[go: up one dir, main page]

CN117409879A - 基于用电数据的区域空气质量预测方法、装置及存储介质 - Google Patents

基于用电数据的区域空气质量预测方法、装置及存储介质 Download PDF

Info

Publication number
CN117409879A
CN117409879A CN202311169585.5A CN202311169585A CN117409879A CN 117409879 A CN117409879 A CN 117409879A CN 202311169585 A CN202311169585 A CN 202311169585A CN 117409879 A CN117409879 A CN 117409879A
Authority
CN
China
Prior art keywords
data
model
prediction
air quality
electricity consumption
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311169585.5A
Other languages
English (en)
Inventor
黄红娟
吴健
陆铭琛
王仕奇
吴东玥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Lanchuang Intelligent Technology Co ltd
Original Assignee
Jiangsu Lanchuang Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Lanchuang Intelligent Technology Co ltd filed Critical Jiangsu Lanchuang Intelligent Technology Co ltd
Priority to CN202311169585.5A priority Critical patent/CN117409879A/zh
Publication of CN117409879A publication Critical patent/CN117409879A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于用电数据的区域空气质量预测方法、装置及存储介质，通过收集不同企业的用电数据，同时获取相关的环境监测数据，分析并找出企业用电数据与排放数据之间的关联性，并结合大气运动数据进行整合与分析，建立用电数据与空气质量之间的数学预测模型，通过该数学预测模型根据企业用电数据的变化趋势来预测未来一段时间内的区域空气质量状况。本发明能够利用企业用电数据来预测区域空气质量，为环境保护部门和决策者提供实时的空气质量信息，帮助制定更精准的环境管理和污染物控制策略，实现城市可持续发展。

Description

基于用电数据的区域空气质量预测方法、装置及存储介质
技术领域
本发明属于空气环保监测技术领域，尤其涉及基于用电数据的区域空气质量预测方法、装置及存储介质。
背景技术
随着工业化和城市化的不断推进，空气质量成为了一个重要的社会问题。有效地预测和监测区域空气质量对于环境保护、公共健康以及城市可持续发展至关重要。传统的空气质量监测方法主要依赖于分布在城市各处的监测站点，然而，这种方法存在监测点有限、监测成本高昂等问题。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供基于用电数据的区域空气质量预测方法、装置及存储介质，能够利用企业用电数据来预测区域空气质量，为环境保护部门和决策者提供实时的空气质量信息，帮助制定更精准的环境管理和污染物控制策略，实现城市可持续发展。
技术方案：为实现上述目的，本发明的基于用电数据的区域空气质量预测方法，包括以下步骤：
步骤一：获取企业用电工况、企业排口的各种空气污染物排放的在线监测数据；
步骤二：分析企业用电数据与空气污染物排放数据之间的关联，对获取的各类数据通过行业、产业规模、监测设备型号进行初步分类，并完成数据预处理；
步骤三：基于用电监测数据与空气污染物排放在线监测数据，将行业、规模作为数据标签，采用数据归一化处理、多注意力机制以及前馈神经网络技术搭建企业用电预测—排污总量模型，并进行模型训练；
步骤四：基于大气运动数据进行整合和分析：通过获取、整合大气运动数据，并对数据进行标准化与归一化处理，并剔除异常值，进行数据分析和特征工程以从大气运动数据中提取所需特征，进行相关性分析、时间序列分析以及数据降维以提高数据质量来完善区域空气质量预测模型；
步骤五：将大气运动数据与企业用电数据、排放数据一起输入到预测模型中，通过多注意力机制进行数据特征整合，使用前馈神经网络来对模型进行训练，建立企业用电预测—排污总量模型，并使用历史数据对模型进行验证和评估；
步骤六：验证通过后的预测模型应用于实时的空气质量监测和预测中，以实时获取企业用电数据、排放数据和大气运动数据，并将实时获取的数据输入到训练好的模型中，获得实时的区域空气质量预测结果；
步骤七：随着时间的推移和数据的积累，不断收集新的数据来优化和改进预测模型。
进一步地，在步骤一中，企业的用电工况包括企业在生产、运营和日常活动中所使用的电力情况；企业排口的空气污染物包括颗粒物、二氧化硫、氮氧化物、一氧化碳、挥发性有机化合物、氨气、臭氧、重金属、硫化氢、氰化物以及氟化物。
进一步地，在步骤三中，首先对所有的用电数据及空气污染物排放数据归一化处理，以确保模型的输入在稳定的范围内，从而为模型更稳定地学习提供基础；
归一化处理后的数据提供至少一种解释模型输入、输出的方式，进而获得注意力机制的输出。
进一步地，在步骤三中，还包括以下步骤：
3.1)采用LSTM方法对模型进行训练
遗忘门：ft＝σ(Wf·[ht-1，xt]+bf)；
输入门：it＝σ(Wi·[ht-1，xt]+bi)；
细胞状态候选值：
更新细胞状态：
输出门：ot＝σ(Wo·[ht-1，xt]+b0)；
更新隐藏状态：ht＝ot*tanh(Ct)；
在以上公式中，xt是在时间尺度上的数据的输入；ht-1是在时间尺度的隐藏数据；ft、ot、it分别是遗忘门、输出门、输入门的激活值；Ct-1是在时间步长t-1的细胞状态；ct和ht分别是模型在时间尺度上的细胞状态和隐藏状态；W和b是模型的权重和偏置；
3.2)模型搭建后，首先将至少1年的历史特征数据及用电数据作为一个多维数组输入模型，作为模型的学习数据，待模型训练完毕后，再将至少过去7日的数据作为前置数据，通过调整模式输出形式，即可得到最少未来3日的用电预测数据；
3.3)最后使用前馈神经网络模块进行本地污染排放总量的预测
前馈神经网络用来学习用电数据与排放数据之间的复杂关系，公式为：
y＝f(Wx+b)
其中：输入向量x主要包含用电数据和在线监测数据；权重矩阵W和偏置向量b是神经网络的参数，在训练过程中被学习；
权重矩阵决定输入向量的每个元素如何影响输出，偏置向量提供一种调整输出的方式，不依赖于输入，采用激活函数f使得神经网络能够学习并表示非线性关系，如下：
f(x)＝max(0，x)
ReLU函数用于神经网络的每一层，将用电数据和排放数据作为神经网络的输入，然后通过权重矩阵和偏置向量进行线性变换，再通过ReLU函数进行非线性变换，得到神经网络的输出，该输出作为下一层神经网络的输入，以此类推，最后得到神经网络的最终输出，即本地污染排放总量的预测值。
进一步地，在步骤四中，通过获取、整合和分析大气运动数据，进一步完善区域空气质量预测模型，包括以下步骤：
4.1)大气运动数据获取：通过气象观测站或气象模型途径获取与研究区域相关的大气运动数据；
4.2)数据整合和标准化与归一化：将大气运动数据与企业用电数据、排放数据进行整合；使用时间戳作为关联字段，将不同数据源的信息合并到同一数据表中，以便后续分析和建模使用；同时对于不同量纲的数据特征，进行数据标准化或归一化，以确保模型训练的稳定性和收敛性；
4.3)数据异常值剔除：对异常值进行识别，并将识别出的对模型的训练和预测造成不良影响的异常值剔除；
4.4)数据分析与特征工程：通过数据分析与特征工程，从大气数据中提取所需且有用的特征；
4.5)相关性分析：通过计算提取到的大气运动数据特征与企业用电工况数据以及污染物排放数据之间的相关性，揭示出各个变量之间的关系，从而依据对企业用电工况数据和大气运动数据的来对区域空气质量进行预测；
4.6)时间序列分析：通过时间序列分析帮助理解大气运动数据的时间变化规律，从而更好地预测空气质量；
4.7)数据降维：将高维特征映射到低维度的空间，以减少数据的复杂性。
进一步地，在步骤五中，建立基于大气运动数据的企业用电预测—排污总量模型，包括以下步骤：
5.1)数据特征整合：根据“步骤四”对大气运动数据进行特征工程和数据分析，将提取到的风向编码和时空特征与企业用电工况数据和排放数据的特征进行整合，一起整合到统一的特征集中；在进行特征整合时，使用“步骤三”中的多注意力机制来整合不同数据来源的信息，赋予不同数据特征不同的权重，以适应不同数据对预测的贡献程度，并自动学习特征的权重，使模型能够更好地利用多源数据；
5.2)模型训练与调整：将整合后的数据特征集划分为训练集和验证集，用于模型的训练和调整；使用前馈神经网络作为预测模型的基础架构，将整合后的特征输入神经网络，作为模型的输入层。在模型训练过程中，自适应调整神经网络的架构和参数，以获得能够适应大气运动数据的特点高性能预测模型，以达到最小化预测误差的目的，使模型能够更准确地预测区域空气质量；
5.3)模型验证与评估：完成模型训练后，使用历史数据进行验证和评估。
进一步地，在步骤六中，获得实时的区域空气质量预测结果的步骤如下：
6.1)数据输入与处理：确保实时获取的数据格式与模型输入一致；
6.2)模型预测与输出：将处理后的实时数据输入到模型中，进行预测；
6.3)实时监测与反馈：预测结果用于实时监测和反馈。
进一步地，在步骤七中，不断收集新的数据来优化和改进预测模型的步骤如下：
7.1)数据更新与重新训练：定期更新历史数据，并将新数据用于模型的重新训练；
7.2)模型参数调整：根据实际应用情况，对应调整模型参数；
7.3)持续评估与反馈：定期对模型的预测结果进行评估，与实际观测数据进行对比，发现问题并进行改进，并与实际应用中的决策和效果进行反馈，为模型的进一步优化提供依据。
装置，该装置用于实现基于用电数据的区域空气质量预测方法，包括：
数据获取模块：用于获取企业的用电工况数据、企业排口的空气污染物数据以及大气运动数据；
数据处理模块：用于对获取的用电数据、排放数据以及大气数据进行处理与分析，构建企业用电预测—排污总量模型；
执行模块：执行空气质量预测和预测模型的改进与优化。
存储介质，其内存储有可执行程序，所述可执行程序被处理器执行可实现基于用电数据的区域空气质量预测方法。
有益效果：本发明通过收集不同企业的用电数据，同时获取相关的环境监测数据，分析并找出企业用电数据与排放数据之间的关联性，并结合大气运动数据进行整合与分析，建立用电数据与空气质量之间的数学预测模型，通过该数学预测模型根据企业用电数据的变化趋势来预测未来一段时间内的区域空气质量状况，从而实现利用企业用电数据来预测区域空气质量，为环境保护部门和决策者提供实时的空气质量信息，帮助制定更精准的环境管理和污染物控制策略，实现城市可持续发展的有益效果，并且降低决策成本，对环境保护、公共健康以及城市可持续发展做出贡献和保障。
附图说明
附图1为本发明的基于用电数据的区域空气质量预测方法的整体流程示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如附图1所示，基于用电数据的区域空气质量预测方法，包括以下步骤：
步骤一：获取企业用电工况、企业排口的各种空气污染物排放的在线监测数据。
在步骤一中，企业的用电工况包括企业在生产、运营和日常活动中所使用的电力情况。这些数据可以包括以下几个方面：用电量(电能消耗)：这是最基本的用电数据，表示企业在一定时间内所使用的总电能量，通常以千瓦时(kWh)或兆瓦时(MWh)为单位；用电负荷：用电负荷表示在某一时刻或时间段内，企业所消耗的电功率，通常以千瓦(kW)或兆瓦(MW)为单位，用电负荷的波动情况可以揭示企业的生产运行情况以及用电设备的开关情况；用电时间分布：用电时间分布记录了企业在一天内不同时间段的用电情况，可以帮助分析企业的生产周期、高峰用电时段等；电压、电流和功率因数：这些参数可以提供更详细的电力质量信息，包括电力波动、电力损耗以及电力效率等；电力需求模式：这是用电数据的一种模式分析，用来研究企业的用电习惯和用电设备的特点，从而优化用电计划；不同用途用电数据：可以对不同部门、区域或设备的用电情况进行分析，以了解各个部分的电力消耗情况；电力峰谷差：表示企业用电负荷的高峰和低谷之间的差异，通常用来指导电力需求平衡和优化用电计划；电力购买成本：与用电相关的成本，包括电费、电力税费等，可以用来进行成本分析和管理；能效指标：包括能源消耗强度、能源使用效率等，用来评估企业的能源管理水平。
企业排口的空气污染物包括颗粒物、二氧化硫、氮氧化物、一氧化碳、挥发性有机化合物、氨气、臭氧、重金属、硫化氢、氰化物以及氟化物，上述空气污染物为主要污染物，企业排口的各种空气污染物排放的在线监测数据通常包括多种不同类型的污染物，这些数据用于监测和评估企业的排放情况，以确保环境质量符合标准。其中：颗粒物(PM10和PM2.5)：表示空气中悬浮的固体颗粒物，分为直径小于等于10微米(PM10)和直径小于等于2.5微米(PM2.5)，颗粒物监测可以揭示空气质量和空气污染的程度；二氧化硫(SO2)：用于监测硫煤和石油等燃料的燃烧排放引起的二氧化硫污染；氮氧化物(NOx，包括NO和NO2)：表示氮气和氧气在高温下的化学反应产生的氮氧化物，通常与燃烧过程有关；一氧化碳(CO)：表示燃料不完全燃烧产生的一氧化碳气体，它与交通和工业排放相关；挥发性有机化合物(VOCs)：包括多种有机化合物，如苯、甲醛、乙醇等，通常来自工业生产和化学物质的使用；氨气(NH3)：主要来自农业排放，尤其是肥料使用和动物排泄；臭氧(O3)：臭氧是一种大气污染物，主要由氮氧化物和挥发性有机化合物在阳光下发生反应产生；重金属：如汞、铅、镉等重金属元素，这些污染物通常来自工业废水和废气排放；硫化氢(H2S)：通常来自硫矿石的加工、工业生产和废水处理；氰化物(CN)：主要来自金属冶炼和化学制品生产；氟化物(F)：通常来自铝冶炼和磷酸生产。以上仅是一些可能的空气污染物排放在线监测数据，实际监测数据会根据具体的排放源、行业和环境标准进行调整。
步骤二：分析企业用电数据与空气污染物排放数据之间的关联，对获取的各类数据通过行业、产业规模、监测设备型号进行初步分类，并完成数据预处理。
步骤三：基于用电监测数据与空气污染物排放在线监测数据，将行业、规模作为数据标签，采用数据归一化处理、多注意力机制以及前馈神经网络技术搭建企业用电预测-排污总量模型，并进行模型训练。
在步骤三中，首先对所有的用电数据及空气污染物排放数据归一化处理，以确保模型的输入在稳定的范围内，从而为模型更稳定地学习提供基础；归一化处理后的数据提供至少一种解释模型输入、输出的方式，进而获得注意力机制的输出。
本模型中的多注意力机制需要为以上的每一个特征数据如：季节、节假日、行业等分配一个权重，该权重通过简易的BP神经网络获得每一种状态的独热编码(One-HotEncoding)，具体来说，对于每一个类别，独热编码都会创建一个虚拟变量，然后使用二进制代码来表示每一个观测是否属于这个类别，从而对以上特征值进行区分。本模型中多注意力机制主要表达为：
MultiHead(Q，K，V)＝Concat(head1，…，headh)WO
其中，每个head都是一个单独的注意力机制，它的计算公式为：
headi＝Attention(QWQi，KWKi，VWVi)
这里的Q、K、V分别代表查询(query)、键(key)和值(value)它们都是输入数据的不同表示，WQi、WKi、Wvi、WO都是模型的参数，它们在训练过程中被学习。
注意力权重可以给我们提供一些关于输入数据重要性的信息。在本模型中，如果某个时间段的用电数据的注意力权重特别高，那么这可能意味着这个时间段的用电数据对于在线监测的数值变化特别重要。这可能是因为这个时间段的用电数据包含了一些特殊的信息，例如可能在这个时间段内有一些突发的电力消耗事件，这可能会对在线监测数据产生重大影响。
归一化处理后的数据可以被看作是一个概率分布，这为我们提供了一种解释模型输入、输出的方式。模型参数的变化可以反映模型的学习过程。例如，如果在训练过程中观察到模型参数的变化，可能模型在一开始的时候学习得很快，但随着时间的推移，学习速度逐渐减慢。这可能意味着模型已经学习到了数据的主要模式，剩下的就是学习一些更细微的模式。在本实施例中注意力函数主要使用：
这里的softmax函数将QKT的每一行变换为一个概率分布，这个概率分布反映了每个键对应的值的重要性。然后，这个概率分布与V相乘，得到的结果就是注意力机制的输出。
在步骤三中，还包括以下步骤：
3.1)采用LSTM方法对模型进行训练。它是种特殊的循环神经网络，可以有效的处理长序列数据，并解决传统RNN在处理这类数据时可能遇到的梯度消失或梯度爆炸问题。LSTM的主要组成部分是一个称为“记忆单元”的结构，它包含一个细胞状态(cell state)和三个门(gate)：遗忘门(forget gate)、输入门(input gate)和输出门(output gate)。这些门控制信息在细胞状态中的流动。
在本模型中它主要由以下几类公式共同搭建：
遗忘门：ft=σ(Wf·[ht-1，xt]+bf)；
输入门：it＝σ(Wi·[ht-1，xt]+bi)；
细胞状态候选值：
更新细胞状态：
输出门：ot＝σ(Wo·[ht-1，xt]+b0)；
更新隐藏状态：ht＝ot*tanh(Ct)；
在以上公式中，xt是在时间尺度上的数据的输入，这其中包括当前的用电量、天气、是否为节假日、是否为工作日等特征。
ht-1是在时间尺度的隐藏数据，它主要包含了到目前为止模型学到的信息；
ft、ot、it分别是遗忘门、输出门、输入门的激活值，它们决定了信息在细胞状态中的流动；
ct-1是在时间步长t-1的细胞状态，它是模型的记忆部分，储存模型历史的信息；
Ct和ht分别是模型在时间尺度上的细胞状态和隐藏状态，它们包含了模型在当前时间尺度的信息；
W和b是模型的权重和偏置，这些参数在训练过程中通过反向传播和梯度下降等算法进行学习和更新。
3.2)模型搭建后，首先将至少1年的历史特征数据及用电数据作为一个多维数组输入模型，作为模型的学习数据，待模型训练完毕后，再将至少过去7日的数据作为前置数据，通过调整模式输出形式，即可得到最少未来3日的用电预测数据；
3.3)最后使用前馈神经网络模块进行本地污染排放总量的预测。它的主要特点是数据从输入层流向输出层，中间不会有任何回路，也就是说，数据总是“前馈”的，不会反向传播。本模型中之所以选取前馈神经网络，其主要原因是它擅长进行非线性变换。通过堆叠多层神经元，前馈神经网络可以学习并表示非常复杂的函数。这使得它们非常适合于处理复杂的机器学习任务。
前馈神经网络用来学习用电数据与排放数据之间的复杂关系，公式为：
y＝f(Wx+b)
其中：x是输入向量，W是权重矩阵，b是偏置向量，f是激活函数，y是输出向量；输入向量x主要包含用电数据和在线监测数据；权重矩阵W和偏置向量b是神经网络的参数，在训练过程中被学习。
权重矩阵决定输入向量的每个元素如何影响输出，偏置向量提供一种调整输出的方式，不依赖于输入，采用激活函数f使得神经网络能够学习并表示非线性关系，如下：
f(x)＝max(0，x)
该函数表示，如果输入x大于0，那么输出就是x本身；如果x小于或者等于0，那么输出就是0。ReLU函数用于神经网络的每一层，将用电数据和排放数据作为神经网络的输入，然后通过权重矩阵和偏置向量进行线性变换，再通过ReLU函数进行非线性变换，得到神经网络的输出，该输出作为下一层神经网络的输入，以此类推，最后得到神经网络的最终输出，即本地污染排放总量的预测值。
步骤四：基于大气运动数据进行整合和分析：通过获取、整合大气运动数据，并对数据进行标准化与归一化处理，并剔除异常值，进行数据分析和特征工程以从大气运动数据中提取所需特征，进行相关性分析、时间序列分析以及数据降维以提高数据质量来完善区域空气质量预测模型。
在步骤四中，通过获取、整合和分析大气运动数据，进一步完善区域空气质量预测模型，包括以下步骤：
4.1)大气运动数据获取：通过气象观测站或气象模型途径获取与研究区域相关的大气运动数据。这些数据通常以时间序列的形式存在，包括每小时或每日的观测数据。获取的数据涵盖风向、风速、气压、温度等参数。
具体的，针对获取到的气象观测站数据，我们要使用空间插值算法将离散的观测数据插值到等格点距的经纬度格点上，完成数据的标准化。具体的插值计算方法可以采用克里金插值(Kriging)方法：克里金插值是一种基于地统计学原理的插值方法，考虑了空间上的相关性。它利用样本点之间的空间相关性模型，通过对各样本点之间的协方差进行插值，估计目标位置的值。克里金插值在考虑空间相关性时能够更准确地估计未观测位置的值。克里金插值的基本思想是根据已知点之间的空间关系来对未知点进行插值。以下是克里金插值的基本算法公式：
假设我们要在目标位置(x，y)处估计一个属性值Z，有n个已知观测站(xi，yi)分别具有已知的属性值Zi。
首先，需要计算已知点之间的半变异函数(Semi-Variogram Model)，这个函数描述了空间上的相关性和变异性。常用的半变异函数包括指数模型、高斯模型、线性模型等。半变异函数通常具有一个或多个参数，需要通过拟合已知数据来确定。
对于目标位置(x，y)，计算其与已知观测站之间的距离hi，并根据半变异函数拟合结果计算半变异值γ(hi)。然后，根据半变异值和权重来进行插值计算。克里金插值的公式如下：
其中，λi是权重，可以通过以下公式计算：
插值的结果是已知点的属性值按照权重进行加权平均得到的。
克里金插值方法的核心在于半变异函数的拟合和权重的计算。半变异函数的选择和参数的确定对插值结果影响较大。需要根据实际数据情况选择合适的半变异函数，并通过拟合数据来确定半变异函数的参数。克里金插值在空间上具有一定的合理性，能够考虑数据的空间分布和相关性，因此在地理信息系统、环境科学等领域广泛应用。
4.2)数据整合和标准化与归一化：将大气运动数据与企业用电数据、排放数据进行整合；使用时间戳作为关联字段，将不同数据源的信息合并到同一数据表中，以便后续分析和建模使用；同时对于不同量纲的数据特征，进行数据标准化或归一化，以确保模型训练的稳定性和收敛性。
具体的，使用Z-score标准化方法，通过将原始数据转换为具有均值为0和标准差为1的标准正态分布，以使数据的分布相对稳定。这种方法适用于特征的分布近似为正态分布的情况。标准化的公式为：
其中，x是原始特征值，μ是特征的均值，σ是特征的标准差。标准化后的特征值z的均值为0，标准差为1。
接下来，使用MinMax归一化方法，将特征数据缩放到一个指定的范围(通常是0到1之间)，以便让所有特征值都在相似的数值范围内。归一化的公式为：
其中，x是原始特征值，min(x)是特征的最小值，max(x)是特征的最大值。归一化后的特征值xnew在0到1之间。
数据标准化和归一化可以帮助模型在训练过程中更快地收敛，并且能够更好地处理不同量纲特征之间的影响。
4.3)数据异常值剔除：对异常值进行识别，并将识别出的对模型的训练和预测造成不良影响的异常值剔除。
具体的，首先进行异常值的识别，异常值是与其余数据明显不同的数据点，可能是由于测量错误、数据录入错误、设备故障或真实但极端情况引起的。为了识别异常值，常用的方法之一是箱线图(Box Plot)。箱线图可以帮助可视化数据的分布，显示出数据的中位数、四分位数和离群点。超出一定范围的数据点被认为是潜在的异常值。
一旦异常值被识别，就需要决定如何处理它们。一种常见的方法是将异常值替换为特定的值，如中位数、均值或边界值。另一种方法是将异常值删除，但这样可能会导致数据量减少，影响模型的表现。因此，我们使用基于模型的方法，如孤立森林(IsolationForest)。孤立森林是一种基于集成学习的异常值检测算法。它将数据点视为孤立的，异常值则被认为是相对较容易被分离的点。该算法构建了一棵或多棵随机树，通过随机分割数据来隔离异常值。异常值通常会在较短的路径上被分离，因此可以通过路径的长度来确定数据点的异常程度。以下是孤立森林的主要计算步骤和公式：
数据分割(Splitting)：在每个随机树的构建过程中，随机选择一个特征和一个分割值，将数据集分成两个子集，一个位于分割值一侧，另一个位于另一侧。
构建树(Tree Construction)：重复进行数据分割，递归地构建二叉树，直到每个子集只包含一个数据点或达到预定义的树的深度。
异常路径长度(Path Length)：计算从根节点到达包含数据点的叶子节点的路径长度。异常点通常在树的较短路径上，因为它们被认为更容易被分割出来。
孤立分数(Isolation Score)：孤立分数度量了数据点被隔离的程度。它是通过对数转换后的路径长度的平均值来计算的，对于每个数据点，孤立分数计算如下：
其中：x是数据点，n是树中的数据点总数，h(x)是数据点x的异常路径长度，E(h(x))是数据点x的异常路径长度的期望值，可以通过公式计算得到，c(n)是路径长度的归一化常数，可以通过公式2(ln(n-1)+0.5772156649)-2(n-1)/n计算得到。
孤立分数越低，表示数据点越容易被隔离，因此越可能是异常值。在实际应用中，可以将孤立分数与阈值进行比较，来判断数据点是否为异常值。孤立森林适用于高维数据集中的异常值检测，并且在处理大量数据时具有较高的效率。
在处理异常值时，需要根据数据的特点和问题的背景选择合适的方法。如果异常值是合理的数据，可能反映了真实的极端情况，那么可以保留它们，但需要小心异常值可能带来的影响。如果异常值是错误的数据，那么就需要进行适当的处理，以避免对模型产生误导。
4.4)数据分析与特征工程：通过数据分析与特征工程，从大气数据中提取所需且有用的特征。具体包括提下特征：
风向编码：将风向信息转换为数值表示，可以采用独热编码(One-Hot Encoding)的方法。首先，将风向划分为若干个离散的方向，如东、南、西、北等。然后，为每个方向创建一个虚拟变量，代表该风向的存在与否。这样，每个观测样本就可以表示为一个由0和1组成的向量，其中1表示对应的风向。
时空特征：引入时间和空间特征可以帮助模型更好地捕捉数据的周期性和趋势性。例如，可以将时间戳分解为年份、月份、星期几、小时等多个维度，并将它们作为模型的输入特征。此外，还可以将企业的地理位置信息作为特征，例如经纬度、行政区划等。
同时在数据特征较多时，可以使用特征选择方法从中筛选出最具有信息量和预测能力的特征，以减少模型复杂度、提高训练效率并改善预测性能。具体的，可以使用以下方法进行特征选择：
基于模型的方法：特征重要性：使用机器学习算法(如随机森林、梯度提升树等)，为每个特征分配一个重要性分数，衡量特征对模型预测的贡献程度。根据这些分数，可以选择最重要的特征；递归特征消除：从所有特征开始进行递归训练，通过反复训练模型并排除最不重要的特征，直到达到预定的特征数量或性能。
基于统计的方法：方差分析：通过计算不同类别间的方差比来判断特征对于目标变量的影响，低方差的特征可能对分类问题贡献较小；卡方检验：衡量特征与目标变量之间的独立性，从而判断特征的重要性。
基于特征的筛选：L1正则化：在线性回归或逻辑回归中，应用L1正则化可以促使一些特征的系数趋近于零，从而实现特征选择的效果；相关系数：计算特征与目标变量之间的线性相关性，相关系数越大表示特征与目标变量之间的线性关系越紧密。
选择特征的方法通常取决于问题的性质、数据集的大小以及模型的要求。在进行特征选择时，需要注意不仅要考虑特征与目标变量之间的关系，还要考虑特征之间的相关性，以避免多重共线性。同时，特征选择可能会引入一定的主观性，因此需要结合领域知识和实际问题进行权衡和判断。
4.5)相关性分析：通过计算提取到的大气运动数据特征与企业用电工况数据以及污染物排放数据之间的相关性，揭示出各个变量之间的关系，从而依据对企业用电工况数据和大气运动数据的来对区域空气质量进行预测。
具体的，相关性分析是一种统计方法，用于衡量两个或多个变量之间的关系强度和方向。在特征工程中，我们通常使用相关性分析来确定哪些特征与目标变量(比如空气质量)之间存在着相关关系，或者找出特征之间的关联性。可以使用皮尔逊相关系数或其他相关性指标来衡量特征之间的线性相关性。这有助于确定哪些特征与空气质量关系密切，以及是否存在多重共线性等问题。
皮尔逊相关系数是一种衡量两个连续变量之间线性相关性的统计指标，其值介于-1和1之间。皮尔逊相关系数为正值表示正相关，即一个变量增加，另一个变量也增加；为负值表示负相关，即一个变量增加，另一个变量减小；接近于0表示无相关性，即变量之间的变化不受彼此影响。
皮尔逊相关系数的计算公式为：
其中，xi和yi是两个变量的第i个样本值，和分别是两个变量的平均值。
对于特征工程，可以使用皮尔逊相关系数来分析不同特征与空气质量之间的相关性。如果某个特征与空气质量有较高的正相关性，那么这个特征可能对空气质量预测模型的准确性有积极影响。而如果特征之间的相关性很高，可能存在多重共线性问题，需要进一步处理。
另外，在现有特征的基础上，还可以通过特征交叉或衍生方法，利用现有特征组合或变换来创建新的特征，以便更好地捕捉数据中的模式和关系。这可以在一定程度上丰富模型的输入，提高预测的能力。具体的特征交叉与衍生方法如下：
特征乘积(Feature Multiplication)：将两个或多个特征相乘，创建新的特征。这可以捕捉到不同特征之间的相互影响。例如，将温度和湿度相乘，可以获得温湿指数，用于表示热感。
特征除法(Feature Division)：计算两个特征的比率，创造出新的特征。这有助于捕捉特征之间的相对关系。例如，将风速除以风向，可以得到一个指示风的强度和方向关系的特征。
多项式特征(Polynomial Features)：对现有特征进行多项式展开，以引入高阶关系。例如，通过对温度特征进行平方或立方，可以考虑温度的非线性影响。
交叉编码(Cross Encoding)：对于类别型特征，可以将不同特征值进行组合，创建新的特征。例如，将季节和天气状况进行交叉编码，以考虑它们的联合影响。
特征组合(Features Composition)：将多个特征组合成一个更高级的特征，以提供更综合的信息。例如，将风速、风向和温度组合成一个风力指数。
在进行特征交叉与衍生时，需要注意平衡增加特征带来的信息增益与引入过拟合风险之间的关系。合理选择和验证新特征，确保它们对问题的理解和预测有实际帮助。
4.6)时间序列分析：由于大气运动数据具有随时间变化的特性，许多获取到的数据都是随时间变化的时间序列，比如气象观测站观测到的温度、湿度、气压和风速等数据。对于时间序列数据，我们使用时间序列分析技术，这是一种用于处理按时间顺序排列的数据的方法，旨在揭示其中的模式、趋势和周期性。在空气质量预测中，通过时间序列分析帮助理解大气运动数据的时间变化规律，从而更好地预测空气质量。具体的时间序列分析技术如下：
平稳性检验(Stationarity Test)：时间序列数据在进行分析之前通常需要具备平稳性，即均值和方差在时间上保持不变。平稳性检验可以帮助判断数据是否平稳，常用的方法包括ADF(Augmented Dickey-Fuller)检验和KPSS(Kwiatkowski-Phillips-Schmidt-Shin)检验。
ADF检验是用于判断一个时间序列是否具有单位根(非平稳性)的统计检验方法。ADF检验的统计量可以表示为：
其中，是回归系数，表示时间序列的一阶差分对于上一个时间步的一阶滞后值的回归系数，是的标准误差。如果ADF统计量的值比对应的临界值小，那么可以认为时间序列是平稳的。
KPSS检验则是用来检验一个时间序列是否是平稳的。以下是KPSS检验的基本公式：
其中，T是时间序列的长度，S2是序列的平方和，σ2是序列的方差。如果KPSS统计量的值比对应的临界值大，那么可以认为时间序列是非平稳的。
需要注意的是，ADF检验和KPSS检验可以被用来互补地判断一个时间序列的平稳性。如果两个检验结果在某个时间序列上都表现出不同的结论，那么这个序列可能是个混合非平稳序列。最好的方法是根据实际情况，结合多个方法来评估时间序列的平稳性。
自回归积分移动平均模型(ARIMA，Autoregressive Integrated MovingAverage)：在对时间序列进行平稳性检验之后，我们使用自回归积分移动平均模型(ARIMA)来对时间序列进行分析，是一种常用于时间序列分析和预测的模型。它结合了自回归(AR)部分、差分(I)部分和移动平均(MA)部分，用于描述时间序列数据中的趋势、周期性和随机波动。
ARIMA模型的具体公式如下：
自回归部分(AR)：自回归部分描述了当前值与过去值之间的关系，通常用p表示自回归阶数。
AR(p)：xt＝φ1xt-1+φ2xt-2+…+φpxt-p+wt
其中，xt是时间点t的观测值，φ1，φ2，…，φp是自回归系数，wt是白噪声误差。
差分部分(I)：差分部分描述了为了使时间序列平稳所需要进行的差分操作，通常用d表示差分次数。
I(d)：y′t＝xt-xt-d
其中，y′t是进行了d次差分后的时间序列。
移动平均部分(MA)：移动平均部分描述了当前值与过去误差的关系，通常用q表示移动平均阶数。
MA(q)：xt＝wt+θ1wt-1+θ2wt-2+…+θqwt-q
其中，θ1，θ2，…，θq是移动平均系数，wt是白噪声误差。
综合上述三部分，ARIMA模型可以表示为：
ARIMA(p，d，q)：y′t＝φ1y′t-1+φ2y′t-2+…+φpy′t-p+wt+θ1wt-1+θ2wt-2+…+θqwt-q
其中，y′t是进行差分操作后的时间序列，φ和θ是模型参数，p、d、q分别表示自回归、差分和移动平均的阶数。
ARIMA模型的选择和参数估计通常需要对实际数据进行分析和调整，以找到适合的模型配置。
4.7)数据降维：由于大气运动数据具有数据量大，数据成分复杂的特性，导致在进行数据特征工程后，数据的特征维度较高，为模型的训练和预测带来困难。因此我们使用主成分分析(PCA，Principal Component Analysis)技术来为数据进行降维处理。将高维特征映射到低维度的空间，以减少数据的复杂性，并保留尽可能多的信息。PCA通过寻找原始特征空间中的主成分(主要变化方向)来实现降维。以下是PCA的基本思想和步骤：
计算均值向量：计算每个特征的均值向量：其中，xi为第i个样本的特征向量；
中心化数据：将样本数据进行中心化处理，将每个样本的特征向量减去均值向量：x′i＝xi-μ；
计算协方差矩阵：计算中心化后的样本数据的协方差矩阵C：
计算特征向量和特征值：对协方差矩阵C进行特征值分解，得到特征值和对应的特征向量：CV＝λV，其中，V是包含特征向量的矩阵，λ是包含特征值的对角矩阵；
选择主成分：选择前k个特征值最大的特征向量，将它们组成矩阵Vk；
投影数据：将中心化的样本数据乘以选定的特征向量矩阵，得到降维后的数据矩阵Y：Y＝X’Vk，其中，X′是中心化的样本数据矩阵。
最终，矩阵Y包含了降维后的数据，每一行代表一个样本在新的特征空间中的表示。PCA的数学原理涉及线性代数和特征值分解，具体的计算可以借助数学软件或numpy库来实现。
通过细致的数据分析和特征工程，我们可以从大气运动数据中提取出关键信息，为预测模型提供更丰富、更准确的输入，从而提高预测能力和稳定性。这些技术细节将有助于构建一个更为精确和可靠的区域空气质量预测模型。
步骤五：将大气运动数据与企业用电数据、排放数据一起输入到预测模型中，通过多注意力机制进行数据特征整合，使用前馈神经网络来对模型进行训练，建立企业用电预测-排污总量模型，并使用历史数据对模型进行验证和评估。
在步骤五中，建立基于大气运动数据的企业用电预测-排污总量模型，包括以下步骤：
5.1)数据特征整合：根据“步骤四”对大气运动数据进行特征工程和数据分析，将提取到的风向编码和时空特征与企业用电工况数据和排放数据的特征进行整合，一起整合到统一的特征集中；在进行特征整合时，使用“步骤三”中的多注意力机制来整合不同数据来源的信息，赋予不同数据特征不同的权重，以适应不同数据对预测的贡献程度，并自动学习特征的权重，使模型能够更好地利用多源数据；
5.2)模型训练与调整：将整合后的数据特征集划分为训练集和验证集，用于模型的训练和调整；使用前馈神经网络作为预测模型的基础架构，将整合后的特征输入神经网络，作为模型的输入层。在模型训练过程中，自适应调整神经网络的架构和参数，以获得能够适应大气运动数据的特点高性能预测模型，以达到最小化预测误差的目的，使模型能够更准确地预测区域空气质量；
5.3)模型验证与评估：完成模型训练后，使用历史数据进行验证和评估。
可以采用交叉验证、时间序列划分等方法，评估模型在不同时间段和情况下的预测性能。常用的评估指标包括均方根误差(RMSE)、平均绝对误差(MAE)等，具体的算法如下：
均方根误差(Root Mean Squared Error，RMSE)衡量的是预测值与实际值之间的差异的均方根，它对于较大的预测误差更加敏感，计算公式：
其中：n是样本数量，yi是第i个样本的实际观测值，是第i个样本的模型预测值。
平均绝对误差(Mean Absolute Error，MAE)衡量的是预测值与实际值之间的绝对差异的平均值，它对于所有预测误差都是等权重考虑的，计算公式：
其中：n是样本数量，yi是第i个样本的实际观测值，是第i个样本的模型预测值。
这些评估指标越小，表示模型的预测精度越高。在使用这些指标时，通过计算模型在验证集或测试集上的RMSE和MAE，以评估模型在新数据上的表现。如果模型在验证和评估中表现良好，就可以进一步将其应用于实际的空气质量预测中。
步骤六：验证通过后的预测模型应用于实时的空气质量监测和预测中，以实时获取企业用电数据、排放数据和大气运动数据，并将实时获取的数据输入到训练好的模型中，获得实时的区域空气质量预测结果。
在步骤六中，获得实时的区域空气质量预测结果的步骤如下：
6.1)数据输入与处理：确保实时获取的数据格式与模型输入一致。对于大气运动数据，可能需要进行类似的数据预处理，包括特征提取、风向编码等步骤。
6.2)模型预测与输出：将处理后的实时数据输入到模型中，进行预测。模型会输出预测的空气质量数据，包括污染物浓度、空气质量等级等信息。
6.3)实时监测与反馈：预测结果用于实时监测和反馈。政府、企业和公众可以根据预测结果做出相应的决策和应对措施，以减少污染物排放、优化用电计划等，从而改善区域的空气质量。
步骤七：随着时间的推移和数据的积累，不断收集新的数据来优化和改进预测模型。
在步骤七中，不断收集新的数据来优化和改进预测模型的步骤如下：
7.1)数据更新与重新训练：定期更新历史数据，并将新数据用于模型的重新训练。这有助于模型适应新的数据分布和变化，提升预测精度。
7.2)模型参数调整：根据实际应用情况，对应调整模型参数。例如，随着环境政策和排放标准的变化，模型需要不断调整以适应新的情况。
7.3)持续评估与反馈：定期对模型的预测结果进行评估，与实际观测数据进行对比，发现问题并进行改进，并与实际应用中的决策和效果进行反馈，为模型的进一步优化提供依据。
装置，该装置用于实现基于用电数据的区域空气质量预测方法，包括：
数据获取模块：用于获取企业的用电工况数据、企业排口的空气污染物数据以及大气运动数据；
数据处理模块：用于对获取的用电数据、排放数据以及大气数据进行处理与分析，构建企业用电预测—排污总量模型；
执行模块：执行空气质量预测和预测模型的改进与优化。
存储介质，其内存储有可执行程序，所述可执行程序被处理器执行可实现基于用电数据的区域空气质量预测方法。
本发明通过收集不同企业的用电数据，同时获取相关的环境监测数据，分析并找出企业用电数据与排放数据之间的关联性，并结合大气运动数据进行整合与分析，建立用电数据与空气质量之间的数学预测模型，通过该数学预测模型根据企业用电数据的变化趋势来预测未来一段时间内的区域空气质量状况，从而实现利用企业用电数据来预测区域空气质量，为环境保护部门和决策者提供实时的空气质量信息，帮助制定更精准的环境管理和污染物控制策略，实现城市可持续发展的有益效果，并且降低决策成本，对环境保护、公共健康以及城市可持续发展做出贡献和保障。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.基于用电数据的区域空气质量预测方法，其特征在于：包括以下步骤：
步骤一：获取企业用电工况、企业排口的各种空气污染物排放的在线监测数据；
步骤二：分析企业用电数据与空气污染物排放数据之间的关联，对获取的各类数据通过行业、产业规模、监测设备型号进行初步分类，并完成数据预处理；
步骤三：基于用电监测数据与空气污染物排放在线监测数据，将行业、规模作为数据标签，采用数据归一化处理、多注意力机制以及前馈神经网络技术搭建企业用电预测-排污总量模型，并进行模型训练；
步骤四：基于大气运动数据进行整合和分析：通过获取、整合大气运动数据，并对数据进行标准化与归一化处理，并剔除异常值，进行数据分析和特征工程以从大气运动数据中提取所需特征，进行相关性分析、时间序列分析以及数据降维以提高数据质量来完善区域空气质量预测模型；
步骤五：将大气运动数据与企业用电数据、排放数据一起输入到预测模型中，通过多注意力机制进行数据特征整合，使用前馈神经网络来对模型进行训练，建立企业用电预测-排污总量模型，并使用历史数据对模型进行验证和评估；
步骤六：验证通过后的预测模型应用于实时的空气质量监测和预测中，以实时获取企业用电数据、排放数据和大气运动数据，并将实时获取的数据输入到训练好的模型中，获得实时的区域空气质量预测结果；
步骤七：随着时间的推移和数据的积累，不断收集新的数据来优化和改进预测模型。
2.根据权利要求1所述的基于用电数据的区域空气质量预测方法，其特征在于：在步骤一中，企业的用电工况包括企业在生产、运营和日常活动中所使用的电力情况；企业排口的空气污染物包括颗粒物、二氧化硫、氮氧化物、一氧化碳、挥发性有机化合物、氨气、臭氧、重金属、硫化氢、氰化物以及氟化物。
3.根据权利要求1所述的基于用电数据的区域空气质量预测方法，其特征在于：在步骤三中，首先对所有的用电数据及空气污染物排放数据归一化处理，以确保模型的输入在稳定的范围内，从而为模型更稳定地学习提供基础；
归一化处理后的数据提供至少一种解释模型输入、输出的方式，进而获得注意力机制的输出。
4.根据权利要求3所述的基于用电数据的区域空气质量预测方法，其特征在于：在步骤三中，还包括以下步骤：
3.1)采用LSTM方法对模型进行训练
遗忘门：ft＝σ(Wf·[ht-1，xt]+bf)；
输入门：it＝σ(Wi·[ht-1，xt]+bi)；
细胞状态候选值：
更新细胞状态：
输出门：ot＝σ(Wo·[ht-1，xt]+b0)；
更新隐藏状态：ht＝ot*tanh(Ct)；
在以上公式中，xt是在时间尺度上的数据的输入；ht-1是在时间尺度的隐藏数据；ft、ot、it分别是遗忘门、输出门、输入门的激活值；Ct-1是在时间步长t-1的细胞状态；Ct和ht分别是模型在时间尺度上的细胞状态和隐藏状态；W和b是模型的权重和偏置；
3.2)模型搭建后，首先将至少1年的历史特征数据及用电数据作为一个多维数组输入模型，作为模型的学习数据，待模型训练完毕后，再将至少过去7日的数据作为前置数据，通过调整模式输出形式，即可得到最少未来3日的用电预测数据；
3.3)最后使用前馈神经网络模块进行本地污染排放总量的预测
前馈神经网络用来学习用电数据与排放数据之间的复杂关系，公式为：
y＝f(Wx+b)
其中：输入向量x主要包含用电数据和在线监测数据；权重矩阵W和偏置向量b是神经网络的参数，在训练过程中被学习；
权重矩阵决定输入向量的每个元素如何影响输出，偏置向量提供一种调整输出的方式，不依赖于输入，采用激活函数f使得神经网络能够学习并表示非线性关系，如下：
f(x)＝max(0，x)
ReLU函数用于神经网络的每一层，将用电数据和排放数据作为神经网络的输入，然后通过权重矩阵和偏置向量进行线性变换，再通过ReLU函数进行非线性变换，得到神经网络的输出，该输出作为下一层神经网络的输入，以此类推，最后得到神经网络的最终输出，即本地污染排放总量的预测值。
5.根据权利要求1所述的基于用电数据的区域空气质量预测方法，其特征在于：在步骤四中，通过获取、整合和分析大气运动数据，进一步完善区域空气质量预测模型，包括以下步骤：
4.1)大气运动数据获取：通过气象观测站或气象模型途径获取与研究区域相关的大气运动数据；
4.2)数据整合和标准化与归一化：将大气运动数据与企业用电数据、排放数据进行整合；使用时间戳作为关联字段，将不同数据源的信息合并到同一数据表中，以便后续分析和建模使用；同时对于不同量纲的数据特征，进行数据标准化或归一化，以确保模型训练的稳定性和收敛性；
4.3)数据异常值剔除：对异常值进行识别，并将识别出的对模型的训练和预测造成不良影响的异常值剔除；
4.4)数据分析与特征工程：通过数据分析与特征工程，从大气数据中提取所需且有用的特征；
4.5)相关性分析：通过计算提取到的大气运动数据特征与企业用电工况数据以及污染物排放数据之间的相关性，揭示出各个变量之间的关系，从而依据对企业用电工况数据和大气运动数据的来对区域空气质量进行预测；
4.6)时间序列分析：通过时间序列分析帮助理解大气运动数据的时间变化规律，从而更好地预测空气质量；
4.7)数据降维：将高维特征映射到低维度的空间，以减少数据的复杂性。
6.根据权利要求1所述的基于用电数据的区域空气质量预测方法，其特征在于：在步骤五中，建立基于大气运动数据的企业用电预测—排污总量模型，包括以下步骤：
5.1)数据特征整合：根据“步骤四”对大气运动数据进行特征工程和数据分析，将提取到的风向编码和时空特征与企业用电工况数据和排放数据的特征进行整合，一起整合到统一的特征集中；在进行特征整合时，使用“步骤三”中的多注意力机制来整合不同数据来源的信息，赋予不同数据特征不同的权重，以适应不同数据对预测的贡献程度，并自动学习特征的权重，使模型能够更好地利用多源数据；
5.2)模型训练与调整：将整合后的数据特征集划分为训练集和验证集，用于模型的训练和调整；使用前馈神经网络作为预测模型的基础架构，将整合后的特征输入神经网络，作为模型的输入层。在模型训练过程中，自适应调整神经网络的架构和参数，以获得能够适应大气运动数据的特点高性能预测模型，以达到最小化预测误差的目的，使模型能够更准确地预测区域空气质量；
5.3)模型验证与评估：完成模型训练后，使用历史数据进行验证和评估。
7.根据权利要求1所述的基于用电数据的区域空气质量预测方法，其特征在于：在步骤六中，获得实时的区域空气质量预测结果的步骤如下：
6.1)数据输入与处理：确保实时获取的数据格式与模型输入一致；
6.2)模型预测与输出：将处理后的实时数据输入到模型中，进行预测；
6.3)实时监测与反馈：预测结果用于实时监测和反馈。
8.根据权利要求1所述的基于用电数据的区域空气质量预测方法，其特征在于：在步骤七中，不断收集新的数据来优化和改进预测模型的步骤如下：
7.1)数据更新与重新训练：定期更新历史数据，并将新数据用于模型的重新训练；
7.2)模型参数调整：根据实际应用情况，对应调整模型参数；
7.3)持续评估与反馈：定期对模型的预测结果进行评估，与实际观测数据进行对比，发现问题并进行改进，并与实际应用中的决策和效果进行反馈，为模型的进一步优化提供依据。
9.装置，该装置用于实现权利要求1～8任一项所述的基于用电数据的区域空气质量预测方法，其特征在于：包括：
数据获取模块：用于获取企业的用电工况数据、企业排口的空气污染物数据以及大气运动数据；
数据处理模块：用于对获取的用电数据、排放数据以及大气数据进行处理与分析，构建企业用电预测—排污总量模型；
执行模块：执行空气质量预测和预测模型的改进与优化。
10.存储介质，其特征在于：其内存储有可执行程序，所述可执行程序被处理器执行可实现权利要求1～8任一项所述的基于用电数据的区域空气质量预测方法。
CN202311169585.5A 2023-09-12 2023-09-12 基于用电数据的区域空气质量预测方法、装置及存储介质 Pending CN117409879A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311169585.5A CN117409879A (zh) 2023-09-12 2023-09-12 基于用电数据的区域空气质量预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311169585.5A CN117409879A (zh) 2023-09-12 2023-09-12 基于用电数据的区域空气质量预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN117409879A true CN117409879A (zh) 2024-01-16

Family

ID=89489845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311169585.5A Pending CN117409879A (zh) 2023-09-12 2023-09-12 基于用电数据的区域空气质量预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN117409879A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119418897A (zh) * 2024-09-12 2025-02-11 广西壮族自治区河池市气象局 一种基于气象大数据的桑蚕主要病虫害预测方法
CN119902451A (zh) * 2025-03-31 2025-04-29 北京摇光智能科技有限公司 一种基于大数据分析的家居安全控制方法及系统
CN120444710A (zh) * 2025-07-08 2025-08-08 四川科特空调净化有限责任公司 基于ai的洁净室动态能耗管理系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119418897A (zh) * 2024-09-12 2025-02-11 广西壮族自治区河池市气象局 一种基于气象大数据的桑蚕主要病虫害预测方法
CN119902451A (zh) * 2025-03-31 2025-04-29 北京摇光智能科技有限公司 一种基于大数据分析的家居安全控制方法及系统
CN120444710A (zh) * 2025-07-08 2025-08-08 四川科特空调净化有限责任公司 基于ai的洁净室动态能耗管理系统及方法

Similar Documents

Publication Publication Date Title
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Selvi et al. Investigation of performance of electric load power forecasting in multiple time horizons with new architecture realized in multivariate linear regression and feed-forward neural network techniques
CN117409879A (zh) 基于用电数据的区域空气质量预测方法、装置及存储介质
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
Lin et al. Predictive analytics for building power demand: Day-ahead forecasting and anomaly prediction
CN110570023B (zh) 一种基于sarima-grnn-svm的短期商业电力负荷预测方法
CN119849738A (zh) 一种配电网碳排放分析方法
CN113537469B (zh) 一种基于LSTM网络和Attention机制的城市需水预测方法
CN114595861A (zh) 基于mstl和lstm模型的中长期电力负荷预测方法
Sundaram et al. Advancing building energy efficiency: A deep learning approach to early-stage prediction of residential electric consumption
CN114266374A (zh) 一种基于深度学习的综合能源系统多元负荷预测方法
CN115549082B (zh) 基于负荷挖掘和lstm神经网络的电力负荷预测方法
CN116613732A (zh) 一种基于shap值选择策略的多元负荷预测方法及系统
CN119647699B (zh) 一种结合天气参数的短期电力负荷预测方法
Liu et al. Air Pollutant Concentration Forecasting Using Long Short‐Term Memory Based on Wavelet Transform and Information Gain: A Case Study of Beijing
Lao et al. The optimized multivariate grey prediction model based on dynamic background value and its application
CN119671328A (zh) 基于xgb-pso-lstm模型的城市天然气用量预测方法
Liu et al. Time Series Forecasting Fusion Network Model Based on Prophet and Improved LSTM.
CN119204664A (zh) 基于李群流形与时序知识图谱的交通事故预测方法及系统
Ranjbar et al. Advancing gasoline consumption forecasting: A novel hybrid model integrating transformers, lstm, and cnn
Wang et al. An integrated algorithm for short term charging load prediction of electric vehicles based on a more complete feature set
CN116796895A (zh) 一种节假日短期负荷预测方法及系统
Ashraf et al. Performance enhancement of short-term wind speed forecasting model using Realtime data
CN119670982B (zh) 光伏发电能力预测准确性提升方法
CN120234775A (zh) 电力系统负荷的预测方法、装置、存储介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination