CN104680313A - 城市高耗能企业监测筛选方法 - Google Patents
城市高耗能企业监测筛选方法 Download PDFInfo
- Publication number
- CN104680313A CN104680313A CN201510070682.8A CN201510070682A CN104680313A CN 104680313 A CN104680313 A CN 104680313A CN 201510070682 A CN201510070682 A CN 201510070682A CN 104680313 A CN104680313 A CN 104680313A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- industry
- energy
- energy consumption
- power consumption
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000012216 screening Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005265 energy consumption Methods 0.000 claims abstract description 73
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000005611 electricity Effects 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 239000010931 gold Substances 0.000 description 4
- 229910052737 gold Inorganic materials 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000013064 chemical raw material Substances 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- -1 ferrous metals Chemical class 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000003758 nuclear fuel Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- 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
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市高耗能企业监测筛选方法，包括以下步骤：首先对城市耗能行业和/或企业进行研究筛选；建立关系分析模型实现耗能行业和/或企业监测及筛选功能模块；算法选择优化和结果可视化呈现方案；建立模型进行能耗分析，针对不同的需求主体，提供不同形式、程度的展示；城市行业和/或企业能耗与产值分析神经网络拓扑设计。本发明提供的城市高耗能企业监测筛选方法，基于电力内部营销数据，结合数据分析进行的，通过用电量结合电力系统数据平台上的实时用电量监控，进行大型设备运行监测，统计行业和/或企业不同颗粒度的能耗数据资料，实现预测产值功能，实时监控用电量功能，高耗能行业和/或企业筛选监测功能。
Description
技术领域
本发明涉及耗能监测技术领域，特别是指一种城市高耗能企业监测筛选方法。
背景技术
为了实现辅助政府有效控制高耗能高污染行业过快增长，加快淘汰落后生产能力，大力发展循环经济完善体制和政策体系，要深化改革加大节能减排的投入更具指导性的编制计划，科学合理贴合当地区域的节能减排科技推进出台政策，指导企业改善经营模式，帮助高耗能企业进行节能减排工作，推广银监会限制“双高”贷款同时，贯彻银行业金融机构对节能减排重点工程和重点污染防治工程贷款要“积极支持”。针对于筛选出高耗能行企业(行业和/或企业)，我们通常会借助传统定义的六类高耗能行业：煤炭开采和洗选、石油加工、炼焦及核燃料、化学原料及化学制造品制造业、非金属矿物制造、黑色金属加工、有色金属加工，进行行业内部的重点企业监管，途径主要是根据电力公司上报的重点行企业(行业和/或企业)的用电量，以及行企业(行业和/或企业)产值的统计数据进行上报给政府或相关机构的调查统计资料来进行监管，以电力公司上报用电数据以及各行企业(行业和/或企业)上报产值信息为依据，从而进行分析，计算分析出六类高耗能行业用能情况及产值情况，是否属于高耗能行企业(行业和/或企业)，进而实现强化节能减排监督管理，促进能源节约和环境保护，建立政府引导、企业为主和社会参与的节能减排投入机制。
对于是否属于节能减排先进行企业(行业和/或企业)，关系到很多的国家政策支持以及资金支持，社会口碑品牌建设利益，企业的一些衡量数据被人为修改、隐瞒，使得国家监测高耗能企业的指标不具有真实性，由于缺乏真实的指标数据，金融机构往往从国家能源部门得到筛选名单，而这些筛选名单，主要由各行企业(行业和/或企业)报表、汇报，以及相关部门进行抽查得来，不具有时效性和真实性。
电力系统的优势在于，像一个巨大的网络，触角遍及整个城市的角落，随着交叉学科支撑的智能电网的飞速发展，电力光纤入户的深入性，供电营业厅服务项目的普遍性，大至整个社会用电状态，大型行企业(行业和/或企业)运行状态，小至行企业(行业和/或企业)居民用电设备用电量，电力系统内部数据已然成为了最具权威性、最具实时性、最具真实性、最具完整性的大数据集中器之一，伴随着电力设备上的传感装置，像是触角一般，敏锐的搜集者来自社会角落的各个信号。有效的解决了行企业(行业和/或企业)用能数据相关问题，为了避免数据的不安全因素，借助于电力系统的数据进行用能分析，促进节能减排，造福社会，已经成为电力系统内部的使命。
每个城市乃至每个小区域，都有着自己特色的发展方式，只有通过电力数据才能更真实的反映出当地的情况，所以对于电力数据挖掘存在这重大意义，基于电力数据的高耗能行企业(行业和/或企业)监测筛选系统既相应辅助国家提高对高耗能企业的监管力度，又真正实现辅助政府更具指导性的针对城市进行编制计划，科学合理的出台节能减排政策，指导当地企业改善运行模式，提高行企业(行业和/或企业)耗能的透明度。
电力系统内部的大数据服务平台，设定重点企业是使用电量监控功能模块，目的通过实施用电量监控，进行用电量统计。因为没有给重点企业提供更多的服务功能，所以鲜有大中型企业愿意主动介入该平台中，使得电力系统和国家对于重点行企业(行业和/或企业)实时有效的用电量情况不透明。
发明内容
有鉴于此，本发明的目的在于提出一种城市高耗能企业监测筛选方法，能够实现预测产值功能、实时监控用电量功能、高耗能行企业(行业和/或企业)筛选监测功能等。
基于上述目的本发明提供的城市高耗能企业监测筛选方法，包括：
基于电力系统的大数据平台，结合电力系统特有的行企业(行业和/或企业)用电数据，以及部分重点大型企业的实时用电量，用电客户信息，重点企业的主营业务的年产值，结合交叉学科的技术研究，分析耗能设备潜在的提升点，从而用于对城市耗能行业和/或企业进行研究筛选；
运用数据挖掘算法，包括聚类分析、关联分析、时序分析等方法，利用预测网络建立城市行业和/或企业耗能投入与年终产值关系分析模型从而实现耗能行业和/或企业监测及筛选功能模块；其中输入数据为重点行业的历年季度用电量，输出数据为该行业的季度GDP；
对搭建行业和/或企业能耗投入与产值的分析模型进行研究和优化，通过常用的分析预测方法，选择精度较高、运算速度较快的小波算法进行改进，并通过鼓励企业接入电力系统中的实时电量监控模块，设置用电量高低门限，进行报警，帮助企业进行耗能大设备的运行监控，并提供行企业(行业和/或企业)历史能耗可视化设计方案；
使用matlab仿真软件的建模工具箱，选择小波算法的预测神经网络，输入主要为行企业(行业和/或企业)用电量，输出为该行业的产值；得出此模型后，进行相对能耗和绝对能耗的排名；
运用小波算法优化的BP神经网络进行行企业(行业和/或企业)投入能耗以产值的关系预测；在用电行企业(行业和/或企业)能耗投入与产值关系的预测过程中，输入为2个，分别为：该行业大型企业工厂用电量及主流行业发展状态；输出为1个，即该城市行企业(行业和/或企业)投入能耗与产值关系网络；
通过进行BP神经网络建模，建立普遍行业的投入能耗及产值之间的关系模型，实现筛选并预测出能耗较高的行业，并通过鼓励该行业内的重点企业介入电力系统用电量实时监测系统中，进行实时电量检测，季度用电量统计，年度历史用电量统计，结合该行企业(行业和/或企业)季度，年产值数据，通过用电量和产值之间的关系，进行绝对能耗和相对能耗的分析，进行不同行企业(行业和/或企业)之间的耗能横向对比，以及同一行企业(行业和/或企业)的纵向历史对比及未来预测。
较佳的，所述利用预测网络建立城市行业和/或企业耗能投入与年终产值关系分析模型的步骤还包括：
为了具有行业内不同企业的横向对比结果，运用聚类分析，设置两类行业和/或企业能耗模型包括相对能耗模型和绝对能耗模型；
其中，相对能耗模型的建立包括：针对于不同行业内的，运用聚类分析，将相同域内的行业季度或年终总产值进行划分，通过不同行业间的对比排名，可以得出该年度的总行业耗能排名，结合该行业历年耗能的历史数据，进行未来走势预测，提前为国家提供总行业能耗走势图；
绝对能耗模型的建立包括：针对于同一行业内不同企业的，主营业务的用电量单位产值排名，主要锁定相对能耗较高的行业中的重点企业进行研究；对于企业之间，进行横比；对于企业自身，进行纵比。
从上面所述可以看出，本发明提供的城市高耗能企业监测筛选方法，可以针对不同的面相用户提供不同程度的可公开价值数据，基于电力内部营销数据，结合数据分析进行的，通过用电量结合电力系统数据平台上的实时用电量监控，进行大型设备运行监测，统计行企业(行业和/或企业)不同颗粒度的能耗数据资料，实现预测产值功能，实时监控用电量功能，高耗能行企业(行业和/或企业)筛选监测功能；可面向政府提供宏耗能行企业(行业和/或企业)与产值之间的分析关系，高耗能行企业(行业和/或企业)排行，高耗能行企业(行业和/或企业)用电规律，大型设备的运行状态等；面对银监会可以直接提供高耗能行企业(行业和/或企业)名单，降低银行房贷风险；面对行企业(行业和/或企业)，横向相互对比，取长补短，找到自己行企业(行业和/或企业)内部的高耗能问题所在，纵向对比自身行企业(行业和/或企业)的节能减排整改效果。
附图说明
图1为本发明提供的城市高耗能企业监测筛选方法实施例的流程示意图；
图2为本发明提供的城市高耗能企业监测筛选方法实施例中基于电力数据的城市行企业(行业和/或企业)能耗监测筛选流程示意图；
图3为本发明提供的城市高耗能企业监测筛选方法实施例中基于电力数据的城市行企业(行业和/或企业)投入能耗及产值的关系的神经网络示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
名词解释：
聚类模型：聚类分析是研究“物以类聚”的一种科学有效的方法。做聚类分析时，出于不同的目的和要求，可以选择不同的统计量和聚类方法。
电力用户用电信息采集系统：是对电力用户的用电信息进行采集、处理和实时监控的系统，实现用电信息的自动采集、计量异常监测、电能质量监测、用电分析和管理、相关信息发布、分布式能源监控、智能用电设备的信息交互等功能。
电力系统内部营销数据：电力营销数据包括居民用户信息、用电数据、工商业用户信息、用电负荷实时测量及统计数据。
参照附图1，为本发明提供的城市高耗能企业监测筛选方法实施例的流程示意图。
所述城市高耗能企业监测筛选方法，包括以下步骤：
步骤101：首先对城市耗能行企业(行业和/或企业)进行研究筛选：
为了提高可实现性，此次高耗能行企业(行业和/或企业)监测及筛选系统，主要针对于同一城市内的耗能行企业(行业和/或企业)作为研究对象，选择一个重工业城市作为此次研究对象，根据该城市特点主要以重工业为主，占比以上的行业的GDP的贡献前三为：煤电化材26.8％，食品加工15.7％，其他行业总和52.3％。所以我们选择占比最高的：煤电化材行业。已经总结出共有25～30个左右行业，大类大致分为：采矿业，制造业，电力业三方面。(以下行业均表示上述的25～30个范围内所指行业)
基于电力系统的大数据平台，结合电力系统特有的行企业(行业和/或企业)用电数据，以及部分重点大型企业的实时用电量，用电客户信息，重点企业的主营业务的年产值，结合交叉学科的技术研究，分析耗能设备潜在的提升点。这里具体指的是：结合电力系统国内的用电设备专家，或者能效管理专家，通过实时用电进行分析和能耗指导。
步骤102：建立关系分析模型实现耗能行企业(行业和/或企业)监测及筛选功能模块：
为了建立高耗能行企业(行业和/或企业)的耗能投入和产值之间的分析模型从而实现高耗能行企业(行业和/或企业)监测及筛选功能，运用数据挖掘算法，包括聚类分析、关联分析、时序分析等方法，首先利用预测网络建立城市行企业(行业和/或企业)耗能投入与年终产值关系模型。输入、输出数据分别为：重点行业的历年季度用电量、该行业的季度GDP(资料显示：用电量会提前GDP一个季度动作)。
结合建立好的耗能投入与年终产值关系模型，以实现高耗能行企业(行业和/或企业)筛选监测功能，虽然重点还是关注国家规定的6个高耗能行业的企业，但是此功能的行业种类不受限制。具体做法如下：
为了具有行业内不同企业的横向对比结果，此处运用聚类分析，设置两类行企业(行业和/或企业)能耗模型包括相对能耗模型和绝对能耗模型(相对能耗和绝对能耗只是一个概念，只代表行业内和行业外的能耗比较)：
相对能耗模型的建立包括：针对于不同行业内的，运用聚类分析，将相同域内的行业季度或年终总产值进行划分，通过不同行业间的对比排名，可以得出该年度的总行业耗能排名，结合该行业历年耗能的历史数据，进行未来走势预测，提前为国家提供总行业能耗走势图。统计数据采用如下所示的表格1。
表1
绝对能耗模型的建立包括：针对于同一行业内不同企业的，主营业务的用电量单位产值排名，主要锁定相对能耗较高的行业中的重点企业进行研究，便于国家监督节能减排企业成效以及未进行节能减排企业进行技术改进或处罚。对于企业之间，进行横比，鼓励整改；对于企业自己进行纵比，审视自己行业内部，节能减排情况，不但可以警示落后企业，也可作为帮助整改积极企业正面树立节能减排形象，而申请更多国家支持。统计数据采用如下所示的表格2。
表2
| 同行业 | 单位用电量 | (主营业务)产值 |
| 不同企业 | 1 | 对比排名 |
步骤103：算法选择优化和结果可视化呈现方案
对搭建行企业(行业和/或企业)能耗投入与产值的分析模型进行研究和优化，通过常用的分析预测方法，选择精度较高，运算速度较快的小波算法进行改进，并通过鼓励企业接入电力系统中的实时电量监控模块，设置用电量高低门限，进行报警，帮助企业进行耗能大设备的运行监控，并提供行企业(行业和/或企业)历史能耗可视化设计方案。其中，小波算法的优化指的是，利用小波算法的算法公式，进行神经网络建模。
步骤104：建立模型进行能耗分析，针对不同的需求主体，提供不同形式、程度的展示。
如图2所示，使用matlab仿真软件的建模工具箱，选择小波算法的预测神经网络，输入主要为行企业(行业和/或企业)用电量，输出为该行业的产值。得出此模型后，进行相对能耗和绝对能耗的排名。
研究依托电力系统内部的优化小波算法的神经网络进行基于电力数据的行企业(行业和/或企业)耗能投入与产值关系建模，根据训练结果和实际结果进行比对，不断地优化算法，调整各影响因素权重,并对城市行企业(行业和/或企业)耗能投入及产值关系进行预测，通过软件进行仿真,形成不同需求主体所需分析报告,提供不同形式的展示方式，同时，通过聚类分析，分析出相对能耗和绝对能耗进行不同行业和同行业不同企业之间耗能和单位产值分析，实现高耗能好企业监测和筛选功能。
步骤105：城市行企业(行业和/或企业)能耗与产值分析神经网络拓扑设计。
下面以国际黄金价格预测模型为例介绍基于BP神经网络的预测与分析模型：
为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型，BP网络结构设计主要包括：
输入层：根据铁矿石产量数据的特点以及我国进行5年规划的惯例，选择输入层神经元个数为5。即用1981--1985年的国内铁矿石需求量作为网络的输入，1986年的国内铁矿石需求量作为输出。
输出层：由于输出的结果只有一个指标，即铁矿石需求量
传递函数：一个神经网络，如果第一层是S型函数，而第二层是线形函数，就可以用来模拟任何函数(必须是连续有界的)。因此，确定隐含层传递函数为S型函数“tansig"，输出层传递函数为线形函数“purelin”。
训练函数：为了确定最快捷准确的训练函数，本文采用比较法来确定。利用Matlab中常用的训练函数训练网络，得到不同函数的训练结果，最终确定采用Levenberg Marquart算法，简称LM算法。
由于不同的BP算法原理不同，其处理速度和运算结果都有些许不同。特此将三种主流算法进行一组非线性数据的预测算法比较，其中算法包括：LM算法，牛顿算法，以及小波算法，通过误差收敛曲线图比较可知，收敛速度最快的是LM算法，收敛精度最高的是小波算法，LM算法虽然反应迅速，但是精度远远不及小波算法；对于预测分析影响因素很多，所以需要精度较高的改进算法来进行预测。这三种算法各有优劣，大部分预测模型均采用LM算法，力求快速的进行模型的误差函数的收敛，但是精度有些并不能够达到要求。在城市行企业(行业和/或企业)耗能投入与产值分析过程中，系统对网络训练的反应速度并没有太高要求，而对预测的精度要求较高。所以在本预测模型建立中，基于小波算法的BP神经网络更符合要求。
理论已经证明，三层的神经网络可以任意逼近一个非线性连续函数，所以在本专利中采用最基础的BP神经网络建模，由于需要准确预测，所以此发明运用小波算法优化的BP神经网络进行行企业(行业和/或企业)投入能耗以产值的关系预测。小波算法是一系列的数学公式，可以理解为小波算法的预测网络是一个很成熟的算法网络。
在用电行企业(行业和/或企业)能耗投入与产值关系的预测过程中，输入为2个，分别为：该行业大型企业工厂用电量及主流行业发展状态。输出为1个，该城市行企业(行业和/或企业)投入能耗与产值关系网络示意图如图3所示。
通过进行BP神经网络建模，建立普遍行业的投入能耗及产值之间的关系模型，实现筛选并预测出能耗较高的行业，并通过鼓励该行业内的重点企业介入电力系统用电量实时监测系统中，进行实时电量检测，季度用电量统计，年度历史用电量统计，结合该行企业(行业和/或企业)季度，年产值数据，通过用电量和产值之间的关系，进行绝对能耗和相对能耗的分析，进行不同行企业(行业和/或企业)之间的耗能横向对比，以及同一行企业(行业和/或企业)的纵向历史对比及未来预测。
从上面所述可以看出，本发明提供的城市高耗能企业监测筛选方法，可以针对不同的面相用户提供不同程度的可公开价值数据，基于电力内部营销数据，结合数据分析进行的，通过用电量结合电力系统数据平台上的实时用电量监控，进行大型设备运行监测，统计行企业(行业和/或企业)不同颗粒度的能耗数据资料，实现预测产值功能，实时监控用电量功能，高耗能行企业(行业和/或企业)筛选监测功能；可面向政府提供宏耗能行企业(行业和/或企业)与产值之间的分析关系，高耗能行企业(行业和/或企业)排行，高耗能行企业(行业和/或企业)用电规律，大型设备的运行状态等；面对银监会可以直接提供高耗能行企业(行业和/或企业)名单，降低银行房贷风险；面对行企业(行业和/或企业)，横向相互对比，取长补短，找到自己行企业(行业和/或企业)内部的高耗能问题所在，纵向对比自身行企业(行业和/或企业)的节能减排整改效果。
本发明重点在于第一数据渠道的真实性、通畅性；第二是引入数据挖掘算法的更深入的进行数据预处理，建立高耗能行企业(行业和/或企业)监测筛选模型。
本发明主要为政府、银监会、电力系统以及耗能企业提供耗能投产与产值关系的预测与分析，便于政府对于整个行业的投入及产出之间的关系进行宏观把握。
(1)奖励：国家严抓高耗能企业，表现在扣钱，整改，管理并出台管理体系政策，对于整改节能出色企业还会设立节能减排科技奖励；
(2)贷款：银监会也鼓励银行放贷给那些节能减排的企业，限制高耗能企业的贷款额度和资格。
(3)鼓励加入电力系统现有的平台中：企业实时用电量监控模块：我们的筛选监测功能，可以实现服务国家，客观的筛选节能企业；也帮助银行判断真正节能企业提高贷款额度；直观证明企业节能整改成效，能够享受到国家一些鼓励政策和奖励，顺利申请资金支持。
由于电力营销数据掌握城市行企业(行业和/或企业)用能信息及能耗数据，结合国家统计局的产值数据记录，可通过电力内部数据挖掘，实现：该行业或该企业的横比纵比耗能评估、政府对不同行企业(行业和/或企业)的节能减排政策落实情况、大中小型企业用电量及产值利润统计分析、提供直观的用电量与产值之间的关系以及未来相关影响方面的趋势走势，并形成报告，宏观上结合多个分析数据报告，辅助政府在行企业(行业和/或企业)的节能减排政策推行上，成果反馈上更直接，更透明，对于耗能行企业(行业和/或企业)达到共赢的目的，对于投资金融机构减少放贷风险。
所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种城市高耗能企业监测筛选方法，其特征在于，包括：
基于电力系统的大数据平台，结合电力系统特有的行业和/或企业用电数据，以及部分重点大型企业的实时用电量，用电客户信息，重点企业的主营业务的年产值，结合交叉学科的技术研究，分析耗能设备潜在的提升点，从而用于对城市耗能行业和/或企业进行研究筛选；
运用数据挖掘算法，包括聚类分析、关联分析、时序分析等方法，利用预测网络建立城市行业和/或企业耗能投入与年终产值关系分析模型从而实现耗能行业和/或企业监测及筛选功能模块；其中输入数据为重点行业的历年季度用电量，输出数据为该行业的季度GDP；
对搭建行业和/或企业能耗投入与产值的分析模型进行研究和优化，通过常用的分析预测方法，选择精度较高、运算速度较快的小波算法进行改进，并通过鼓励企业接入电力系统中的实时电量监控模块，设置用电量高低门限，进行报警，帮助企业进行耗能大设备的运行监控，并提供行业和/或企业历史能耗可视化设计方案；
使用matlab仿真软件的建模工具箱，选择小波算法的预测神经网络，输入主要为行业和/或企业用电量，输出为该行业的产值；得出此模型后，进行相对能耗和绝对能耗的排名；
运用小波算法优化的BP神经网络进行行业和/或企业投入能耗以产值的关系预测；在用电行业和/或企业能耗投入与产值关系的预测过程中，输入为2个，分别为：该行业大型企业工厂用电量及主流行业发展状态；输出为1个，即该城市行业和/或企业投入能耗与产值关系网络；
通过进行BP神经网络建模，建立普遍行业的投入能耗及产值之间的关系模型，实现筛选并预测出能耗较高的行业，并通过鼓励该行业内的重点企业介入电力系统用电量实时监测系统中，进行实时电量检测，季度用电量统计，年度历史用电量统计，结合该行业和/或企业季度，年产值数据，通过用电量和产值之间的关系，进行绝对能耗和相对能耗的分析，进行不同行业和/或企业之间的耗能横向对比，以及同一行业和/或企业的纵向历史对比及未来预测。
2.根据权利要求1所述的方法，其特征在于，所述利用预测网络建立城市行业和/或企业耗能投入与年终产值关系分析模型的步骤还包括：
为了具有行业内不同企业的横向对比结果，运用聚类分析，设置两类行业和/或企业能耗模型包括相对能耗模型和绝对能耗模型；
其中，相对能耗模型的建立包括：针对于不同行业内的，运用聚类分析，将相同域内的行业季度或年终总产值进行划分，通过不同行业间的对比排名，可以得出该年度的总行业耗能排名，结合该行业历年耗能的历史数据，进行未来走势预测，提前为国家提供总行业能耗走势图；
绝对能耗模型的建立包括：针对于同一行业内不同企业的，主营业务的用电量单位产值排名，主要锁定相对能耗较高的行业中的重点企业进行研究；对于企业之间，进行横比；对于企业自身，进行纵比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510070682.8A CN104680313A (zh) | 2015-02-10 | 2015-02-10 | 城市高耗能企业监测筛选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510070682.8A CN104680313A (zh) | 2015-02-10 | 2015-02-10 | 城市高耗能企业监测筛选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104680313A true CN104680313A (zh) | 2015-06-03 |
Family
ID=53315321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510070682.8A Pending CN104680313A (zh) | 2015-02-10 | 2015-02-10 | 城市高耗能企业监测筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104680313A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104915456A (zh) * | 2015-07-03 | 2015-09-16 | 宁夏隆基宁光仪表有限公司 | 一种基于数据分析系统下的海量用电数据挖掘方法 |
| CN105022021A (zh) * | 2015-07-08 | 2015-11-04 | 国家电网公司 | 一种基于多智能体的关口电能计量装置的状态识别方法 |
| CN106022646A (zh) * | 2016-06-08 | 2016-10-12 | 国网上海市电力公司 | 电力用户信息数据分析系统及分析方法 |
| CN106096871A (zh) * | 2016-07-22 | 2016-11-09 | 广东电网有限责任公司东莞供电局 | 企业用户用电能效预警方法和系统 |
| CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
| CN107465697A (zh) * | 2017-09-23 | 2017-12-12 | 陈杰 | 一种基于电力企业的用电能耗信息管理平台 |
| CN107679659A (zh) * | 2017-09-29 | 2018-02-09 | 国网湖南省电力公司 | 新型工业用电量预测方法 |
| CN108959424A (zh) * | 2018-06-11 | 2018-12-07 | 长春电力设计有限公司 | 一种用于电力系统负荷监测的城市用电地图的操作方法 |
| CN109829608A (zh) * | 2018-12-19 | 2019-05-31 | 国网山西省电力公司长治供电公司 | 一种基于用户耗能相关数据的服务提供方法 |
| CN110472837A (zh) * | 2019-07-24 | 2019-11-19 | 嘉兴市澳优节能评估服务有限公司 | 应用于节能评估的能耗计算方法 |
| CN111080132A (zh) * | 2019-12-18 | 2020-04-28 | 北京智识企业管理咨询有限公司 | 一种基于大数据的产业链分析系统及方法 |
| CN112711734A (zh) * | 2021-01-28 | 2021-04-27 | 西安天询华启科技有限公司 | 一种利用传感器装置预测工业企业产值的大数据计算方法 |
| CN113435736A (zh) * | 2021-06-24 | 2021-09-24 | 国网山西省电力公司阳泉供电公司 | 一种节能改造潜力企业识别系统 |
| CN114154716A (zh) * | 2021-12-03 | 2022-03-08 | 北京航天创智科技有限公司 | 一种基于图神经网络的企业能耗预测方法及装置 |
| CN117421690A (zh) * | 2023-12-18 | 2024-01-19 | 中节能物业管理有限公司 | 一种智慧园区能耗实时监测方法与系统 |
| CN117952569A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院能源研究所 | 一种基于多源可再生能源的公共建筑协同供能管理系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101145225A (zh) * | 2007-10-16 | 2008-03-19 | 刘吉成 | 中长期电力负荷预测及预警系统 |
| CN102521714A (zh) * | 2011-12-29 | 2012-06-27 | 国网信息通信有限公司 | 构建kpi等级模型的方法及装置、能耗评估方法及系统 |
| CN103366256A (zh) * | 2013-07-25 | 2013-10-23 | 武汉三力通信有限责任公司 | 能耗监测与评估系统 |
| CN104200337A (zh) * | 2014-09-18 | 2014-12-10 | 北京清晖翔科技有限公司 | 一种基于综合能耗判断的企业能源平衡方法 |
-
2015
- 2015-02-10 CN CN201510070682.8A patent/CN104680313A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101145225A (zh) * | 2007-10-16 | 2008-03-19 | 刘吉成 | 中长期电力负荷预测及预警系统 |
| CN102521714A (zh) * | 2011-12-29 | 2012-06-27 | 国网信息通信有限公司 | 构建kpi等级模型的方法及装置、能耗评估方法及系统 |
| CN103366256A (zh) * | 2013-07-25 | 2013-10-23 | 武汉三力通信有限责任公司 | 能耗监测与评估系统 |
| CN104200337A (zh) * | 2014-09-18 | 2014-12-10 | 北京清晖翔科技有限公司 | 一种基于综合能耗判断的企业能源平衡方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李培静: "钢铁企业能耗分析评价与预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
| 耿亮 等: "电力数据挖掘在电网内部及各领域间的应用", 《电信科学》 * |
| 黄宇娟: "广东省电力需求分析与预测", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104915456A (zh) * | 2015-07-03 | 2015-09-16 | 宁夏隆基宁光仪表有限公司 | 一种基于数据分析系统下的海量用电数据挖掘方法 |
| CN105022021A (zh) * | 2015-07-08 | 2015-11-04 | 国家电网公司 | 一种基于多智能体的关口电能计量装置的状态识别方法 |
| CN105022021B (zh) * | 2015-07-08 | 2018-04-17 | 国家电网公司 | 一种基于多智能体的关口电能计量装置的状态识别方法 |
| CN106022646A (zh) * | 2016-06-08 | 2016-10-12 | 国网上海市电力公司 | 电力用户信息数据分析系统及分析方法 |
| CN106096871A (zh) * | 2016-07-22 | 2016-11-09 | 广东电网有限责任公司东莞供电局 | 企业用户用电能效预警方法和系统 |
| CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
| CN107465697A (zh) * | 2017-09-23 | 2017-12-12 | 陈杰 | 一种基于电力企业的用电能耗信息管理平台 |
| CN107679659B (zh) * | 2017-09-29 | 2021-08-03 | 国网湖南省电力公司 | 新型工业用电量预测方法 |
| CN107679659A (zh) * | 2017-09-29 | 2018-02-09 | 国网湖南省电力公司 | 新型工业用电量预测方法 |
| CN108959424A (zh) * | 2018-06-11 | 2018-12-07 | 长春电力设计有限公司 | 一种用于电力系统负荷监测的城市用电地图的操作方法 |
| CN108959424B (zh) * | 2018-06-11 | 2021-08-20 | 长春电力设计有限公司 | 一种用于电力系统负荷监测的城市用电地图的操作方法 |
| CN109829608A (zh) * | 2018-12-19 | 2019-05-31 | 国网山西省电力公司长治供电公司 | 一种基于用户耗能相关数据的服务提供方法 |
| CN110472837A (zh) * | 2019-07-24 | 2019-11-19 | 嘉兴市澳优节能评估服务有限公司 | 应用于节能评估的能耗计算方法 |
| CN110472837B (zh) * | 2019-07-24 | 2023-04-18 | 嘉兴市澳优节能评估服务有限公司 | 应用于节能评估的能耗计算方法 |
| CN111080132A (zh) * | 2019-12-18 | 2020-04-28 | 北京智识企业管理咨询有限公司 | 一种基于大数据的产业链分析系统及方法 |
| CN112711734A (zh) * | 2021-01-28 | 2021-04-27 | 西安天询华启科技有限公司 | 一种利用传感器装置预测工业企业产值的大数据计算方法 |
| CN113435736A (zh) * | 2021-06-24 | 2021-09-24 | 国网山西省电力公司阳泉供电公司 | 一种节能改造潜力企业识别系统 |
| CN114154716A (zh) * | 2021-12-03 | 2022-03-08 | 北京航天创智科技有限公司 | 一种基于图神经网络的企业能耗预测方法及装置 |
| CN117421690A (zh) * | 2023-12-18 | 2024-01-19 | 中节能物业管理有限公司 | 一种智慧园区能耗实时监测方法与系统 |
| CN117421690B (zh) * | 2023-12-18 | 2024-03-22 | 中节能物业管理有限公司 | 一种智慧园区能耗实时监测方法与系统 |
| CN117952569A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院能源研究所 | 一种基于多源可再生能源的公共建筑协同供能管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104680313A (zh) | 城市高耗能企业监测筛选方法 | |
| Zhu et al. | Eco-efficiency of the Western Taiwan Straits Economic Zone: An evaluation based on a novel eco-efficiency model and empirical analysis of influencing factors | |
| Simões et al. | Regulatory structures and operational environment in the Portuguese waste sector | |
| Long et al. | Selecting alternative industries for Chinese resource cities based on intra-and inter-regional comparative advantages | |
| Wang et al. | Big data: New tend to sustainable consumption research | |
| Zhao et al. | Multi-fractal fluctuation features of thermal power coal price in China | |
| Shah et al. | New environmental performance index for measuring sector-wise environmental performance: a case study of major economic sectors in Pakistan | |
| Hou et al. | Evaluation and analysis on the green development of China's industrial parks using the long-tail effect model | |
| CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
| Xu et al. | Integrating the empirical models of benchmark land price and GIS technology for sustainability analysis of urban residential development | |
| Zhang | Estimation of eco‐efficiency and identification of its influencing factors in China's Yangtze River Delta urban agglomerations | |
| Lu et al. | The GHG emission determinants research for waste disposal process at city-scale in Baoding | |
| Wang | Construction of Risk Evaluation Index System for Power Grid Engineering Cost by Applying WBS‐RBS and Membership Degree Methods | |
| Xianliang et al. | Analysis to energy consumption characteristics and influencing factors of terminal building based on airport operating data | |
| Amicarelli et al. | An application of the UNI/TS 11820: 2022 on the measurement of circularity in an electrical equipment manufacturing organization in Italy | |
| Hu et al. | Spatiotemporal coupling of multidimensional urbanization and resource–environment performance in the Yangtze River Delta urban agglomeration of China | |
| Marfatia | Modeling house price synchronization across the us states and their time-varying macroeconomic linkages | |
| Huang et al. | A Hybrid Z‐Based MADM Model for the Evaluation of Urban Resilience | |
| CN110955413A (zh) | 一种财务数据处理系统 | |
| Belhaiza et al. | A Neural Network Forecasting Approach for the Smart Grid Demand Response Management Problem | |
| Motaghifard et al. | Introducing a conceptual model for evaluating health safety environmental performance of residential buildings using the fuzzy decision-making approach | |
| Yang et al. | The recent ecological efficiency development in China: Interactive systems of economy, society and environment | |
| Zhao et al. | Coupling research on spatio-temporal differentiation of water resources carrying capacity in mature mining cities | |
| Gong et al. | [Retracted] Green Energy Economic Efficiency and Enterprise Environmental Cost Control Based on the Internet of Things | |
| Xu et al. | Ecological security assessment of urban park landscape using the DPSIR model and EW-PCA method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150603 |
|
| RJ01 | Rejection of invention patent application after publication |