國(guó)網(wǎng)東營(yíng)供電公司 馬春玲

國(guó)網(wǎng)山東省電力公司 王 進(jìn)

國(guó)網(wǎng)東營(yíng)供電公司 孫晨鑫 常 露

2021年3月5 日政府工作報(bào)告明確指出，繼續(xù)加強(qiáng)污染防治和生態(tài)建設(shè)，并堅(jiān)持以數(shù)據(jù)化創(chuàng)新驅(qū)動(dòng)環(huán)境質(zhì)量改善。傳統(tǒng)污染防治工作開(kāi)展主要依靠現(xiàn)場(chǎng)巡檢治理和防控，人力物力成本高、效率低。隨著全國(guó)電力全覆蓋和碳排放在線(xiàn)實(shí)時(shí)監(jiān)視終端的部署與推進(jìn)，電力作為企業(yè)生產(chǎn)活動(dòng)必不可少的能源，可及時(shí)、準(zhǔn)確反映企業(yè)的生產(chǎn)狀況及設(shè)備使用情況，故當(dāng)前有關(guān)機(jī)構(gòu)通過(guò)監(jiān)測(cè)重點(diǎn)企業(yè)用電量實(shí)現(xiàn)企業(yè)排污監(jiān)測(cè)。王立斌等在《一種基于用電規(guī)律的污染企業(yè)違規(guī)生產(chǎn)監(jiān)控方法》一文中基于污染企業(yè)的用電規(guī)律進(jìn)行用電閾值設(shè)定以違規(guī)生產(chǎn)研判，但由于實(shí)用時(shí)存在日常非生產(chǎn)用電數(shù)據(jù)干擾，導(dǎo)致誤判率較高；孫開(kāi)寧等在《基于電力大數(shù)據(jù)挖掘的重點(diǎn)企業(yè)污染防治專(zhuān)項(xiàng)行動(dòng)方案設(shè)計(jì)》一文中采回歸分析方法構(gòu)建基于行業(yè)用電量的環(huán)境影響預(yù)測(cè)模型，然而未能動(dòng)態(tài)評(píng)估企業(yè)生產(chǎn)對(duì)大氣污染的后續(xù)影響。

上述方法均表明用電數(shù)據(jù)可以作為企業(yè)排污監(jiān)控的有效依據(jù)，然而依賴(lài)于線(xiàn)性的數(shù)據(jù)處理過(guò)程，各類(lèi)企業(yè)的設(shè)備、調(diào)控約束條件及獲取的監(jiān)測(cè)數(shù)據(jù)指標(biāo)存在差異，線(xiàn)性訓(xùn)練模型在實(shí)際應(yīng)用中存在跨企業(yè)偏移問(wèn)題，導(dǎo)致排污監(jiān)測(cè)預(yù)警效果不理想。本文基于高實(shí)時(shí)性的電力數(shù)據(jù)，結(jié)合環(huán)保監(jiān)測(cè)指標(biāo)數(shù)據(jù)，輔以氣象數(shù)據(jù)、節(jié)假日數(shù)據(jù)，通過(guò)短期電力負(fù)荷數(shù)據(jù)預(yù)測(cè)，實(shí)現(xiàn)各企業(yè)的短期排污預(yù)測(cè)，實(shí)現(xiàn)環(huán)保預(yù)警監(jiān)測(cè)的未雨綢繆。

1 構(gòu)建短期排污監(jiān)測(cè)預(yù)警模型

基于高實(shí)時(shí)性的電力數(shù)據(jù)，結(jié)合環(huán)保監(jiān)測(cè)指標(biāo)數(shù)據(jù)，輔以氣象數(shù)據(jù)、節(jié)假日數(shù)據(jù)，構(gòu)建短期排污監(jiān)測(cè)預(yù)警模型，實(shí)現(xiàn)對(duì)重點(diǎn)污染源企業(yè)的監(jiān)測(cè)與預(yù)警。

1.1 用電負(fù)荷與環(huán)保指標(biāo)的關(guān)聯(lián)映射

首先基于同類(lèi)型企業(yè)樣本數(shù)據(jù)，對(duì)環(huán)保指標(biāo)數(shù)據(jù)與企業(yè)用電數(shù)據(jù)進(jìn)行關(guān)聯(lián)性分析，獲取相關(guān)性的用電特征與環(huán)保指標(biāo)數(shù)據(jù)，并獲取相關(guān)指標(biāo)閾值范圍。分別計(jì)算電力待選特征集FD中的任一特征項(xiàng)FiD與環(huán)保待選特征集FH中的任一特征項(xiàng)間的互信息I(,)，計(jì)算公式如下：

其中，特征項(xiàng)和（i=1,2,...,N，j=1,2,...,M）的概率密度分布為P()和P()，P(,)為離散聯(lián)合概率密度，為在t時(shí)刻的特征值，為在t-1時(shí)刻到t時(shí)刻的差分值，為在t時(shí)刻的特征值，為在t-1時(shí)刻到t時(shí)刻的差分值。

由于求特征項(xiàng)和同時(shí)變化的關(guān)聯(lián)度，故選擇二者同一時(shí)刻的差分值進(jìn)行關(guān)聯(lián)性分析，互信息I(,)表示二者之間的關(guān)聯(lián)度。

1.2 構(gòu)建短期用電負(fù)荷預(yù)測(cè)模型

基于獲取的企業(yè)歷史用電負(fù)荷特征數(shù)據(jù)，構(gòu)建采用長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）算法構(gòu)建短期用電負(fù)荷預(yù)測(cè)模型，并輸出短期各企業(yè)的用電負(fù)荷預(yù)測(cè)值。LSTM算法神經(jīng)元示意圖如圖1所示。

圖1 LSTM算法神經(jīng)元示意圖

以氣溫?cái)?shù)據(jù)、節(jié)假日數(shù)據(jù)、企業(yè)用電負(fù)荷特征數(shù)據(jù)作為L(zhǎng)STM模型數(shù)據(jù)輸入特征集x，輸入層為100個(gè)神經(jīng)元，基于企業(yè)在t時(shí)刻的歷史實(shí)際用電負(fù)荷數(shù)據(jù)，與短期企業(yè)用電負(fù)荷預(yù)測(cè)值ht做交叉熵運(yùn)算，并作為損失函數(shù)進(jìn)行反向反饋，從而調(diào)節(jié)神經(jīng)元的各個(gè)參數(shù)值，當(dāng)損失函數(shù)小于設(shè)定閾值時(shí)，固定各參數(shù)值，完成構(gòu)建短期用電負(fù)荷預(yù)測(cè)模型。

將當(dāng)前時(shí)刻的企業(yè)的氣溫?cái)?shù)據(jù)、節(jié)假日數(shù)據(jù)、企業(yè)用電負(fù)荷特征數(shù)據(jù)作為輸入，獲取企業(yè)短期用電負(fù)荷預(yù)測(cè)值。

1.3 基于相似企業(yè)的短期排污預(yù)測(cè)

若企業(yè)存在用電-環(huán)保指數(shù)關(guān)聯(lián)映射，則基于企業(yè)短期用電負(fù)荷預(yù)測(cè)值進(jìn)行匹配，獲取其短期排污預(yù)測(cè)數(shù)據(jù)；若該企業(yè)不存在用電-環(huán)保指數(shù)關(guān)聯(lián)映射，則在同一分類(lèi)樣本集內(nèi)，針對(duì)無(wú)排污連續(xù)監(jiān)測(cè)數(shù)據(jù)的企業(yè)A，以企業(yè)畫(huà)像的樣本特征數(shù)據(jù)為輸入，采用皮爾遜相關(guān)系數(shù)進(jìn)行相似度計(jì)算，取最大相似度的已存在的企業(yè)用電-環(huán)保指數(shù)關(guān)聯(lián)映射的企業(yè)B，作為無(wú)排污連續(xù)監(jiān)測(cè)數(shù)據(jù)企業(yè)的相似企業(yè)，基于企業(yè)A短期用電負(fù)荷預(yù)測(cè)值進(jìn)行比例壓縮，獲取其短期排污預(yù)測(cè)數(shù)據(jù)。

2 仿真與分析

本文以國(guó)網(wǎng)某電力公司用電信息采集系統(tǒng)、環(huán)境傳感器、網(wǎng)頁(yè)氣象數(shù)據(jù)爬取及節(jié)假日數(shù)據(jù)為采集數(shù)據(jù)源，基于該市的77個(gè)重點(diǎn)排污監(jiān)測(cè)企業(yè)，選擇2019年1月到2021年3月的歷史數(shù)據(jù)進(jìn)行模型訓(xùn)練，以2021年5月的數(shù)據(jù)為測(cè)試數(shù)據(jù)進(jìn)行短期一周內(nèi)的企業(yè)排污量預(yù)測(cè)。

本文基于某化肥公司為樣本案例，基于多分類(lèi)標(biāo)簽分類(lèi)得，該企業(yè)為中型煤化工企業(yè)，在煙氣排放污染物主要包含煙塵、二氧化硫和氮氧化物，本文以七日內(nèi)預(yù)測(cè)的電量對(duì)該企業(yè)的二氧化硫排放量進(jìn)行預(yù)測(cè)，并與實(shí)際排放量進(jìn)行對(duì)比。

圖3 7日二氧化硫排放預(yù)測(cè)值-實(shí)際值對(duì)比示意圖

如圖2、圖3所示，2021年5月10和2021年5月11日，該企業(yè)基于限制排污屬于半開(kāi)工狀態(tài)，故基于電力預(yù)測(cè)該企業(yè)的二氧化硫排放量為0mg/m3，且與實(shí)際排放量相同，由于2021年5月15和2021年5月16日為周六、周日，故部分生活用電量降低，但在預(yù)測(cè)模型時(shí)考慮到節(jié)日影響，該企業(yè)的二氧化硫排放量未受到生活用電因素的干擾，與實(shí)際排放量相對(duì)應(yīng)，分別在0:00、5:00、10:00、15:00、20:00進(jìn)行采用計(jì)算，統(tǒng)計(jì)七日用電負(fù)荷預(yù)測(cè)正確率和二氧化硫排放量預(yù)測(cè)正確率分別為：

圖2 7日用電負(fù)荷預(yù)測(cè)值-實(shí)際值對(duì)比示意圖

上述數(shù)據(jù)說(shuō)明本文所述方法可基于電量預(yù)測(cè)實(shí)現(xiàn)對(duì)短期內(nèi)企業(yè)排污量的預(yù)測(cè)。

基于高實(shí)時(shí)性的電力數(shù)據(jù)，結(jié)合環(huán)保監(jiān)測(cè)指標(biāo)數(shù)據(jù)、氣象數(shù)據(jù)、節(jié)假日數(shù)據(jù)，對(duì)重點(diǎn)污染源企業(yè)進(jìn)行監(jiān)測(cè)與預(yù)警，通過(guò)挖掘企業(yè)排污與用電數(shù)據(jù)的潛在關(guān)系，基于企業(yè)分類(lèi)、皮爾遜相關(guān)系數(shù)算法，實(shí)現(xiàn)企業(yè)用電-環(huán)保指標(biāo)間的關(guān)聯(lián)映射在相似企業(yè)間的遷移應(yīng)用，并采用LSTM算法+用電-環(huán)保指數(shù)關(guān)聯(lián)匹配，實(shí)現(xiàn)各企業(yè)的短期排污預(yù)測(cè)數(shù)據(jù)，從而加強(qiáng)對(duì)重點(diǎn)企業(yè)污染防治的聯(lián)防聯(lián)控。