一种基于AI电力大数据实现企业污染物动态排放的方法与流程

一种基于ai电力大数据实现企业污染物动态排放的方法
技术领域
1.本技术涉及企业污染物动态排放技术领域，具体公开了一种基于ai电力大数据实现企业污染物动态排放的方法。


背景技术：

2.随着经济的快速发展和城市化水平的不断提高，企业污染物的排放也越来越明显，现在的环保部门掌握企业污染动态，一般是静态掌握，企业静态排放是静态排且时间是以年为基准，这种静态不够准确，也不能帮助环保部门有效掌握企业污染动态；
3.因此，发明人基于此，发现通过视频识别实现企业动态方法在现有技术中还没有，通过本方法可实现企业实时动态排放量，并且，该方法时间维度实现以每小时为基准，并且可通过图像智能识别技术找出企业动态排放的关键特征因子，实现企业污染物的动态排放，有助于环保部门实时掌握企业污染动态，最终，发明人提出一种基于ai电力大数据实现企业污染物动态排放的方法。


技术实现要素：

4.本发明是基于实时视频识别技术，识别污染企业主要产污环节，并能定量分析企业原料及产品产量的重量；再通过工序用电量与排污建立源强关系，实现电量表征污染物的排放量。
5.为了达到上述目的，本发明提供以下基础方案：
6.一种基于ai电力大数据实现企业污染物动态排放的方法，包括以下步骤：
7.s01：特征因子识别：基于传统静态污染源清单排放技术，挖掘出可实现动态的关键活动水平因子；
8.s02：针对s01中的关键活动水平因子按照该关键活动水平因子的工序环节布设摄像头，该摄像头基于视频识别技术实时监控。
9.s03：基于视频识别技术，检测关键活动水平因子的产品数据和原料数据，并根据算法实际计算排放量；
10.s04：在企业关键各个环节中建立电表，并获得实时电量监测数据，基于s03中的实时的排放量，并建立二者之间的数学关系式，进而通过实时监测的电量数据，就能测算出企业的排放量。
11.本基础方案的原理及效果在于：
12.1.与现有技术相比，本发明基于实时视频识别技术，识别污染企业主要产污环节，并能定量分析企业原料及产品产量的重量；再通过工序用电量与排污建立源强关系，实现电量表征污染物的排放量。
13.2.与现有技术相比，原有技术是静态排放且时间是以年为基准，本方法可以将时间维度实现以每小时为基准，并且可通过图像智能识别技术找出企业动态排放的关键特征因子，实现企业污染物的动态排放，有助于环保部门实时掌握企业污染动态；
14.3.电力大数据和污染物排放量建立的模型随时可以调整，使得模型更加精准，预测的排放量误差也会更小。
15.4.基于实时动态排放量，企业工序实时电量监测数据，挖掘其关联关系，基于回归分析方法，筛选相关性较大的工序环节，最后挖掘出一个工艺环节与排放量相关性很大，并建立二者之间的数学关系式，通过实时监测的电量数据，就能测算出企业的排放量。
16.进一步，所述关键活动水平因子为企业生产的关键工序和关键环节，包括但不限于产品数据和原料数据。
17.进一步，步骤s03中算法包括以下步骤：
18.a1：定义e为：工艺过程源污染物排放量；df为关键活动水平因子；df的数量取决于关键活动水平因子的种类；获得为污染控制措施对污染物的去除效率：(1-η)；
19.a2：根据大量数据：建立算法：e＝a
×
ef
×
(1-η)，e：工艺过程源污染物排放量；ef为污染物排放因子；η为污染控制措施对污染物的去除效率,a为企业污染管理系数；
20.a3：通过上式，计算出每小时该企业的产污量。
21.进一步，当获得每小时该企业的产污量，依靠s04中的电表数据，得出排放量y与电量x的数据关系式，建立了电量与排放量之前的源强关系。
22.进一步，电量x包括企业总耗电量、生产用电量、生活用电量和未知损耗电量，筛除电量x中的无关电量，如生活用电量和未知损耗电量。
附图说明
23.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
24.图1示出了本技术实施例提出的一种基于ai电力大数据实现企业污染物动态排放的方法的流程图。
具体实施方式
25.为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。
26.实施例如图1所示：
27.一种基于ai电力大数据实现企业污染物动态排放的方法，包括以下步骤：
28.s01：特征因子识别：基于传统静态污染源清单排放技术，挖掘出可实现动态的关键活动水平因子；
29.具体的：关键活动水平因子为企业生产的关键工序和关键环节，包括但不限于产品数据和原料数据，实施例如图1所示，该图1的关键活动水平因子就包括产品数据和原料数据，针对产品数据：一般是产品数量，针对原料数据，一般是装填原材料的桶，每桶规格大小一致，产品型号大小一致。
30.s02：针对s01中的关键活动水平因子按照该关键活动水平因子的工序环节布设摄像头，该摄像头基于视频识别技术实时监控，通过摄像头和视频识别技术实时获得产品数
据和原料数据的实时数据。
31.s03：基于视频识别技术，检测关键活动水平因子的产品数据和原料数据，并根据算法实际计算排放量；
32.具体的：步骤s03中算法包括以下步骤：
33.a1：定义e为：工艺过程源污染物排放量；df为关键活动水平因子；df的数量取决于关键活动水平因子的种类；获得为污染控制措施对污染物的去除效率：(1-η)；
34.a2：根据大量数据：建立算法：e＝a
×
ef
×
(1-η)，e：工艺过程源污染物排放量；ef为污染物排放因子；η为污染控制措施对污染物的去除效率,a为企业污染管理系数；
35.a3：通过上式，计算出每小时该企业的产污量。
36.s04：在企业关键各个环节中建立电表，基于企业工序环节特点，在每个环节安装电表，实时获取工序环节电量数据，并把每个电量数据与动态排放数据一一对应，挖掘其关联关系，并获得实时电量监测数据，基于s03中的实时的排放量，并建立二者之间的数学关系式，进而通过实时监测的电量数据，就能测算出企业的排放量。
37.具体的：当获得每小时该企业的产污量，依靠s04中的电表数据，得出排放量y与电量x的数据关系式，建立了电量与排放量之前的源强关系；
38.回归到企业实际生产：
39.企业生产过程中需要消耗电能来驱动机械设备的运转，企业用电主要包括生产用电和生活用电两部分，本研究将企业生产排污等过程进行数字化，便于建立企业用电量与排污量之间的算法模型。企业用电量可以用下式表示：
40.y＝p(t) l(t) u(t)；
41.式中：y为企业总耗电量；p为生产用电量；l为生活用电量；u为未知损耗电量，因此，电量x包括企业总耗电量、生产用电量、生活用电量和未知损耗电量，筛除电量x中的无关电量，如生活用电量和未知损耗电量。
42.接着，当数据处理后以及变量筛查后，实施数据建模；
43.数据建模：本案采取的算法模型方法的理论是在生产设施及环保设施的数量及其功率等数据一定的情况下，其污染物产生量与耗电量之间的关系可以用函数来表达，如下式表示。
44.e(t)＝f(p(t)) ε；
45.式中：f为生产过程中的耗电量与产污量之间的关系函数；ε为修正误差。便于找出最能代表耗电量与产污量之间的关系函数，本次研究采取多元逐步回归分析法，即逐步对各个工序的耗电量(自变量因子)进行筛选，留下显著性较高的自变量，反复计算，从众多自变量中筛选留下最优的数据集，然后建立一个可以反映耗电量与排污量之间关系的数学模型。
46.首先，从回归模型中剔除检验不显著的自变量。对n个回归自变量各个工序的用电量p1，p2，
···
，pn，分别同因变量产污量e建立一元回归数学模型，即：
47.e(t)＝β0 βipi(t) ε i＝1，2，3，
…
，n；
48.计算变量各个工序用电量pi相应的回归系数的f检验值，计作f1(1)，f2(1)，
…
，fn(1)，取其最大值fi1(1)，即：
49.f
i1(1)
＝max{f
1(1)
，f
2(1)
，
…
，f
n(1)
}；
50.对给定的显著性水平α，对应的临界值记为f(1)，若f
i1(1)
≥f
(1)
，将pi(t)引入回归模型，选入工序用电量的指标集合，记作
51.其次，建立产污量e与工序用电量子集{p
i1
，p1}，{p
i1
，p
i1 1
}
…
，{p
i1
，pn}的二元回归模型，共有n-1个子集。再次计算变量的回归系数f检验值，记作fk(2)取其最大值fi2(2)，即：
52.f
i2(2)
＝max{f
1(2)
，f
2(2)
，
…fi1 1(2)
…
，f
n(2)
}
53.对给定的显著性水平α，对应的临界值记为f(2)，若f
i2(1)
≥f
(2)
，将p
i2
(t)引入回归模型。反之，则终止变量引入的过程。每次从未引入回归模型的自变量中选取一个，重复上述步骤，直到经f检验完没有变量引入为止；
54.通过这种方式来获得电量与污染物排放量的关系式，通过电量即可表征污染物的排放量，对这个函数进行常规的模型拟合度分析和模型通用性检测；
55.最后，当模型拟合度分析和模型通用性检测后，该函数模型为电力大数据与污染物排放量回归模型，通过该回归模型预测排放量；
56.预测排放量与实时排放量如何契合，数据相差不大，就可以建立动态排放清单，如果没有契合，数据相差很大，就需要重新建模，形成新的电力大数据与污染物排放量回归模型。
57.最终：本方法基于实时动态排放量，企业工序实时电量监测数据，挖掘其关联关系，基于回归分析方法，筛选相关性较大的工序环节，最后挖掘出一个工艺环节与排放量相关性很大，并建立二者之间的数学关系式，通过实时监测的电量数据，就能测算出企业的排放量，本方法的目的是实时监控企业污染物排放量。
58.以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。