國網(wǎng)東營供電公司 馬春玲

國網(wǎng)山東省電力公司 王 進

國網(wǎng)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(xù)加強污染防治和生態(tài)建設，并堅持以數(shù)據(jù)化創(chuàng)新驅動環(huán)境質量改善。傳統(tǒng)污染防治工作開展主要依靠現(xiàn)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(jiān)視終端的部署與推進，電力作為企業(yè)生產(chǎn)活動必不可少的能源，可及時、準確反映企業(yè)的生產(chǎn)狀況及設備使用情況，故當前有關機構通過監(jiān)測重點企業(yè)用電量實現(xiàn)企業(yè)排污監(jiān)測。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)律進行用電閾值設定以違規(guī)生產(chǎn)研判，但由于實用時存在日常非生產(chǎn)用電數(shù)據(jù)干擾，導致誤判率較高；孫開寧等在《基于電力大數(shù)據(jù)挖掘的重點企業(yè)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(yè)用電量的環(huán)境影響預測模型，然而未能動態(tài)評估企業(yè)生產(chǎn)對大氣污染的后續(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)，然而依賴于線性的數(shù)據(jù)處理過程，各類企業(yè)的設備、調控約束條件及獲取的監(jiān)測數(shù)據(jù)指標存在差異，線性訓練模型在實際應用中存在跨企業(yè)偏移問題，導致排污監(jiān)測預警效果不理想。本文基于高實時性的電力數(shù)據(jù)，結合環(huán)保監(jiān)測指標數(shù)據(jù)，輔以氣象數(shù)據(jù)、節(jié)假日數(shù)據(jù)，通過短期電力負荷數(shù)據(jù)預測，實現(xiàn)各企業(yè)的短期排污預測，實現(xiàn)環(huán)保預警監(jiān)測的未雨綢繆。

1 構建短期排污監(jiān)測預警模型

基于高實時性的電力數(shù)據(jù)，結合環(huán)保監(jiān)測指標數(shù)據(jù)，輔以氣象數(shù)據(jù)、節(jié)假日數(shù)據(jù)，構建短期排污監(jiān)測預警模型，實現(xiàn)對重點污染源企業(yè)的監(jiān)測與預警。

1.1 用電負荷與環(huán)保指標的關聯(lián)映射

首先基于同類型企業(yè)樣本數(shù)據(jù)，對環(huán)保指標數(shù)據(jù)與企業(yè)用電數(shù)據(jù)進行關聯(lián)性分析，獲取相關性的用電特征與環(huán)保指標數(shù)據(jù)，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(huán)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(lián)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(lián)度，故選擇二者同一時刻的差分值進行關聯(lián)性分析，互信息I(,)表示二者之間的關聯(lián)度。

1.2 構建短期用電負荷預測模型

基于獲取的企業(yè)歷史用電負荷特征數(shù)據(jù)，構建采用長短期記憶網(wǎng)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(yè)的用電負荷預測值。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

以氣溫數(shù)據(jù)、節(jié)假日數(shù)據(jù)、企業(yè)用電負荷特征數(shù)據(jù)作為LSTM模型數(shù)據(jù)輸入特征集x，輸入層為100個神經(jīng)元，基于企業(yè)在t時刻的歷史實際用電負荷數(shù)據(jù)，與短期企業(yè)用電負荷預測值ht做交叉熵運算，并作為損失函數(shù)進行反向反饋，從而調節(jié)神經(jīng)元的各個參數(shù)值，當損失函數(shù)小于設定閾值時，固定各參數(shù)值，完成構建短期用電負荷預測模型。

將當前時刻的企業(yè)的氣溫數(shù)據(jù)、節(jié)假日數(shù)據(jù)、企業(yè)用電負荷特征數(shù)據(jù)作為輸入，獲取企業(yè)短期用電負荷預測值。

1.3 基于相似企業(yè)的短期排污預測

若企業(yè)存在用電-環(huán)保指數(shù)關聯(lián)映射，則基于企業(yè)短期用電負荷預測值進行匹配，獲取其短期排污預測數(shù)據(jù)；若該企業(yè)不存在用電-環(huán)保指數(shù)關聯(lián)映射，則在同一分類樣本集內，針對無排污連續(xù)監(jiān)測數(shù)據(jù)的企業(yè)A，以企業(yè)畫像的樣本特征數(shù)據(jù)為輸入，采用皮爾遜相關系數(shù)進行相似度計算，取最大相似度的已存在的企業(yè)用電-環(huán)保指數(shù)關聯(lián)映射的企業(yè)B，作為無排污連續(xù)監(jiān)測數(shù)據(jù)企業(yè)的相似企業(yè)，基于企業(yè)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(shù)據(jù)。

2 仿真與分析

本文以國網(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個重點排污監(jiān)測企業(yè)，選擇2019年1月到2021年3月的歷史數(shù)據(jù)進行模型訓練，以2021年5月的數(shù)據(jù)為測試數(shù)據(jù)進行短期一周內的企業(yè)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(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，本文以七日內預測的電量對該企業(yè)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(yè)基于限制排污屬于半開工狀態(tài)，故基于電力預測該企業(yè)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(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(tǒng)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(shù)據(jù)說明本文所述方法可基于電量預測實現(xiàn)對短期內企業(yè)排污量的預測。

基于高實時性的電力數(shù)據(jù)，結合環(huán)保監(jiān)測指標數(shù)據(jù)、氣象數(shù)據(jù)、節(jié)假日數(shù)據(jù)，對重點污染源企業(yè)進行監(jiān)測與預警，通過挖掘企業(yè)排污與用電數(shù)據(jù)的潛在關系，基于企業(yè)分類、皮爾遜相關系數(shù)算法，實現(xiàn)企業(yè)用電-環(huán)保指標間的關聯(lián)映射在相似企業(yè)間的遷移應用，并采用LSTM算法+用電-環(huán)保指數(shù)關聯(lián)匹配，實現(xiàn)各企業(yè)的短期排污預測數(shù)據(jù)，從而加強對重點企業(yè)污染防治的聯(lián)防聯(lián)控。