技术领域
[0001] 本发明涉及生态环境监测技术领域，尤其涉及一种基于生产和治污设备工况的企业清洁水平评估方法。
相关背景技术
[0002] 生态环境监测是维护生态平衡、保护环境的基石，也是推进生态文明建设的关键支持。在我国经济社会发展加速绿色化、低碳化的高质量阶段，工业企业污染成为主要源头，对环境安全构成巨大威胁。面对工业污染种类多、数量大的监管难题，建立科学、独立、权威、高效的生态环境监测体系至关重要。
[0003] 传统的企业生产清洁水平评估方法通常直接对工业污染生产设备末端安装收集设备，对生产设备产生的水、气等进行直接采样后检查。这种方法在面对多类型污染源和偷排漏排现象时往往效果不佳，容易受到人为干扰，而且采样频率不稳定，从而导致监测管控效果大打折扣。此外，传统的企业生产清洁水平评估方法无法适应新时期对环境监测的高标准要求，实时性和准确性都远低于现代标准，这对于保护环境和公众健康构成了严重挑战。
[0004] 而现有技术中，尚未有智能化程度较高的方法根据企业生产和治污设备的工况来对企业的生产清洁水平进行评估，因此本发明提出一种基于生产和治污设备工况的企业清洁水平评估方法，在一定程度上能提供及时准确的生产清洁水平评估，有助于有效开展生态环境监测，保障生态环境可持续。
具体实施方式
[0035] 以下通过附图和实施例对本发明的技术方案作进一步说明。
[0036] 如图1所示，本发明一种基于生产和治污设备工况的企业清洁水平评估方法，包括以下步骤：
[0037] S1、获取企业的生产和治污设备的历史电力数据；
[0038] S2、计算生产和治污设备的关联度，建立生产和治污设备之间的匹配关系，并对设备的运行状态进行分类；
[0039] S3、使用卷积神经网络对历史电力数据识别，提取生产和治污设备的电力数据特征，并结合历史生产排放情况，对生产清洁水平进行分类；
[0040] S4、收集生产和治污设备的实时电力数据，根据实时数据对企业的生产清洁水平进行评估分析和状态预测；
[0041] S5、根据生产清洁水平的评估和预测对企业发出告警和管控建议；
[0042] S6、将生产和治污设备的实时信息存入历史数据库。
[0043] 实施例
[0044] S1、获取企业的生产和治污设备的历史电力数据。
[0045] 生产和治污设备的历史电力数据包括：带时间标记的生产和治污设备运行的电压、电流以及功率。其中，功率包含：启动瞬时功率、最大功率和最小功率。
[0046] S2、计算生产和治污设备的关联度，建立生产和治污设备之间的匹配关系，并对设备的运行状态进行分类。
[0047] 关联度是指对于不同的生产工艺和多种排放污染下，在同一时间尺度下生产和治污设备的运行工况，即在对应的生产工艺下，生产设备应同时匹配多少对应功率的多类型治污设备。
[0048] S3、使用卷积神经网络对历史电力数据识别，提取生产和治污设备的电力数据特征，并结合历史生产排放情况，对生产清洁水平进行分类。
[0049] 卷积神经网络指的是一维卷积神经网络(1D convolutional neural network)，其对于时间序列数据分析具有计算效率高、并行计算能力强等优势，并且对于局部数据特征和时间关联度上相较于其他深度学习算法更有优势。
[0050] 将带时间标记的历史电力数据做成一维的数据集，利用卷积核对数据输入序列进行局部特征提取，并映射至下一层，在第i个卷积层的状态，如下所示：
[0051]
[0052] 其中，Hi表示输出映射特征，Wi和bi分别表示第i层中输入的计算权重和计算偏置，xr表示为输入的电力数据。
[0053] S4、收集生产和治污设备的实时电力数据，根据实时数据对企业的生产清洁水平进行评估分析和状态预测。
[0054] 实时电力数据包括：带时间标记的生产和治污设备运行电压、电流以及功率。生产清洁水平分为：Ⅳ级，即清洁生产水平不合格、Ⅲ级，即清洁生产水平达到国内一般标准、Ⅱ级，即清洁生产水平达到国内领先标准、Ⅰ级，即清洁生产水平达到国际领先标准。
[0055] S41、首先，由于不同的生产指标的量纲不同，不能直接进行同一尺度下的对比，因此需要利用原始标准建立函数进行评价，如下所示：
[0056]
[0057] 其中，xi是第i个等级下的具体评价指标，ki表示第i个等级下的二级指标基准值，Yk表示第i个等级一级指标对应基准k的函数。
[0058] S42、然后，通过加权平均和逐层收敛，可以得到评价对象在不同级别ki的得分，如下所示：
[0059] ω＝∑(di*∑(Yki*ci))
[0060] 其中，ci表示第i个等级下该二级指标的权重值，di表示一级指标对应的权重值。
[0061] S43、最后，进行综合评分判断的具体步骤如下：
[0062] S431、将企业相关指标与Ⅰ级限定性指标进行对比，全部符合要求后，再将企业相关指标与Ⅰ级基准值进行逐项对比，计算综合评价指数得分ω1，当综合指数得分ω1不小于80分时，可判定企业清洁生产水平为Ⅰ级；当企业相关指标不满足级限定性指标要求或综合指数得分ω1小于80分时，则进入步骤S432计算；
[0063] S432、将企业相关指标与Ⅱ级限定性指标进行对比，全部符合要求后，再将企业相关指标与Ⅱ级基准值进行逐项对比，计算综合评价指数得分ω2，当综合指数得分ω2不小于80分时，可判定企业清洁生产水平为Ⅱ级；当企业相关指标不满足Ⅱ级限定性指标要求或综合指数得分ω2小于80分时，则进入步骤S433计算；
[0064] S433、将现有企业相关指标与Ⅲ级限定性指标基准值进行对比，全部符合要求后，再将企业相关指标与Ⅲ级基准值进行逐项对比，计算综合指数得分，当综合指数得分ω3等于100分时，可判定企业清洁生产水平为Ш级；当企业相关指标不满足Ⅲ级限定性指标要求或综合指数得分ω3不等于100分时，表明企业未达到清洁生产要求，评价为Ⅳ级，即清洁生产水平不合格。
[0065] S5、根据生产清洁水平的评估和预测对企业发出告警和管控建议。
[0066] S6、将生产和治污设备的实时信息存入历史数据库。
[0067] 存入历史数据库是利用长短期记忆神经网络(LSTM)来对企业生产情况进行动态评估，不仅基于短期内的输入，并结合长期的状态训练与更新模型，较强的可行性和实用性。相较于传统的相较于传统的循环神经网络(RNN)，长短时记忆网络(LSTM)能够更好地存储和利用长期记忆，适用于长远时间轴的数据处理问题，并且有效解决了梯度消失问题，不会使历史数据状态失效，使得训练过程更稳定。
[0068] 因此，本发明采用上述一种基于生产和治污设备工况的企业清洁水平评估方法，将卷积神经网络应用于生产和治污设备工况的企业清洁水平评估，对企业清洁生产水平进行科学的分级，能明显提高对企业生产清洁水平的管理，进而更好的对帮助企业进行合理化生产，在污染源头进行管控和监督；利用长短期记忆神经网络有效结合生产和治污设备的历史数据和实时数据，有效提升了监控和预测的准确性和实时性。
[0069] 最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
