所述目标监管企业的所述企业特征数据作为所述基准企业特征数据。
可选地，所述对每个所述监管企业的所述企业监管数据进行校验处理，以得到校验之后的待用监管数据，包括：
对所述企业监管数据进行格式统一化处理，以得到所述企业监管数据对应的待校验数据；
确定所述待校验数据中的数值型数据和非数值型数据；
根据所述数值型数据和所述非数值型数据确定校验之后的待用监管数据。
可选地，所述根据所述数值型数据和所述非数值型数据确定校验之后的待用监管数据，包括：
对所述数值型数据进行上下限值校验，以得到中间校验数据；在确定所述中间校验数据中存在一个字段有多个来源的不同数值的情况下，确定所述不同数值的均值，将所述均值作为校验后的目标数值型数据；
针对所述非数值型数据，在确定一个事项包括多个来源的多种描述数据的情况下，展示所述多种描述数据，并接收用户指定的目标描述信息，将所述目标描述信息作为校验后的目标非数值型数据，以得到包括所述目标数值型数据和所述目标非数值型数据的待用监管数据。
可选地，所述根据所述基准企业特征数据确定每个所述监管企业的目标企业特征数据，包括：
在确定所述监管企业的所述企业特征数据中每个所述预设字段对应的企业数据均不为空的情况下，确定所述企业特征数据为无需补全的企业特征数据；
在确定所述多个预设字段对应的企业数据中存在空值的情况下，确定所述企业特征数据为待补全的企业特征数据；
根据所述基准企业特征数据补全所述待补全的企业特征数据，以得到所述目标企业特征数据。
可选地，所述根据所述基准企业特征数据补全所述待补全的企业特征数据，以得到所述目标企业特征数据，包括：
根据所述待补全的企业特征数据中的已有企业数据和所述基准企业特征数据确定待补全企业与所述基准企业特征数据对应企业的相似度；
根据所述相似度确定所述待补全的企业特征数据中的目标补全数据；
将所述已有企业数据和所述目标补全数据作为所述目标企业特征数据。
可选地，所述根据所述相似度确定所述待补全的企业特征数据中的目标补全数据，包括：
从预设关系数据中确定所述相似度对应的目标补全数据，所述预设关系数据包括多个预设相似度与不同补全数据的对应关系。
可选地，所述根据所述基准企业特征数据补全所述待补全的企业特征数据，以得到所述目标企业特征数据，包括：
将所述待补全的企业特征数据与所述基准企业特征数据输入第一预设机器学习模型，以获取所述第一预设机器学习模型输出的所述目标企业特征数据。
可选地，所述第一预设机器学习模型的训练方法包括：
获取第一训练数据，所述第一训练数据中包括多组样本数据，每组样本数据中包括基准样本数据和待补全样本数据，以及补全样本数据，
以所述补全样本数据为样本标注数据，对第一预设初始模型进行模型训练，以得到所述第一预设机器学习模型。
可选地，所述根据每个所述监管企业的所述目标企业特征数据确定所述监管区域内多个监管企业中的监管问题企业，包括：
将每个监管企业的所述目标企业特征数据输入第二预设机器学习模型，以获取所述第二预设机器学习模型输出的企业类型，所述企业类型包括重点排污问题企业，重点治污问题企业，中性企业和正面企业；
将所述监管区域内所述多个监管企业中企业类型为重点排污问题企业和/或重点治污问题企业的监管企业作为所述监管问题企业。
可选地，所述第二预设机器学习模型的训练方法包括：
获取第二训练数据，所述第二训练数据中包括多个企业的企业特征样本数据以及企业类型标注数据，
通过所述第二训练数据，对第二预设初始模型进行模型训练，以得到所述第二预设机器学习模型。
本公开的第二方面提供一种企业排污实时监管装置，所述装置包括：
获取模块，被配置为获取监管区域内多个监管企业中每个监管企业的企业监管数据，所述企业监管数据，用于描述指定历史时间段内企业的生产、排污、治污以及排污检查的状况信息；
第一确定模块，被配置为根据所述监管区域内每个监管企业的所述企业监管数据确定所述监管区域的基准企业特征数据，所述基准企业特征数据用于补全监管企业的企业特征数据；
第二确定模块，被配置为根据所述基准企业特征数据确定每个所述监管企业的目标企业特征数据；
第三确定模块，被配置为根据每个所述监管企业的所述目标企业特征数据确定所述监管区域内多个监管企业中的监管问题企业。
可选地，所述第一确定模块，被配置为：
对每个所述监管企业的所述企业监管数据进行校验处理，以得到校验之后的待用监管数据；
从每个所述监管企业的所述待用监管数据中提取多个预设字段的企业数据，以得到每个监管企业的企业特征数据；
根据所述监管区域内多个监管企业中每个监管企业的所述企业特征数据确定所述基准企业特征数据。
可选地，所述第一确定模块，被配置为：
确定每个所述企业特征数据对应的字段类型数量；
确定所述监管区域内多个监管企业中所述字段类型数量最多的目标监管企业；
将所述目标监管企业的所述企业特征数据作为所述基准企业特征数据。
可选地，所述第一确定模块，被配置为：
对所述企业监管数据进行格式统一化处理，以得到所述企业监管数据对应的待校验数据；
确定所述待校验数据中的数值型数据和非数值型数据；
根据所述数值型数据和所述非数值型数据确定校验之后的待用监管数据。
可选地，所述第一确定模块，被配置为：
对所述数值型数据进行上下限值校验，以得到中间校验数据；在确定所述中间校验数据中存在一个字段有多个来源的不同数值的情况下，确定所述不同数值的均值，将所述均值作为校验后的目标数值型数据；
针对所述非数值型数据，在确定一个事项包括多个来源的多种描述数据的情况下，展示所述多种描述数据，并接收用户指定的目标描述信息，将所述目标描述信息作为校验后的目标非数值型数据，以得到包括所述目标数值型数据和所述目标非数值型数据的待用监管数据。
可选地，所述第二确定模块，被配置为：
在确定所述监管企业的所述企业特征数据中每个所述预设字段对应的企业数据均不为空的情况下，确定所述企业特征数据为无需补全的企业特征数据；
在确定所述多个预设字段对应的企业数据中存在空值的情况下，确定所述企业特征数据为待补全的企业特征数据；
根据所述基准企业特征数据补全所述待补全的企业特征数据，以得到所述目标企业特征数据。
可选地，所述第二确定模块，被配置为：
根据所述待补全的企业特征数据中的已有企业数据和所述基准企业特征数据确定待补全企业与所述基准企业特征数据对应企业的相似度；
根据所述相似度确定所述待补全的企业特征数据中的目标补全数据；
将所述已有企业数据和所述目标补全数据作为所述目标企业特征数据。
可选地，所述第二确定模块，被配置为：
从预设关系数据中确定所述相似度对应的目标补全数据，所述预设关系数据包括多个预设相似度与不同补全数据的对应关系。
可选地，所述第二确定模块，被配置为：
将所述待补全的企业特征数据与所述基准企业特征数据输入第一预设机器学习模型，以获取所述第一预设机器学习模型输出的所述目标企业特征数据。
可选地，所述装置还包括第一训练模块，所述第一训练模块被配置为：
获取第一训练数据，所述第一训练数据中包括多组样本数据，每组样本数据中包括基准样本数据和待补全样本数据，以及补全样本数据，
以所述补全样本数据为样本标注数据，对第一预设初始模型进行模型训练，以得到所述第一预设机器学习模型。
可选地，所述第三确定模块，被配置为：
将每个监管企业的所述目标企业特征数据输入第二预设机器学习模型，以获取所述第二预设机器学习模型输出的企业类型，所述企业类型包括重点排污问题企业，重点治污问题企业，中性企业和正面企业；
将所述监管区域内所述多个监管企业中企业类型为重点排污问题企业和/或重点治污问题企业的监管企业作为所述监管问题企业。
可选地，所述装置还包括第二训练模块，被配置为：
获取第二训练数据，所述第二训练数据中包括多个企业的企业特征样本数据以及企业类型标注数据；
通过所述第二训练数据，对第二预设初始模型进行模型训练，以得到所述第二预设机器学习模型。
本公开的第三方面提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上第一方面所述方法的步骤。
本公开的第四方面提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现以上第一方面所述方法的步骤。
上述技术方案，能够根据所述监管区域内每个监管企业的所述企业监管数据确定所述监管区域的基准企业特征数据，所述基准企业特征数据用于补全监管企业的企业特征数据；根据所述基准企业特征数据确定每个所述监管企业的目标企业特征数据；根据每个所述监管企业的所述目标企业特征数据确定所述监管区域内多个监管企业中的监管问题企业，由于能够根据所述基准企业特征数据确定每个所述监管企业的目标企业特征数据，因此能够有效扩大污染排放远程监管企业的覆盖范围，并且由于能够根据每个所述监管企业的所述目标企业特征数据确定所述监管区域内多个监管企业中的监管问题企业，因此能够有效提升企业污染排放监管的自动化程度，降低企业污染排放监管所需的人力物力，提升监管效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是本公开一示例性实施例示出的一种企业排污实时监管方法的流程图；
图2是根据图1所示实施例示出的一种企业排污实时监管方法的流程图；
图3是根据图1所示实施例示出的另一种企业排污实时监管方法的流程图；
图4是根据图1所示实施例示出的又一种企业排污实时监管方法的流程图；
图5是本公开另一示例性实施例示出的一种企业排污实时监管装置的框图；
图6是根据图5所示实施例示出的一种企业排污实时监管装置的框图；
图7是根据一示例性实施例示出的一种电子设备的框图；
图8是根据一示例性实施例示出的另一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
需要说明的是，本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
在详细介绍本公开的具体实施方式之前，首先对本公开的应用场景进行以下说明，本公开可以应用于对企业的污染排放远程监管过程，目前相关技术中，针对工业企业污染排放远程监管的技术手段主要有两种：一种是重点污染源在线监测，另一种是企业工况用电监控。重点污染源在线监测技术通过在企业排放口安装监测传感器，监测企业排放的废气、废水中污染物浓度达标情况；企业工况用电监控技术是通过对企业各生产设备和治污设备进行分表计电，通过监控用电负荷变化，实现设备运行状态监控及管控期停限产情况的监控。然而，重点污染源在线监测和企业工况用电监控均存在覆盖面有限，监管不全面、适用性比较有限的问题。所以目前要想全面监管，依然需要花费大量人力物力进行污染源现场巡查，而在巡查过程中，会存在大量的没有方向性的现场巡查，不仅巡查效率低，且会造成进一步的人力物力资源浪费现象。
为了解决以上技术问题，本公开提供一种企业排污实时监管方法、装置、存储介质及电子设备，该企业排污实时监管方法通过获取监管区域内多个监管企业中每个监管企业的企业监管数据，所述企业监管数据，用于描述指定历史时间段内企业的生产、排污、治污以及排污检查的状况信息；根据所述监管区域内每个监管企业的所述企业监管数据确定所述监管区域的基准企业特征数据，所述基准企业特征数据用于补全监管企业的企业特征数据；根据所述基准企业特征数据确定每个所述监管企业的目标企业特征数据；根据每个所述监管企业的所述目标企业特征数据确定所述监管区域内多个监管企业中的监管问题企业，由于能够根据所述基准企业特征数据确定每个所述监管企业的目标企业特征数据，因此能够有效扩大污染排放远程监管企业的覆盖范围，并且由于能够根据每个所述监管企业的所述目标企业特征数据确定所述监管区域内多个监管企业中的监管问题企业，因此能够有效提升企业污染排放监管的自动化程度，降低企业污染排放监管所需的人力物力，提升监管效率。
下面结合具体实施例对本公开的技术方案进行详细说明。
图1是本公开一示例性实施例示出的一种企业排污实时监管方法的流程图；如图1所示，所述方法可以包括：
步骤101，获取监管区域内多个监管企业中每个监管企业的企业监管数据。
其中，该企业监管数据，用于描述指定历史时间段内企业的生产、排污、治污以及排污检查的状况信息。
需要说明的是，该企业监管数据可以包括污染源在线监测信息、企业工况用电信息、企业电网用电信息、排污许可证信息、排放清单信息、应急减排清单信息、环评审批信息和企业排污检查记录信息中的多个，该污染源在线监测信息，包括污染源的监测点名称、监测点位置，企业位置，污染物种类，污染物排放时间以及排放浓度等；该企业工况用电信息，包括企业产污设施和治污设施的运行时间规律；企业电网用电信息，包括监管区域内的用电总量信息，以及用电规律信息；该排污许可证信息，包括允许排放的污染物信息；该排放清单信息，包括排污名称、排污类型、排放量、排放位置，以及治理设施名称、治理种类和治理效率；该应急减排清单信息，包括红橙黄三个应急情境下企业停产和限产的管控措施信息；该企业排污检查记录信息，包括目标历史时间段内对企业进行排污检查时产生的记录信息。
步骤102，根据该监管区域内每个监管企业的该企业监管数据确定该监管区域的基准企业特征数据，该基准企业特征数据用于补全监管企业的企业特征数据。
其中，该基准企业特征数据可以是该监管区域内多个监管企业中某个监管企业（例如，可以是包含企业特征数据最全面的监管企业）的该企业监管数据。
本步骤可以通过图2所示实施方式实施，图2是根据图1所示实施例示出的一种企业排污实时监管方法的流程图；如图2所示，该步骤102可以包括：
步骤1021，对每个该监管企业的该企业监管数据进行校验处理，以得到校验之后的待用监管数据。
本步骤中，可以对该企业监管数据进行格式统一化处理，以得到该企业监管数据对应的待校验数据；确定待校验数据中的数值型数据和非数值型数据；根据该数值型数据和该非数值型数据确定校验之后的待用监管数据。
其中，可以通过识别待校验数据中是否包括各种语言类型（例如中文、英文、法文等）的数值来确定是否属于数值型数据，在包括任一种语言类型的数值的情况下，确定属于数值型数据，在不包括任一种语言类型的数值的情况下，确定属于非数值型数据。
以上所述的根据该数值型数据和该非数值型数据确定校验之后的待用监管数据的实施方式可以是：
对该数值型数据进行上下限值校验，以得到中间校验数据；在确定该中间校验数据中存在一个字段有多个来源的不同数值的情况下，确定不同数值的均值，将该均值作为校验后的目标数值型数据；
针对该非数值型数据，在确定一个事项包括多个来源的多种描述数据的情况下，展示该多种描述数据，并接收用户指定的目标描述信息，将该目标描述信息作为校验后的目标非数值型数据，以得到包括该目标数值型数据和该目标非数值型数据的待用监管数据。
其中，可以通过预设窗口展示该多种描述数据，该预设窗口中可以包括每种描述数据对应的选项卡，用户可以通过点击选中该选项卡，本步骤可以将选中的选项卡信息作为用户指定的目标描述信息。
步骤1022，从每个该监管企业的该待用监管数据中提取多个预设字段的企业数据，以得到每个监管企业的企业特征数据。
示例地，若该预设字段包括：企业基本特征类字段（例如：企业性质字段、企业所属行业字段、企业所在位置字段、企业绩效评级字段、企业规模字段等），生产特征类字段（例如产品类型字段、产量字段、企业生产所需的原料用量字段、辅料用量字段、燃料用量字段等），排污特征类字段（例如污染物类别字段、污染因子字段、污染物排放量字段、污染物排放浓度字段、排放规律字段，治理设施种类字段、污染治理效率字段、治污设施运行规律字段、应急减排的管控措施字段、减排量字段等），用电特征类字段（例如，企业用电总量字段、企业昼/夜用电量字段、企业日/月/年用电量字段、淡/旺季用电量字段、秋冬/春夏用电量字段、企业产污设备用电量字段、治污设备用电量字段等），问题特征类字段（例如，在线监测超标频次字段、用电工况异常频次字段、企业内部或周边空气质量超标频次字段、走访巡查（例如督察、舆情等）发生问题频次、整改落实情况等）。需要说明的是，通过文字识别从一段文字中识别获取指定字段对应的文字内容在现有技术中较为常见，本公开中提取预设字段对应的特征数据的实施过程可以参考现有技术中的相关描述，本公开在此不再赘述。
步骤1023，根据该监管区域内多个监管企业中每个监管企业的该企业特征数据确定该基准企业特征数据。
其中，可以确定每个该企业特征数据对应的字段类型数量；确定该监管区域内多个监管企业中该字段类型数量最多的目标监管企业；将该目标监管企业的该企业特征数据作为该基准企业特征数据。
步骤103，根据该基准企业特征数据确定每个该监管企业的目标企业特征数据。
本步骤可以通过图3所示步骤实施，图3是根据图1所示实施例示出的另一种企业排污实时监管方法的流程图；如图3所示，该步骤103可以包括：
步骤1031，在确定该监管企业的该企业特征数据中每个该预设字段对应的企业数据均不为空的情况下，确定该企业特征数据为无需补全的企业特征数据。
步骤1032，在确定所述多个预设字段对应的企业数据中存在空值的情况下，确定该企业特征数据为待补全的企业特征数据。
步骤1033，根据该基准企业特征数据补全该待补全的企业特征数据，以得到该目标企业特征数据。
本步骤中，一种可能的实施方式为，根据该待补全的企业特征数据中的已有企业数据和该基准企业特征数据确定待补全企业与该基准企业特征数据对应企业的相似度；根据该相似度确定该待补全的企业特征数据中的目标补全数据；将该已有企业数据和该目标补全数据作为该目标企业特征数据。
其中，所述待补全企业为待补全的企业特征数据对应的企业，以上所述的根据该相似度确定该待补全的企业特征数据中的目标补全数据，可以包括：从预设关系数据中确定该相似度对应的目标补全数据，该预设关系数据包括多个预设相似度与不同补全数据的对应关系。
示例地，该预设关系中可以包括不同相似度区间内，每个字段的企业特征数据对应的目标补全数据，例如，相似度为[70%，80%]时，A字段对应的目标补全数据为a，B字段对应的目标补全数据为b，D字段对应的目标补全数据为d，其中A、B、D分别为不同的预设字段，a、b、d分别为不同预设字段对应的企业特征数据，在相似度属于该相似度区间时，不同预设字段对应的企业特征数据可以作为该字段的目标补全数据。例如，在该相似度为75%时，若当前B字段为待补全字段，则可以将b作为该字段的目标补全数据。以上数据仅用于示例性说明如何根据预设关系确定目标补全数据，并不用于限定具体的保护范围。
另一种可能的实施方式为：将该待补全的企业特征数据与该基准企业特征数据输入第一预设机器学习模型，以获取该第一预设机器学习模型输出的该目标企业特征数据。
其中，该第一预设机器学习模型的训练方法可以包括：获取第一训练数据，该第一训练数据中包括多组样本数据，每组样本数据中包括基准样本数据和待补全样本数据，以及补全样本数据，以该补全样本数据为样本标注数据，对第一预设初始模型进行模型训练，以得到该第一预设机器学习模型。
需要说明的是，该第一预设初始模型可以是神经网络算法模型、决策树模型或者其他机器学习模型。模型训练过程中以该基准样本数据和待补全样本数据为模型输入数据，根据该输入数据输出补全数据，以该补全样本数据为标注数据计算损失值，根据损失值优化模型，循环执行以上优化模型过程，直至损失值小于或者等于预设损失阈值，得到该第一预设机器学习模型。
步骤104，根据每个该监管企业的该目标企业特征数据确定该监管区域内多个监管企业中的监管问题企业。
本步骤，可以通过图4所示实施方式实施，图4是根据图1所示实施例示出的又一种企业排污实时监管方法的流程图；如图4所示，该步骤104可以包括：
步骤1041，将每个监管企业的该目标企业特征数据输入第二预设机器学习模型，以获取该第二预设机器学习模型输出的企业类型，该企业类型包括重点排污问题企业，重点治污问题企业，中性企业和正面企业。
其中，该第二预设机器学习模型的训练方法包括：
获取第二训练数据，该第二训练数据中包括多个企业的企业特征样本数据以及企业类型标注数据，通过该第二训练数据，对第二预设初始模型进行模型训练，以得到该第二预设机器学习模型。
需要说明的是，重点排污问题企业为排污过程存在严重问题的企业，重点治污问题企业为治污过程存在严重问题的企业，中性企业为出现排污治污问题次数不多，问题不严重的企业，正面企业为排污治污均无问题的企业。该第二预设初始模型也可以是神经网络算法模型、决策树模型或者其他机器学习模型。模型训练过程中以监管企业的企业特征样本数据为模型输入，以获取该第二预设初始模型输出的企业类型，根据该企业类型和该企业特征样本数据对应的企业类型标注数据计算损失值，根据该损失值优化该第二预设初始模型，依次以该第二训练数据中的多个企业的企业特征样本数据以及企业类型标注数据进行上述优化过程，直至在该损失值小于或者等于指定损失阈值的情况下，得到该企业特征样本数据第一预设机器学习模型。
步骤1042，将该监管区域内所述多个监管企业中企业类型为重点排污问题企业和/或重点治污问题企业的监管企业作为该监管问题企业。
其中，在得到该监管问题企业之后，可以针对该监管问题企业进行优先巡查，针对中性企业进行高频次的抽查，对正面企业进行低频次抽查。
以上技术方案，由于能够根据该基准企业特征数据对每个需要补全的该监管企业的企业特征数据进行相应补全，从而得到每个监管企业的目标企业特征数据，所以能够有效扩大污染排放远程监管企业的覆盖范围，并且由于能够根据每个该监管企业的该目标企业特征数据确定该监管区域内多个监管企业中的监管问题企业，因此能够有效提升企业污染排放监管的自动化程度，降低企业污染排放监管所需的人力物力，提升监管效率。
图5是本公开另一示例性实施例示出的一种企业排污实时监管装置的框图；如图5所示，该装置可以包括：
获取模块501，被配置为获取监管区域内多个监管企业中每个监管企业的企业监管数据，该企业监管数据，用于描述指定历史时间段内企业的生产、排污、治污以及排污检查的状况信息；
第一确定模块502，被配置为根据该监管区域内每个监管企业的该企业监管数据确定该监管区域的基准企业特征数据，该基准企业特征数据用于补全监管企业的企业特征数据；
第二确定模块503，被配置为根据该基准企业特征数据确定每个该监管企业的目标企业特征数据；
第三确定模块504，被配置为根据每个该监管企业的该目标企业特征数据确定该监管区域内多个监管企业中的监管问题企业。
以上技术方案，由于能够根据该基准企业特征数据对每个需要补全的该监管企业的企业特征数据进行相应补全，从而得到每个监管企业的目标企业特征数据，所以能够有效扩大污染排放远程监管企业的覆盖范围，并且由于能够根据每个该监管企业的该目标企业特征数据确定该监管区域内多个监管企业中的监管问题企业，因此能够有效提升企业污染排放监管的自动化程度，降低企业污染排放监管所需的人力物力，提升监管效率。
可选地，该第一确定模块502，被配置为：
对每个该监管企业的该企业监管数据进行校验处理，以得到校验之后的待用监管数据；
从每个该监管企业的该待用监管数据中提取多个预设字段的企业数据，以得到每个监管企业的企业特征数据；
根据该监管区域内多个监管企业中每个监管企业的该企业特征数据确定该基准企业特征数据。
可选地，该第一确定模块502，被配置为：
确定每个该企业特征数据对应的字段类型数量；
确定该监管区域内多个监管企业中该字段类型数量最多的目标监管企业；
将该目标监管企业的该企业特征数据作为该基准企业特征数据。
可选地，该第一确定模块502，被配置为：
对该企业监管数据进行格式统一化处理，以得到该企业监管数据对应的待校验数据；
确定该待校验数据中的数值型数据和非数值型数据；
根据该数值型数据和该非数值型数据确定校验之后的待用监管数据。
可选地，该第一确定模块502，被配置为：
对该数值型数据进行上下限值校验，以得到中间校验数据；在确定该中间校验数据中存在一个字段有多个来源的不同数值的情况下，确定该不同数值的均值，将该均值作为校验后的目标数值型数据；
针对该非数值型数据，在确定一个事项包括多个来源的多种描述数据的情况下，展示该多种描述数据，并接收用户指定的目标描述信息，将该目标描述信息作为校验后的目标非数值型数据，以得到包括该目标数值型数据和该目标非数值型数据的待用监管数据。
可选地，该第二确定模块503，被配置为：
在确定该监管企业的该企业特征数据中每个该预设字段对应的企业数据均不为空的情况下，确定该企业特征数据为无需补全的企业特征数据；
在确定所述多个预设字段对应的企业数据中存在空值的情况下，确定该企业特征数据为待补全的企业特征数据；
根据该基准企业特征数据补全该待补全的企业特征数据，以得到该目标企业特征数据。
可选地，该第二确定模块503，被配置为：
根据该待补全的企业特征数据中的已有企业数据和该基准企业特征数据确定待补全企业与该基准企业特征数据对应企业的相似度；
根据该相似度确定该待补全的企业特征数据中的目标补全数据；
将该已有企业数据和该目标补全数据作为该目标企业特征数据。
可选地，该第二确定模块503，被配置为：
从预设关系数据中确定该相似度对应的目标补全数据，该预设关系数据包括多个预设相似度与不同补全数据的对应关系。
可选地，该第二确定模块503，被配置为：
将该待补全的企业特征数据与该基准企业特征数据输入第一预设机器学习模型，以获取该第一预设机器学习模型输出的该目标企业特征数据。
图6是根据图5所示实施例示出的一种企业排污实时监管装置的框图；如图6所示，该装置还包括第一训练模块505，该第一训练模块505被配置为：
获取第一训练数据，该第一训练数据中包括多组样本数据，每组样本数据中包括基准样本数据和待补全样本数据，以及补全样本数据，
以该补全样本数据为样本标注数据，对第一预设初始模型进行模型训练，以得到该第一预设机器学习模型。
可选地，该第三确定模块504，被配置为：
将每个监管企业的该目标企业特征数据输入第二预设机器学习模型，以获取该第二预设机器学习模型输出的企业类型，该企业类型包括重点排污问题企业，重点治污问题企业，中性企业和正面企业；
将该监管区域内所述多个监管企业中企业类型为重点排污问题企业和/或重点治污问题企业的监管企业作为该监管问题企业。
可选地，该装置还包括第二训练模块506，被配置为：
获取第二训练数据，该第二训练数据中包括多个企业的企业特征样本数据以及企业类型标注数据；
通过该第二训练数据，对第二预设初始模型进行模型训练，以得到该第二预设机器学习模型。
以上技术方案，由于能够根据该基准企业特征数据对每个需要补全的该监管企业的企业特征数据进行相应补全，从而得到每个监管企业的目标企业特征数据，所以能够有效扩大污染排放远程监管企业的覆盖范围，并且由于能够根据每个该监管企业的该目标企业特征数据确定该监管区域内多个监管企业中的监管问题企业，因此能够有效提升企业污染排放监管的自动化程度，降低企业污染排放监管所需的人力物力，提升监管效率。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图7是根据一示例性实施例示出的一种电子设备的框图。如图7所示，该第一电子设备700可以包括：第一处理器701，第一存储器702。该第一电子设备700还可以包括多媒体组件703，第一输入/输出接口704，以及第一通信组件705中的一者或多者。
其中，第一处理器701用于控制该第一电子设备700的整体操作，以完成上述的企业排污实时监管方法中的全部或部分步骤。第一存储器702用于存储各种类型的数据以支持在该第一电子设备700的操作，这些数据例如可以包括用于在该第一电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该第一存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器（Static Random Access Memory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read-OnlyMemory，简称EPROM），可编程只读存储器（Programmable Read-Only Memory，简称PROM），只读存储器（Read-Only Memory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在第一存储器702或通过第一通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。第一输入/输出接口704为第一处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。第一通信组件705用于该第一电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信（Near Field Communication，简称NFC），2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该第一通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，第一电子设备700可以被一个或多个应用专用集成电路（Application Specific Integrated Circuit，简称ASIC）、数字信号处理器（DigitalSignal Processor，简称DSP）、数字信号处理设备（Digital Signal Processing Device，简称DSPD）、可编程逻辑器件（Programmable Logic Device，简称PLD）、现场可编程门阵列（Field Programmable Gate Array，简称FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的企业排污实时监管方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的企业排污实时监管方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的第一存储器702，上述程序指令可由第一电子设备700的第一处理器701执行以完成上述的企业排污实时监管方法。
图8是根据一示例性实施例示出的另一种电子设备的框图。例如，第二电子设备800可以被提供为一服务器。参照图8，第二电子设备800包括第二处理器822，其数量可以为一个或多个，以及第二存储器832，用于存储可由第二处理器822执行的计算机程序。第二存储器832中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，第二处理器822可以被配置为执行该计算机程序，以执行上述的企业排污实时监管方法。
另外，第二电子设备800还可以包括电源组件826和第二通信组件850，该电源组件826可以被配置为执行第二电子设备800的电源管理，该第二通信组件850可以被配置为实现第二电子设备800的通信，例如，有线或无线通信。此外，该第二电子设备800还可以包括第二输入/输出接口858。第二电子设备800可以操作基于存储在第二存储器832的操作***。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的企业排污实时监管方法的步骤。例如，该非临时性计算机可读存储介质可以为上述包括程序指令的第二存储器832，上述程序指令可由第二电子设备800的第二处理器822执行以完成上述的企业排污实时监管方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的企业排污实时监管方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (15)

1.一种企业排污实时监管方法，其特征在于，所述方法包括：
获取监管区域内多个监管企业中每个监管企业的企业监管数据，所述企业监管数据用于描述指定历史时间段内企业的生产、排污、治污以及排污检查的状况信息，企业监管数据包括污染源在线监测信息、企业工况用电信息、企业电网用电信息、排污许可证信息、排放清单信息、应急减排清单信息、环评审批信息和企业排污检查记录信息中的一个或多个，其中，所述污染源在线监测信息，包括污染源的监测点名称、监测点位置，企业位置，污染物种类，污染物排放时间以及排放浓度中的至少一个；所述企业工况用电信息，包括企业产污设施和治污设施的运行时间规律；所述企业电网用电信息，包括监管区域内的用电总量信息，以及用电规律信息；所述排污许可证信息包括允许排放的污染物信息；所述排放清单信息包括排污名称、排污类型、排放量、排放位置，以及治理设施名称、治理种类和治理效率中的至少一个；所述应急减排清单信息，包括红橙黄三个应急情境下企业停产和限产的管控措施信息；所述企业排污检查记录信息，包括目标历史时间段内对企业进行排污检查时产生的记录信息；
根据所述监管区域内每个监管企业的所述企业监管数据确定所述监管区域的基准企业特征数据，所述基准企业特征数据用于补全监管企业的企业特征数据；
根据所述基准企业特征数据确定每个所述监管企业的目标企业特征数据；
根据每个所述监管企业的所述目标企业特征数据确定所述监管区域内多个监管企业中的监管问题企业。
2.根据权利要求1所述的企业排污实时监管方法，其特征在于，所述根据所述监管区域内每个监管企业的所述企业监管数据确定所述监管区域的基准企业特征数据，包括：
对每个所述监管企业的所述企业监管数据进行校验处理，以得到校验之后的待用监管数据；
从每个所述监管企业的所述待用监管数据中提取多个预设字段的企业数据，以得到每个监管企业的企业特征数据；
根据所述监管区域内多个监管企业中每个监管企业的所述企业特征数据确定所述基准企业特征数据。
3.根据权利要求2所述的企业排污实时监管方法，其特征在于，所述根据所述监管区域内多个监管企业中每个监管企业的所述企业特征数据确定所述基准企业特征数据，包括：
确定每个所述企业特征数据对应的字段类型数量；
确定所述监管区域内多个监管企业中所述字段类型数量最多的目标监管企业；
将所述目标监管企业的所述企业特征数据作为所述基准企业特征数据。
4.根据权利要求2所述的企业排污实时监管方法，其特征在于，所述对每个所述监管企业的所述企业监管数据进行校验处理，以得到校验之后的待用监管数据，包括：
对所述企业监管数据进行格式统一化处理，以得到所述企业监管数据对应的待校验数据；
确定所述待校验数据中的数值型数据和非数值型数据；
根据所述数值型数据和所述非数值型数据确定校验之后的待用监管数据。
5.根据权利要求4所述的企业排污实时监管方法，其特征在于，所述根据所述数值型数据和所述非数值型数据确定校验之后的待用监管数据，包括：
对所述数值型数据进行上下限值校验，以得到中间校验数据；在确定所述中间校验数据中存在一个字段有多个来源的不同数值的情况下，确定所述不同数值的均值，将所述均值作为校验后的目标数值型数据；
针对所述非数值型数据，在确定一个事项包括多个来源的多种描述数据的情况下，展示所述多种描述数据，并接收用户指定的目标描述信息，将所述目标描述信息作为校验后的目标非数值型数据，以得到包括所述目标数值型数据和所述目标非数值型数据的待用监管数据。
6.根据权利要求2所述的企业排污实时监管方法，其特征在于，所述根据所述基准企业特征数据确定每个所述监管企业的目标企业特征数据，包括：
在确定所述监管企业的所述企业特征数据中每个所述预设字段对应的企业数据均不为空的情况下，确定所述企业特征数据为无需补全的企业特征数据；
在确定所述多个预设字段对应的企业数据中存在空值的情况下，确定所述企业特征数据为待补全的企业特征数据；
根据所述基准企业特征数据补全所述待补全的企业特征数据，以得到所述目标企业特征数据。
7.根据权利要求6所述的企业排污实时监管方法，其特征在于，所述根据所述基准企业特征数据补全所述待补全的企业特征数据，以得到所述目标企业特征数据，包括：
根据所述待补全的企业特征数据中的已有企业数据和所述基准企业特征数据确定待补全企业与所述基准企业特征数据对应企业的相似度；
根据所述相似度确定所述待补全的企业特征数据中的目标补全数据；
将所述已有企业数据和所述目标补全数据作为所述目标企业特征数据。
8.根据权利要求7所述的企业排污实时监管方法，其特征在于，所述根据所述相似度确定所述待补全的企业特征数据中的目标补全数据，包括：
从预设关系数据中确定所述相似度对应的目标补全数据，所述预设关系数据包括多个预设相似度与不同补全数据的对应关系。
9.根据权利要求6所述的企业排污实时监管方法，其特征在于，所述根据所述基准企业特征数据补全所述待补全的企业特征数据，以得到所述目标企业特征数据，包括：
将所述待补全的企业特征数据与所述基准企业特征数据输入第一预设机器学习模型，以获取所述第一预设机器学习模型输出的所述目标企业特征数据。
10.根据权利要求9所述的企业排污实时监管方法，其特征在于，所述第一预设机器学习模型的训练方法包括：
获取第一训练数据，所述第一训练数据中包括多组样本数据，每组样本数据中包括基准样本数据和待补全样本数据，以及补全样本数据，
以所述补全样本数据为样本标注数据，对第一预设初始模型进行模型训练，以得到所述第一预设机器学习模型。
11.根据权利要求1所述的企业排污实时监管方法，其特征在于，所述根据每个所述监管企业的所述目标企业特征数据确定所述监管区域内多个监管企业中的监管问题企业，包括：
将每个监管企业的所述目标企业特征数据输入第二预设机器学习模型，以获取所述第二预设机器学习模型输出的企业类型，所述企业类型包括重点排污问题企业，重点治污问题企业，中性企业和正面企业；
将所述监管区域内所述多个监管企业中企业类型为重点排污问题企业和/或重点治污问题企业的监管企业作为所述监管问题企业。
12.根据权利要求11所述的企业排污实时监管方法，其特征在于，所述第二预设机器学习模型的训练方法包括：
获取第二训练数据，所述第二训练数据中包括多个企业的企业特征样本数据以及企业类型标注数据；
通过所述第二训练数据，对第二预设初始模型进行模型训练，以得到所述第二预设机器学习模型。
13.一种企业排污实时监管装置，其特征在于，所述装置包括：
获取模块，被配置为获取监管区域内多个监管企业中每个监管企业的企业监管数据，所述企业监管数据，用于描述指定历史时间段内企业的生产、排污、治污以及排污检查的状况信息，企业监管数据包括污染源在线监测信息、企业工况用电信息、企业电网用电信息、排污许可证信息、排放清单信息、应急减排清单信息、环评审批信息和企业排污检查记录信息中的一个或多个，其中，所述污染源在线监测信息，包括污染源的监测点名称、监测点位置，企业位置，污染物种类，污染物排放时间以及排放浓度中的至少一个；所述企业工况用电信息，包括企业产污设施和治污设施的运行时间规律；所述企业电网用电信息，包括监管区域内的用电总量信息，以及用电规律信息；所述排污许可证信息包括允许排放的污染物信息；所述排放清单信息包括排污名称、排污类型、排放量、排放位置，以及治理设施名称、治理种类和治理效率中的至少一个；所述应急减排清单信息，包括红橙黄三个应急情境下企业停产和限产的管控措施信息；所述企业排污检查记录信息，包括目标历史时间段内对企业进行排污检查时产生的记录信息；
第一确定模块，被配置为根据所述监管区域内每个监管企业的所述企业监管数据确定所述监管区域的基准企业特征数据，所述基准企业特征数据用于补全监管企业的企业特征数据；
第二确定模块，被配置为根据所述基准企业特征数据确定每个所述监管企业的目标企业特征数据；
第三确定模块，被配置为根据每个所述监管企业的所述目标企业特征数据确定所述监管区域内多个监管企业中的监管问题企业。
14.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-12中任一项所述方法的步骤。
15.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-12中任一项所述方法的步骤。
CN202311020006.0A 2023-08-14 2023-08-14 企业排污实时监管方法、装置、存储介质及电子设备 Active CN116739223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311020006.0A CN116739223B (zh) 2023-08-14 2023-08-14 企业排污实时监管方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311020006.0A CN116739223B (zh) 2023-08-14 2023-08-14 企业排污实时监管方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN116739223A CN116739223A (zh) 2023-09-12
CN116739223B true CN116739223B (zh) 2023-11-07

Family

ID=87902975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311020006.0A Active CN116739223B (zh) 2023-08-14 2023-08-14 企业排污实时监管方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN116739223B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472468A (zh) * 2018-10-23 2019-03-15 广东柯内特环境科技有限公司 针对voc有机废气的企业排污智能监控数据分析***
CN112308273A (zh) * 2019-07-31 2021-02-02 中国石油化工股份有限公司 存储器、石化企业排污管理方法、装置和设备
CN115689396A (zh) * 2022-12-30 2023-02-03 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
CN116071895A (zh) * 2023-02-06 2023-05-05 广东慧航天唯科技有限公司 一种工业废水过程排放监测预警方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180357144A1 (en) * 2017-06-08 2018-12-13 Bionova Oy Computer implemented method for generating sustainable performance and environmental impact assessment for target system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472468A (zh) * 2018-10-23 2019-03-15 广东柯内特环境科技有限公司 针对voc有机废气的企业排污智能监控数据分析***
CN112308273A (zh) * 2019-07-31 2021-02-02 中国石油化工股份有限公司 存储器、石化企业排污管理方法、装置和设备
CN115689396A (zh) * 2022-12-30 2023-02-03 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
CN116071895A (zh) * 2023-02-06 2023-05-05 广东慧航天唯科技有限公司 一种工业废水过程排放监测预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
铁矿烧结环境监管要点分析;王仲旭;贾子利;孙广轮;郑艳芬;黄树杰;赵芳;;资源节约与环保(第11期);全文 *

Also Published As

Publication number Publication date
CN116739223A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN108198408B (zh) 一种基于用电信息采集***的自适应反窃电监控方法及***
US20240142063A1 (en) Method for troubleshooting potential safety hazards of compressor in smart gas pipeline network and internet of things system thereof
CN103729557A (zh) 基于psd-bpa的静态n-x批处理方法
CN108183897B (zh) 一种信息物理融合***安全风险评估方法
CN111179115A (zh) 故障处理辅助决策方法、装置、存储介质及电子设备
CN112184491B (zh) 电网中异常数据识别方法、装置、计算机设备和存储介质
CN112801315A (zh) 电力二次设备的状态诊断方法、装置及终端
CN115796607A (zh) 一种基于用电信息分析的采集终端安全画像评估方法
CN115396324A (zh) 一种网络安全态势感知预警处理***
CN112184072B (zh) 机房设备管理方法及装置
CN116228501B (zh) 排污超标区域行业确定方法、装置、存储介质及电子设备
CN116739223B (zh) 企业排污实时监管方法、装置、存储介质及电子设备
CN113991843B (zh) 一种电网调度操作的防误方法、***、设备和介质
CN115358336A (zh) 用电异常检测方法、装置及电子设备
CN115494431A (zh) 一种变压器故障告警方法、终端设备和计算机可读存储介质
CN111352818B (zh) 应用程序性能分析方法、装置、存储介质及电子设备
CN114443738A (zh) 异常数据挖掘方法、装置、设备及介质
CN113256256A (zh) 一种工单预警方法、装置、设备及存储介质
Feng et al. Research of Deep Learning and Adaptive Threshold Based Signaling Storm Prediction and Top Cause Tracking
CN107436958B (zh) 一种基于通用逻辑的调度主站二次设备信号建模方法
CN111143622A (zh) 基于大数据平台的故障数据集构建方法
CN111105140A (zh) 一种配电网运行状态风险综合评估方法
CN117610895B (zh) 重点污染源管控时间的确定方法、装置、电子设备及介质
CN115327675B (zh) 气象装备运行状态监控方法、***、设备及存储介质
CN118094531B (zh) 一种安全运维实时预警一体化***

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