CN105095996A - 一种基于工业用户用电数据的污染排放预测方法 - Google Patents

Abstract

本发明涉及一种基于工业用户用电数据的污染排放预测方法，包括以下步骤：1)获取工业用户用电样本数据；2)对所述样本数据进行预处理；3)根据预处理后的数据建立表征工业用户行业间相互关系的复杂网络；4)根据所述复杂网络对工业用户的用电量进行预测；5)根据工业用户用电样本数据建立工业企业用电量与直接污染物排放量的数量关系；6)根据步骤4)的预测结果及步骤5)的数量关系预测工业用户的直接污染物排放量。与现有技术相比，本发明具有准确性高、可靠性高等优点。

Description

一种基于工业用户用电数据的污染排放预测方法

技术领域

本发明涉及大数据处理领域，尤其是涉及一种基于工业用户用电数据的污染排放预测方法。

背景技术

随着社会经济发展水平不断提高，国民经济和电力消费两者的关系也更加紧密。从目前来看，工业企业是主要的电力消费用户，工业用户用电量的变化将对整个社会的用电量、电力调度等构成重要影响，而工业用户用电量自身的主要影响因素为其生产行为及行业景气程度。

在雾霾天气频发，环境问题与经济发展的多重制约下，如何高效、清洁的利用能源，改善大气环境治理，在工业发展过程中解决工业污染、能源消费与生态环境的平衡问题，一直是值得探索的问题。传统的环境监测、质量改善已经不能满足智能时代的需求，需要建立全新的、高频的、实时的监管体系，对工业用户进行需求侧管理。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于工业用户用电数据的污染排放预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于工业用户用电数据的污染排放预测方法，包括以下步骤：

1)获取工业用户用电样本数据；

2)对所述样本数据进行预处理；

3)根据预处理后的数据建立表征工业用户行业间相互关系的复杂网络；

4)根据所述复杂网络对工业用户的用电量进行预测；

5)根据工业用户用电样本数据建立工业企业用电量与直接污染物排放量的数量关系；

6)根据步骤4)的预测结果及步骤5)的数量关系预测工业用户的直接污染物排放量。

所述工业用户用电样本数据包括工业用户的历史用电量、历史产量及历史直接污染物排放量。

所述步骤2)中，预处理包括异常值处理和数据修正。

所述异常值处理具体包括数据正态化、局部线性插值和全局交叉插值。

所述复杂网络中，各节点间的有向边描述行业间存在的前后强关联关系，所述复杂网络包括前向关联网络和后向关联网络。

所述步骤5)中，根据工业用户用电量与产量、产量与直接污染排放量之间的数量关系，建立工业用户用电量与直接污染物排放量之间的关系。

还包括：根据工业用户的直接污染物排放量的预测值控制相应工业用户的用电状态。

与现有技术相比，本发明具以下优点：

(1)本发明对大量历史进行分析研究，获得影响工业用户用电量的影响因素，从而获取准确的工业用户用电预测量；

(2)本发明通过大数据研究方法建立工业企业用电量与直接污染物排放量的数量关系，准确预测相应工业用户用电量下的污染排放量；

(3)根据预测的污染排放量，可有效对工业用户的用户状态进行控制，有效降低污染排放量。

具体实施方式

下面结合具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明从工业用电数据本身出发，根据用户用电特征及其影响因素，通过复杂网络对不同行业、不同企业用户用电行为之间的相互影响程度进行分析与解构，找出行业间的关联与驱动关系，从而预测用电量趋势的变化。

本发明通过排放系数计算结果，建立工业企业用电量与污染物排放量的相关关系，从而计算出用电量与污染物的转化系数；通过转化系数将工业企业高频用电数据转化为高频污染物排放数据，对工业企业污染物排放情况进行监测，对企业的排放情况进行实时反馈，指导企业进行生产计划指导。

本发明基于工业用户用电数据的污染排放预测方法，包括以下步骤：

1)获取工业用户用电样本数据，包括工业用户的历史用电量、历史产量及历史直接污染物排放量。

2)对所述样本数据进行预处理，包括异常值处理和数据修正，其中，异常值处理具体包括数据正态化、局部线性插值和全局交叉插值。

本发明使用的交叉插值充分的应用了大数据的特性，对于某用户待插值的某日用电量，可以根据其某项已知属性(如所属行业)，选择特定的一类拥有该属性之用户(如该行业所有用户)，用此类用户的该日平均值(或中位数)进行插值。一方面，由于使用同行业数据插值，这样得到的结果将更有实际意义；另一方面，由于使用多位用户的平均值，所得到的结果也有更好的鲁棒性。

3)根据预处理后的数据建立表征工业用户行业间相互关系的复杂网络。复杂网络中，各节点间的有向边描述行业间存在的前后强关联关系，所述复杂网络包括前向关联网络和后向关联网络。

本发明采用的是产业复杂网络，产业复杂网络的核心是产业间的边(有向边)及其意义。节点间存在的边描述的是产业间存在的前后强关联关系，即产业链，包含了强关联关系的内容(供给推动或者需求拉动)和强关联关系的角度(供给与需求的主动或者被动)两层含义。依据各个行业的用电量数据，构建前向关联网络和后向关联网络。从供给的角度，依据消耗系数矩阵横向分析，某个行业与其它行业间系数数值大于某个临界值表明这两个行业关联关系显著，是强关联关系；从需求网络的角度，建立后向关联网络，用分配系数矩阵纵向分析，同样依据临界值判断关联关系的强弱。从构建的复杂网络可以看出对一个行业作用程度较强的前向行业、后向行业，从而可以看出行业之间的相互驱动关系，从数据的角度分析产业链的结构。

通过复杂网络的结果，可以将影响工业用户用电量的行业因素提取出来，看出除了传统宏观因素以外行业间的相互影响，建立基于行业用电数据的对行业用电量及经济景气的预判机制。

4)根据所述复杂网络对工业用户的用电量进行预测。

5)根据工业用户用电量与产量、产量与直接污染排放量之间的数量关系，建立工业用户用电量与直接污染物排放量之间的关系。

6)根据步骤4)的预测结果及步骤5)的数量关系预测工业用户的直接污染物排放量，根据工业用户的直接污染物排放量的预测值控制相应工业用户的用电状态。对工业用户的用电状态的控制包括：(1)切断对污染物排放量过大的企业的电力供给；(2)将电力的错峰填谷措施与污染物排放量控制相结合。

根据智能电表显示的各企业实时用电量、各企业单位用电量对应的直接污染物排放量数据，可预测每一工业企业实时直接污染排放量。企业可以通过引进减排技术、使用清洁能源等方式降低单位用电量污染排放，也可以直接减少产量以降低污染物排放。前者发挥作用需要较长的时间，并且企业是否会自主投资于新技术取决于企业的成本-收益核算，具有不可控性；而后者可以在较短的时间内发挥作用，并且政府部门可通过强制手段要求污染排放过度严重的企业减少甚至停止生产，不失为一种高效的方法，能有效保证上海每日空气质量。

Claims (7)

1.一种基于工业用户用电数据的污染排放预测方法，其特征在于，包括以下步骤：

1)获取工业用户用电样本数据；

2)对所述样本数据进行预处理；

3)根据预处理后的数据建立表征工业用户行业间相互关系的复杂网络；

4)根据所述复杂网络对工业用户的用电量进行预测；

5)根据工业用户用电样本数据建立工业企业用电量与直接污染物排放量的数量关系；

6)根据步骤4)的预测结果及步骤5)的数量关系预测工业用户的直接污染物排放量。

2.根据权利要求1所述的基于工业用户用电数据的污染排放预测方法，其特征在于，所述工业用户用电样本数据包括工业用户的历史用电量、历史产量及历史直接污染物排放量。

3.根据权利要求1所述的基于工业用户用电数据的污染排放预测方法，其特征在于，所述步骤2)中，预处理包括异常值处理和数据修正。

4.根据权利要求3所述的基于工业用户用电数据的污染排放预测方法，其特征在于，所述异常值处理具体包括数据正态化、局部线性插值和全局交叉插值。

5.根据权利要求1所述的基于工业用户用电数据的污染排放预测方法，其特征在于，所述复杂网络中，各节点间的有向边描述行业间存在的前后强关联关系，所述复杂网络包括前向关联网络和后向关联网络。

6.根据权利要求1所述的基于工业用户用电数据的污染排放预测方法，其特征在于，所述步骤5)中，根据工业用户用电量与产量、产量与直接污染排放量之间的数量关系，建立工业用户用电量与直接污染物排放量之间的关系。

7.根据权利要求1所述的基于工业用户用电数据的污染排放预测方法，其特征在于，还包括：根据工业用户的直接污染物排放量的预测值控制相应工业用户的用电状态。