電力-環保數據融合分析的企業短期排污監測預警

國網東營供電公司 馬春玲

國網山東省電力公司 王 進

國網東營供電公司 孫晨鑫 常 露

2021年3月5 日政府工作報告明確指出，繼續加強污染防治和生態建設，并堅持以數據化創新驅動環境質量改善。傳統污染防治工作開展主要依靠現場巡檢治理和防控，人力物力成本高、效率低。隨著全國電力全覆蓋和碳排放在線實時監視終端的部署與推進，電力作為企業生產活動必不可少的能源，可及時、準確反映企業的生產狀況及設備使用情況，故當前有關機構通過監測重點企業用電量實現企業排污監測。王立斌等在《一種基于用電規律的污染企業違規生產監控方法》一文中基于污染企業的用電規律進行用電閾值設定以違規生產研判，但由于實用時存在日常非生產用電數據干擾，導致誤判率較高；孫開寧等在《基于電力大數據挖掘的重點企業污染防治專項行動方案設計》一文中采回歸分析方法構建基于行業用電量的環境影響預測模型，然而未能動態評估企業生產對大氣污染的后續影響。

上述方法均表明用電數據可以作為企業排污監控的有效依據，然而依賴于線性的數據處理過程，各類企業的設備、調控約束條件及獲取的監測數據指標存在差異，線性訓練模型在實際應用中存在跨企業偏移問題，導致排污監測預警效果不理想。本文基于高實時性的電力數據，結合環保監測指標數據，輔以氣象數據、節假日數據，通過短期電力負荷數據預測，實現各企業的短期排污預測，實現環保預警監測的未雨綢繆。

1 構建短期排污監測預警模型

基于高實時性的電力數據，結合環保監測指標數據，輔以氣象數據、節假日數據，構建短期排污監測預警模型，實現對重點污染源企業的監測與預警。

1.1 用電負荷與環保指標的關聯映射

首先基于同類型企業樣本數據，對環保指標數據與企業用電數據進行關聯性分析，獲取相關性的用電特征與環保指標數據，并獲取相關指標閾值范圍。分別計算電力待選特征集FD中的任一特征項FiD與環保待選特征集FH中的任一特征項間的互信息I(,)，計算公式如下：

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

由于求特征項和同時變化的關聯度，故選擇二者同一時刻的差分值進行關聯性分析，互信息I(,)表示二者之間的關聯度。

1.2 構建短期用電負荷預測模型

基于獲取的企業歷史用電負荷特征數據，構建采用長短期記憶網絡（Long Short-Term Memory，LSTM）算法構建短期用電負荷預測模型，并輸出短期各企業的用電負荷預測值。LSTM算法神經元示意圖如圖1所示。

圖1 LSTM算法神經元示意圖

以氣溫數據、節假日數據、企業用電負荷特征數據作為LSTM模型數據輸入特征集x，輸入層為100個神經元，基于企業在t時刻的歷史實際用電負荷數據，與短期企業用電負荷預測值ht做交叉熵運算，并作為損失函數進行反向反饋，從而調節神經元的各個參數值，當損失函數小于設定閾值時，固定各參數值，完成構建短期用電負荷預測模型。

將當前時刻的企業的氣溫數據、節假日數據、企業用電負荷特征數據作為輸入，獲取企業短期用電負荷預測值。

1.3 基于相似企業的短期排污預測

若企業存在用電-環保指數關聯映射，則基于企業短期用電負荷預測值進行匹配，獲取其短期排污預測數據；若該企業不存在用電-環保指數關聯映射，則在同一分類樣本集內，針對無排污連續監測數據的企業A，以企業畫像的樣本特征數據為輸入，采用皮爾遜相關系數進行相似度計算，取最大相似度的已存在的企業用電-環保指數關聯映射的企業B，作為無排污連續監測數據企業的相似企業，基于企業A短期用電負荷預測值進行比例壓縮，獲取其短期排污預測數據。

2 仿真與分析

本文以國網某電力公司用電信息采集系統、環境傳感器、網頁氣象數據爬取及節假日數據為采集數據源，基于該市的77個重點排污監測企業，選擇2019年1月到2021年3月的歷史數據進行模型訓練，以2021年5月的數據為測試數據進行短期一周內的企業排污量預測。

本文基于某化肥公司為樣本案例，基于多分類標簽分類得，該企業為中型煤化工企業，在煙氣排放污染物主要包含煙塵、二氧化硫和氮氧化物，本文以七日內預測的電量對該企業的二氧化硫排放量進行預測，并與實際排放量進行對比。

圖3 7日二氧化硫排放預測值-實際值對比示意圖

如圖2、圖3所示，2021年5月10和2021年5月11日，該企業基于限制排污屬于半開工狀態，故基于電力預測該企業的二氧化硫排放量為0mg/m3，且與實際排放量相同，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，但在預測模型時考慮到節日影響，該企業的二氧化硫排放量未受到生活用電因素的干擾，與實際排放量相對應，分別在0:00、5:00、10:00、15:00、20:00進行采用計算，統計七日用電負荷預測正確率和二氧化硫排放量預測正確率分別為：

圖2 7日用電負荷預測值-實際值對比示意圖

上述數據說明本文所述方法可基于電量預測實現對短期內企業排污量的預測。

基于高實時性的電力數據，結合環保監測指標數據、氣象數據、節假日數據，對重點污染源企業進行監測與預警，通過挖掘企業排污與用電數據的潛在關系，基于企業分類、皮爾遜相關系數算法，實現企業用電-環保指標間的關聯映射在相似企業間的遷移應用，并采用LSTM算法+用電-環保指數關聯匹配，實現各企業的短期排污預測數據，從而加強對重點企業污染防治的聯防聯控。