基于耗电量的大气污染物排放量估算模型构建方法及系统技术方案

本发明专利技术公开了一种基于耗电量的大气污染物排放量估算模型构建方法及系统，涉及污染物排放估算技术领域。该方法包括：获取并根据企业属性信息、企业耗电量、大气污染物排放量和气象条件建立数据集；根据企业名称、时间和空间信息匹配获取对应企业的逐时电力数据和逐时在线监测大气污染物排放数据；将污染物在线监测排放量作为因变量，将企业耗电量、时间指示变量、气象和企业属性等信息作为自变量构建、训练机器学习模型，得到初始估算模型；以决定系数、均方根误差和归一化偏差等统计量作为评价指标对初始估算模型进行优化，得到最优估算模型。本发明专利技术对估算模型进行优化，显著提高估算准确度，可对多个行业不同规模的企业大气污染物排放量进行估算。污染物排放量进行估算。污染物排放量进行估算。

【技术实现步骤摘要】
基于耗电量的大气污染物排放量估算模型构建方法及系统


[0001]本专利技术涉及污染物排放估算
，具体而言，涉及一种基于耗电量的大气污染物排放量估算模型构建方法及系统。

技术介绍

[0002]工业是氮氧化物、二氧化硫、烟尘、非甲烷总烃等污染物的主要排放源之一，估算各行业企业污染物排放量对污染防控至关重要。
[0003]为掌握工业源大气污染物排放情况，典型城市(如成都市)针对重点行业重点企业，在锅炉烟道、燃烧室、烟囱口等关键位置布设了污染物在线监测系统。该在线监测系统是实时、连续监测污染物参数的系统，主要监测烟气、氮氧化物、二氧化硫、非甲烷总烃等指标。然而，受现实因素影响，仍有大量企业排放情况无法在线监测，因此本研究利用已有在线监测数据训练机器学习模型，估算没有安装在线监测设备的企业污染物排放情况。
[0004]在现有的污染物排放估算研究中，有基于污染物排放的时序数据和特征探究估算污染物排放量。有学者改进小波神经网络模型预测火电厂污染物的排放，并优化了特征提取方法，提升了神经网络的输入特征数据性能。有研究将深度学习中的长短期记忆(LSTM)网络算法应用于火电厂污染物排放预测。然而目前现有技术中仍存在一些问题：
[0005](1)仅针对某些已有污染物排放数据的企业(如火电厂、加油站、民航飞机等)，做时间序列上的预测，而无法扩展到未安装污染物排放在线监测设备的企业；
[0006](2)仅利用污染物排放、企业运行情况等内部信息(如火电站燃机运行功率、燃机天然气质量流量)，而未考虑季节、行业条件等外部信息。

技术实现思路

[0007]为了克服上述问题或者至少部分地解决上述问题，本专利技术实施例提供一种基于耗电量的大气污染物排放量估算模型构建方法及系统，对估算模型进行优化，显著提高估算准确度，可对多个行业不同规模的企业污染物排放量进行精准估算。
[0008]本专利技术的实施例是这样实现的：
[0009]第一方面，本专利技术实施例提供一种基于耗电量的大气污染物排放量估算模型构建方法，包括以下步骤：
[0010]获取并根据企业属性信息、企业耗电量、大气污染物排放量和气象条件建立数据集；
[0011]根据企业信息中的企业名称、时间和空间信息匹配获取对应企业的逐时电力数据和逐时在线监测排放数据；
[0012]将污染物在线监测排放数据作为因变量，将企业耗电量数据、时间和企业属性信息作为自变量构建机器学习模型，并基于数据集对机器学习模型进行训练，以得到初始估算模型；
[0013]以决定系数R2、均方根误差RMSE和归一化偏差MNB作为评价指标，对初始估算模型
进行优化，得到最优估算模型。
[0014]为了解决现有技术中无法对没有污染物排放监控的企业进行估算以及未考虑季节、行业、气象条件等外部信息导致估算不准确的技术问题，本专利技术基于企业耗电量数据、企业信息、污染物排放数据以及气象环境数据等多个方面的数据建立企业污染物排放估算模型，在估算模型中加入耗电量这一自变量，将估算范围从个别行业个别企业扩大至所有可获取耗电量的企业，利用耗电量这一普遍覆盖的数据，对多个行业不同规模的企业污染物排放量进行估算，有助于实现企业排放和污染防控的精细化管理；加入气象因素、季节等外部环境变量，优化估算模型，提高了估算准确度。
[0015]基于第一方面，在本专利技术的一些实施例中，该基于耗电量的大气污染物排放量估算模型构建方法还包括以下步骤：
[0016]根据预置的多个验证角度在数据集中选取并根据验证集对最优估算模型进行性能验证。
[0017]基于第一方面，在本专利技术的一些实施例中，上述根据预置的多个验证角度在数据集中选取并根据验证集对最优估算模型进行性能验证的方法包括以下步骤：
[0018]根据预置的样本验证角度、月份验证角度、时间验证角度和企业验证角度在数据集中分别选取各个角度对应的验证集；
[0019]基于选取的各个角度的验证集分别对最优估算模型进行性能验证。
[0020]基于第一方面，在本专利技术的一些实施例中，该基于耗电量的大气污染物排放量估算模型构建方法还包括以下步骤：
[0021]对企业耗电量数据和污染物排放数据进行时间序列检验，去除缺失值和异常值，以得到目标企业耗电量数据和目标污染物排放数据。
[0022]第二方面，本专利技术实施例提供一种基于耗电量的大气污染物排放量估算模型构建系统，包括数据获取模块、逐时数据模块、模型构建模块、线性模型模块以及模型优化模块，其中：
[0023]数据获取模块，用于获取并根据企业属性信息、企业耗电量、大气污染物排放量和气象条件建立数据集；
[0024]逐时数据模块，用于根据企业信息中的企业名称、时间和空间信息匹配获取对应企业的逐时电力数据和逐时在线监测排放数据；
[0025]模型构建模块，用于将污染物在线监测排放数据作为因变量，将企业耗电量数据、时间和企业属性信息作为自变量构建机器学习模型，并基于数据集对机器学习模型进行训练，以得到初始估算模型；
[0026]模型优化模块，用于以决定系数R2、均方根误差RMSE和归一化偏差 MNB作为评价指标，对初始估算模型进行优化，得到最优估算模型。
[0027]为了解决现有技术中无法对没有污染物排放监控的企业进行估算以及未考虑季节、行业、气象条件等外部信息导致估算不准确的技术问题，本系统通过数据获取模块、逐时数据模块、模型构建模块、线性模型模块以及模型优化模块等各个模块的配合实现对各个企业的污染物排放的精准估算；基于企业耗电量数据、企业信息、污染物排放数据以及气象环境数据等多个方面的数据建立企业污染物排放估算模型，在估算模型中加入耗电量这一自变量，将估算范围从个别行业个别企业扩大至所有可获取耗电量的企业，利用耗电量
这一普遍覆盖的数据，对多个行业不同规模的企业污染物排放量进行估算，有助于实现企业排放和污染防控的精细化管理；加入气象因素、季节等外部环境变量，优化估算模型，提高了估算准确度。
[0028]基于第二方面，在本专利技术的一些实施例中，该基于耗电量的大气污染物排放量估算模型构建系统还包括验证模块，用于根据预置的多个验证角度在数据集中选取并根据验证集对最优估算模型进行性能验证。
[0029]本专利技术实施例至少具有如下优点或有益效果：
[0030]本专利技术实施例提供一种基于耗电量的大气污染物排放量估算模型构建方法及系统，为了解决现有技术中无法对没有污染物排放监控的企业进行估算以及未考虑季节、行业、气象条件等外部信息导致估算不准确的技术问题，本专利技术基于企业耗电量数据、企业信息、污染物排放数据以及气象环境数据等多个方面的数据建立企业污染物排放估算模型，在估算模型中加入耗电量这一自变量，将估算范围从个别行业个别企业扩大至所有可获取耗电量的企业，利用耗电量这一普遍覆盖的数据，对多个行业不同规模的企业污染物排放量进行估算，有助于实现企业排放和污染防控的精细化管理；加入气象因素、季节等外部环境变量，优化估算模型，提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于耗电量的大气污染物排放量估算模型构建方法，其特征在于，包括以下步骤：获取并根据企业属性信息、企业耗电量、大气污染物排放量和气象条件建立数据集；根据企业信息中的企业名称、时间和空间信息匹配获取对应企业的逐时电力数据和逐时在线监测排放数据；将污染物在线监测排放数据作为因变量，将企业耗电量数据、时间和企业属性信息作为自变量构建机器学习模型，并基于数据集对机器学习模型进行训练，以得到初始估算模型；以决定系数R2、均方根误差RMSE和归一化偏差MNB作为评价指标，对初始估算模型进行优化，得到最优估算模型。2.根据权利要求1所述的一种基于耗电量的大气污染物排放量估算模型构建方法，其特征在于，还包括以下步骤：根据预置的多个验证角度在数据集中选取并根据验证集对最优估算模型进行性能验证。3.根据权利要求2所述的一种基于耗电量的大气污染物排放量估算模型构建方法，其特征在于，所述根据预置的多个验证角度在数据集中选取并根据验证集对最优估算模型进行性能验证的方法包括以下步骤：根据预置的样本验证角度、月份验证角度、时间验证角度和企业验证角度在数据集中分别选取各个角度对应的验证集；基于选取的各个角度的验证集分别对最优估算模型进行性能验证。4....

【专利技术属性】
技术研发人员：詹宇，赵子翔，付建博，
申请(专利权)人：四川大学，
类型：发明
国别省市：