基于電力大數(shù)據(jù)的企業(yè)污染物排放智能測算方法精度對比

張峻豪,楊小林,韓雪梅,歐陽藍,劉小春

(1.重慶大學 電氣工程學院,重慶 400044;2.重慶廣睿達科技有限公司,重慶 401121)

2009年以來,“大數(shù)據(jù)挖掘技術”成為互聯(lián)網(wǎng)科技行業(yè)的一個熱詞,已廣泛應用于金融、交通、環(huán)保等諸多行業(yè)領域,并取得了很大成效。智能電網(wǎng)相關領域?qū)Υ髷?shù)據(jù)的使用也日漸增多,電力大數(shù)據(jù)由此產(chǎn)生[1]。大量研究表明電爐企業(yè)用電數(shù)據(jù)能夠反映電爐企業(yè)的真實生產(chǎn)運行狀況和生產(chǎn)排污情況[2-7]。電爐企業(yè)生產(chǎn)活動的強度直接反映出電爐企業(yè)生產(chǎn)過程中的排污強度,因此通過電力數(shù)據(jù)可以實時、精準地反映電爐企業(yè)生產(chǎn)及輔助設施的運行情況,從而可以通過跟蹤監(jiān)測電爐企業(yè)用電量,實時測算污染物排放量[8]。

2022年開始,國家對排污許可證的監(jiān)管力度加大,出臺了較多的相關規(guī)章制度,推行遠程監(jiān)管、污染防治設施用水(電)監(jiān)控等非現(xiàn)場監(jiān)管模式。目前,我國一些城市已經(jīng)建成了“電爐企業(yè)電力環(huán)保智慧監(jiān)管平臺”,但電爐企業(yè)用電監(jiān)控在環(huán)保監(jiān)管領域的應用只是將生產(chǎn)線設備用電與污染治理設備用電進行簡單關聯(lián),判斷生產(chǎn)期間環(huán)保設施是否運行,沒有將采集的電力大數(shù)據(jù)進行深層次的價值挖掘,不能反映電爐企業(yè)的產(chǎn)排污情況。

生產(chǎn)活動水平可以通過電爐企業(yè)用電數(shù)據(jù)體現(xiàn),數(shù)據(jù)挖掘技術的進步使這種方法可行且高效。周陽等提出一種新的估算方法,以智能電網(wǎng)電量數(shù)據(jù)為依據(jù)計算直接污染排放情況,將排污信息應用于大氣污染監(jiān)測研究中,并能夠根據(jù)估算情況進行污染預警[9]。黃偉建等建立了一種基于遺傳算法與動態(tài)三次指數(shù)平滑的預測模型,對鋼鐵電爐企業(yè)污染物排放量進行預測分析,通過實驗驗證了該方法在預測精度和準確度上的優(yōu)越性能[10]。

分析現(xiàn)有相關研究結(jié)果可知,目前以電力大數(shù)據(jù)為基礎研究電爐企業(yè)污染物排放量的研究相對較少,為了通過電爐企業(yè)用電數(shù)據(jù)反映電爐企業(yè)污染物的產(chǎn)生、治理和排放情況,本研究以重慶市某鑄造企業(yè)為例,實時采集生產(chǎn)活動水平的視頻數(shù)據(jù)和用電數(shù)據(jù),利用AI影像識別技術和大數(shù)據(jù)挖掘技術,結(jié)合神經(jīng)網(wǎng)絡模型及多元逐步回歸模型建立用電量與電爐企業(yè)產(chǎn)排污量之間的關聯(lián)關系,利用電爐企業(yè)用電量間接反映電爐企業(yè)產(chǎn)排污量,實現(xiàn)對電爐企業(yè)污染物排放強度的實時監(jiān)管,為精準治污、科學治污提供科技支撐。

1 數(shù)據(jù)獲取

1.1 數(shù)據(jù)采集與云端傳輸技術

本研究基于Netty底層框架開發(fā),Netty可以對網(wǎng)絡進行比較靈活的封裝,基本不受Reactor的線程影響。在Netty中的boss線程中負責對父channel(listen socket)上的事件進行監(jiān)聽和處理,當有新連接到達的時候,選擇一個worker線程把整個子channel(連接socket)交給worker線程來處理。其中worker線程就是等待其管理的所有子channel(連接socket)上的事件發(fā)生,當發(fā)現(xiàn)有事件發(fā)生的時候,回調(diào)用戶設置的handler進行處理。本研究所用原理如圖1所示。

由于CRC計算快、查錯能力強、運行成本低,比奇偶校驗這些方法更具優(yōu)勢,因此本研究中數(shù)據(jù)檢驗采用CRC校驗方法完成。

1.2 YOLO目標檢測算法

目標檢測算法的檢測精度高,應用廣泛,如人臉、車牌等AI識別[11]。YOLO目標檢測算法是基于深度神經(jīng)網(wǎng)絡對輸入圖像進行目標檢測定位和識別,是一種捕捉、處理、提取和分類識別影像信息的方法,作為one-stage目標檢測算法最典型的代表,運行速度很快。

本次研究通過遠程監(jiān)控設施獲取現(xiàn)場影像數(shù)據(jù)上傳云端服務器,由人工智能系統(tǒng)驅(qū)動的計算和檢測數(shù)字影像的物體及其特征,根據(jù)制定的識別規(guī)則和算法,達到實時獲取電爐企業(yè)生產(chǎn)活動水平的目的,其原理流程如圖2所示。

圖2 影像識別技術原理流程圖

為了提高影像數(shù)據(jù)后續(xù)的識別和計算精度,需將獲取的最初影像數(shù)據(jù)進行補光、除霧、降噪、平滑、降維[12]等前處理,去除干擾因素,增強視頻影像中暗光區(qū)域的場景并提高整體的清晰度,同時加強圖像的重要特征。

YOLO使用一種預定義的類似候選區(qū)的測算區(qū)域,將圖片劃分為S×S個網(wǎng)格,即S2個網(wǎng)格,每個網(wǎng)格允許測算出兩個邊界框,共S4個候選區(qū)。

2 模型算法

2.1 RBF神經(jīng)網(wǎng)絡算法

徑向基函數(shù)神經(jīng)網(wǎng)絡(RBF神經(jīng)網(wǎng)絡)包括輸入層、隱藏層和輸出層,整體結(jié)構(gòu)相對較為簡單。各層之間的連接方式適宜,依次為非線性變換和線性變換,這種運算方式既適用于函數(shù)逼近,還有利于數(shù)據(jù)分類。RBF神經(jīng)網(wǎng)絡是深度學習中一種較為典型的學習方法,在學習能力、收斂速度和擬合度方面均表現(xiàn)突出。RBF神經(jīng)網(wǎng)絡基本結(jié)構(gòu)如圖3所示。

圖3 RBF神經(jīng)網(wǎng)絡基本結(jié)構(gòu)

其中隱藏層的運行主要依靠激活函數(shù),輸出層的運行主要依靠與上層相對應的線性組合函數(shù),用下式表示:

(1)

式中:c和w分別為隱藏層神經(jīng)元對應基函數(shù)的中心和權(quán)重。

徑向基神經(jīng)網(wǎng)絡函數(shù)常用高斯函數(shù),可表示為

(2)

據(jù)此可得,徑向基神經(jīng)網(wǎng)絡的結(jié)構(gòu)輸出為

(3)

式中:Xp為第p個輸入樣本,共有p個輸入樣本;xi為隱藏層節(jié)點的中心;ωij為隱藏層到輸出層的連接權(quán)值,i=1,2,…,h,隱藏層共有h個節(jié)點,j=1,2,…,n,共有n個輸出節(jié)點;yi為與輸入樣本對應的網(wǎng)絡的第j個輸出節(jié)點的實際輸出。

以上述公式為依據(jù),引入期望輸出值d計算基函數(shù)方差,表示為

(4)

上述函數(shù)的方差求解公式為

(5)

式中:Cmax為中心點之間的距離最大值。

接下來計算隱藏層和輸出層之間的連接權(quán)值w,采用最小二乘法這一最佳匹配值計算方法獲取,公式可表示為

(6)

以RBF神經(jīng)網(wǎng)絡以輸入和輸出誤差計算結(jié)果為依據(jù),通過重復迭代對參數(shù)中心xi和權(quán)值w作出調(diào)整,并同步調(diào)整網(wǎng)絡內(nèi)部系數(shù),直至輸出誤差達到最小,神經(jīng)網(wǎng)絡終止計算并輸出測算值。

2.2 BP神經(jīng)網(wǎng)絡算法

BP神經(jīng)網(wǎng)絡(back propagation neural network)以非線性問題計算為主,主要結(jié)構(gòu)組成部分為輸入、隱藏和輸出層,如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡基本結(jié)構(gòu)

其步驟如下:

(1)輸入層接收外界的輸入;

(2)隱藏層和輸出層的神經(jīng)元對輸入的特征或信號進行權(quán)重矩陣加工;

(3)輸出結(jié)果。

本文采用線性加權(quán)求和的方式,將信號輸入神經(jīng)元計算,即

(7)

式中:xj為神經(jīng)元的輸入樣本,j=1,2,…,p;wah為連接權(quán)值,用于決定各輸入量的比重,a=1,2,…,p;h=1,2,…,n。

經(jīng)隱藏層激活函數(shù)計算后,輸出:

hi=f(Netin)

(8)

式中:f(Netin)為激活層函數(shù)。

同時,以線性加權(quán)求和的方式對輸出神經(jīng)元進行計算,即

(9)

用激活函數(shù)處理隱藏層輸出,便得到神經(jīng)元輸出,公式為

yi=f(αj)

(10)

式中:f(αj)為輸出層激活層函數(shù);hn為隱藏層輸出;whb為隱藏層到輸出層的權(quán)值,b=1,2,…,k。

數(shù)學理論層面相關研究證明,BP神經(jīng)網(wǎng)絡在復雜非線性映射問題的計算和解決上具有明顯的優(yōu)勢,因此它非常適合于復雜機制關聯(lián)分析。但是在神經(jīng)網(wǎng)絡測試訓練時,有很大概率會陷入局部極值訓練失敗,導致難以得到全局最優(yōu)的結(jié)果,學習速度較慢,且隱藏層選取尚沒有相關理論指導,因此怎樣確定隱含層的單元數(shù),通常需要反復進行試驗以確定相對最合理的網(wǎng)絡模型結(jié)構(gòu)。

2.3 多元逐步回歸算法

本論文采取的多元逐步回歸方法的理論是在生產(chǎn)設施及環(huán)保設施的數(shù)量及其功率等數(shù)據(jù)一定的情況下,其污染物產(chǎn)生量與耗電量之間的關系可以用函數(shù)來表達,如下式所示:

E(t)=f(P(t))+ε

(11)

式中:f為生產(chǎn)過程中的耗電量與排污量之間的關系函數(shù);ε為修正誤差。

便于找出最能代表耗電量與排污量之間的關系函數(shù),本次研究采取多元逐步回歸分析法,即逐步對各個工序的耗電量(自變量因子)進行篩選,留下顯著性較高的自變量,反復計算,從眾多自變量中篩選留下最優(yōu)的數(shù)據(jù)集,然后建立一個可以反映耗電量與排污量之間關系的數(shù)學模型。

首先,從回歸模型中剔除檢驗不顯著的自變量。對n個回歸自變量各個工序的用電量P1,P2,…,Pn,分別同因變量排污量E建立一元回歸數(shù)學模型,即:

E(t)=β0+βiPi(t)+ε,i=1,2,3,…,n

(12)

計算變量各個工序用電量Pi相應的回歸系數(shù)的F檢驗值,記作F1(1):

F1(1),F2(1),…,Fn(1),取其最大值Fi1(1),即

Fi1(1)=max{F1(1),F2(1),…,Fn(1)}

(13)

將指定顯著水平表示為α,其對應的臨界值使用F(1)表示,對不同用電量數(shù)據(jù)的臨界值進行比較,若Fi1(1)≥F(1),則將該用電量數(shù)據(jù)選入工序用電量指標集合h,同時將函數(shù)Pi(t)引入回歸模型中。

其次,建立排污量E與工序用電量子集{Pi1,P1},{Pi1,Pi1+1},…,{Pi1,Pn}的二元回歸模型,共有n-1個子集。再次計算F檢驗值,記作Fk(2),取其最大值Fi2(2),即

Fi2(2)=max{F1(2),F2(2),…,Fi1+1(2),…,Fn(2)}

(14)

指定顯著水平α對應的臨界值記為F(2),如果Fi2(1)≥F(2),回歸模型引入函數(shù)Pi2(t)。反之,則終止變量引入。

對未引入回歸模型的自變量依次隨機選取,每次一個,重復這一操作直至F檢驗結(jié)束。

3 數(shù)據(jù)采集

本次研究選取重慶某鑄造電爐企業(yè)為研究對象,選取2021年12月1日—2022年6月26日為研究時間段,根據(jù)該電爐企業(yè)的工藝流程和生產(chǎn)狀況,在生產(chǎn)關鍵環(huán)節(jié),如熔煉爐、制芯、涂裝、風干、造型、澆筑和污染治理設備等產(chǎn)排污環(huán)節(jié)安裝用電采集設備和視頻采集設備,共安裝用電采集設備17套,視頻采集設備2套。

基于4G/5G網(wǎng)絡,每5 min采集一次電爐企業(yè)產(chǎn)排污環(huán)節(jié)用電數(shù)據(jù),共采集電流、電壓、功率、功率角、功率因數(shù)、頻率、電能等65項用電數(shù)據(jù),并發(fā)送區(qū)塊鏈服務,得到區(qū)塊鏈ID再基于HJ-212-2017S數(shù)據(jù)協(xié)議,通過指定的socket-IP和端口發(fā)送到云端服務器,云端服務器進行數(shù)據(jù)解析入庫,2021年12月1日—2022年6月26日入庫用電數(shù)據(jù)共6 619萬余條。

通過4G/5G/專線攝像頭,邊緣AI盒子和云端識別相結(jié)合對進料環(huán)節(jié)和產(chǎn)品出產(chǎn)環(huán)節(jié)的攝像頭視頻數(shù)據(jù)進行采集識別,視頻流通過邊緣盒子識別出原料用量和產(chǎn)品產(chǎn)量。同時也可以在云端通過拉取視頻流,調(diào)用云上AI模型,根據(jù)算法策略進行原料用量和產(chǎn)品產(chǎn)量的AI識別。最終將視頻保存到對象存儲數(shù)據(jù)庫中,并在數(shù)據(jù)庫里生成每小時的原料用量和產(chǎn)品產(chǎn)量數(shù)據(jù)。2021年12月1日—2022年6月26日入庫視頻數(shù)據(jù)9 984 h,原料用量數(shù)據(jù)4 900余條,產(chǎn)品產(chǎn)量數(shù)據(jù)4 900余條。

4 結(jié)果與分析

4.1 數(shù)據(jù)預處理

4.1.1 數(shù)據(jù)合成

由于研究對象廠區(qū)白天夜晚生產(chǎn)強度不同,通常夜間大于白天,因此將研究時段劃分為夜間和白天兩個階段,將白天和夜間的小時數(shù)據(jù)分別合成算術平均值以減小每小時的原料產(chǎn)出誤差。

夜間時段數(shù)據(jù):

(15)

式中:x為合成后的數(shù)據(jù);xt1為小時原始數(shù)據(jù),n為1∶00,2∶00,…,7∶00,23∶00,00∶00。

白天時段數(shù)據(jù):

(16)

式中:xt2為小時原始數(shù)據(jù),n為8∶00,9∶00,…,22∶00。

4.1.2 排污量計算

大氣污染物排放量與電爐企業(yè)生產(chǎn)過程的活動水平息息相關,大氣污染物排放量采用排污因子計算法計算,即

E=A×EF×(1-h)

(17)

式中:A為生產(chǎn)活動水平,即原料用量;EF為污染物產(chǎn)生的相關影響參數(shù),本研究中參考《工業(yè)源產(chǎn)排污系數(shù)手冊》;h為電爐企業(yè)污染控制技術對污染物的去除效率。

4.1.3 數(shù)據(jù)歸一化處理

由于各個指標之間計量單位和數(shù)量級不同,在模型網(wǎng)絡訓練過程中容易產(chǎn)生誤差,故為得到更準確的測算結(jié)果,把數(shù)據(jù)先歸一化處理,即將所有指標數(shù)據(jù)轉(zhuǎn)化到[0,1],轉(zhuǎn)化公式為

(18)

式中:y為標準化后的數(shù)據(jù),取值范圍為[0,1];xmax為原始指標數(shù)據(jù)中的最大值;xmin為原始指標數(shù)據(jù)中的最小值;x為原始數(shù)據(jù)。

4.2 模型在排污量測算中的應用

4.2.1 RBF神經(jīng)網(wǎng)絡測算

基于MATLAB代碼編譯環(huán)境下構(gòu)建熔煉爐顆粒物排放量測算的RBF神經(jīng)網(wǎng)絡模型。以熔煉爐用電量、熔煉爐環(huán)保設施用電量、制芯打磨用電量等建立RBF網(wǎng)絡訓練樣本的輸入向量,建立RBF網(wǎng)絡訓練樣本時,以熔煉爐顆粒物排放量為輸出訓練樣本,然后對其進行訓練。其網(wǎng)絡調(diào)用格式為

net=newrb(P,T,goal,spread,MN,DF)

(19)

式中:net為創(chuàng)建好的RBF神經(jīng)網(wǎng)絡;P為網(wǎng)絡輸入變量;T為網(wǎng)絡輸出變量;goal為均方誤差目標,默認為0;spread為徑向基函數(shù)的擴張系數(shù),默認值為1;MN為隱藏層神經(jīng)元的最大個數(shù);DF為每添加DF個神經(jīng)元輸出一次結(jié)果。

本文以2021年12月—2022年5月的熔煉爐顆粒物排放量 (訓練樣本) 進行模擬仿真,最后確定當spread為50.1,MN為36時,RBF神經(jīng)網(wǎng)絡模型的擬合能力及對測試集的仿真測算結(jié)果較好。選取2022年6月部分時段熔煉爐顆粒物排放量(測試樣本)仿真測算結(jié)果如表1所示。

表1 2022年6月RBF測算

4.2.2 BP神經(jīng)網(wǎng)絡測算

BP神經(jīng)網(wǎng)絡主要由輸入、隱藏和輸出層構(gòu)成,輸入和輸出層的節(jié)點數(shù)是固定的,隱藏層的節(jié)點數(shù)比較難以確定,因此選擇合適的隱藏層層數(shù)以及隱藏層節(jié)點數(shù)目決定了神經(jīng)網(wǎng)絡的性能好壞,所以BP神經(jīng)網(wǎng)絡最為困難的地方在于如何確定恰當?shù)碾[藏層及隱藏層節(jié)點數(shù)的數(shù)目。

BP神經(jīng)網(wǎng)絡運行中,選取熔煉爐用電量、熔煉爐環(huán)保設施用電量、制芯打磨用電量等作為輸入變量,熔煉爐顆粒物排放量為輸出變量,因此輸入層的神經(jīng)元Pi確定為3,確定輸出層的神經(jīng)元TJ為1,由以下公式確定隱藏層的神經(jīng)元H,即

(20)

H=log2n

(21)

式中:n為輸入層神經(jīng)元數(shù)量;m為輸出層神經(jīng)元數(shù)量;α為任意值變量,取值范圍為[1,10]。

在確定輸入和輸出節(jié)點數(shù)量后,對神經(jīng)網(wǎng)絡的激活函數(shù)進行選取。為加快BP神經(jīng)網(wǎng)絡的收斂速度,提升運行效果,本文采用trainlm函數(shù)作為激活函數(shù),與其他激活函數(shù)相比,trainlm函數(shù)能夠減少訓練樣本的計算量。

根據(jù)式(20)和式(21),得到隱藏層神經(jīng)節(jié)點數(shù)的經(jīng)驗取值范圍,通過BP神經(jīng)網(wǎng)絡訓練得到不同節(jié)點數(shù)下的均方誤差(MSE)結(jié)果,得到最優(yōu)隱藏層節(jié)點數(shù),取值為22。

測試樣本和訓練樣本處理完成后,作為輸入向量輸入神經(jīng)網(wǎng)絡,然后通過隱藏層非線性變換處理傳輸至輸出層,獲取輸出結(jié)果。其仿真測算結(jié)果如表2所示。

表2 2022年6月BP測算

4.2.3 逐步回歸測算

本研究采用SPSS對主控變量進行逐步線性回歸分析,輸入自變量為熔煉爐用電量、熔煉爐環(huán)保設施用電量、制芯打磨用電量等,輸入因變量為熔煉爐顆粒物排放量,最終得出的線性回歸方程如下:

G=0.003x1+0.019x2-0.669

(22)

式中:G為熔煉爐顆粒物排放量,kg;x1為熔煉爐用電量,kW·h;x2為熔煉爐環(huán)保設施用電量,kW·h。

通過分析表3可知回歸方程的決定系數(shù)R2為0.644,表明自變量與因變量相關性強。為進一步確保決定系數(shù)R2的準確度,將自變量個數(shù)這一影響因素考慮進去,得到修正后的R2值,為0.631,以更加真實地反映擬合度。

表3 多元逐步回歸方程模型匯總

對擬合的回歸方程進行方差分析,結(jié)果如表4所示,建立的回歸方程的顯著性檢驗值F為49.697,自由度是2和55,在給定顯著水平α=0.05的前提下,查得臨界檢驗值等于3.165小于F,因此可以認為此線性回歸分析顯著,表明熔煉爐用電量、熔煉爐環(huán)保設施用電量與熔煉爐顆粒物排放量有顯著的線性關系。

表4 多元逐步回歸方程模型擬合優(yōu)度檢驗

運用多元逐步回歸模型(SMLR)的測算結(jié)果如表5所示。

表5 2022年6月SMLR測算

4.3 綜合對比分析

本研究采用MAE、MAPE和RMSE三個指標來對模型測算精度進行綜合分析。均方根誤差(RMSE)表征測量值與真值曲線的擬合程度,可以衡量模型測算的準確度,RMSE值越小,測算準確度越高。平均絕對誤差(MAE)能更好地反映測算值誤差的實際情況;平均相對誤差(MAPE)是衡量測算準確性的統(tǒng)計指標,為百分比值,MAPE值越小,測算精度越高。三個指標的計算公式如下:

(23)

(24)

(25)

式中:n為樣本數(shù)量;fi為原料排污量的實測值;yi為原料排污量的測算值。

三種測算模型對原料排污量的測算結(jié)果分布見表1、表2和表5,三種模型測算誤差的對比分析見表6。

表6 不同模型的統(tǒng)計誤差 %

不同模型測算值與實際值曲線對比分析如圖5所示。圖5顯示了三種模型測算曲線均與實際曲線有不同程度的偏差,其中RBF神經(jīng)網(wǎng)絡測算曲線與實際曲線偏差最小,BP神經(jīng)網(wǎng)絡與SMLR測算曲線與實際曲線偏差程度趨勢相近,皆大于RBF神經(jīng)網(wǎng)絡的偏差。誤差分析如表6所示,RBF神經(jīng)網(wǎng)絡模型的測算誤差最小,而BP神經(jīng)網(wǎng)絡和SMLR兩模型測算誤差相近,區(qū)別不明顯。綜上分析,在相同樣本數(shù)據(jù)的支持下,三種模型的測算精度排序為:RBF神經(jīng)網(wǎng)絡>BP神經(jīng)網(wǎng)絡>SMLR。

圖5 不同模型測算值與實際值曲線對比

模型的殘差為實際值與測算值之間的差值,可以更直觀地表達出模型的測算精度。RBF神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡及SMLR測算殘差對比分析如圖6所示。

圖6 不同模型測算殘差對比

圖6顯示,RBF網(wǎng)絡測算殘差在大部分測算樣本中均處于最小,BP神經(jīng)網(wǎng)絡殘差在3個測算樣本中處于最小,SMLR測算殘差僅一個最小,這同樣證明二者的測算精度相差不大。

綜上分析,在測算精度上RBF網(wǎng)絡最優(yōu),BP網(wǎng)絡次之,SMLR最差。SMLR由于建立在線性假設的基礎上,在測算電爐企業(yè)污染物排放量時略有不足;BP神經(jīng)網(wǎng)絡因其固有的缺陷,測算精度比SMLR略高;RBF網(wǎng)絡學習速度快,可有效避免局部極小值,因此在測算連續(xù)性數(shù)據(jù)時相對于BP網(wǎng)絡和線性回歸而言能夠獲得較為滿意的測算結(jié)果。

5 結(jié) 論

本次研究利用電爐企業(yè)用電大數(shù)據(jù),結(jié)合AI影像識別,構(gòu)建了RBF神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡和多元逐步回歸模型,并以重慶某鑄造廠為實例,分別用電力大數(shù)據(jù)測算了2022年6月各時段的顆粒物排放量數(shù)據(jù),將三種模型的測算結(jié)果綜合對比分析后,得出以下結(jié)論:

(1)在對重慶某鑄造廠顆粒物排放量進行測算之后,選取平均絕對誤差、平均相對誤差、均方根誤差三個性能評價指標均小于BP神經(jīng)網(wǎng)絡和多元逐步回歸模型,因此在本次研究中RBF神經(jīng)網(wǎng)絡模型測算誤差較小,精度較高。

(2)利用電力大數(shù)據(jù)可以實現(xiàn)動態(tài)監(jiān)管電爐企業(yè)污染物排放,尤其是能監(jiān)管未安裝在線監(jiān)控系統(tǒng)的小、微電爐企業(yè)污染物排放,從而做到對研究區(qū)域內(nèi)電爐企業(yè)污染物排放量變化的全面了解,進行經(jīng)濟低成本的實時科學的動態(tài)評估,一定程度上彌補了傳統(tǒng)環(huán)保監(jiān)管在這方面的不足。

(3)本文利用神經(jīng)網(wǎng)絡模型測算電爐企業(yè)污染物排放量獲得了一定的效果,但由于輸入樣本數(shù)量尚有不足,導致測算與實際值仍有一定差距,后續(xù)找出更加適合本文樣本的篩選方法,提高測算精度是工作研究的重點。