一种散乱污企业分析监测的方法及系统

技术领域

本发明涉及监测技术领域，具体的，涉及一种散乱污企业分析监测的方法及系统。

背景技术

目前，各地区均存在“散乱污”企业，这些企业规模小、转移快、隐蔽性强、排污多，依赖环保部门人工排查整治，耗时周期长、工作效率较低，投入成本过大，效果不佳；部分企业出现私自复产、偷排漏排现象。

发明内容

本发明提出一种散乱污企业分析监测的方法及系统，解决了现有技术中相关部门对于二氧化硫的检测具有不确定性，在每天的某一时段，排放烟气中的二氧化硫含量不同，无法反映实际的二氧化硫排放量的问题。

本发明的技术方案如下：

一种散乱污企业分析监测的方法，包括如下A1-A3步骤：

A1、匹配“散乱污”企业

S11、通过环保部门公布的本年度“散乱污”企业整治动态清单中的企业名称、区县、乡、

组织机构代码、地址、经纬度等外部信息，通过精确匹配、文本挖掘、正则化、单一条件+多条件模糊匹配、根据经纬度现场核查、供电人员经验核查等方式，与用电客户档案信息进行匹配；

S12、通过预先设定的指标统计值来判断对“散乱污”企业匹配的程度；

A2、监测分析“散乱污”企业用电情况

S21、对“散乱污”企业一段时间内的日/月用电量、日用电负荷情况进行监测，按照行业、地域、时间维度展示整体“散乱污”企业的对比情况；

S22、统计分析“散乱污”企业用电情况；

A3、识别异常“散乱污”企业利用“散乱污”企业用电量监测结果，设定异常“散乱污”企业条件，对异常企业进行识别并分类统计；

在S11中，构建信息档案匹配模型，构建步骤如下：

s1、根据“散乱污”企业清单数据和用电用户基本电力档案数据中的统一社会信用代码、法人代表等准确度较高的信息，展开精准匹配；

s2、根据“散乱污”企业清单数据中的企业名称、企业地址等非结构化文本信息，采用结巴分词、基于TF-IDF方法的关键词提取等技术，提取文本关键信息，结合标准地址库相关信息，采用正则化、模糊匹配的方法，构建多角度分层级的匹配模型，找出各项信息最相似的企业；

s3、根据“散乱污”企业清单数据中的经纬度使用kd-tree方法找出特定范围内距离最近的企业；

s4、根据“散乱污”企业清单中的主要原料、主要燃料、主要产品，结合用电行业类别等信息进行匹配；

s5、融合以上四种匹配结果进一步提高匹配准确率，最终将匹配结果提供给相关管理人员进行复核与确认；

s6、通过以上手段仍未匹配的，需环保+电力部门通过与散乱污企业联系，获取用户编号、表号等信息后，由电力部门进行核实；

在S12中，预先设定的指标包括整体匹配率、区域匹配率、行业匹配率、整改类型匹配率和未匹配企业统计共5项，其中：

整体匹配率＝能匹配到电力用户的“散乱污”企业数量/全部“散乱污”企业数量；

区域匹配率＝某区县能匹配到电力用户的“散乱污”企业数量/该区县全部“散乱污”企业数量；

行业匹配率＝某行业能匹配到电力用户的“散乱污”企业数量/该行业全部“散乱污”企业数量；

整改类型匹配率＝某类型能匹配到电力用户的“散乱污”企业数量/该类型全部“散乱污”企业数量；

未匹配企业统计，对未与电力用户匹配上的“散乱污”企业进行统计，与环保部门双方共同核实企业情况；

在S22中，统计类型包括：

B1、整体“散乱污”用电量统计

通过整体用电量(日/月)曲线来体现，整体“散乱污”用电量波动分析通过整体“散乱污”用电环比增长率、同比增长率共2项指标的统计值来判断整体“散乱污”生产运行变化趋势，开展电量趋势与区域污染物排放趋势相关性分析；

B2、区域“散乱污”用电量统计

通过区域用电量(日/月)占比、区域用电量排名共2项指标统计值来体现，用于判断区域“散乱污”企业生产用电状况，开展区域“散乱污”企业电量与环境污染指标的相关分析；

B3、行业“散乱污”用电量统计

通过行业用电量(日/月)占比、行业用电量排名共2项指标统计值来体现，用于判断行业“散乱污”企业生产用电状况，开展行业“散乱污”企业电量与环境污染指标的相关分析；

B4、单一“散乱污”用电量统计

通过单一用电量(日/月)等级占比、单一企业用电量排名共2项指标统计值来体现。

作为进一步的技术方案，

还包括：

A4、构建“散乱污”企业精准识别模型，构建步骤如下：

C1、按照环保部门提供“散乱污”企业名单，根据散乱污企业匹配模型进行数据匹配，对应到电力用户档案中，根据用户档案信息进行散乱污企业特征分析，提取已知“散乱污”企业电力用电特点，包含且不仅限于用电容量、行业类别、用电性质、执行电价政策、峰谷用电占比、立户日期、电力负荷水平、用电量(日、月、均)、用电量等级、用电量区间分布、企业用电活跃度、用电时段、地域、地址等属性进行特征分析；

C2、基于“散乱污”企业的近3年历史的样本数据进行学习和训练，利用高性能的聚类算法和时序二维化、图像化等机器学习方法，通过K-Means、高斯混合等方法，结合箱线图等分布分析方法，充分挖掘“散乱污”企业特征，结合异常数据检测方法，选择合适的模型种类、模型类型、模型算法，基于数据中台构建“散乱污”企业精准识别模型，挖掘不同地域、不同行业、不同容量等的散乱污企业典型用电的规律；

C3、利用“散乱污”企业的历史用电数据训练模型，选取不同时间长度的电力数据对模型进行拟合训练，通过聚类分析、周期性分析等方法不断迭代完善模型；

还包括：

A5、构建新增“散乱污”企业的识别模型，构建步骤如下：

D1、定期对电力新增用户进行抽取，筛选全部的非居民用户，按照“散乱污”模型中的特征字段，包含且不仅限于用电容量、行业类别、用电性质、执行电价政策、峰谷用电占比、立户日期、电力负荷水平、用电量、用电量等级、用电量区间分布、企业用电活跃度、用电时段、地域、地址获取基本信息；

D2、根据“散乱污”模型进行分析判断，结合已形成的不同行业、不同地域的典型用电特征形成的标杆库，对第一步筛选的电力用户进行疑似“散乱污”企业的初步识别；

D3、对疑似企业进行“散乱污”特征展示，结合“散乱污”企业模型涉及的关键指标进行再次确认识别，形成用电异常企业形成监测预警信息；

D4、形成疑似散乱污企业清单数据给环保监管人员进行现场核查和确认。

作为进一步的技术方案，还包括：通过二氧化硫监测系统来检测企业排出烟气中二氧化硫的含量，在不同时间段内多次测量，取平均值，与二氧化硫排放标准进行比对，二氧化硫监测系统中需对排放烟气的温度和压力进行检测并进行调整，保证烟气达到二氧化硫监测系统可进行测定的最佳物理状态；

通过粉尘监测系统对企业的车间厂房中的粉尘含量进行监测，在不同时间段内车间的不同位置多次测量，取平均值，与车间粉尘浓度标准进行比对；

根据二氧化硫监测系统和粉尘监测系统分别测得的数据情况来判断散乱污企业是否对企业做出整改。

一种散乱污企业分析监测的系统，包括二氧化硫监测系统，

所述二氧化硫监测系统包括处理器、监测传感器和调零放大电路，所述处理器连接监测传感器，所述调零放大电路包括电阻R1、电阻R3、电位器R2、运放U1、电阻R4、运放U2、电阻R5、电阻R6、变阻器RP1、电阻R7、电阻R8、稳压二极管D1和稳压二极管D2，所述电阻R1的第一端作为所述调零放大电路的输入端P1，所述监测传感器的输出端连接所述电阻R1的第一端，所述电阻R1的第二端连接所述运放U1的反相输入端，所述运放U1的反相输入端连接所述电阻R3的第一端，所述电阻R3的第二端连接所述电位器R2的第一端，所述电位器R2的第二端连接所述运放U1的输出端，所述运放U1的同相输入端连接所述变阻器RP1的滑动端，所述变阻器RP1的第一端连接所述电阻R8的第一端，所述电阻R8的第二端连接电源-VCC，所述变阻器RP1的第二端连接所述电阻R7的第一端，所述电阻R7的第二端连接所述电源VCC，所述变阻器RP1的第一端连接所述稳压二极管D1的阳极，所述稳压二极管D1的阴极接地，所述稳压二极管D1的阴极连接所述稳压二极管D2的阳极，所述稳压二极管D2的阴极连接所述变阻器RP1的第二端，所述运放U1的输出端通过所述电阻R4连接所述运放U2的反相输入端，

所述运放U2的反相输入端连接所述电阻R5的第一端，所述电阻R5的第二端连接所述运放U2的输出端，所述运放U2的输出端连接所述处理器，所述运放U2的同相输入端通过所述电阻R6接地。

作为进一步的技术方案，所述二氧化硫监测系统还包括温度检测电路，所述温度检测电路包括稳压器U3、电阻R9、电位器R10、电阻R11、电位器R12、运放U4、电阻R13和温度传感器U6，所述稳压器U3的第一供电端连接电源VCC，所述稳压器U3的第二供电端接地，所述稳压器U3的输出端连接所述电阻R9的第一端，所述电阻R9的第二端连接所述电位器R10的第一端，所述电位器R10的第二端连接所述运放U4的反相输入端，所述运放U4的反相输入端连接所述电阻R11的第一端，所述电阻R11的第二端连接所述电位器R12的第一端，所述电位器R12的第二端连接所述运放U4的输出端，所述运放U4的反相输入端连接所述温度传感器U6的第一端，所述温度传感器U6的第二端连接电源-VCC，所述运放U4的同相输入端连接所述电阻R13的第一端，所述电阻R13的第二端接地，所述运放U4的输出端连接所述处理器。

作为进一步的技术方案，所述二氧化硫监测系统还包括电阻R15、电阻R17、电阻R18、电阻R19、电阻R20、电阻R21、压变电阻R22、电阻R23和电位器RP2，所述电阻R18的第一端作为Vo-输出端，所述电阻R18的第二端连接所述电阻R15的第一端，所述电阻R15的第二端连接电源VCC，所述电阻R18的第二端连接所述电阻R19的第一端，所述电阻R19的第二端接地，所述电阻R19的第二端连接所述电阻R20的第一端，所述电阻R20的第二端连接所述电阻R18的第一端，所述电阻R15的第二端连接所述电阻R17的第一端，所述电阻R17的第二端连接所述电阻R23的第一端，所述电阻R23的第二端连接所述电位器RP2的第一端，所述电位器RP2的第二端连接所述电阻R21的第一端，所述电阻R21的第二端接地，所述电阻R21的第二端连接所述电阻R20的第一端，所述电阻R21的第二端连接所述压变电阻R22的第一端，所述压变电阻R22的第二端连接所述电阻R23的第一端，所述电位器RP2的第二端作为Vo输出端。

作为进一步的技术方案，还包括粉尘监测系统，所述粉尘监测系统包括激光发射器、接收分析模块和驱动电路，所述驱动电路连接所述激光发射器，所述接收分析模块用于接收所述激光发射器发出并经过粉尘发生散射的光，所述接收分析模块连接所述处理器；

所述驱动电路包括控流电路，所述控流电路包括稳压芯片U5、电容C1、电容C3、电阻R24、电阻R25、电容C4、运放U7、变阻器RP3、变阻器RP4和电压跟随电路，所述稳压芯片U5的输入端连接电源VCC，所述稳压芯片U5的输入端连接电源VCC，所述稳压芯片U5的输入端通过所述电容C1接地，所述稳压芯片U5的输出端通过所述电容C3接地，所述稳压芯片U5的输出端连接所述运放U7的同相输入端，所述运放U7的反相输入端通过所述电阻R24接地，所述运放U7的输出端连接所述电阻R25的第一端，所述电阻R25的第二端连接所述运放U7的反相输入端，所述运放U7的反向输入端连接所述电容C4的第一端，所述电容C4的第二端连接所述运放U7的输出端，所述运放U7的输出端连接所述变阻器RP3的第一端，所述变阻器RP3的第二端连接所述电阻R25的第一端，所述变阻器RP3的滑动端作为限流电压，所述变阻器RP3的滑动端连接所述变阻器RP4的第一端，所述变阻器RP4的第二端连接所述变阻器RP3的第二端，所述变阻器RP4的滑动端连接所述电压跟随电路，所述电压跟随电路的输出端作为控流电压。

作为进一步的技术方案，所述电压跟随电路包括运放U8、电容C5、电容C6和电阻R26，所述变阻器RP4的滑动端连接所述运放U8的同相输入端，所述运放U8的同相输入端连接所述电容C5的第一端，所述电容C5的第二端接地，所述运放U8的输出端连接所述运放U8的反相输入端，所述运放U8的输出端连接所述电阻R26的第一端，所述电阻R26的第二端作为控流电压输出端，所述运放U8的输出端连接所述电容C6的第一端，所述电容C6的第二端接地。

作为进一步的技术方案，所述驱动电路还包括压控恒流源电路，所述压控恒流源电路包括电阻R40、电容C10、运放U10、场效应管M4、电阻R43、运放U11、电阻R44、电阻R45和变阻器RP5，所述控流电压从所述电阻R40的第一端输入，所述电阻R40的第二端连接所述电容C10的第一端，所述电容C10的第二端接地，所述电阻R40的第二端连接所述运放U10的同相输入端，所述运放U10的输出端连接所述场效应管M4的栅极，所述场效应管M4的漏极连接激光发射器中激光发射器U12的负极，所述激光发射器中激光发射器U12的正极连接电源VCC，所述场效应管M4的源极连接所述电阻R45的第一端，所述电阻R45的第二端接地，所述电阻R45的第一端连接所述电阻R43的第一端，所述电阻R43的第二端连接所述运放U11的同相输入端，所述运放U11的反相输入端连接所述电阻R44的第一端，所述电阻R44的第二端接地，所述运放U11的输出端连接所述变阻器RP5的第一端，所述变阻器RP5的第二端连接所述运放U11的反相输入端，所述运放U11的反相输入端连接所述电阻R44的第一端，所述电阻R44的第二端接地，所述运放U11的输出端连接所述运放U10的反相输入端。

作为进一步的技术方案，所述压控恒流源电路还包括电阻R41、电容C11、电阻R42和电容C12，所述运放U10的输出端连接所述电阻R41的第一端，所述电阻R41的第二端连接所述场效应管M4的栅极，所述电阻R41的第二端连接所述电容C11的第一端，所述电容C11的第二端接地，所述运放U11的输出端连接所述电阻R42的第一端，所述电阻R42的第二端连接所述运放U10的反相输入端，所述电阻R42的第二端连接所述电容C12的第一端，所述电容C12的第二端连接所述运放U10的输出端。

本发明的工作原理及有益效果为：

1、本发明中通过在不同时间段内多次测量，取平均值的方法得到能够反映实际二氧化硫排放情况的数值，与二氧化硫排放标准进行比对，进而能够更加精确分析得到散乱污企业的排放数据。

2、由于监测传感器工作时有一定的基本电流，使得被测气体的浓度为零时输出电压不为零，在调零放大电路中，监测传感器的输出信号从电阻R1的第一端输入，该信号通过电阻R1进入到运放U1中，运放U1通过电阻R1、电阻R3和电位器R2实现比例放大，然后从运放U1输出端输出的电压为负电压，负电压再次进入到运放U2中，输入至运放U2的反相输入端，实现负电压的反相操作，同时由于电阻R4和电阻R5的存在，对电信号进一步放大，运放U2输出得到放大后的正电压，可通过电位器R2来调整运放U1的放大比例，进而来调整整个调零放大电路的放大倍数；

变阻器RP1、电阻R7、电阻R8、稳压二极管D1和稳压二极管D2构成可调基准电压源，使得运放U1同相输入端的基准电压可调，通过调节变阻器RP1的滑动端电压，使得监测传感器检测的气体浓度为零时，运放U1的输出电压信号为零，进而运放U2的输出电压信号为零，达到了对监测传感器调零的效果。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明中调零放大电路原理图；

图2为本发明中温度检测电路原理图；

图3为本发明的二氧化硫监测系统局部电路原理图；

图4为本发明的控流电路原理图；

图5为本发明的压控恒流源电路原理图；

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都涉及本发明保护的范围。

本实施例提出了一种散乱污企业分析监测的方法，包括如下A1-A3步骤：

A1、匹配“散乱污”企业

S11、通过环保部门公布的本年度“散乱污”企业整治动态清单中的企业名称、区县、乡、

组织机构代码、地址、经纬度等外部信息，通过精确匹配、文本挖掘、正则化、单一条件+多条件模糊匹配、根据经纬度现场核查、供电人员经验核查等方式，与用电客户档案信息进行匹配；

S12、通过预先设定的指标统计值来判断对“散乱污”企业匹配的程度；

A2、监测分析“散乱污”企业用电情况

S21、对“散乱污”企业一段时间内的日/月用电量、日用电负荷情况进行监测，按照行业、地域、时间维度展示整体“散乱污”企业的对比情况；

S22、统计分析“散乱污”企业用电情况；

A3、识别异常“散乱污”企业利用“散乱污”企业用电量监测结果，设定异常“散乱污”企业条件，对异常企业进行识别并分类统计；

在S11中，构建信息档案匹配模型，构建步骤如下：

s1、根据“散乱污”企业清单数据和用电用户基本电力档案数据中的统一社会信用代码、法人代表等准确度较高的信息，展开精准匹配；

s2、根据“散乱污”企业清单数据中的企业名称、企业地址等非结构化文本信息，采用结巴分词、基于TF-IDF方法的关键词提取等技术，提取文本关键信息，结合标准地址库相关信息，采用正则化、模糊匹配的方法，构建多角度分层级的匹配模型，找出各项信息最相似的企业；

s3、根据“散乱污”企业清单数据中的经纬度使用kd-tree方法找出特定范围内距离最近的企业；

s4、根据“散乱污”企业清单中的主要原料、主要燃料、主要产品，结合用电行业类别等信息进行匹配；

s5、融合以上四种匹配结果进一步提高匹配准确率，最终将匹配结果提供给相关管理人员进行复核与确认；

s6、通过以上手段仍未匹配的，需环保+电力部门通过与散乱污企业联系，获取用户编号、表号等信息后，由电力部门进行核实；

在S12中，预先设定的指标包括整体匹配率、区域匹配率、行业匹配率、整改类型匹配率和未匹配企业统计共5项，其中：

整体匹配率＝能匹配到电力用户的“散乱污”企业数量/全部“散乱污”企业数量；

区域匹配率＝某区县能匹配到电力用户的“散乱污”企业数量/该区县全部“散乱污”企业数量；

行业匹配率＝某行业能匹配到电力用户的“散乱污”企业数量/该行业全部“散乱污”企业数量；

整改类型匹配率＝某类型能匹配到电力用户的“散乱污”企业数量/该类型全部“散乱污”企业数量；

未匹配企业统计，对未与电力用户匹配上的“散乱污”企业进行统计，与环保部门双方共同核实企业情况；

在S22中，统计类型包括：

B1、整体“散乱污”用电量统计

通过整体用电量(日/月)曲线来体现，整体“散乱污”用电量波动分析通过整体“散乱污”用电环比增长率、同比增长率共2项指标的统计值来判断整体“散乱污”生产运行变化趋势，开展电量趋势与区域污染物排放趋势相关性分析；

B2、区域“散乱污”用电量统计

通过区域用电量(日/月)占比、区域用电量排名共2项指标统计值来体现，用于判断区域“散乱污”企业生产用电状况，开展区域“散乱污”企业电量与环境污染指标的相关分析；

B3、行业“散乱污”用电量统计

通过行业用电量(日/月)占比、行业用电量排名共2项指标统计值来体现，用于判断行业“散乱污”企业生产用电状况，开展行业“散乱污”企业电量与环境污染指标的相关分析；

B4、单一“散乱污”用电量统计

通过单一用电量(日/月)等级占比、单一企业用电量排名共2项指标统计值来体现。

还包括：

A4、构建“散乱污”企业精准识别模型，构建步骤如下：

C1、按照环保部门提供“散乱污”企业名单，根据散乱污企业匹配模型进行数据匹配，对应到电力用户档案中，根据用户档案信息进行散乱污企业特征分析，提取已知“散乱污”企业电力用电特点，包含且不仅限于用电容量、行业类别、用电性质、执行电价政策、峰谷用电占比、立户日期、电力负荷水平、用电量(日、月、均)、用电量等级、用电量区间分布、企业用电活跃度、用电时段、地域、地址等属性进行特征分析；

C2、基于“散乱污”企业的近3年历史的样本数据进行学习和训练，利用高性能的聚类算法和时序二维化、图像化等机器学习方法，通过K-Means、高斯混合等方法，结合箱线图等分布分析方法，充分挖掘“散乱污”企业特征，结合异常数据检测方法，选择合适的模型种类、模型类型、模型算法，基于数据中台构建“散乱污”企业精准识别模型，挖掘不同地域、不同行业、不同容量等的散乱污企业典型用电的规律；

C3、利用“散乱污”企业的历史用电数据训练模型，选取不同时间长度的电力数据对模型进行拟合训练，通过聚类分析、周期性分析等方法不断迭代完善模型；

还包括：

A5、构建新增“散乱污”企业的识别模型，构建步骤如下：

D1、定期对电力新增用户进行抽取，筛选全部的非居民用户，按照“散乱污”模型中的特征字段，包含且不仅限于用电容量、行业类别、用电性质、执行电价政策、峰谷用电占比、立户日期、电力负荷水平、用电量、用电量等级、用电量区间分布、企业用电活跃度、用电时段、地域、地址获取基本信息；

D2、根据“散乱污”模型进行分析判断，结合已形成的不同行业、不同地域的典型用电特征形成的标杆库，对第一步筛选的电力用户进行疑似“散乱污”企业的初步识别；

D3、对疑似企业进行“散乱污”特征展示，结合“散乱污”企业模型涉及的关键指标进行再次确认识别，形成用电异常企业形成监测预警信息；

D4、形成疑似散乱污企业清单数据给环保监管人员进行现场核查和确认。

结合电网数据特征，组织各方业务专家，联合规划“散乱污智能识别“数字产品，梳理数字产品设计开发流程，以及各个环节的工作难点与要点，保障各个环节的模型搭建相互适应。

具体包含以下三部分：

(1)结合环保部门历年认定的“散乱污”企业清单，和内部用户电力档案信息、用电数据等信息，建立”散乱污”匹配模型，实现历史企业与用电档案的关联匹配。

(2)基于历史“散乱污”企业近三年的用电信息，建立“散乱污”特征提取模型，挖掘“散乱污”企业在电表类型、电价类别、峰谷、行业类别、用电量等方面的共性特征。

(3)结合特征聚类分析+综合打分评价制，建立疑似“散乱污”识别模型，筛选疑似“散乱污”企业。

通过分析“散乱污”企业整治动态清单属性，从组织机构代码、企业详细名称、企业地址、经纬度角度着手电力档案匹配工作。重点聚焦：企业名称+社会信用代码精准匹配；企业名称相似度模糊匹配+关键字相似度模糊匹配；所属区县、地址关键字相似度反向模糊验证。

具体步骤及方法如下：

(1)从环保部门获取”散乱污”企业明细清单，对其中数据进行预处理，一般采用剔除异常值(剔除异常的企业名称)。

(2)精准匹配

通过企业名称、社会信用代码开展精准匹配。

(3)未匹配上的数据通过企业名称进行模糊匹配

Levenshtein Distance是编辑距离算法，可计算出两个字符串之间的相似度，达到模糊匹配的目的。运行方式是字符串模糊匹配利用x去遍历列表list1中的每一个值返回最相似的一个。

Python调用方法：python from fuzzywuzzy import processprocess.extractOne(x,list1)

返回值为匹配的名称和匹配度，一般取匹配度大于90的。对于未匹配上的数据先做数据处理将市县地名去掉，然后通过jieba分词、tf-idf关键词抽取的方法提取出企业名称的关键词用关键词来进行模糊匹配，关键词模糊匹配用到的方法也是LevenshteinDistance编辑距离算法；对匹配上的数据通过营销档案里的市、县、乡再反向进行一次确认，对县乡一致的数据进行确认，具体方法如下：

jieba.cut(s,cut_all＝True)

tf-idf算法：关键词抽取

import jieba.analyse as analyse

tf_result＝analyse.extract_tags(text,topK＝5)#topK指定数量，默认20

(4)未匹配上的数据先做数据处理，去除或者修改经纬度异常的数据，去除没有经纬度的数据，统一经纬度数据形式。然后通过经纬度找出距离最近的企业达到模糊匹配的目的，采用kd-tree算法。kd-tree是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构,如：范围搜索和最近邻搜索。

(5)多进程——加快程序运行速度

(6)分析结果：

目前数据匹配率在40％左右，经纬度模型执行后对总体匹配结果影响较小

主要原因：1)环保部门提供的经纬度不对，例如提供的柏乡区域的”散乱污”企业经纬度经查询为内丘县，导致匹配失效；2)电力档案中数据中经纬度覆盖范围不全，没覆盖全部用户。

解决思路：尝试通过已匹配的用户在电力系统中的经纬度与环保部门提供的经纬度进行误差分析，确定一个误差范围，在进行经纬度匹配模型中增加误差范围选择，再利用kd-tree算法对经纬度进行识别匹配。

通过已认定的“散乱污”企业的电量、负荷等用电属性进行数据分析，提取“散乱污”企业的相关用电特征，通过用电特征从众多企业中找出新的疑似“散乱污”企业。

(1)基础数据

提取匹配出的”散乱污”企业清单的属性信息，包括一级行业，二级行业，立户时间，销户时间，报装容量，用户类型，近3年月电量，日电量，负荷等数据，按照时间、区域、行业、用电时段、用户类型等维度分析数据提取”散乱污”特征模型。

此外，还提取正规污染源企业(具有排污许可证的污染源企业)的属性信息，对污染源企业的用电属性进行分析。

(2)数据处理

对匹配的”散乱污”企业进行数据处理，一方面定位连续电量为0的日期(持续为0)说明该”散乱污”企业进入关停状态，对关停之前的数据进行分析，去除其中的异常值和缺失值，分析”散乱污”企业的生产特征；另一方面对”散乱污”企业的用电属性进行连续分析，对间隔出现0的时间差进行分析，得出”散乱污”企业死灰复燃可能的出现时段。

对正规污染源企业进行数据分析，去除异常值与缺失值，分析正规污染源企业的用电特征。

(3)使用方法

通过k-means算法和高斯混合算法来提取不同行业的典型用电特征，形成标杆库。

“散乱污”企业用电特征提取如下：从日电量，负荷，容量，用电活跃度等方面进行深入分析，最终得到7个特征，分别为：

生产活跃度-通过月电量环比变化程度分析企业的生产活跃度；

日电量变化幅度-30日内日电量环比变化>50％的次数；

用电等级-月电量对比同地区同行业户均月电量的程度；

尖峰电量占比-尖峰时段使用电量占当月电量的比重；

电量与容量对比-30日内日电量/合同容量>＝4.5的天数；

生产规模-通过合同容量范围区分生产规模；

生产时段-利用96点负荷数据按时段加和，其中早晨6：00-晚上6：00时段为日间生产，晚上6：00-早晨6：00时段为夜间生产。(4)分析结果

“散乱污”企业数据为匹配的1060户企业数据，正规污染源企业数据为某地区域290家具有排污许可证企业的数据。

1)“散乱污”企业与正规污染源企业用电对比特征：

2)对匹配出的”散乱污”企业中包含大量低压居民用户，对其中低压居民户进行分析。

3.“散乱污”企业智能识别

为了能够更好的对疑似”散乱污”企业进行精准识别，建立打分评价机制。通过对每一类”散乱污”企业特征进行单独的聚类分析，对阈值进行划分，由于根据用户类型对用电特征有影响，所以针对高压用户制定一套打分标准；针对低压用户进行单独分析。通过阈值设定对识别的企业进行打分，识别的疑似”散乱污”企业与所得分值呈正相关关系。

“散乱污”企业监测

(1)数据收集

从某地市环保局获取2020年“散乱污”企业整治动态清单，包含”散乱污”企业所在地市、县(市区)名称、乡、组织机构代码、企业详细名称、企业地址、经度、纬度、企业规模、主要原料、主要产品、完成时限、是否完成、2020年度整治类别(关停取缔、整改提升)等属性。通过分析该清单提供的属性，可从组织机构代码、企业详细名称、企业地址、县(市区)名称角度着手电力档案匹配工作。

(2)数据分析

“散乱污”匹配模型需经过数据预处理(剔除异常值(剔除异常的企业名称)并取字符长度大于等于2)后，整个匹配过程共涉及一次精准匹配，两次模糊匹配，以及地址反向验证，最终实现与电力档案用户的匹配。

具体匹配过程如下：首先通过企业详细名称与社会信用代码进行精确匹配；将未匹配上的数据利用编辑距离算法进行企业名称的第一次模糊匹配；对仍未匹配的数据进行关键词提取，通过jieba分词、tf-idf关键词抽取的方法提取出企业名称的关键词，用关键词来进行第二次模糊匹配。通过匹配出的电力户号提取用电地址及所在区县，与企业动态清单进行反向比对，进一步提高匹配效率。

(3)分析结果

模型输入参数：poll_enterprise_info(表名，如：poll_enterprise_info)、city(地市)、org_no(地区，如：13401)、punish_year(整治年份，如：2020)；模型输出结果为匹配上电力档案的用户，结果在poll_enterprise_merge_info表中；在服务器终端运行方式为：python脚本名.py，如：python pipeimoxing.py。

疑似“散乱污”企业识别

通过对某地区历史”散乱污”企业的用电数据，提取”散乱污”企业用电特征。分别为生产活跃度(通过月电量环比变化程度分析企业的生产活跃度)、日电量变化幅度(30日内日电量环比变化>50％的天数)、用电等级(月电量对比同地区同行业同用户类别的户均月电量的程度)、峰谷电量占比(峰谷时段电量占当月电量的比重)、电量与容量对比(30日内日电量/装机容量>＝4.5的天数)、生产规模(通过装机容量范围区分生产规模)、生产时段(夜间生产的天数，晚上6：00-早晨6：00时段为夜间生产)。

为了能够更好的对疑似”散乱污”企业进行精准识别，建立打分评价机制。通过对每一类”散乱污”企业特征进行单独的聚类分析，通过阈值划分对对识别企业进行打分，”散乱污”企业疑似程度与所得分值呈正相关关系。

利用主观赋权法及层次分析法对7个特征逐项分析调整，最后得出各项特征权重，用以对识别企业进行优先度等级排列。

(1)数据提取

从电力用户档案中选取某地区低压类型的三相电用户，高压类型合同容量小于315kVA，且在重点行业范围中的用户作为重点识别用户。提取这些用户的连续2个自然月电量，最近一个完整自然月的尖峰平谷时段电量，连续一个月的日电量及负荷，统计以区县粒度的行业户均月电量。通过这些统计数据运行识别模型。

(2)数据分析

以某地区为例，通过对基础数据规范整理，进行散乱污疑似企业识别模型运行，共筛选出42家符合散乱污企业用电特征的企业。

将模型运行结果与档案信息进行关联，排除不涉及散乱污生产的行业，例如学前教育，初等教育等行业，对剩下的28家行业进行特征分析。

(3)分析结果

模型输入参数：org_no(地区，如：13401)、y(年，如：2021)、m(月，如：4)、ym(年月，如：202104)、ym_1(年上月，如：202103)、date_1(年月开始日期，如：datetime.date(2021,4,1))、date_2(年月结束日期，如：datetime.date(2021,4,30))、a(日电量变化幅度权重，如：0.2)、b(电量与容量对比权重，如：0.1)、c(生产规模权重，如：0.1)、d(生产时段权重，如：0.2)、e(谷电量占比权重，如：0.1)、f(生产活跃度权重，如：0.1)、g(用电风机等级权重，如：0.2)；模型输出结果为疑似散乱污用户，结果在poll_enterprise_mid_value表中，；在服务器终端运行方式为：python脚本名.py，如：python shibiemoxing.py。

还包括：通过二氧化硫监测系统来检测企业排出烟气中二氧化硫的含量，在不同时间段内多次测量，取平均值，与二氧化硫排放标准进行比对，二氧化硫监测系统中需对排放烟气的温度和压力进行检测并进行调整，保证烟气达到二氧化硫监测系统可进行测定的最佳物理状态；

通过粉尘监测系统对企业的车间厂房中的粉尘含量进行监测，在不同时间段内车间的不同位置多次测量，取平均值，与车间粉尘浓度标准进行比对；

根据二氧化硫监测系统和粉尘监测系统分别测得的数据情况来判断散乱污企业是否对企业做出整改。

如图1所示，一种散乱污企业分析监测的系统，包括二氧化硫监测系统，

所述二氧化硫监测系统包括处理器、监测传感器和调零放大电路，所述处理器连接监测传感器，所述调零放大电路包括电阻R1、电阻R3、电位器R2、运放U1、电阻R4、运放U2、电阻R5、电阻R6、变阻器RP1、电阻R7、电阻R8、稳压二极管D1和稳压二极管D2，所述电阻R1的第一端作为所述调零放大电路的输入端P1，所述监测传感器的输出端连接所述电阻R1的第一端，所述电阻R1的第二端连接所述运放U1的反相输入端，所述运放U1的反相输入端连接所述电阻R3的第一端，所述电阻R3的第二端连接所述电位器R2的第一端，所述电位器R2的第二端连接所述运放U1的输出端，所述运放U1的输出端连接所述电阻R4的第一端，所述电阻R4的第二端连接所述运放U2的反相输入端，所述运放U2的反相输入端连接所述电阻R5的第一端，所述电阻R5的第二端连接所述运放U2的输出端，所述运放U2的输出端连接所述处理器，所述运放U2的同相输入端连接所述电阻R6的第一端，所述电阻R6的第二端接地，所述运放U1的同相输入端连接所述变阻器RP1的滑动端，所述变阻器RP1的第一端连接所述电阻R8的第一端，所述电阻R8的第二端连接电源-VCC，所述变阻器RP1的第二端连接所述电阻R7的第一端，所述电阻R7的第二端连接所述电源VCC，所述变阻器RP1的第一端连接所述稳压二极管D1的阳极，所述稳压二极管D1的阴极接地，所述稳压二极管D1的阴极连接所述稳压二极管D2的阳极，所述稳压二极管D2的阴极连接所述变阻器RP1的第二端。

本实施例中，由于监测传感器工作时有一定的基本电流，使得被测气体的浓度为零时输出电压不为零，在该调零放大电路中，监测传感器的输出信号从电阻R1的第一端输入，该信号通过电阻R1进入到运放U1中，运放U1通过电阻R1、电阻R3和电位器R2实现比例放大，然后从运放U1输出端输出的电压为负电压，负电压再次进入到运放U2中，输入至运放U2的反相输入端，实现负电压的反相操作，同时由于电阻R4和电阻R5的存在，对电信号进一步放大，运放U2输出得到放大后的正电压，可通过电位器R2来调整运放U1的放大比例，进而来调整整个调零放大电路的放大倍数；

变阻器RP1、电阻R7、电阻R8、稳压二极管D1和稳压二极管D2构成可调基准电压源，使得运放U1同相输入端的基准电压可调，通过调节变阻器RP1的滑动端电压，使得监测传感器检测的气体浓度为零时，运放U1的输出电压信号为零，进而运放U2的输出电压信号为零，达到了对监测传感器调零的效果。

如图2所示，所述二氧化硫监测系统还包括温度检测电路，所述温度检测电路包括稳压器U3、电阻R9、电位器R10、电阻R11、电位器R12、运放U4、电阻R13和温度传感器U6，所述稳压器U3的第一供电端连接电源VCC，所述稳压器U3的第二供电端接地，所述稳压器U3的输出端连接所述电阻R9的第一端，所述电阻R9的第二端连接所述电位器R10的第一端，所述电位器R10的第二端连接所述运放U4的反相输入端，所述运放U4的反相输入端连接所述电阻R11的第一端，所述电阻R11的第二端连接所述电位器R12的第一端，所述电位器R12的第二端连接所述运放U4的输出端，所述运放U4的反相输入端连接所述温度传感器U6的第一端，所述温度传感器U6的第二端连接电源-VCC，所述运放U4的同相输入端连接所述电阻R13的第一端，所述电阻R13的第二端接地，所述运放U4的输出端连接所述处理器。

本实施例中，稳压器U3为AD581，温度传感器U6为AD590，AD581为高精度集成稳压器，通过电阻R9、电位器R10给温度传感器U6提供稳定的电压，而温度传感器U6的输出电压作为输入电压，输入至运放U4中，然后运放U4对该信号进行放大，可通过电位器R10来对温度传感器U6调零，并可以通过电位器R12来调整运放U4的增益，实现了对温度信号的调零和放大。

如图3所示，所述二氧化硫监测系统还包括电阻R15、电阻R17、电阻R18、电阻R19、电阻R20、电阻R21、压变电阻R22、电阻R23和电位器RP2，所述电阻R18的第一端作为Vo-输出端，所述电阻R18的第二端连接所述电阻R15的第一端，所述电阻R15的第二端连接电源VCC，所述电阻R18的第二端连接所述电阻R19的第一端，所述电阻R19的第二端接地，所述电阻R19的第二端连接所述电阻R20的第一端，所述电阻R20的第二端连接所述电阻R18的第一端，所述电阻R15的第二端连接所述电阻R17的第一端，所述电阻R17的第二端连接所述电阻R23的第一端，所述电阻R23的第二端连接所述电位器RP2的第一端，所述电位器RP2的第二端连接所述电阻R21的第一端，所述电阻R21的第二端接地，所述电阻R21的第二端连接所述电阻R20的第一端，所述电阻R21的第二端连接所述压变电阻R22的第一端，所述压变电阻R22的第二端连接所述电阻R23的第一端，所述电位器RP2的第二端作为Vo输出端。

本实施例中，电阻R15、电阻R17、电阻R19和压变电阻R22组成电桥电路，压变压变电阻R22的电压随压力变化而变化，导致电桥电路的输出随压力变化而变化，实现气体压力的检测。其中，电位器RP2用来调节电桥零点的输出值，电阻R18、电阻R20、电阻R21和电阻R23为补偿电阻，能够有效调节压力传感器的零点输出电压，使得压力传感器的零点和满量程输出值几乎不随温度变化；

电阻桥零点补偿：

电路输出的电压为Vo＝R

其中，

式中Vo为压力传感器零点输入电压；

V为供压力传感器工作的恒压源电压值；

I

I

R

R

R

输出电压Vo的大小是通过调节电位器R

在本实施例中，电阻R

因此，R

则公式(2)和公式(3)可分别简化为：

结合公式(1)，可知，无论电位器R

还包括粉尘监测系统，所述粉尘监测系统包括激光发射器、接收分析模块和驱动电路，所述驱动电路连接所述激光发射器，所述接收分析模块用于接收所述激光发射器发出并经过粉尘发生散射的光，所述接收分析模块连接所述处理器。

如图4所示，所述驱动电路包括控流电路，所述控流电路包括稳压芯片U5、电容C1、电容C3、电阻R24、电阻R25、电容C4、运放U7、变阻器RP3、变阻器RP4和电压跟随电路，所述稳压芯片U5的输入端连接电源VCC，所述稳压芯片U5的输入端连接电源VCC，所述稳压芯片U5的输入端通过所述电容C1接地，所述稳压芯片U5的输出端通过所述电容C3接地，所述稳压芯片U5的输出端连接所述运放U7的同相输入端，所述运放U7的反相输入端通过所述电阻R24接地，所述运放U7的输出端连接所述电阻R25的第一端，所述电阻R25的第二端连接所述运放U7的反相输入端，所述运放U7的反向输入端连接所述电容C4的第一端，所述电容C4的第二端连接所述运放U7的输出端，所述运放U7的输出端连接所述变阻器RP3的第一端，所述变阻器RP3的第二端连接所述电阻R25的第一端，所述变阻器RP3的滑动端作为限流电压，所述变阻器RP3的滑动端连接所述变阻器RP4的第一端，所述变阻器RP4的第二端连接所述变阻器RP3的第二端，所述变阻器RP4的滑动端连接所述电压跟随电路，所述电压跟随电路的输出端作为控流电压，控流电压用于控制激光发射器的电压。

本实施例中，控流电路用于调节激光发射器的电压，从而调节激光信号的强度。其中，稳压芯片U5为MAX6225，用来产生稳定的基准电压，稳压芯片U5的输出电压进入到运放U7的同相输入端，然后运放U7对该信号进行放大，放大后的电信号加在变阻器RP3两端形成压降，变阻器RP3的滑动端抽头输出的即为限流电压，即变阻器RP3起到了限流保护的作用，该电压信号进一步经过变阻器RP4的分压，变阻器RP4的滑动端抽头输出的即为实际的控流电压。

所述电压跟随电路包括运放U8、电容C5、电容C6和电阻R26，所述变阻器RP4的滑动端连接所述运放U8的同相输入端，所述运放U8的同相输入端连接所述电容C5的第一端，所述电容C5的第二端接地，所述运放U8的输出端连接所述运放U8的反相输入端，所述运放U8的输出端连接所述电阻R26的第一端，所述电阻R26的第二端作为控流电压输出端，所述运放U8的输出端连接所述电容C6的第一端，所述电容C6的第二端接地。

本实施例中，变阻器RP4的滑动端抽头输出的即为实际的控流电压输入至运放U8的同相输入端，运放U8组成电压跟随器，实现了前后级电信号的缓冲隔离，增强了输出信号的驱动能力。

如图5所示，所述驱动电路还包括压控恒流源电路，所述压控恒流源电路包括电阻R40、电容C10、运放U10、场效应管M4、电阻R43、运放U11、电阻R44、电阻R45和变阻器RP5，所述控流电压从所述电阻R40的第一端输入，所述电阻R40的第二端连接所述电容C10的第一端，所述电容C10的第二端接地，所述电阻R40的第二端连接所述运放U10的同相输入端，所述运放U10的输出端连接所述场效应管M4的栅极，所述场效应管M4的漏极连接激光发射器中激光发射器U12的负极，所述激光发射器中激光发射器U12的正极连接电源VCC，所述场效应管M4的源极连接所述电阻R45的第一端，所述电阻R45的第二端接地，所述电阻R45的第一端连接所述电阻R43的第一端，所述电阻R43的第二端连接所述运放U11的同相输入端，所述运放U11的反相输入端连接所述电阻R44的第一端，所述电阻R44的第二端接地，所述运放U11的输出端连接所述变阻器RP5的第一端，所述变阻器RP5的第二端连接所述运放U11的反相输入端，所述运放U11的反相输入端连接所述电阻R44的第一端，所述电阻R44的第二端接地，所述运放U11的输出端连接所述运放U10的反相输入端。

本实施例中，控流电压从电阻R40的第一端输入，然后电信号输入至运放U10中，运放U10对该信号进行放大，输出后加在场效应管M4的栅极，场效应管M4导通，即激光发射器U12通电工作发射激光，场效应管M4的源极电流流过电阻R45形成反馈电压，该电压信号通过电阻R43分压后进入到运放U11中，运放U11的输出信号进一步输出至运放U10的反相输入端，即控流电压与该反馈信号进行比较输出，通过电压差来驱动场效应管M4，进而通过控制场效应管M4的导通程度来控制输出电流的大小，进而来控制激光发射器U12的运行情况。

所述压控恒流源电路还包括电阻R41、电容C11、电阻R42和电容C12，所述运放U10的输出端连接所述电阻R41的第一端，所述电阻R41的第二端连接所述场效应管M4的栅极，所述电阻R41的第二端连接所述电容C11的第一端，所述电容C11的第二端接地，所述运放U11的输出端连接所述电阻R42的第一端，所述电阻R42的第二端连接所述运放U10的反相输入端，所述电阻R42的第二端连接所述电容C12的第一端，所述电容C12的第二端连接所述运放U10的输出端。

本实施例中，电阻R41、电容C11和电阻R42、电容C12分别组成的延时补偿结构，保证了输出和反馈电信号的稳定。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。