[发明专利]一种基于电力大数据的企业排污预测方法

说明书

本发明公开了一种基于电力大数据的企业排污预测方法，包括以下步骤：基础信息获取：获取企业的历史用电数据和历史排污数据；数据预处理：根据历史排污数据对所述历史用电数据进行数据清洗；特征指标构建：对数据清洗后的历史用电数据提取多维的用电特征指标；构建用户排污预测模型：将所述用电特征指标作为自变量，并将所述历史排污数据作为因变量，将自变量作为输入，将因变量作为输出来训练逻辑回归模型，将训练好的逻辑回归模型作为企业排污预测模型。本发明实现对潜在水污染企业的排污情况进行预测，节省人工现场核查人次。

技术领域

本发明涉及电力技术领域，尤其涉及一种基于电力大数据的企业排污预测方法。

背景技术

目前全国水环境质量总体保持持续改善势头，水域周边城市要定期对流域内重点排污单位进行例行排污检测，人力物力消耗较大。

随着智能电网和信息化建设，电力行业积累了海量数据，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。电力行业已进入大数据时代。电力大数据是通过传感器、智能设备、视频监控设备、音频通信设备、移动终端等各种数据采集渠道，收集到的海量结构化、半结构化、非结构化的业务数据集合。如何借助电力大数据实现企业排污情况分析和预警，是值得考虑的问题。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种基于电力大数据的企业排污预测方法，实现对潜在水污染企业的排污情况进行预测，辅助提升监督效率，节省人工现场核查人次。

为解决上述技术问题，本发明提出的技术方案为：

一种基于电力大数据的企业排污预测方法，包括以下步骤：

步骤1、基础信息获取：获取企业的历史用电数据和历史排污数据；

步骤2、数据预处理：根据历史排污数据对所述历史用电数据进行数据清洗；

步骤3、特征指标构建：对数据清洗后的历史用电数据提取多维的用电特征指标；

步骤4、构建用户排污预测模型：将所述用电特征指标作为自变量，并将所述历史排污数据作为因变量，将自变量作为输入，将因变量作为输出来训练逻辑回归模型，将训练好的逻辑回归模型作为企业排污预测模型。

进一步的，所述历史用电数据包括用户名称、用户编号、合同容量、计量点编号、采集时间点、尖电量、峰电量、谷电量、平电量、时点负荷、时点电流、时点电压、时点功率；所述历史排污数据包括企业名称、污水检测时间、检测结果。

进一步的，步骤2具体包括：根据历史排污数据中的污水检测时间和检测结果，确定有排污监测结果的时间段，提取历史用电数据中有排污监测结果的时间段对应的用电数据，删除该用电数据中的缺失数据，并采用箱线图剔除该用电数据中的异常值。

进一步的，步骤3具体包括：使用OSM模型，确定业务目标并制定行动策略，根据所述行动策略对数据清洗后的历史用电数据构建指标并评估，得到多维的用电特征指标。

进一步的，根据所述行动策略对数据清洗后的历史用电数据构建指标并评估的具体步骤包括：

对于第一类数据，绘制同一个周期内超标样本企业和未超标样本企业关于该数据的趋势图，观察所述趋势图，并根据观察结果，将第一类数据拆分为对应的指标；

对于第二类数据，根据专家经验，将该数据直接作为一类指标。

进一步的，所述第一类数据的数据量大于预设阈值。

进一步的，步骤4中所述自变量的用电特征指标与对应因变量的历史排污数据的时间错位，且所述用电特征指标的时间在对应的历史排污数据的时间之前。

进一步的，步骤4中所述逻辑回归模型的表达式如下：