【技术实现步骤摘要】
基于用电数据的污染企业环保工况异常识别方法
[0001]本专利技术属环保工程、大数据分析
,尤其涉及一种基于用电数据的污染企业环保工况异常识别方法。
技术介绍
[0002]传统的环保监测,大多采用对企业的污染排放物进行化学含量检测。该方法并不能实时对企业的环保工况进行监测,只是不定期由监管部门进行对排放物的采样再进行分析,某些企业可能会为了应付检查而临时开启环保设备,这便失去了监测的真正意义。
[0003]而用电数据具有实时性高,维度高,可挖掘性强等特点,现有方案通过对企业内部各个生产设备与环保设备安装用电监测装置,通过对用电数据的分析判定设备的运行情况,进而监测企业的环保情况。该方案成本高,设计复杂,较为不便。
[0004]大数据分析技术、智能电网等的发展为负荷监测提供了更好的技术导向,采用非侵入式方法,通过对电力进线端的电压、电流、功率等数据进行分析,来达到对企业生产设备的工作情况检测检测。
技术实现思路
[0005]考虑现有方案中,在企业内部的生产设备与环保设备进线处分别安装用电监测装置,监测其工况。但是企业内部设备众多,线路复杂,且安装多个电力监测装置与后期装置的维护太过消耗财力与人力,对企业的束缚较多,对企业的生产也有一定的影响。
[0006]本专利技术的目的在于提供一种基于用电数据的污染企业环保工况异常识别方法,采用非侵入式监测方案,成本低,安装简单,对企业影响小。同时,本专利技术能进一步筛选合适的数据对企业的环保工况进行识别,减少了数据维度,加快了识别速度, ...
【技术保护点】
【技术特征摘要】
1.一种基于用电数据的污染企业环保工况异常识别方法,其特征在于,包括以下步骤:步骤S1:在涉污染企业电力进线处安装用电数据采集装置,采集企业的用电数据,在企业环保设备进线处安装用电终端,监测环保设备的启停工况;步骤S2:对采集获得的用电数据中的三相总有功功率及各相有功功率四维数据进行K
‑
means聚类,得到企业的生产工况;步骤S3:利用步骤S2得到的企业生产工况,根据环保规则,结合环保设备工况得到企业的环保工况;其中具体环保规则为:若生产正常,且环保设备同时启动,那么环保工况即为正常,当环保设备关闭,则视为异常,其中,生产设备关闭时视为环保工况正常;步骤S4:将得到的企业环保工况作为结果,以基本电气数据、电能质量监测数据作为输入,放入到LightGBM中进行训练,调试参数,得到初步模型;步骤S5:利用LightGBM中的特征重要度筛选重要数据,分别进行训练与测试,对比各项指标结果,得到最优的输入数据,作为最终模型;步骤S6:将待评估的用电数据筛选后,输入到最终模型中,识别出污染企业环保工况异常的情况。2.根据权利要求1所述的基于用电数据的污染企业环保工况异常识别方法,其特征在于:在步骤S1中,电力进线处用电数据采集装置采集的数据包括基本电气数据、电能质量数据和环保设备的工况;基本电气数据包括各相电压和电流有效值、各相有功、无功、视在功率与总功率;电能质量数据包括1
‑
31次谐波电流均方根值与电流总谐波畸变率、1
‑
31次谐波电压与电压总谐波畸变率、0.5
‑
10.5次间谐波电压含有率、三相电压不平衡度、正序、负序、零序电流、电压、各相电压偏差、频率;每3min进行一次数据采集,一天24小时共得到480个数据点。3.根据权利要求1所述的基于用电数据的污染企业环保工况异常识别方法,其特征在于:步骤S2中的K
‑
means聚类包括以下步骤:步骤S201:设用电数据中的三相总有功功率及各相有功功率为P:步骤S202:对P进行数据归一化,得到P',其具体归一化公式如下:步骤S202:对P进行数据归一化,得到P',其具体归一化公式如下:
步骤S203:采用采用K
‑
means++算法得到2个初始的聚类中心;步骤S204:计算P'中每个值到2个聚类中心的距离,采用欧式距离:步骤S205:将P'中每个值分配给离聚类中心最近的类别中;步骤S206:计算每个类别中各维数据的平均值;步骤S207:重复步骤S203
‑
步骤S206,直到类别分配不变,得到两个聚类中心,其中聚类中心大的簇表示企业生产正在生产,聚类中心小的簇表示企业停止生产。4.根据权利要求1所述的基于用电数据的污染企业环保工况异常识别方法,其特征在于:步骤S4当中,LightGBM模型预测的步骤为:步骤S401:设有n维用电数据x{x1,x2,<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。