基于大数据共享的大气污染防治用电数据分析平台的制作方法

本发明涉及用电数据分析平台技术领域，尤其涉及基于大数据共享的大气污染防治用电数据分析平台。

背景技术：

大气是人类赖以生存的最基本的环境要素，但随着工业快速发展，能源消费增多，粉尘、工业废气和汽车尾气的排放导致二氧化硫和氮氧化物等酸性气体进入空气中,对大气造成了严重的污染。大气污染治理已成为当今研究的热点。我国大气污染物主要是硫的氧化物和氮的氧化物，有效遏制污染企业排放污染气体将有助于提高空气质量。19世纪末发明电力至今，电力工业的发展越来越快，电器制造技术也在不断提高，这使得电力使用的领域在不断扩大，为用电信息采集系统(即“电采系统”)的到来提供了很好的铺垫。

随着国家对改善空气质量的重视程度不断提升，大气污染防治工作趋向更细致化、全面化，产生了一系列表征空气状况和污染治理的数据。互联网、电子商务以及移动通信的兴盛的促进了各行业数据信息互通和共享，串接了原本的信息“孤岛”。一个大规模生产、分享和应用数据的时代正在开启。如何通过信息共享应用上述数据，更好地服务于现实工作，就成为热点课题。为有效改善空气质量，虽然各级政府环保部门提出关停污染企业的管控措施，但仍存在企业“假排、偷生产”的现象。

专利号为201410442826.3的发明公开了一种基于物联网的大气污染监控方法及系统，该方法包括：检测大气中污染物的浓度，获得第一污染物浓度值；基于第一污染物浓度值和第一污染物浓度阈值，判断第一污染物浓度值是否大于第一污染物浓度阈值，获得第一判断结果；当第一污染物浓度值大于第一污染物浓度阈值时，执行大气净化操作，在一预设时间之后，检测大气中污染物的浓度，获得第二污染物浓度值；当第二污染物浓度值不大于第一污染物浓度阈值时，停止大气净化操作。通过该方法，能够在大气中污染物浓度值超标时，及时地进行相应的大气净化操作，有效缓解大气污染状况，并能及时地减少大气净化操作耗费的大量电力，节省能源。

专利号为201520792900.4的专利公开了一种在线监测大气污染物系统，包括采样器、a/d转换器、控制器、app装置和wifi模块，所述采样器的输出端分别电连接烟尘监测子系统、烟气监测子系统、流速测量单元、重金属检测器，所述烟尘监测子系统、烟气监测子系统、流速测量单元、重金属检测器的输出端电连接a/d转换器。该在线监测大气污染物系统，通过烟尘监测子系统、烟气监测子系统、流速测量单元、重金属检测器可以对大气的烟尘、烟气、流速、重金属含量进行监测，当含量超过正常值时，可通过报警器在线进行远程报警，并且，检测结果可通过wifi模块远程发送到手机或电子设备的app软件上，实现远程在线监控、测量、分析、对比。

然而，上述系统或装置并不能很好解决背景中提出的问题，所以本发明将以监测污染企业为出发点，通过用电信息采集系统为支撑，建成一个基于大数据共享的大气污染防治用电数据分析平台。

技术实现要素：

本发明目的在于提供基于大数据共享的大气污染防治用电数据分析平台，以用电信息采集系统为基础，以大数据共享分析及预测为技术手段，实现对涉气污染企业和各地工业用电数据远程监测，为污染管控措施的制定提供了强有力的支撑。

为实现上述目的，本发明采用的技术方案是：基于大数据共享的大气污染防治用电数据分析平台，包括用电信息采集单元、传输模块和系统主站，所述用电信息采集单元包括安装在现场的计量终端设备和采集存储设备，所述系统主站包括服务器组和数据分析中心，所述系统主站与所述用电信息采集单元通过所述传输模块连接，所述数据分析中心包括以bp神经网络为基础的大数据共享分析模型。

进一步地，所述大数据共享分析模型通过对电力和环保数据的分析，构建bp神经网络预测单元，对空气质量进行周期性预测，所述bp神经网络包括输入层、隐含层和输出层，所述隐含层包括单隐含层和多隐含层。

进一步地，所述大数据共享分析模型的实现步骤包括，1)指标数据输入：以环保与电力共享数据，进行bp神经网络的输入指标分析并进行采集；2)指标数据处理：对不同类型的输入指标，通过物理意义、量纲和数量级的不同进行分级，并对原始数据进行归一化处理；3)制定训练样本：以当前采集时间段的数据作为一个周期，作为bp神经网络的训练样本，以便对下一周期的空气质量指数进行预测检验；4)进行网络训练：采用单隐层或多隐层的bp神经网络进行空气质量指数预测，设定期望值，并将预测周期的空气质量指数作为输出值进行输出；5)预测结果分析：通过bp神经网络预测下一周期空气质量，并制作预测曲线值与实际值进行重合度比对，得出预测精确度。

进一步地，所述bp神经网络的输入指标包括空气污染颗粒浓度、空气质量指数与管控企业电量，所述空气污染颗粒包括粉尘、工业废气及汽车尾气排放的污染颗粒。

进一步地，所述服务器组包括数据库服务器、磁盘阵列、应用服务器、前置服务器、接口服务器、工作站、全球定位系统(gps)时钟、防火墙以及相关的网络设备。

进一步地，所述计量终端设备包括智能电表，所述采集存储设备包括数据采集卡以及分别与所述数据采集卡连接的数据集中器、分级存储器，若干智能电表呈星形分布与一个数据采集卡连接。

进一步地，所述传输模块包括近程计量终端网络与远程无线网络，所述近程计量终端网络采用电力载波传输或wifi传输，所述远程无线网络采用长距离点对点式传输。

进一步地，所述远程无线网络包括无线电收发电台，若干所述采集存储设备呈纵线网分布与一个所述无线电收发电台连接。

进一步地，所述数据分析中心连接数码显示单元，所述数码显示单元分别连接串行通信接口、人机接口单元。

进一步地，所述数码显示单元包括数据设定面板及led显示面板，所述数据设定面板包括若干个数据输入按钮及指令按钮。

本发明的有益效果主要体现在以下几个方面：

1、本发明利用电力与环保大数据共享支撑大气污染治理数据，包括各地空气质量指数(aqi值)pm2.5及pm10含量和企业电计信息等，在全国属于首创，为科学治污提供了重要的技术援助，并以用电信息采集系统为支撑，实现环保督查定位、企业偷工定时，助推环保企业治理。

2、本发明运用bp神经网络模型算法预测企业未来用电情况，准确率达98.55％，为公司优质服务及风险预测提供数据参考，并可以分析预测未来空气质量指数，准确率达99.59％，为污染管控措施的制定提供了强有力的支撑。

3、本发明通过模型分析，预测企业未来用电情况，共享环保数据，结合各地空气质量指数和工业电计信息较准确地反映出了城市产业结构的合理性，助力公司优质服务发展，为公司优质服务及风险预测提供数据参考。

4、本发明具有良好的延展性，既可以与工商部门建立数据共享机制，将企业征信纳入到共享数据库中，制定客户信誉等级，为电费回收和优质服务做好数据支撑，还可以与中石油共享数据。利用电采系统可监测电动汽车经充电桩充电量，通过对比石油、电量占比，及时掌握电动汽车推广占有率，值得广泛推广与使用。

附图说明

图1是本发明分析平台的组成结构图。

图2是本发明大数据共享分析模型的实现流程图。

图3是本发明单隐层bp神经网络的组成结构图。

图4是实施例中a、b两市工业电量与空气质量的对比关系图。

图5是实施例中b重点污染企业电量与空气质量关系图。

图6是实施例中b市重点污染企业电量与pm2.5关系图。

图7是实施例中b市空气质量指数预测结果图。

具体实施方式

下面通过具体实施例对本发明方案进行进一步阐述。

如图1至图7所示，基于大数据共享的大气污染防治用电数据分析平台，包括用电信息采集单元1、传输模块2和系统主站3，用电信息采集单元1包括安装在现场的计量终端设备4和采集存储设备5，系统主站3包括服务器组6和数据分析中心7，系统主站3与用电信息采集单元1通过传输模块2连接，数据分析中心包括以bp神经网络为基础的大数据共享分析模型8。服务器组包括数据库服务器、磁盘阵列、应用服务器、前置服务器、接口服务器、工作站、全球定位系统(gps)时钟、防火墙以及相关的网络设备，用于为数据分析中心提供网络、接口、数据库共享、时序计算等一系列计算机服务。计量终端设备包括智能电表，采集存储设备5包括数据采集卡9以及分别与数据采集卡9连接的数据集中器10、分级存储器11，若干智能电表呈星形分布与一个数据采集卡连接。传输模块2包括近程计量终端网络12与远程无线网络13，近程计量终端网络采用电力载波传输或wifi传输，远程无线网络采用长距离点对点式传输。远程无线网络包括无线电收发电台，若干采集存储设备呈纵线网分布与一个无线电收发电台连接。数据分析中心7连接数码显示单元14，数码显示单元14分别连接串行通信接口15、人机接口单元16。数码显示单元包括数据设定面板及led显示面板，数据设定面板包括若干个数据输入按钮及指令按钮。在具体实施时，数据设定面板中的数据输入按钮，包括‘0’至‘9’十个阿拉伯数字输入键，指令按钮包括有报警设定、停机设定、返回、确认、开/关机、自动检测等。采集存储设备的存储核心在于分级存储器，这是依照内容进行分级的存储器cam，这是一种特殊的存储阵列ram，它的主要工作机制就是将一个输入数据项与存储在cam中的所有数据项自动同时进行比较，判别该输入数据项与cam中存储的数据项是否相匹配，并输出该数据项对应的匹配信息，尤其适用于数据种类繁多、调用复杂的情形，这类存储器可以使数据集中器根据所要记录或调用的数据类别信息，进行数据的准确提取，方便快捷。

本发明大气污染防治用电数据分析平台的用电信息采集设备是对电力用户的用电信息进行采集、处理和监控的系统，可实现用户电量、负荷、电压、电流等用电信息的自动采集，主要是通过对管控的重污染型工矿企业的电力信息采集监控，分析电力数据变化与大气污染变化的关系，并以采集到的电气数据指标，通过数据模型进行分析，得出与大气污染防治相关的空气质量指数预测，为下一步进行大气污染治理提出对管控企业的具体管控方案，

所以本发明在实现原理上，需要先对工业电量与大气污染的内在关系进行对比论证，而后才能在此内在关系的基础上进行数据指标预测分析，生成关系曲线与分析方案，下面以a、b两市在2017年3、4月份的工业电量采集数据为基础，同空气质量进行分析对比。

由于2017年大气污染治理形势严峻，从3月初开始加大污染管控力度,污染天气预警发生时，启动相应预案，关停重污染企业，在3、4月间，通过用电信息采集单元针对性地对涉气污染企业进行信息采集，在每天从早上8点至晚上22点，每小时扫描一次任务，针对采集系统新补抄数据重新推送。图4显示了3-4月份工业电量与空气质量关系。从图4(ⅰ)可见，3月3日-5日，a市启动重污染天气黄色预警，工业电量平缓下降，比3月2日天气优良时电量降低约74万千瓦时(约2.46％)。3月17日-28日，启动蓝色预警期间，该市工业电量比16日电量下降约185万千瓦时(约6.2％)。4月3日-4日启动重污染天气橙色预警，该市4月3日工业电量比2日电量下降153万千瓦时(约4.4％)。从图4(ⅱ)中可见，b市工业电量与空气质量的关系。3月3日-5日，b市启动重污染天气黄色预警。4日，该市工业电量增加285万千瓦时(约15％)。3月17日-18日，启动蓝色预警期间，该市工业电量比16日电量下降约7万千瓦时。4月3日-4日启动重污染天气橙色预警，该市4月3日工业电量比2日电量下降122万千瓦时(约10.2％)。从工业电量图与空气质量关系图中可以初步判定工业电量的严格管控会对空气质量指数造成积极影响，a、b市的部分企业在这一时期内落实了管控措施，也会对大气污染治理造成积极影响，而且，计量终端设备采集到的数据还可以进行更有针对性的监测分析，如可以通过监测b市管控企业的电量，确定重点污染企业电量与空气质量关系，进一步判断该市管控措施落实情况。从图5可见，3月3日-5日，b市启动重污染天气黄色预警期间，管控企业电量逐渐降低。5日工业电量比3日降低50万千瓦时(约4％)。对比图5和图4(ⅱ)。3月17日-18日和4月3日-4日，b市分别启动蓝色预警和橙色预警，该市管控企业电量与空气质量的变化趋势和工业电量与空气质量变化趋势基本一致。由此可判断该市管控措施基本落实到位。此外，通过监测管控企业用电量，可实现对其生产工况的在线监测。

与此同时，据研究发现在污染天气期间，pm2.5值与空气质量指数(aqi)成正线性关系，而pm2.5受涉气污染企业污染物排放影响。为监测企业污染物排放情况，环保部门对污染企业安装监测设备，但仍有企业伪造排放数据。为避免上述情况发生，可通过监测企业用电量增强监管力度。结合预警等级的分析为综合性的描述、pm2.5为定量分析。图6中，y轴当日管控企业电量为b市污染管控企业当日电量与前一日电量比值。从图6中可见，3月份以来，b市的pm2.5值与污染管控企业的当日电量成正相关。所以，通过用电信息采集设备采集涉气污染企业电计信息，反映其生产工况，协助环保部门治理大气污染，可以成为用电信息采集系统的一项重要应用。借助电采系统可分地区、分时段监测管控企业及工业电计信息，同时可实现企业电计信息及空气质量等数据的多维度分析。

在确定工业电量与空气质量存在的必然联系，并且采集到大量用电信息数据后，就可以依靠本发明数据分析中心的大数据共享分析模型，进行基于电力与环保大数据共享对空气质量的预测分析，通过环保与电力数据信息的共享，以空气质量指数(aqi)、pm2.5，管控企业电量作为数据源，构建单隐层bp神经网络模型，对空气质量展开预测分析，实现了空气质量的高准确率预测，为下一污染管控措施的制定提供强有力的数据支撑，为生产和生活提供了参考。

大数据共享分析模型是以bp神经网络为基础来实现的，bp(backpropagation)算法又称为误差反向传播算法，是人工神经网络中的一种监督式的学习算法，具有良好的非线性映射能力、自适应学习能力和较强泛化能力，预测精度高，算法稳定，是目前应用较为广泛的算法。本方案所用的bp神经网络分为输入层、隐含层和输出层，相邻层神经元全互连，同层神经元无连接，如图3所示。有研究表示，有一个隐层的bp网络可以逼近任何一个闭区间内的连续函数。本方案采用隐含层数目为1。其模型训练过程由输入信号的正向传播和误差信号的反向传播组成。在信息正向传播的过程中，输入信息经隐含层神经元逐层处理并传向输出层。比较输出层的实际值与期望值之间的误差，将误差按照减小的方向不断的修改输出层到隐藏层，修正隐藏层到输入层的连接权重和阈值，经“正向计算输出-反向传播误差”的过程反复迭代，直至误差降至可接受范围内。神经网络的输入指标是与预测值有紧密关系的元素。研究表示，粉尘、工业废气和汽车尾气的排放对大气造成了严重的污染。由此判断出预测值的关联因素so2、no2、pm2.5，pm10，空气质量指数及管控企业电量等。但是对于一个神经网络而言，并不是输入指标越多越好，多了反而会使模型更容易产生过拟合或者使训练时间过于漫长。综合考虑各方面的因素，本方案选择的输入指标为历史pm2.5，空气质量指数及管控企业电量，输出是预测日的空气质量指数。

下面我们以b市为例进行分析，利用采集到的b市管控企业电量数据为基础，综合空气质量指数数据，通过对b市2017年1月至3月期间的历史数据分析，预测b市4月上旬的空气质量情况：

2017年1-3月份期间，b市的空气质量指数(aqi)将空气污染程度和空气质量状况分级表示，适合于表示城市的短期空气质量状况和变化趋势。pm2.5适合环境空气中空气动力学当量直径小于等于2.5微米的颗粒物。管控企业电量为根据不同空气状况需执行停产/限产的企业电量，实施例中的大数据共享分析模型实现步骤如下：

1)指标数据输入：以环保与电力共享数据，空气质量指数(aqi)、pm2.5，管控企业电量为数据源，进行空气质量指数的预测分析。

2)指标数据处理：由于空气质量指数、pm2.5，管控企业电量具有不同的物理意义、量纲和数量级，因此在网络训练前通过公式(1)的方法，对原始数据进行归一化处理。数据归一化方法很多，本方案采用最大最小法，公式(1)如下：式中，为经过标准化处理的数据，x为原始数据，xmax和xmin分别是数据序列中最大数、最小数。数据标准化处理后，处在[-1,1]区间。

3)制定训练样本：将1-3月份的数据作为bp神经网络模型的训练样本，对4月1-16日空气质量指数进行预测检验。

4)进行网络训练：采用单隐层bp神经网络模型进行空气质量指数预测。隐层神经元数由公式(2)确定：其中，a为0-10之前的常数，本实验采用a＝3。

最终确定：单隐层bp神经网络径流分析模型结构为3-5-1，隐含层传递函数采用tansig，输出层传递函数采用purelin,训练函数采用trainlm,设定期望误差为0.0001,最大训练轮回为500次，经过训练,网络达到了较好的预测精度。

5)预测结果分析：通过单隐层bp神经网络模型预测4月上旬空气质量，如图7所示。aqi预测曲线值与实际值基本重合，预测结果误差率见表1。

表1b市空气质量指数预测结果及其比较表

这样就可以采用单隐层bp神经网络模型准确地预测b市空气质量指数，从表1中可见，平均误差率0.41％(准确率99.59％)。高准确率的预测为该市环保治理及下一步管控措施的制定提供了强有力的数据支撑,可为生活和企业生产提供参考。

本发明在具体实施时，利用传输模块实现现场采集单元与主站系统之间的数据互联，传输模块包括近程计量终端网络与远程无线网络，近程计量终端网络采用电力载波传输或wifi传输，远程无线网络采用长距离点对点式传输。传输模块的数据传输方式可以自由选择，如果仅是小范围内进行实时数据传输，可实现直接性的线路传输，如电力载波不依托辅助元件，也可以采用wifi传输，形成很适用于小范围内互联的近程计量终端网络；远程无线网络既可以采用gsm无线传输，可以与各种公用通信网络互联，抗干扰性强，通信质量高，不受距离限制，也可以采用长距离点对点式传输，通过采集存储设备使用一次gsm传输，相比于gsm无线传输而言，不必使用sim卡，大大降低了长期使用费用，尤其是在本方案用来实现远程数据互联时，可以优选gsm短信方式，直接实现远程数据分析中心与计量采集设备的现场实时互动。

本发明在投入使用以来，企业违规生产率从11.04％降低至2.51％。通过用电信息采集系统监测全省工业用户约40万户，仅核查成本降低近200余万元。利用本发明方案，可以与工商部门建立数据共享机制，将企业征信纳入到共享数据库中，制定客户信誉等级，为电费回收和优质服务做好数据支撑，还可以与中石油共享数据。利用电采系统可监测电动汽车经充电桩充电量，通过对比石油、电量占比，及时掌握电动汽车推广占有率。进一步来说，还可以打造掌上app，其信息安全管理办法借用掌机管理模式。通过手机随时随地查看各部门数据。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。