【技术实现步骤摘要】
本专利技术涉及大气污染物防控，具体涉及一种基于电力负荷数据的企业大气污染物排放预测方法及系统。
技术介绍
1、电力能源作为企业的核心生产要素，其消耗数据能够反映企业的生产活动。随着智能电网和信息化建设的发展，电力行业积累了大量的结构化、半结构化、非结构化的业务数据，这些数据在数据量、多样性、速度和价值方面具有大数据的特征。电力大数据涵盖了发电、输电、配电、用电等各个环节，包括发电量、用电量、设备状态、环境参数等。大数据技术的发展在电力系统运行优化、污染源识别、环境监管等方面都呈现出新的应用前景，利用大数据分析、人工智能、计算机科学等先进技术手段对企业大气污染物排放进行预测和控制，对于保护环境和实现可持续发展具有重要意义。
2、目前通常是利用历史污染物排放数据，建立以统计学、机器学习为代表的回归预测模型，然后利用建立好的回归预测模型进行预测。这类模型建立过程中需要大量的数据，数据处理量大会带来计算资源的大量消耗，并且这类模型的泛化能力有限，如果企业的生产工艺、设备状态或环境条件发生变化，会导致预测准确性的降低。
技术实现思路
1、为了克服上述目前以统计学、机器学习为代表的回归预测模型进行污染物排放预测时所需计算量大、计算资源消耗多、泛化能力有限、预测准确性低的缺陷，本专利技术提供一种基于电力负荷数据的企业大气污染物排放预测方法，所述方法包括：
2、获取企业的当前电力负荷数据；
3、将所述当前电力负荷数据输入到短期电力预测模型进行负荷预测，得到当前短
4、将所述当前短期电力预测数据输入到大气污染物排放预测模型进行预测，得到企业的大气污染物排放预测结果；
5、所述短期电力预测模型由变分模态分解vmd算法、卷积神经网络cnn层和双向长短期记忆网络bilstm层构成；所述大气污染物排放预测模型基于粒子群优化pso算法和支持向量机回归svr模型构建。
6、可选的，所述短期电力预测模型的构建过程包括：
7、获取历史电力负荷数据集；
8、采用时间序列构建法在所述历史电力负荷数据集中，选取特定时长的历史电力负荷数据和所述历史电力负荷数据对应的未来短期电力数据；
9、采用初始短期电力预测模型中的vmd算法将所述历史电力负荷数据进行信号分解，得到多个历史电力数据模态分量；
10、采用所述初始短期电力预测模型中的一维cnn层对所述多个历史电力数据模态分量进行特征提取，得到历史电力负荷数据特征；
11、采用所述初始短期电力预测模型中的bilstm层对所述历史电力负荷数据特征进行负荷预测，得到未来短期电力预测数据；
12、基于所述未来短期电力数据和所述未来短期预测数据，对所述初始的短期电力预测模型进行迭代训练，得到最终的短期电力预测模型。
13、可选的，所述采用时间序列构建法在所述历史电力负荷数据集中，选取特定时长的历史电力负荷数据和所述历史电力负荷数据对应的未来短期电力数据，包括：
14、采用最大最小标准化算法对所述历史电力负荷数据集进行数据归一化，得到归一化后的历史电力负荷数据集；
15、采用时间序列构建法将所述归一化后的历史电力负荷数据集转换为监督学习序列；
16、在所述监督学习序列中，选取特定时长的历史电力负荷数据和所述历史电力负荷数据对应的未来短期电力数据。
17、可选的，所述采用所述初始短期电力预测模型中的bilstm层对所述历史电力负荷数据特征进行负荷预测，得到未来短期电力预测数据，包括：
18、采用所述初始短期电力预测模型中的bilstm层对所述历史电力负荷数据特征进行负荷预测，得到多个负荷预测结果；
19、将所述多个负荷预测结果进行求和，得到未来短期电力预测数据。
20、可选的，所述基于所述未来短期电力数据和所述未来短期预测数据，对所述初始的短期电力预测模型进行迭代训练，得到最终的短期电力预测模型之后，还包括：
21、获取历史电力负荷预测集；
22、将所述历史电力负荷预测集输入到所述短期电力预测模型中进行负荷预测，得到所述历史电力负荷预测集的电力预测数据序列；
23、对所述电力预测数据序列进行反归一化处理，得到反归一化后的电力预测数据序列；
24、基于所述历史电力负荷预测集中的电力真实数据序列和所述反归一化后的电力预测数据序列，对所述短期电力预测模型进行评价。
25、可选的，所述采用最大最小标准化算法对所述历史电力负荷数据集进行数据归一化，得到归一化后的历史电力负荷数据集之后，还包括：
26、利用皮尔逊系数分析法对所述归一化后的历史电力负荷数据集中的特征参数分析特征相关性，得到每个特征参数的相关系数；
27、基于所述每个特征参数，若所述特征系数的相关系数超过相关系数阈值，则将所述特征参数的历史电力负荷数据在历史电力负荷数据集中保存，否则将所述特征参数的历史电力负荷数据在历史电力负荷数据集中删除。
28、可选的，所述大气污染物排放预测模型的构建方法，包括：
29、获取污染物排放标注数据集，所述污染物排放标注数据集包括历史电力负荷数据和同期的污染物排放监测数据；
30、采用pso算法对svr模型的初始超参数进行优化，得到最优超参数；
31、采用所述历史电力负荷数据和同期的所述污染物排放监测数据，对所述最优超参数的svr模型进行迭代训练，得到大气污染物排放预测模型。
32、可选的，所述采用pso算法对svr模型的初始超参数进行优化，得到最优超参数，包括：
33、初始化pso算法中的每个粒子的位置和速度，每个粒子表示svr模型的一组初始超参数；
34、根据适应度函数计算每个粒子的位置的适应度值，更新粒子的速度和位置，得到新的个体最佳位置和粒子群的全局最佳位置；往复迭代更新粒子的速度和位置，直至达到迭代终止条件，将达到迭代终止条件时适应度值最优的粒子，作为svr模型的最优超参数。
35、可选的，所述迭代终止条件包括得到最大迭代次数，或者最优的适应度在连续设定次数的迭代中没有变化。
36、另一方面，本专利技术还提供一种基于电力负荷数据的企业大气污染物排放预测系统，包括：
37、获取模块，用于获取企业的当前电力负荷数据；
38、负荷预测模块，用于将所述当前电力负荷数据输入到短期电力预测模型进行负荷预测，得到当前短期电力预测数据；
39、污染物排放预测模块，用于将所述当前短期电力预测数据输入到大气污染物排放预测模型进行预测，得到企业的大气污染物排放预测结果；
40、所述短期电力预测模型由变分模态分解vmd算法、卷积神经网络cnn层和双向长短期记忆网络bilstm层构成；所述大气污染物排放预测模型基于粒子群优化pso算法和支持向量机回归svr模型构建。
<本文档来自技高网...【技术保护点】
1.一种基于电力负荷数据的企业大气污染物排放预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述短期电力预测模型的构建过程包括：
3.如权利要求2所述的方法，其特征在于，所述采用时间序列构建法在所述历史电力负荷数据训练集中，选取特定时长的历史电力负荷数据和所述历史电力负荷数据对应的未来短期电力数据，包括：
4.如权利要求2或3所述的方法，其特征在于，所述采用所述初始短期电力预测模型中的BiLSTM层对所述历史电力负荷数据特征进行负荷预测，得到未来短期电力预测数据，包括：
5.如权利要求3所述的方法，其特征在于，所述基于所述未来短期电力数据和所述未来短期预测数据，对所述初始的短期电力预测模型进行迭代训练，得到最终的短期电力预测模型之后，还包括：
6.如权利要求3所述的方法，其特征在于，所述采用最大最小标准化算法对所述历史电力负荷数据集进行数据归一化，得到归一化后的历史电力负荷数据集之后，还包括：
7.如权利要求1所述的方法，其特征在于，所述大气污染物排放预测模型的构建方法，包括：
<...【技术特征摘要】
1.一种基于电力负荷数据的企业大气污染物排放预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述短期电力预测模型的构建过程包括：
3.如权利要求2所述的方法，其特征在于，所述采用时间序列构建法在所述历史电力负荷数据训练集中，选取特定时长的历史电力负荷数据和所述历史电力负荷数据对应的未来短期电力数据，包括：
4.如权利要求2或3所述的方法，其特征在于，所述采用所述初始短期电力预测模型中的bilstm层对所述历史电力负荷数据特征进行负荷预测，得到未来短期电力预测数据，包括：
5.如权利要求3所述的方法，其特征在于，所述基于所述未来短期电力数据和所述未来短期预测数据，对所述初始的短期电力预测模型进行...
【专利技术属性】
技术研发人员：周春雷，白昊天，张润草，李富柏，江鹏，刘珊珊，王春梅，徐晨曦，张世泽，薄宇，
申请(专利权)人：国家电网有限公司大数据中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。