电力-环保数据融合分析的企业短期排污监测预警

国网东营供电公司 马春玲

国网山东省电力公司 王 进

国网东营供电公司 孙晨鑫 常 露

2021年3月5 日政府工作报告明确指出，继续加强污染防治和生态建设，并坚持以数据化创新驱动环境质量改善。传统污染防治工作开展主要依靠现场巡检治理和防控，人力物力成本高、效率低。随着全国电力全覆盖和碳排放在线实时监视终端的部署与推进，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。王立斌等在《一种基于用电规律的污染企业违规生产监控方法》一文中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，但由于实用时存在日常非生产用电数据干扰，导致误判率较高；孙开宁等在《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》一文中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，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，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。本文基于高实时性的电力数据，结合环保监测指标数据，辅以气象数据、节假日数据，通过短期电力负荷数据预测，实现各企业的短期排污预测，实现环保预警监测的未雨绸缪。

1 构建短期排污监测预警模型

基于高实时性的电力数据，结合环保监测指标数据，辅以气象数据、节假日数据，构建短期排污监测预警模型，实现对重点污染源企业的监测与预警。

1.1 用电负荷与环保指标的关联映射

首先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。分别计算电力待选特征集FD中的任一特征项FiD与环保待选特征集FH中的任一特征项间的互信息I(,)，计算公式如下：

其中，特征项和（i=1,2,...,N，j=1,2,...,M）的概率密度分布为P()和P()，P(,)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I(,)表示二者之间的关联度。

1.2 构建短期用电负荷预测模型

基于获取的企业历史用电负荷特征数据，构建采用长短期记忆网络（Long Short-Term Memory，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。LSTM算法神经元示意图如图1所示。

图1 LSTM算法神经元示意图

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，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。

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。

1.3 基于相似企业的短期排污预测

若企业存在用电-环保指数关联映射，则基于企业短期用电负荷预测值进行匹配，获取其短期排污预测数据；若该企业不存在用电-环保指数关联映射，则在同一分类样本集内，针对无排污连续监测数据的企业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-环保指数关联映射的企业B，作为无排污连续监测数据企业的相似企业，基于企业A短期用电负荷预测值进行比例压缩，获取其短期排污预测数据。

2 仿真与分析

本文以国网某电力公司用电信息采集系统、环境传感器、网页气象数据爬取及节假日数据为采集数据源，基于该市的77个重点排污监测企业，选择2019年1月到2021年3月的历史数据进行模型训练，以2021年5月的数据为测试数据进行短期一周内的企业排污量预测。

本文基于某化肥公司为样本案例，基于多分类标签分类得，该企业为中型煤化工企业，在烟气排放污染物主要包含烟尘、二氧化硫和氮氧化物，本文以七日内预测的电量对该企业的二氧化硫排放量进行预测，并与实际排放量进行对比。

图3 7日二氧化硫排放预测值-实际值对比示意图

如图2、图3所示，2021年5月10和2021年5月11日，该企业基于限制排污属于半开工状态，故基于电力预测该企业的二氧化硫排放量为0mg/m3，且与实际排放量相同，由于2021年5月15和2021年5月16日为周六、周日，故部分生活用电量降低，但在预测模型时考虑到节日影响，该企业的二氧化硫排放量未受到生活用电因素的干扰，与实际排放量相对应，分别在0:00、5:00、10:00、15:00、20:00进行采用计算，统计七日用电负荷预测正确率和二氧化硫排放量预测正确率分别为：

图2 7日用电负荷预测值-实际值对比示意图

上述数据说明本文所述方法可基于电量预测实现对短期内企业排污量的预测。

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，对重点污染源企业进行监测与预警，通过挖掘企业排污与用电数据的潜在关系，基于企业分类、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-环保指数关联匹配，实现各企业的短期排污预测数据，从而加强对重点企业污染防治的联防联控。