基于智能电网大数据的工业企业大气污染排放特征研究

吴力波*，周阳，陈海波，杨增辉（. 复旦大学，上海 0004；. 国网上海市电力公司，上海 00090；. 国网上海市电力公司电力科学研究院，上海 00090）

基于智能电网大数据的工业企业大气污染排放特征研究

吴力波1*，周阳1，陈海波2，杨增辉3
（1. 复旦大学，上海 200043；2. 国网上海市电力公司，上海 200090；3. 国网上海市电力公司电力科学研究院，上海 200090）

本文尝试构建基于智能电网大数据的工业企业污染排放预测方法。通过分析上海大中型工业企业用电量与工业总产出、工业总产出与主要污染物直接排放量之间的关联关系，本文建立了工业企业基于用电量的直接污染排放清单估算方法。利用此估算方法，可在实时的智能电网大数据基础上估算工业企业直接污染排放量，服务于大气污染的实时预警和预测。本文研究表明，这种清单估算方法可直接应用于工业企业污染的实时防控，既可服务于政府大气污染监测、应急机制启动时防控对象的选择，也可服务于未来的污染物排放权实时交易市场的供需分析等，是大数据在污染防治领域应用的可行路径。

智能电网；大数据；工业企业；大气污染

引言

随着工业化、城市化进程的深化，人类社会经济活动所产生的能源消费、污染物和温室气体排放等持续增加。城市是能源集中消费、污染物集中排放区域，环境污染问题尤为突出。很多大型城市人群高度聚集、污染物扩散条件差，一旦出现特殊天气条件，很容易引发大气环境公害事件。上海市作为全国的经济金融中心，环境质量受到公众高度关注，如何实现更为高效的公共环境治理，是上海市政府和企业所面临的共同挑战。近年来上海频发雾霾天气，个别日空气质量指数飙升至400以上。这对于上海市居民的生活环境及健康状况都造成了严重的影响。为有效应对严重空气污染，上海市政府出台了《上海市空气重污染专项应急预案》，提出了多项应急措施。这些应急措施多基于监测数据，需要依赖历史监测数据、结合气候气象条件做出一定的预测。这样的技术路径尽管能够达到总体预警效果，但是并不能够及时对应于污染源排放情况，有可能存在应急措施针对性不强，无法直接调动排放主体的防控积极性的缺陷，同时也无法根据工业企业生产活动的变动调整防控对象，实现环境效益与经济效益兼顾的环境治理。

为了深入研究上海市工业企业生产行为及其排放行为，我们需要高频的生产数据进行支撑，然而产量数据的获得几乎是不可能的，而工业企业的用电数据是与其生产直接相关的。电力数据可以反映出一个企业的生产状况。大数据时代技术的进步为电力的高频数据的获得带来了可能性。随着我国智能电网建设的大规模推进，上海市已经实现了工商业智能电表数据采集的全覆盖，重点用能企业已经覆盖至主要设备、大型楼宇，并实现了分项计量，智能电网大数据已经能够提供全方位的高频用电数据。这些数据可以有效监测工业企业的生产经营状况，进而推断污染物排放状况。这种从生产侧对大气污染情况的预测预警在环境管理领域还较为薄弱，而本文正是从这个角度入手，对上海市的大气污染状况的生产性成因进行研究。通过与上海市电力公司进行合作，本研究获得了上海市工业企业用电高频数据，对上海市典型工业企业的生产进行了分析研究，这对于上海市环境状况的监控及预警有着十分重要的意义。

1　污染的生产性因素

1.1大气污染的工业污染源

使用锅炉的大中型工业企业是污染物排放的点源，雾霾天气产生的主要原因是固定点源和流动源污染气体的排放，其中热电、化工、钢铁等工业企业排放的废气是固态大气污染的主要来源。工业点源排放的特点在于短时间内排放集中、排放数量大，因而控制污染企业生产对于在短期内快速减少污染排放、提高空气质量有重要意义，然而点源排放也会受到气象因素的影响。康娜［1］曾针对北京的空气污染建立气象模型进行研究，得出北京污染与周边工业污染相关的结论。

工业能源消耗产生的污染排放主要分成两类，分别为直接排放和间接排放。其中，直接排放是指工业企业生产过程中消耗的化石燃料所产生的污染排放，而间接排放是指企业消耗电能所产生的污染排放。田贺忠［2，3］基于燃料消耗的排放因子法，按照经济部门、燃料类型、燃料方式等信息，根据不同省市区的消耗能源类型，分别建立了燃煤大气砷以及锑排放清单。而各类工业行业中，电力行业比较特殊，直接排放是指发电过程中消耗的化石燃料所产生的污染排放，间接排放指企业自身运营消耗的电能产生的污染排放。电力行业的排放是所有工业行业间接排放的源头，因而在讨论工业污染排放时将电力行业与其他行业分开讨论可以使问题更加明晰。图1的下半部分展示了工业企业直接排放与间接排放的关系图。在本研究中选取上海非电力行业的工业企业为研究对象，旨在通过调控直接污染排放量较大的企业的生产情况，保证上海市实时空气质量。

1.2大气污染的主要组成

工业企业大气污染物排放类型可分为气态无机污染物和气态有机污染物。气态无机污染物，包括二氧化硫（SO2）、氮氧化物（NOx）、一氧化碳（CO）等；气态有机污染物包括非甲烷挥发性有机物（Non-methane Volatile Organic Compounds）、多环芳香烃（Polycyclic Aromatic Hydrocarbon）、总悬浮颗粒物（Total Suspended Particulate）等。本研究中考虑到数据可得性、研究合理性，选择无机污染物二氧化硫（SO2）、氮氧化物（NOx），有机污染物，PM2.5、PM10，以及包括这两者的总悬浮颗粒物（TSP）作为研究对象，建立工业企业污染物排放监测与反馈系统。

1.3大气污染的空间因素

计算企业的污染物排放量还要考虑空间分布因素。工业企业的直接污染物排放影响企业所在地空气质量，而间接排放的影响范围则与企业用电的来源有关，例如，企业使用的本地发电则造成对本地的空气质量影响，企业使用的外省市发电则影响外省市空气质量，企业使用清洁能源自发电则不会造成空气污染。图1的上半部分给出了企业用电来源路径，表明了间接排放影响区域与电能来源有关。工业企业在某地区的直接污染物排放可根据该企业在该地区化石燃料使用量计算获得，也可通过实际检测获得；而企业在某地区造成的间接污染排放的计算则要依据企业的用电量和用电来源中本地发电的比重，后者较前者复杂。在本研究中通过建立非电力工业企业直接污染排放量与用电量的关系，构建企业实时大气污染物排放检测机制，因而只考虑工业企业的直接排放，不计算间接排放部分。

图1　电力输送、直接排放与间接排放

2　研究方法与数据

2.1污染物排放估算方法综述

估算点源大气污染物排放的方法有多种，在一定情形下应根据数据的可得性、估算结果的科学性选择合适的方法。通过梳理和比较，以往研究中有四种计算工业企业污染物排放量的方法，分别为行业污染排放系数估算法、分工序估算法、历史数据估算法和流量监测法。前三种估算方法均以排放系数为依据，而最后一种方法不以排放系数为依据。

2.1.1行业污染排放系数估算法

值得注意的是，各行业生产工序、使用燃料的种类和结构、尾气处理技术都有差别，因而各行业每单位燃料消耗的污染物排放系数均有差异。因而首先需要测算出各行业的单位产出污染排放系数，再结合企业燃料使用量和尾气处理能力，计算出各企业污染物排放量。根据吴晓璐［5］测算的长三角地区各行业不同燃料的污染物排放系数，结合污染物普查数据库提供的宝钢燃料使用量，我们可以估算出宝钢各类大气污染物年排放量。

2.1.2分工序估算法

第二种方法是分工序估算法，这种方法适合在掌握各个企业生产流程详细信息的情况下使用。郑军［6］为了获得砂型铸造工艺过程各个工序的碳排放情况，有针对性地开展节能减排措施，分析了砂型铸造生产过程的特点，提出了基于工序碳源的铸造工艺过程碳排放建模方法。通过分析铸造生产中的各个环节，用工序特征要素描述砂型铸造工序基本状态。建立了五类基础工序碳源，利用基础工序碳源表示并计算各个工序的碳排放量。结合某农用车箱体铸件生产过程进行验证，估算了该铸件的工序碳排放量。

根据《工业污染物产生和排放系数手册》给出的各工业行业每单位产量各道工序的污染物排放系数，结合企业年产量数据，也可以计算出各个企业污染物排放的年度数量。《工业污染物产生和排放系数手册》提供了燃烧单位质量/体积的煤、油、燃料气的一氧化碳、碳氢化合物、氮氧化合物、二氧化硫、烟尘等的排放量，也提供了冶金工业、煤炭工业、化学工业、轻工业、制革工业、纤维板制造业、建材工业、机械工业、电力工业、乡镇工业等几个工业分类下的子工业各道工序的相关污染物排放系数。例如钢铁行业的主要排污工序可分为炼焦、烧结、炼铁、炼钢（转炉）、炼钢（平炉）、炼钢（电炉）和连铸几道工序，结合手册提供的每单位产出在各个工序中各类污染物排放量，以及钢铁企业的产量，便可计算出生产这一产量过程中的污染排放量。徐洪波，卢晓军［7］对沈阳市人造板制作工业进行调研，对生产工序中排放的废气污染物进行监测。确定人造板工业产、排污特点，分析行业的特征废气污染因子；对板材单位产品产生的废气污染物定量进行研究，得出各类板材生产过程中甲醛、氨气、粉尘排放强度，估算了人造板工业产生的排污负荷。针对沈阳市人造板企业生产及污染物排放实际情况提出污染控制方法。

2.1.3历史数据估算法

第三种方法根据历史产量和污染物排放数据估算排放系数，结合目前产量估算污染物排放。适合在无法获得行业生产流程信息、企业生产工序燃料使用量等明细数据的情况下使用。SO2和NOx的排放量直接采用全国污染源普查、企业环境影响回顾性评价报告和排污申报的数据。其中全国污染源普查数据库以企业为单位记录全年各大气污染物的排放量，适用于排放口少的工业中小点源和生活点源。 排污申报数据按照工艺类型分别给出污染物排放量，环境影响回顾性评价报告采用物料平衡法估算不同工艺的排放量，适用于多排放口的大型工业企业。TSP 排放量同样来自以上三个数据库，取粉尘与烟尘排放量之和。同时，根据燃煤源颗粒物中 PM10、PM2.5的粒径比例计算PM10与 PM2.5的排放量，具体计算数值可参考张强等［8］的研究成果。对于 CO、VOCs 和NH3排放量的估算，由于在全国污染源普查数据库中没有直接可用的数据，因此对于工业中小点源和生活点源采用排放系数法计算，可应用方法一中提供的基本公式。

2.1.4流量监测法

第四种方法在污染源（电站锅炉、工业锅炉、工业窑炉等燃烧设施）排污口直接实时监测污染物排放浓度，结合排放流量数据，计算一定时间内的总排放量。这种方法对资本设备要求较高，在实际中可行度较低，但测算污染物排放量数据最为精确。

根据工业企业用电量与产量之间的数量关系、产量与污染物排放的数量关系，可以建立工业企业污染物排放监测与反馈机制。在这一机制下，根据工业企业实时用电量数据，可以估算出该企业实时大气污染物排放量，对于污染物排放量超过一定标准的企业给予警示，甚至通过行政手段限制其生产行为，将上海市大气污染物排放量控制在一定范围内，保证市内空气质量。

2.2本文研究方法

本研究采用行业污染排放系数估算法，计算各个工业企业的污染物排放量。该技术在亚洲地区应用还比较少，David G.Streets［9］等根据美国航空航天局（NASA）的Trace-P项目研制了2000年亚洲地区的排放清单。胡尧［10］也曾基于中国的投入产出表进行了中国能源消费的碳排放估算，但是其侧重于碳排放研究，很少涉及污染物的排放。

首先，根据企业用电量和产量的历史数据，建立二者之间的数量关系。然后，通过行业污染物排放系数建立起企业产量与污染物排放之间的数量关系。从而，可以进一步建立企业用电量与污染物排放的数量关系。在此基础之上，建立污染物排放监测机制，根据智能电表观测到的企业实时用电量计算企业实时污染排放量，通过电力供给控制、错峰填谷等手段调节企业用电量，利用行政手段引导工业企业改变生产计划，从而达到上海市工业企业整体单位时间内用电量、污染排放量保持基本稳定的目标。通过污染物排放反馈机制得到调整后的各企业污染物排放量，进一步利用电力供给控制、错峰填谷措施进行调整。工业企业实时污染物排放量的测算根据以下三个步骤进行。

（1）获取工业企业一段时期内的一次能源投入量数据，根据各行业燃煤排放系数、燃油排放系数，计算在这一段时间内该企业的各类大气污染物排放量。

（2）根据企业在一段时间内的污染物排放和同一段时间的用电数据，计算单位用电量的各类污染物排放，获得污染系数。

（3）得到单位用电量的各类污染物排放数据后，结合智能电表监测到的企业15分钟用电量的高频数据，计算得到高频的大气污染排放物曲线。

2.3数据来源

本研究中工业部门污染物排放量的数据来源于第一次全国污染源普查数据，数据的时间跨度为2006年到2009年。从范围来看，污染源普查包括工业源、农业源、生活源和集中式污染治理设施四大部分。从对象来看，全国总的普查对象为592.6万个，其中工业源157.6万个，农业源289.9万个，生活源144.6万个，集中式污染治理设施4790个。用电数据方面，本研究获取上海市工业企业每日96点用电数据（每15分钟一个数据）用于替代上海市工业生产产量数据，作为上海市工业企业生产的直接变量。

3　分析结果及应用

根据计算所得的企业15分钟内的电力消耗水平，结合污染物排放系数可以得出各类污染物排放量，及时对污染排放严重的企业给予警示，甚至使用行政手段控制其生产活动，以保证空气质量维持在一定水平之上。

以宝钢集团上海五钢有限公司为例。该公司属于其他金属制品制造行业，大工业用电交流电压为10kV，位于同济路305号，电表编号为H00271。2008年表号H00271全年用电量：9 237 924kWh，在2008年全年煤炭投入量为100Wt的情况下，可计算出单位用电量的污染物排放系数：

PSO2= 12.48C/Q = 1.350 952 876

PNOx= 10.31C/Q = 1.116 051 615

ECO= 28.56C/Q = 3.091 603 698

PPM2.5= 0.203C/Q = 0.021 974 634

PPM2.5-10= 0.075 3C/Q = 0.008 151 182

PPM10+= 0.046 3C/Q = 0.005 011 949

结合电表提供的每十五分钟用电量数据，可画出该企业一天之内每十五分钟的污染物排放量曲线。图2展示了根据以上算法得到的上海五钢2009年9月1日的PM2.5排放量随时间变化的曲线。

本文选择了上海9家代表性工业企业作为样本，计算其单位用电量的污染物排放系数。表1展示了上海市若干工业企业每千瓦时用电量各类污染物排放量的计算结果。观察表中数据，可以发现不同企业单位用电量污染物排放量差异很大，不同企业的各类污染物排放比重也不相同。工业企业的单位用电量污染物排放量、污染物排放构成与企业的生产内容、生产过程、生产方式、生产技术等紧密联系。例如，电机制造业、炼焦业和纸制品制造业二氧化硫、氮氧化合物的排放量比较大，而电子和电工机械专用设备制造业则会排放大量可悬浮颗粒物，是导致雾霾的重要源头。钢铁行业、氯碱行业虽然能源消耗量很大，但伴随单位用电量的各类污染物排放却比较小，这与上海的经济结构是有关系的，上海地区的大型钢铁、氯碱企业往往采用很先进的节能减排技术，因而这些大型工业企业并不一定是造成上海市空气污染的主要原因。

图2　上海五钢PM2.5排放日数据（2009.9.1）

表1　上海市若干工业企业大气污染物排放系数单位：g/kWh

通过上传工业用户每15分钟采集的用电量数据与污染物排放数据，建立工业企业污染物排放实时监测热力图应用于上海市工业企业污染物排放监测。当上海市日空气污染指数超标，或天气污染严重时，即可通过热力图追踪重点污染点源，建议相关企业调整生产计划，通过对企业自身的排放行为进行调整，达到督促企业节能减排，指导企业节能降耗的效果。

根据前一部分的污染物排放系数计算方法和高频企业污染物排放量数据的计算方法，可以建立污染物排放的监测机制。企业污染物排放的高频数据可以以两种形式展示。一种形式是各类污染物排放量随时间变化的折线图，可以反映同一企业污染物排放量在一天当中的变化，便于识别企业在一天中的生产、能源使用高峰期和低谷，体现出企业在一天当中的生产活动特征。另一种形式是热力图，本研究在估算各个企业污染排放系数的同时，也搜集了企业的经度、纬度信息，从而可以制作企业各类污染物排放量的热力图。在地图上标注调研范围内的工业企业的位置，用色彩显示出企业污染物排放量的差异。热力图可以将不同企业的同种污染物排放量展示在同一张地图上，便于比较出同一时间点上各企业对某种大气污染物的排放量大小（图3、图4）。结合实时空气质量监测，可以寻找浓度偏高的污染物源头，从污染源开始寻求解决方案并采取措施。

4　结论及政策建议

本研究建立了上海市工业企业用电量与大气污染物排放量之间的数量关系，大气污染物排放量的降低可以从降低企业用电量着手。一方面，可以切断对污染物排放量过大的企业的电力供给。衡量企业污染物排放量过大的标准制定应有科学性、合理性。本研究给出了针对这种措施的三个可能的方案。

方案一：选择导致当前最严重空气质量问题的污染物作为控制对象，通过行政手段停止或减少前一日PM2.5排放量最高企业的电力供给。例如，秋冬季节空气流动不畅，加之人们出于取暖的目的对能源消费量增加，空气中PM2.5浓度升高，造成严重雾霾现象，在很大程度上影响了人们的户外活动和生活质量。因而秋冬季节应该关注企业PM2.5排放量，从工业企业方面降低可悬浮颗粒物排放。

方案二：根据空气中各类污染物浓度的加权求和数据，建立基于二氧化硫、氮氧化合物、可悬浮颗粒物浓度的空气污染贡献指数。计算各企业空气污染贡献指数的高频数据，控制连续6小时该指数在一定数值以上企业的电力供给。

方案三：采取双重指标监控机制，即选取前一天浓度超过国家限制范围百分比最高的两种污染物作为研究对象，需要采取电力供给限制的企业应满足一天中连续6小时以上两种污染物排放量在工业行业历史平均水平以上。在实际情境中，还应该考虑到操作的复杂性及方案的可行性，需要进行一段时间的测试。

另一方面，可以将电力的错峰填谷措施与污染物排放量控制相结合，错峰填谷相对于直接切断/减少企业电力供给是一种更加温和的措施，但实际操作的复杂程度更高、难度更大。企业污染物排放系数在一定时期内基本稳定，那么企业污染物排放量的大小反映企业用电量和产量的信息。错峰填谷措施要求通过企业调整用电时间，减少上海市一天中的高峰用电量，而增加一天中的低谷用电量，从而避免出现高峰时期的电力供给不足，以及低谷时期的供电设备闲置和电能弃置。

图3　工业污染排放实时监测热力图*

图4　工业污染排放实时监测热力图*

根据污染监测机制的观测结果，停止对实时污染排放超标企业的电力供给，或强制要求企业将用电高峰时间段的生产转移到低谷时间段。虽然可以达到污染排放控制的目标，但却使得企业偏离了利润最大化的目标。激励手段指通过税收、补贴、劝导等方式鼓励企业改变生产行为的方式，这种措施实现污染排放控制的效果难以预测，政策制定流程复杂，但企业以利润最大化为目标的生产经营活动将不会受到干预。

在监测机制的基础上，需要进一步建立污染物排放反馈机制，监测污染物排放量在采取改善措施后的变化，进一步采取新的措施，再次保证污染物排放量总体水平在一定范围内，从而实现动态调控。污染物排放反馈机制的数据可以不断更新，这确保通过控制企业用电量可以有效控制大气污染物排放量。本研究中计算污染物排放系数的数据来自于第一次全国污染源普查数据库，以及《工业污染物产生和排放系数手册》。污普数据库的数据更新、系统发展为本研究提供了保障。在长期内企业的生产内容、生产方式、生产技术都会发生变化，污染物排放系数也会发生相应变化，数据更新是保证本研究有现实意义的重要条件。本研究中上海市工业企业用电量的数据来自于上海电力公司，为电表读出的每15分钟企业高频用电数据。这一重要数据来源也是建立污染物排放反馈机制的保障。建立污染物排放反馈机制有着关键作用，一方面，反馈机制监测电力供给控制、错峰填谷等措施对企业污染物控制的效果，是必不可少的环节；另一方面，反馈机制也给出调整措施效应强度的经验数据，可供进一步研究、完善污染物排放监测与反馈机制，甚至可以将在上海地区的成功经验推广到全国。

［1］ 康娜， 高庆先， 周锁铨， 等. 区域大气污染数值模拟方法研究［J］. 环境科学研究， 2006， 19（6）: 20-26.

［2］ 田贺忠， 曲益萍. 2005年中国燃煤大气砷排放清单［J］. 环境科学， 2009， 30（4）: 956-962.

［3］ 田贺忠， 赵丹， 何孟常， 等. 2005年中国燃煤大气锑排放清单［J］. 中国环境科学， 2010， 30（11）: 1550-1557.

［4］ 唐飞， 陈文抗， 石琴. 基于LEAP模型的城市客运交通能耗和污染物排放预测［J］. 交通节能与环保， 2015， 11（6）: 31-36. ［5］ 吴晓璐. 长三角地区大气污染物排放清单研究［D］. 上海:复旦大学， 2009.

［6］ 郑军， 唐任仲， 胡罗克. 基于工序碳源的砂型铸造过程碳排放建模方法［J］. 计算机集成制造系统， 2014， 20（4）: 898-908.

［7］ 徐洪波， 卢晓军. 沈阳市人造板行业废气污染物排放状况及控制方法［J］. 黑龙江科技信息， 2010（29）: 47-48.

［8］ 张强， KLIMONT Z， STREETS D G， 等. 中国人为源颗粒物排放模型及2001年排放清单估算［J］. 自然科学进展，2006， 16（2）: 223-231.

［9］ STREETS D G， BOND T C， CARMICHAEL G R， et al. An inventory of gaseous and primary aerosol emissions in Asia in the year 2000［J］. Journal of geophysical research， 2003，108（21）: 8809-8822.

［10］ 胡尧， 饶光明.中国能源消费行业碳排放研究——基于“碳排”投入产出表的编制［J］. 重庆工商大学学报（社会科学版）， 2015， 32（4）: 17-26.

［11］ 陈希. 我国天然气发展问题与对策思考［J］. 生态经济，2011（2）: 123-126， 140-140.

［12］ 吴红梅. 长三角地区能耗特点与节能对策研究［J］.中国能源， 2007， 29（8）: 22-25.

［13］ 国家环境保护总局. 2007年中国环境状况公报［EB/OL］. （2008-06-04）. http://jcs.mep.gov.cn/hjzl/ zkgb/2007zkgb/200811/t20081117_131309.shtml.

［14］ 李莉， 陈长虹， 黄成， 等. 长江三角洲地区大气O3和PM10的区域污染特征模拟［J］. 环境科学， 2008， 29（1）: 237-245.

［15］ 刘俊伶， 王克， 邹骥. 基于MRIO模型的全球贸易内涵碳流向分析［J］. 世界经济研究， 2014（6）: 43-48.

［16］ NASA Research Announcement. Experimental and theoretical studies of transport and chemical evolution over the Pacific （TRACE-P）. 2000-01-28.

*图3、图4彩图见文后彩插，编者注。

Emission Characteristics of lndustrial Air Pollution by Using Smart-Grid Big Data

WU Libo1*， ZHOU Yang1， CHEN Haibo2， YANG Zenghui3
（1. Fudan University， Shanghai 200043； 2. State Grid Shanghai Municipal Electric power Company， Shanghai 200090； 3. State Grid Shanghai Municipal Electric power Company， Electric Power Research Institute， Shanghai 200090）

This paper tries to develop a new method to forecast the industrial pollutant emission based on smart-grid big data. By analyzing the correlation between electricity use， industrial output and main environmental pollutants， this paper built up an accounting method for estimating the direct pollutants emission. This method can support the estimation of industrial direct pollutant emission basd on real-time smart-grid big data and serve the precautionary management and pollution forecast. The study indicates that such method can be applied to manage the real-time industrial pollution by filtering the regulated targets in extremely polluted days. It can also support the real-time trading of pollution rights in future cap and trading markets. This method proved that energy big data can be utilized in air pollution control effectively.

smart-grid； big data； industrial enterprise； air pollution

X51；TM76

1674-6252（2016）04-0037-06

A

10.16868/j.cnki.1674-6252.2016.04.037

本研究受到国家863项目“智能配用电大数据应用关键技术”（2015AA0203）资助。

*责任作者： 吴力波（1974—），女，复旦大学大数据学院、经济学院教授、博导，主要研究方向为能源经济、能源大数据分析，E-mail：wulibo@fudan.edu.cn。