CN113962518B - 一种基于电力大数据排污企业异常判定方法 - Google Patents
一种基于电力大数据排污企业异常判定方法 Download PDFInfo
- Publication number
- CN113962518B CN113962518B CN202111073312.1A CN202111073312A CN113962518B CN 113962518 B CN113962518 B CN 113962518B CN 202111073312 A CN202111073312 A CN 202111073312A CN 113962518 B CN113962518 B CN 113962518B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- environment
- pollution
- coefficient
- module
- 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.)
- Active
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000010865 sewage Substances 0.000 title claims description 107
- 238000012544 monitoring process Methods 0.000 claims abstract description 108
- 238000007405 data analysis Methods 0.000 claims abstract description 26
- 230000007613 environmental effect Effects 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims description 127
- 239000007789 gas Substances 0.000 claims description 61
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 46
- 238000010276 construction Methods 0.000 claims description 26
- 230000002093 peripheral effect Effects 0.000 claims description 26
- 238000004519 manufacturing process Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 15
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电力大数据排污企业异常判定方法，属于电力领域，用于解决企业排污情况和治污情况无法有效地监控和监管和企业排污情况异常判定较为片面的问题，步骤一，通过模型构建模块对环保告警模型进行初始化构建，通过数据采集模块采集企业数据和环境数据；步骤二，通过数据分析模块对企业数据进行分析；步骤三，通过环境监测模块对企业的环境数据进行监测；步骤四，异常判定模块对企业的排污情况进行异常判定，从而判定得到企业的异常等级和企业的告警值，本发明能够对企业的排污情况和治污情况进行有效地监控和监管，避免企业排污异常判定出现偏差，同时在企业排污情况的异常判定时，综合考虑企业周边的水源因素和空气因素。
Description
技术领域
本发明属于电力领域，涉及异常判定技术，具体是一种基于电力大数据排污企业异常判定方法。
背景技术
电力是以电能作为动力的能源，电力的发现和应用掀起了第二次工业化高潮，是世界发生的三次科技革命之一，从此科技改变了人们的生活，大规模电力系统是人类工程科学史上最重要的成就之一，是由发电、输电、变电、配电和用电等环节组成的电力生产与消费系统，它将自然界的一次能源通过机械能装置转化成电力，再经输电、变电和配电将电力供应到各用户；
而在现有技术中，由于没有对企业的排污情况和治污情况进行有效地监控和监管，导致对企业排污异常判定存在偏差，而且企业的排污情况异常往往忽略了企业周边的水源、空气等因素，企业排污情况异常判定存在局限性；
为此，我们提出一种基于电力大数据排污企业异常判定方法。
发明内容
针对现有技术存在的不足，本发明目的是提供一种基于电力大数据排污企业异常判定方法。
本发明所要解决的技术问题为：
(1)如何企业的排污情况和治污情况进行有效地监控和监管，避免企业排污情况的异常判定出现偏差；
(2)对企业排污情况的异常判定时，如何综合考虑企业周边的水源因素和空气因素。
本发明的目的可以通过以下技术方案实现：
一种基于电力大数据排污企业异常判定方法，方法包括以下步骤：
步骤一，通过模型构建模块对环保告警模型进行初始化构建，得到环保告警模型，并通过数据采集模块采集企业数据和环境数据，并将企业数据和环境数据发送至数据库和服务器，服务器将企业数据发送至数据分析模块、将环境数据发送至环境监测模块；
步骤二，通过数据分析模块对企业数据进行分析，分析得到企业所有产污设备在使用时长内的产污总量和所有治污设备在使用时长内的治污总量，将企业的产污总量、治污总量代入计算式计算得到企业异常判定的排污异常系数，并将排污异常系数发送至异常判定模块；
步骤三，通过环境监测模块对企业的环境数据进行监测，将企业周边区域进行划分得到监测区域，监测得到监测区域的水源污染平均系数和气体污染平均系数，结合监测区域内的树木种植总数得到企业异常判定的环境异常系数，并将环境异常系数发送至异常判定模；
步骤四，异常判定模块接收到排污异常系数和环境异常系数，异常判定模块对企业的排污情况进行异常判定，排污异常系比对排污异常系数阈值，环境异常系数比对环境异常系数阈值，从而判定得到企业的异常等级，并计算排污异常系数与污异常系数阈值、环境异常系数阈值与环境异常系数之间的差值，结合公式计算得到企业的告警值，异常判定模块将告警值发送至模型构建模块中，若企业的告警值符合环保告警模型，模型构建模块则产生警报信号加载至警报终端，警报终端产生警报。
进一步地，所述服务器包括数据库、警报终端、模型构建模块、监管调整模块、环境监管模块、异常判定模块、数据分析模块、数据采集模块；
所述模型构建模块用于对环保告警模型进行初始化构建，构建得到环保告警模型，所述模型构建模块将环保告警模型存储至服务器中；所述服务器连接有警报终端，所述数据采集模块用于采集企业数据和环境数据，并将企业数据和环境数据发送至数据库和服务器；
所述服务器将企业数据发送至数据分析模块，所述服务器将环境数据发送至环境监测模块，所述数据分析模块接收到服务器发送的企业数据后，所述数据分析模块用于对企业数据进行分析，将企业标记为u，u＝1，2，……，z，z为正整数，分析得到企业异常判定的排污异常系数YC1u；
所述数据分析模块将企业异常判定的排污异常系数YC1u发送至异常判定模块；所述环境监测模块接收到服务器发送的环境数据后，所述环境监测模块用于对企业的环境数据进行监测，监测过程具体如下：
步骤S1：以企业为中心，预设半径为R的范围标定为企业周边区域，将企业周边区域进行划分得到监测区域Jut，t＝1，2，……，n，n为正整数，t代表监测区域的编号；
步骤S2：获取监测区域内的水源样本，并将监测区域内的水源样本标记为SJut，得到监测区域内水源样本的PH值PHSJut、浊度值ZDSJut、溶解氧值RYSJut和硫化物值LHSJut；
步骤S3：利用公式计算得到监测区域的水源污染系数SXJut；式中，c1、c2、c3和c4均为权重固定系数值，c1、c2、c3和c4的取值均大于零，且c1+c2+c3+c4＝1；
步骤S4：获取监测区域内的水源样本，并将监测区域内的水源样本标记为QJut，得到监测区域内气体样本的有害气体分子量FZQJut、有害气体温度标记为WDQJut、有害气体压强YQQJut和有害气体体积浓度TNQJut；
步骤S5：根据气体质量浓度的计算式将有害气体体积浓度转化成有害气体的质量浓度，利用公式计算得到监测区域的气体污染系数QXJut，公式具体如下：
QXJut＝(FZQJut/22.4)×[273/(273+WDQJut)]×[YQQJut/101325]×TNQJut；
步骤S6：将监测区域数标记为SLu；每个监测区域的水源污染系数SXJut相加求和除以监测区域数SLu得到企业周边区域的水源污染平均系数JSXu；每个监测区域的气体污染系数QXJut相加求和除以监测区域数SLu得到企业周边区域的气体污染平均系数JQXu；
步骤S7：统计每个监测区域内的树木种植数，相加得到企业周边区域的树木种植总数SZu；
步骤S8：企业周边区域的水源污染平均系数JSXu、气体污染平均系数JQXu以及树木种植总数SZu代入计算式计算得到企业异常判定的环境异常系数YC2u；式中，e为自然常数，α和β均为补偿固定系数值，且α和β的取值均大于零；
所述环境监测模块将企业异常判定的环境异常系数YC2u发送至异常判定模块；所述服务器中存储有排污异常系数阈值和环境异常系数阈值，所述服务器将排污异常系数阈值和环境异常系数阈值发送值异常判定模块；所述异常判定模块接收到排污异常系数和环境异常系数，所述异常判定模块用于对企业的排污情况进行异常判定，异常判定得到企业的异常等级和企业的告警值GJu；
所述异常判定模块将企业的异常等级和告警值反馈至服务器，所述服务器将企业的告警值发送至模型构建模块中，企业的告警值符合环保告警模型，所述模型构建模块产生警报信号加载至警报终端，所述警报终端接收到警报信号后，所述警报终端用于对企业的异常情况进行警报。
进一步地，企业数据包括企业名称、企业编号、产污设备以及产污设备的编号、数量和日产污量、治污设备以及治污设备的编号、数量和日治污量；
环境数据为企业的环境，包括水源数据和气体数据，水源数据包括PH值、浊度值、溶解氧值和硫化物值，气体数据包括有害气体分子量、有害气体温度、有害气体压强和有害气体体积浓度。
进一步地，所述模型构建模块的构建过程具体如下：
查询环保设备对应关系表，将查得的数据根据企业号分组，每个企业对应一个环保对象；
初始化环保对象的产污设备列表和治污设备列表；
初始化环保对象的产污和治污的对应关系表；
初始化产污设备、治污设备的状态；
初始化环保告警模型完成，告警值作为输入参数输入环保告警模型，当告警值符合环保告警模型，环保告警模型生成警报信号。
进一步地，所述数据分析模块的分析过程具体如下：
步骤Q1：获取企业的产污设备Cui和治污设备Zuo，得到每台产污设备的日产污量CWCui和每台治污设备的日治污量ZWZuo，i＝1，2，……，x，x为产污设备的编号，o＝1，2，……，v，v为治污设备的编号；
步骤Q2：分别获取产污设备的投入使用时间TRCui和治污设备的投入使用时间TRZuo，利用当前时间减去投入使用时间得到产污设备的使用时长TCui和治污设备的使用时长TZuo；
步骤Q3：利用公式DCWLCui＝TCui×CWCui得到产污设备在使用时长内的单台产污总量DCWLCui，利用公式DZWLZuo＝TZuo×ZWZuo得到治污设备在使用时长内的单台治污总量DZWLZuo；
步骤Q4：而后通过求和公式分别计算得到企业所有产污设备在使用时长内的产污总量CWZLu，通过求和公式计算得到企业所有治污设备在使用时长内的治污总量ZWZLu；
步骤Q5：将企业的产污总量CWZLu、治污总量ZWZLu代入计算式计算得到企业异常判定的排污异常系数YC1u；式中，a1和a2均为比例系数固定数值，且a1和a2的取值均大于零。
进一步地，投入使用时间和使用时长均以天数为单位计算。
进一步地，所述异常判定模块的工作过程具体如下：
步骤SS1：若YC1u＞PY且YC2u＞HY，则判定为一级异常等级，并进入步骤SS4；
若YC1u＞PY且YC2u＝HY，则判定为二级异常等级，并进入步骤SS4；
若YC1u＞PY且YC2u＜HY，则判定为三级异常等级，并进入步骤SS4；
步骤SS2：若YC1u＝PY且YC2u＞HY，则判定为二级异常等级，并进入步骤SS4；
若YC1u＝PY且YC2u＝HY，则判定为四级异常等级；
若YC1u＝PY且YC2u＜HY，则判定为五级异常等级；
步骤SS3：若YC1u＜PY且YC2u＞HY，则判定为三级异常等级，并进入步骤SS4；
若YC1u＜PY且YC2u＝HY，则判定为五级异常等级；
若YC1u＜PY且YC2u＜HY，则判定为六级异常等级；其中，PY为排污异常系数阈值，HY为环境异常系数阈值；
步骤SS4：将排污异常系数与污异常系数阈值计算差值Y1u，环境异常系数阈值与环境异常系数得到计算差值Y2u；
步骤SS5：通过公式GJu＝Y1u×f1+Y2u×f2计算得到企业的告警值GJu。
与现有技术相比，本发明的有益效果是：
1、本发明通过数据分析模块对企业数据进行分析，分析得到企业的排污异常系数，通过环境监测模块对企业的环境数据进行监测，分析得到企业异常判定的环境异常系数，能够对企业的排污情况和治污情况进行有效地监控和监管，避免企业排污异常判定出现偏差；
2、本发明通过异常判定模块对企业的排污情况进行异常判定，排污异常系比对排污异常系数阈值，环境异常系数比对环境异常系数阈值，从而判定得到企业的异常等级，计算排污异常系数与污异常系数阈值、环境异常系数阈值与环境异常系数之间的差值得到企业的告警值，异常判定模块将告警值发送至模型构建模块中，若企业的告警值符合环保告警模型，模型构建模块则产生警报信号加载至警报终端，警报终端产生警报，本发明在企业排污情况的异常判定时，充分考了企业周边的水源因素和空气因素，避免企业排污情况异常判定存在局限性。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明做进一步的说明。
图1为本发明的整体系统框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1所示，一种基于电力大数据排污企业异常判定方法，方法包括以下步骤：
步骤一，通过模型构建模块对环保告警模型进行初始化构建，得到环保告警模型，并通过数据采集模块采集企业数据和环境数据，并将企业数据和环境数据发送至数据库和服务器，服务器将企业数据发送至数据分析模块、将环境数据发送至环境监测模块；
步骤二，通过数据分析模块对企业数据进行分析，分析得到企业所有产污设备在使用时长内的产污总量和所有治污设备在使用时长内的治污总量，将企业的产污总量、治污总量代入计算式计算得到企业异常判定的排污异常系数，并将排污异常系数发送至异常判定模块；
步骤三，通过环境监测模块对企业的环境数据进行监测，将企业周边区域进行划分得到监测区域，监测得到监测区域的水源污染平均系数和气体污染平均系数，结合监测区域内的树木种植总数得到企业异常判定的环境异常系数，并将环境异常系数发送至异常判定模；
步骤四，异常判定模块接收到排污异常系数和环境异常系数，异常判定模块对企业的排污情况进行异常判定，排污异常系比对排污异常系数阈值，环境异常系数比对环境异常系数阈值，从而判定得到企业的异常等级，并计算排污异常系数与污异常系数阈值、环境异常系数阈值与环境异常系数之间的差值，结合公式计算得到企业的告警值，异常判定模块将告警值发送至模型构建模块中，若企业的告警值符合环保告警模型，模型构建模块则产生警报信号加载至警报终端，警报终端产生警报；
步骤五，通过监管调整模块依据异常等级对企业的监管措施进行调整，依据监管人员数、监管设备数以及日监管次数得到企业当前的监管值，当前的监管值比对企业原有的监管值得到差值，差值按照权重系数分配给对应的权项，即对当前的监管人员数、监管设备数和日监管次数进行调整；
服务器包括数据库、警报终端、模型构建模块、监管调整模块、环境监管模块、异常判定模块、数据分析模块和数据采集模块；
模型构建模块用于对环保告警模型进行初始化构建，构建过程具体如下：
首先，查询环保设备对应关系表，将查得的数据根据企业号分组，每个企业对应一个环保对象；
其次，初始化环保对象的产污设备列表和治污设备列表；
再者，初始化环保对象的产污和治污的对应关系表；
然后，初始化产污设备、治污设备的状态；
最后，初始化环保告警模型完成，告警值作为输入参数输入环保告警模型，当告警值符合环保告警模型，环保告警模型生成警报信号；
模型构建模块将环保告警模型存储至服务器中；服务器连接有警报终端，数据采集模块用于采集企业数据和环境数据，并将企业数据和环境数据发送至数据库和服务器；
需要具体说明的是：企业数据包括企业名称、企业编号、产污设备以及产污设备的编号、数量和日产污量、治污设备以及治污设备的编号、数量和日治污量等；环境数据为企业附近的环境，包括水源数据和气体数据，水源数据包括PH值、浊度值、溶解氧值、硫化物值等，气体数据包括有害气体分子量、有害气体温度、有害气体压强、有害气体体积浓度等；
服务器将企业数据发送至数据分析模块，服务器将环境数据发送至环境监测模块，数据分析模块接收到服务器发送的企业数据后，数据分析模块用于对企业数据进行分析，分析过程具体如下：
步骤Q1：将企业标记为u，u＝1，2，……，z，z为正整数；获取企业的产污设备Cui和治污设备Zuo，得到每台产污设备的日产污量CWCui和每台治污设备的日治污量ZWZuo，i＝1，2，……，x，x为产污设备的编号，o＝1，2，……，v，v为治污设备的编号；
步骤Q2：分别获取产污设备的投入使用时间TRCui和治污设备的投入使用时间TRZuo，利用当前时间减去投入使用时间得到产污设备的使用时长TCui和治污设备的使用时长TZuo；
需要具体说明的是：投入使用时间和使用时长均以天数为单位计算；
步骤Q3：利用公式DCWLCui＝TCui×CWCui得到产污设备在使用时长内的单台产污总量DCWLCui，利用公式DZWLZuo＝TZuo×ZWZuo得到治污设备在使用时长内的单台治污总量DZWLZuo；
步骤Q4：而后通过求和公式分别计算得到企业所有产污设备在使用时长内的产污总量CWZLu，通过求和公式计算得到企业所有治污设备在使用时长内的治污总量ZWZLu；
步骤Q5：将企业的产污总量CWZLu、治污总量ZWZLu代入计算式计算得到企业异常判定的排污异常系数YC1u；式中，a1和a2均为比例系数固定数值，且a1和a2的取值均大于零；
数据分析模块将企业异常判定的排污异常系数YC1u发送至异常判定模块；环境监测模块接收到服务器发送的环境数据后，环境监测模块用于对企业的环境数据进行监测，监测过程具体如下：
步骤S1：以企业为中心，预设半径为R的范围标定为企业周边区域，将企业周边区域进行划分得到监测区域Jut，t＝1，2，……，n，n为正整数，t代表监测区域的编号；
步骤S2：获取监测区域内的水源样本，并将监测区域内的水源样本标记为SJut，得到监测区域内水源样本的PH值PHSJut、浊度值ZDSJut、溶解氧值RYSJut和硫化物值LHSJut；
步骤S3：利用公式计算得到监测区域的水源污染系数SXJut；式中；c1、c2、c3和c4均为权重固定系数值，c1、c2、c3和c4的取值均大于零，且c1+c2+c3+c4＝1；
步骤S4：获取监测区域内的水源样本，并将监测区域内的水源样本标记为QJut，得到监测区域内气体样本的有害气体分子量FZQJut、有害气体温度标记为WDQJut、有害气体压强YQQJut和有害气体体积浓度TNQJut；
步骤S5：根据气体质量浓度的计算式将有害气体体积浓度转化成有害气体的质量浓度，利用公式计算得到监测区域的气体污染系数QXJut，公式具体如下：
QXJut＝(FZQJut/22.4)×[273/(273+WDQJut)]×[YQQJut/101325]×TNQJut；
步骤S6：将监测区域数标记为SLu；每个监测区域的水源污染系数SXJut相加求和除以监测区域数SLu得到企业周边区域的水源污染平均系数JSXu；每个监测区域的气体污染系数QXJut相加求和除以监测区域数SLu得到企业周边区域的气体污染平均系数JQXu；
步骤S7：统计每个监测区域内的树木种植数，相加得到企业周边区域的树木种植总数SZu；
步骤S8：企业周边区域的水源污染平均系数JSXu、气体污染平均系数JQXu以及树木种植总数SZu代入计算式计算得到企业异常判定的环境异常系数YC2u；式中，e为自然常数，α和β均为补偿固定系数值，且α和β的取值均大于零；
环境监测模块将企业异常判定的环境异常系数YC2u发送至异常判定模块；服务器中存储有排污异常系数阈值和环境异常系数阈值，服务器将排污异常系数阈值和环境异常系数阈值发送值异常判定模块；异常判定模块接收到排污异常系数和环境异常系数，异常判定模块用于对企业的排污情况进行异常判定，工作过程具体如下：
步骤SS1：若YC1u＞PY且YC2u＞HY，则判定为一级异常等级，并进入步骤SS4；
若YC1u＞PY且YC2u＝HY，则判定为二级异常等级，并进入步骤SS4；
若YC1u＞PY且YC2u＜HY，则判定为三级异常等级，并进入步骤SS4；
步骤SS2：若YC1u＝PY且YC2u＞HY，则判定为二级异常等级，并进入步骤SS4；
若YC1u＝PY且YC2u＝HY，则判定为四级异常等级；
若YC1u＝PY且YC2u＜HY，则判定为五级异常等级；
步骤SS3：若YC1u＜PY且YC2u＞HY，则判定为三级异常等级，并进入步骤SS4；
若YC1u＜PY且YC2u＝HY，则判定为五级异常等级；
若YC1u＜PY且YC2u＜HY，则判定为六级异常等级；
步骤SS4：将排污异常系数与污异常系数阈值计算差值Y1u，环境异常系数阈值与环境异常系数得到计算差值Y2u；
步骤SS5：通过公式GJu＝Y1u×f1+Y2u×f2计算得到企业的告警值GJu；
具体的是，PY为排污异常系数阈值，HY为环境异常系数阈值；
异常判定模块将企业的异常等级和告警值反馈至服务器，服务器将企业的告警值发送至模型构建模块中，企业的告警值符合环保告警模型，模型构建模块产生警报信号加载至警报终端，警报终端接收到警报信号后，警报终端用于对企业的异常情况进行警报；
服务器还将企业的异常等级发送至监管调整模块，监管调整模块依据异常等级对企业的监管措施进行调整，调整具体如下：
步骤W1：获取企业当前的监管人员数，并将当前的监管人员数标记为JRu；
步骤W2：获取企业当前的监管设备数JSu以及日监管次数RJCu；
步骤W3：结合公式计算得到JGZu＝JRu×h1+JSu×h2+RJCu×h3计算得到企业当前的监管值DJGZu；式中，h1、h2和h3均为权重系数，且h1、h2和h3的取值均大于零；
步骤W4：获取企业原有的异常等级，得到原有的监管值YJGZu；
步骤W5：企业原有的监管值YJGZu与当前的监管值DJGZu计算差值，差值按照权重系数分配给对应的权项，即对当前的监管人员数、监管设备数和日监管次数进行调整；
监管调整模块将调整完毕的监管人员数、监管设备数和日监管次数发送至服务器；
需要具体说明的是：一级异常等级、二级异常等级、三级异常等级、四级异常等级、五级异常等级的监管值和六级异常等级均设置有固定数值的监管值，一级异常等级的监管值、二级异常等级的监管值、三级异常等级的监管值、四级异常等级的监管值、五级异常等级的监管值以及六级异常等级的监管值递减设置；异常等级的监管值由监管人员数、日监管次数、监管设备等参数，并结合公式算法计算得到。
工作时，通过模型构建模块对环保告警模型进行初始化构建，得到环保告警模型，告警值作为输入参数输入环保告警模型，当告警值符合环保告警模型，环保告警模型生成警报信号，通过数据采集模块采集企业数据和环境数据，并将企业数据和环境数据发送至数据库和服务器，服务器将企业数据发送至数据分析模块、将环境数据发送至环境监测模块；
数据分析模块接收到服务器发送的企业数据后，数据分析模块对企业数据进行分析，获取企业每台产污设备的日产污量CWCui、每台治污设备的日治污量ZWZuo、产污设备的投入使用时间TRCui和治污设备的投入使用时间TRZuo，利用当前时间减去投入使用时间得到产污设备的使用时长TCui和治污设备的使用时长TZuo，而后分别通过公式得到产污设备在使用时长内的单台产污总量DCWLCui和治污设备在使用时长内的单台治污总量DZWLZuo，计算得到企业所有产污设备在使用时长内的产污总量CWZLu和所有治污设备在使用时长内的治污总量ZWZLu，将企业的产污总量CWZLu、治污总量ZWZLu代入计算式计算得到企业异常判定的排污异常系数YC1u，数据分析模块将企业异常判定的排污异常系数YC1u发送至异常判定模块；
环境监测模块接收到服务器发送的环境数据后，环境监测模块对企业的环境数据进行监测，以企业为中心，预设半径为R的范围标定为企业周边区域，将企业周边区域进行划分得到监测区域Jut，获取监测区域内的水源样本SJut，得到监测区域内水源样本的PH值PHSJut、浊度值ZDSJut、溶解氧值RYSJut和硫化物值LHSJut，利用公式计算得到监测区域的水源污染系数SXJut，而后获取监测区域内的水源样本QJut，得到监测区域内气体样本的有害气体分子量FZQJut、有害气体温度标记为WDQJut、有害气体压强YQQJut和有害气体体积浓度TNQJut，利用公式计算得到监测区域的气体污染系数QXJut，获取监测区域数，每个监测区域的水源污染系数SXJut相加求和除以监测区域数SLu得到企业周边区域的水源污染平均系数JSXu，每个监测区域的气体污染系数QXJut相加求和除以监测区域数SLu得到企业周边区域的气体污染平均系数JQXu，统计每个监测区域内的树木种植数，相加得到企业周边区域的树木种植总数SZu，企业周边区域的水源污染平均系数JSXu、气体污染平均系数JQXu以及树木种植总数SZu代入计算式/>计算得到企业异常判定的环境异常系数YC2u，环境监测模块将企业异常判定的环境异常系数YC2u发送至异常判定模；
服务器将排污异常系数阈值和环境异常系数阈值发送值异常判定模块，异常判定模块接收到排污异常系数和环境异常系数，异常判定模块对企业的排污情况进行异常判定，排污异常系比对排污异常系数阈值，环境异常系数比对环境异常系数阈值，从而判定得到企业的异常等级，计算排污异常系数与污异常系数阈值之间的差值Y1u，计算环境异常系数阈值与环境异常系数之间的差值Y2u，通过公式GJu＝Y1u×f1+Y2u×f2计算得到企业的告警值GJu，异常判定模块将企业的异常等级和告警值反馈至服务器，服务器将企业的告警值发送至模型构建模块中，若企业的告警值符合环保告警模型，模型构建模块则产生警报信号加载至警报终端，警报终端接收到警报信号后用于对企业的异常情况进行警报；
同时，服务器还将企业的异常等级发送至监管调整模块，监管调整模块依据异常等级对企业的监管措施进行调整，获取企业当前的监管人员数JRu、监管设备数JSu以及日监管次数RJCu，结合公式计算得到JGZu＝JRu×h1+JSu×h2+RJCu×h3计算得到企业当前的监管值DJGZu，而后获取企业原有的异常等级，得到原有的监管值YJGZu，企业原有的监管值YJGZu与当前的监管值DJGZu计算差值，差值按照权重系数分配给对应的权项，即对当前的监管人员数、监管设备数和日监管次数进行调整。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种基于电力大数据排污企业异常判定方法，其特征在于，方法包括以下步骤：
步骤一，通过模型构建模块对环保告警模型进行初始化构建，得到环保告警模型，并通过数据采集模块采集企业数据和环境数据，并将企业数据和环境数据发送至数据库和服务器，服务器将企业数据发送至数据分析模块、将环境数据发送至环境监测模块；
步骤二，通过数据分析模块对企业数据进行分析，分析得到企业所有产污设备在使用时长内的产污总量和所有治污设备在使用时长内的治污总量，将企业的产污总量、治污总量代入计算式计算得到企业异常判定的排污异常系数，并将排污异常系数发送至异常判定模块；
步骤三，通过环境监测模块对企业的环境数据进行监测，将企业周边区域进行划分得到监测区域，监测得到监测区域的水源污染平均系数和气体污染平均系数，结合监测区域内的树木种植总数得到企业异常判定的环境异常系数，并将环境异常系数发送至异常判定模；
步骤四，异常判定模块接收到排污异常系数和环境异常系数，异常判定模块对企业的排污情况进行异常判定，排污异常系比对排污异常系数阈值，环境异常系数比对环境异常系数阈值，从而判定得到企业的异常等级，并计算排污异常系数与污异常系数阈值、环境异常系数阈值与环境异常系数之间的差值，结合公式计算得到企业的告警值，异常判定模块将告警值发送至模型构建模块中，若企业的告警值符合环保告警模型，模型构建模块则产生警报信号加载至警报终端，警报终端产生警报；
其中，所述服务器包括数据库、警报终端、模型构建模块、监管调整模块、环境监管模块、异常判定模块、数据分析模块、数据采集模块；
所述模型构建模块用于对环保告警模型进行初始化构建，构建得到环保告警模型，所述模型构建模块将环保告警模型存储至服务器中；所述服务器连接有警报终端，所述数据采集模块用于采集企业数据和环境数据，并将企业数据和环境数据发送至数据库和服务器；
所述服务器将企业数据发送至数据分析模块，所述服务器将环境数据发送至环境监测模块，所述数据分析模块接收到服务器发送的企业数据后，所述数据分析模块用于对企业数据进行分析，将企业标记为u，u＝1，2，……，z，z为正整数，分析得到企业异常判定的排污异常系数YC1u；
其中，所述数据分析模块的分析过程具体如下：
步骤Q1：获取企业的产污设备Cui和治污设备Zuo，得到每台产污设备的日产污量CWCui和每台治污设备的日治污量ZWZuo，i＝1，2，……，x，x为产污设备的编号，o＝1，2，……，v，v为治污设备的编号；
步骤Q2：分别获取产污设备的投入使用时间TRCui和治污设备的投入使用时间TRZuo，利用当前时间减去投入使用时间得到产污设备的使用时长TCui和治污设备的使用时长TZuo；
步骤Q3：利用公式DCWLCui＝TCui×CWCui得到产污设备在使用时长内的单台产污总量DCWLCui，利用公式DZWLZuo＝TZuo×ZWZuo得到治污设备在使用时长内的单台治污总量DZWLZuo；
步骤Q4：而后通过求和公式分别计算得到企业所有产污设备在使用时长内的产污总量CWZLu，通过求和公式计算得到企业所有治污设备在使用时长内的治污总量ZWZLu；
步骤Q5：将企业的产污总量CWZLu、治污总量ZWZLu代入计算式计算得到企业异常判定的排污异常系数YC1u；式中，a1和a2均为比例系数固定数值，且a1和a2的取值均大于零；
所述数据分析模块将企业异常判定的排污异常系数YC1u发送至异常判定模块；所述环境监测模块接收到服务器发送的环境数据后，所述环境监测模块用于对企业的环境数据进行监测，监测过程具体如下：
步骤S1：以企业为中心，预设半径为R的范围标定为企业周边区域，将企业周边区域进行划分得到监测区域Jut，t＝1，2，……，n，n为正整数，t代表监测区域的编号；
步骤S2：获取监测区域内的水源样本，并将监测区域内的水源样本标记为SJut，得到监测区域内水源样本的PH值PHSJut、浊度值ZDSJut、溶解氧值RYSJut和硫化物值LHSJut；
步骤S3：利用公式计算得到监测区域的水源污染系数SXJut；式中，c1、c2、c3和c4均为权重固定系数值，c1、c2、c3和c4的取值均大于零，且c1+c2+c3+c4＝1；
步骤S4：获取监测区域内的水源样本，并将监测区域内的水源样本标记为QJut，得到监测区域内气体样本的有害气体分子量FZQJut、有害气体温度标记为WDQJut、有害气体压强YQQJut和有害气体体积浓度TNQJut；
步骤S5：利用公式计算得到监测区域的气体污染系数QXJut，公式具体如下：
QXJut＝(FZQJut/22.4)×[273/(273+WDQJut)]×[YQQJut/101325]×TNQJut；
步骤S6：将监测区域数标记为SLu；每个监测区域的水源污染系数SXJut相加求和除以监测区域数SLu得到企业周边区域的水源污染平均系数JSXu；每个监测区域的气体污染系数QXJut相加求和除以监测区域数SLu得到企业周边区域的气体污染平均系数JQXu；
步骤S7：统计每个监测区域内的树木种植数，相加得到企业周边区域的树木种植总数SZu；
步骤S8：企业周边区域的水源污染平均系数JSXu、气体污染平均系数JQXu以及树木种植总数SZu代入计算式计算得到企业异常判定的环境异常系数YC2u；式中，e为自然常数，α和β均为补偿固定系数值，且α和β的取值均大于零；
所述环境监测模块将企业异常判定的环境异常系数YC2u发送至异常判定模块；所述服务器中存储有排污异常系数阈值和环境异常系数阈值，所述服务器将排污异常系数阈值和环境异常系数阈值发送值异常判定模块；所述异常判定模块接收到排污异常系数和环境异常系数，所述异常判定模块用于对企业的排污情况进行异常判定，异常判定得到企业的异常等级和企业的告警值GJu；
所述异常判定模块将企业的异常等级和告警值反馈至服务器，所述服务器将企业的告警值发送至模型构建模块中，企业的告警值符合环保告警模型，所述模型构建模块产生警报信号加载至警报终端，所述警报终端接收到警报信号后，所述警报终端用于对企业的异常情况进行警报。
2.根据权利要求1所述的一种基于电力大数据排污企业异常判定方法，其特征在于，企业数据包括企业名称、企业编号、产污设备以及产污设备的编号、数量和日产污量、治污设备以及治污设备的编号、数量和日治污量；
环境数据为企业的环境，包括水源数据和气体数据，水源数据包括PH值、浊度值、溶解氧值和硫化物值，气体数据包括有害气体分子量、有害气体温度、有害气体压强和有害气体体积浓度。
3.根据权利要求1所述的一种基于电力大数据排污企业异常判定方法，其特征在于，所述模型构建模块的构建过程具体如下：
查询环保设备对应关系表，将查得的数据根据企业号分组，每个企业对应一个环保对象；
初始化环保对象的产污设备列表和治污设备列表；
初始化环保对象的产污和治污的对应关系表；
初始化产污设备、治污设备的状态；
初始化环保告警模型完成，告警值作为输入参数输入环保告警模型，当告警值符合环保告警模型，环保告警模型生成警报信号。
4.根据权利要求1所述的一种基于电力大数据排污企业异常判定方法，其特征在于，投入使用时间和使用时长均以天数为单位计算。
5.根据权利要求1所述的一种基于电力大数据排污企业异常判定方法，其特征在于，所述异常判定模块的工作过程具体如下：
步骤SS1：若YC1u＞PY且YC2u＞HY，则判定为一级异常等级，并进入步骤SS4；
若YC1u＞PY且YC2u＝HY，则判定为二级异常等级，并进入步骤SS4；
若YC1u＞PY且YC2u＜HY，则判定为三级异常等级，并进入步骤SS4；
步骤SS2：若YC1u＝PY且YC2u＞HY，则判定为二级异常等级，并进入步骤SS4；
若YC1u＝PY且YC2u＝HY，则判定为四级异常等级；
若YC1u＝PY且YC2u＜HY，则判定为五级异常等级；
步骤SS3：若YC1u＜PY且YC2u＞HY，则判定为三级异常等级，并进入步骤SS4；
若YC1u＜PY且YC2u＝HY，则判定为五级异常等级；
若YC1u＜PY且YC2u＜HY，则判定为六级异常等级；其中，PY为排污异常系数阈值，HY为环境异常系数阈值；
步骤SS4：将排污异常系数与污异常系数阈值计算差值Y1u，环境异常系数阈值与环境异常系数得到计算差值Y2u；
步骤SS5：通过公式GJu＝Y1u×f1+Y2u×f2计算得到企业的告警值GJu。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111073312.1A CN113962518B (zh) | 2021-09-14 | 2021-09-14 | 一种基于电力大数据排污企业异常判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111073312.1A CN113962518B (zh) | 2021-09-14 | 2021-09-14 | 一种基于电力大数据排污企业异常判定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113962518A CN113962518A (zh) | 2022-01-21 |
| CN113962518B true CN113962518B (zh) | 2024-05-28 |
Family
ID=79461345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111073312.1A Active CN113962518B (zh) | 2021-09-14 | 2021-09-14 | 一种基于电力大数据排污企业异常判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962518B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115037765B (zh) * | 2022-06-07 | 2023-03-10 | 清远长天思源环保科技有限公司 | 一种工业园区用智慧环保监控系统 |
| CN115908082A (zh) * | 2023-01-06 | 2023-04-04 | 佰聆数据股份有限公司 | 基于用电特征指标的企业排污监控方法及装置 |
| CN117421761B (zh) * | 2023-07-10 | 2024-05-31 | 深圳钰丰信息技术有限公司 | 一种数据库数据信息安全监视方法 |
| CN116976733B (zh) * | 2023-07-31 | 2024-04-02 | 青岛熙正数字科技有限公司 | 一种基于大数据的大气污染源在线监测数据评估系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105278492A (zh) * | 2014-06-26 | 2016-01-27 | 广东柯内特环境科技有限公司 | 一种区域排污的智能监控系统和方法 |
| CN212647305U (zh) * | 2020-05-25 | 2021-03-02 | 上海长风延华智慧环保科技有限公司 | 产污治污排污全过程在线监控系统 |
| CN112787401A (zh) * | 2021-01-15 | 2021-05-11 | 浙江容大电力工程有限公司 | 一种基于电力大数据的环保监测系统及监测方法 |
| WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI502538B (zh) * | 2014-08-05 | 2015-10-01 | Environmental Prot Administration Executive Yuan Taiwan R O C | 廢棄工廠環境風險篩檢系統 |
| CN113128013A (zh) * | 2019-12-30 | 2021-07-16 | 鸿富锦精密电子(天津)有限公司 | 环境状态分析方法、装置、计算机装置及存储介质 |
-
2021
- 2021-09-14 CN CN202111073312.1A patent/CN113962518B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105278492A (zh) * | 2014-06-26 | 2016-01-27 | 广东柯内特环境科技有限公司 | 一种区域排污的智能监控系统和方法 |
| WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
| CN212647305U (zh) * | 2020-05-25 | 2021-03-02 | 上海长风延华智慧环保科技有限公司 | 产污治污排污全过程在线监控系统 |
| CN112787401A (zh) * | 2021-01-15 | 2021-05-11 | 浙江容大电力工程有限公司 | 一种基于电力大数据的环保监测系统及监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113962518A (zh) | 2022-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962518B (zh) | 一种基于电力大数据排污企业异常判定方法 | |
| WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 | |
| CN114297954A (zh) | 一种基于污水处理厂的大数据智能分析数字管控平台 | |
| CN114665597A (zh) | 一种智能供电系统 | |
| CN111880044B (zh) | 一种含分布式电源配电网在线故障定位方法 | |
| CN105956788A (zh) | 一种输变电工程造价的动态管理控制方法 | |
| CN112964843A (zh) | 污水处理设施水质监测的物联网传感器系统及监测方法 | |
| CN116505663B (zh) | 一种农场用电安全状态监测预警系统 | |
| CN115392735B (zh) | 光伏电站工作性能监测方法、系统、设备及介质 | |
| CN116341796A (zh) | 能耗监测与评估系统及方法 | |
| CN116090626A (zh) | 一种基于云边协同的风电机组状态评估与智能预警系统及方法 | |
| CN109165806B (zh) | 基于潮流动态转换的风险预警与电压优化调节系统和方法 | |
| CN112541633A (zh) | 一种基于神经网络的超高精度光伏发电功率预测方法及系统 | |
| CN116435989A (zh) | 新型电力系统设备物联状态预测方法、装置及系统 | |
| CN110930024A (zh) | 一种基于贝叶斯网络的深海应急态势智能分析系统及方法 | |
| CN114149076B (zh) | 一种厌氧氨氧化污水处理系统的智能调试系统 | |
| CN115640980A (zh) | 基于目标控制的电网工程造价动态管理系统 | |
| CN115375185A (zh) | 一种基于大数据的玻璃生成加工环境监管系统 | |
| CN115564180A (zh) | 一种基于大数据分析的电力网络可靠性评估方法 | |
| CN116845985B (zh) | 一种基于数据分析的源网荷储协同调度系统 | |
| CN115656914B (zh) | 一种基于大数据的智能电表计量准确性检测方法及装置 | |
| CN118074127B (zh) | 一种基于云计算的电网电力负荷管理预测方法及系统 | |
| CN114118863B (zh) | 一种建筑可再生碳中和能源系统 | |
| CN115167313B (zh) | 基于5g智能工厂的有机废弃物协同资源化处理系统 | |
| Sun et al. | Diagnosis and decision analysis system of high temperature molten aluminum cell based on neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |