企业用电工况异常预警分析方法技术

本发明专利技术提供企业用电工况异常预警分析方法。本发明专利技术方法包括以下步骤：建立企业生产治污鱼骨图。识别企业生产治污鱼骨图中所有用于生产治污的基本模块。判断基本模块是否在一个预设的模块数据库中，并根据判断结果采用相应的异常识别模型。根据企业生产治污鱼骨图及各基本模块建立企业生产治污有向图模型G（E,V）。将各基础模块实时的监控数据输入至对应异常识别模型中进行异常判别，是则形成报警信息，并通过企业生产治污有向图模型将报警信息向下游传导预警，同时向上游溯源异常原因。本发明专利技术通过对企业生产治污过程进行模块化建模，实现模型的低成本迁移应用；同时建立有向图模型，实现模型模块的因果关联性整合。实现模型模块的因果关联性整合。实现模型模块的因果关联性整合。

【技术实现步骤摘要】
企业用电工况异常预警分析方法


[0001]本专利技术涉及环境监测和环境保护
，具体为一种企业用电工况异常预警分析方法。

技术介绍

[0002]现代化生态环境监测体系对数据价值挖掘和综合预测评估能力的要求不断提高，构建治污质量分析预测架构、丰富环境监测综合报告形式迫在眉睫。其中如何有效对排污企业污染治理设施进行监管，成为生态环境监测监控的工作难点。由于绝大部分的环保设施运行均需要使用电力才能正常维持运转，利用电力大数据进行分析排查，是识别企业生产异常行为、支撑非现场执法管理需求的有效途径之一。
[0003]现如今多是利用有监督的机器学习或深度学习技术，对企业用电时序数据进行特征提取或深度学习训练，建模企业历史用电数据，实现企业用电异常识别预警。但此类方法具有以下问题：1. 不同企业生产流程及生产规模（如产线数量等）不同，导致时序数据维度不同，模型难以泛化应用，增加了成本。
[0004]2. 模型没有考虑企业生产的实际情况，因而只能进行相关性推演，无法进行因果判断，只能给出异常报警预警信息，而不能进一步给出可能引发异常的原因，这一问题减低了企业工况用电异常识别模型的应用价值。

技术实现思路

[0005]基于此，有必要针对现有异常识别模型不易拓展复制及不能给出可能引发异常原因的问题，提供一种企业用电工况异常预警分析方法，应用企业用电工况异常预警分析方法的系统，实现企业用电工况异常预警分析方法的计算机终端，以及存储有实现企业用电工况异常预警分析方法的存储介质。
[0006]为实现上述目的，本专利技术采用了以下技术方案：一种企业用电工况异常预警分析方法，包括以下步骤：S1.根据企业生产及治污过程建立标注有关键环节的企业生产治污鱼骨图。
[0007]S2.识别企业生产治污鱼骨图中所有用于生产治污的基本模块。基本模块包括工艺流程及对应的用电工况监控因子、运行状态信息。
[0008]S3.判断每个识别出的基本模块是否在一个预设的模块数据库中，并根据判断结果作出如下决策：（1）该基本模块存在于模块数据库中，则应用模块数据库中对应模块的异常识别模型。
[0009]（2）该基本模块不存在于模块数据库中，则根据该基本模块的用电工况监控因子、运行状态信息构建异常识别模型，并将该基本模块及对应的异常识别模型存储于模块数据库中。
[0010]S4.根据企业生产治污鱼骨图及对应的各基本模块建立企业生产治污有向图模型G（E,V）。其中，V表示有向图模型的节点，由各个用电工况监控因子和基础模块构成。E表示有向图模型的边，由用电工况监控因子与基础模块的从属关系、基础模块之间的上下游关系构成。
[0011]S5.获取各基础模块实时监控的监控数据，输入至对应异常识别模型中进行异常判别，是则形成报警信息，并通过企业生产治污有向图模型G将报警信息向下游传导进行预警，同时向上游溯源异常原因。其中，监控数据包括基础模块运行状态和涉及的用电工况监控因子的状态。
[0012]进一步的，基础模块的异常识别模型的构建方法包括以下步骤：获取基础模块的运行状态和各用电工况监控因子。
[0013]判别各用电工况监控因子是否存在简单判断标准。
[0014]是则采用基于行业规则的建模方式进行用电工况监控因子状态识别。否则根据时序变化情况进行分析，并通过机器学习建模方式进行用电工况监控因子状态识别。
[0015]将识别出的各用电工况监控因子的状态及基础模块的运行状态训练成所需的异常识别模型。
[0016]进一步的，机器学习建模方式包括基于K
‑
shape的时序异常识别建模方式、基于K
‑
means的时序异常识别建模方式、基于RNN的时序异常识别建模方式、基于LSTM的时序异常识别建模方式、基于SVM的时序异常识别建模方式和基于随机森林的时序异常识别建模方式。
[0017]进一步的，基于K
‑
shape的时序异常识别建模方式进行用电工况监控因子状态识别的具体步骤如下：根据基础模块的整体异常识别及预警时间尺度设定时间分辨率，进而得到时间序列Xt={X1, X2,
…
,X
T0
}。其中，T0表示预设的总时间序列长度。
[0018]将任意时间点t的时间序列Xt根据预设的子序列长度N划分子序列St={X
t
‑
N+1
,X
t
‑
N+2
,
…
, X
t
}。其中，N≤T0，t≥N。
[0019]将所有划分的子序列{S
N
, S
N+1
,
…
, S
T0
}聚类成K个模式序列{S
1M
, S
2M
,
…
, S
KM
}。其中，K为预设的聚类数量，M表示该序列为聚类算法生成的模式序列。
[0020]获取所需识别的时刻T的监控数据X
T
，构建序列S={ X
T
‑
N+1,
X
T
‑
N+2,
…
,
X
T
}，利用形态相似度计算该序列与模式序列{S
1M
, S
2M
,
…
, S
KM
}相似度，将相似度最大的模式对应状态作为该序列的状态，即为时刻T用电工况监控因子的状态。
[0021]进一步的，节点V的数量为各个基础模块监控因子数量之和再加上基础模块数量。基础模块及其从属的监控因子之间的边从监控因子指向基础模块。基础模块之间的边从紧邻的上游指向紧邻的下游。
[0022]进一步的，基本模块在模块数据库内的判断依据包括相同工艺流程、相同用电工况监控因子以及相同的运行状态信息。
[0023]进一步的，关键环节包括企业从投入原料、生产产品、产生废水废气到污染治理全流程中所有需要进行用电工况实时监控的环节。
[0024]本专利技术还涉及一种企业用电工况异常预警分析系统，采用如前述的企业用电工况异常预警分析方法，企业用电工况异常预警分析系统包括图建立模块、图识别模块、数据判
断模块、有向图模型构建模块、异常预警模块。
[0025]图建立模块用于根据企业生产及治污过程建立标注有关键环节的企业生产治污鱼骨图。
[0026]图识别模块用于识别企业生产治污鱼骨图中所有用于生产治污的基本模块。基本模块包括工艺流程及对应的用电工况监控因子、运行状态信息。
[0027]数据判断模块用于判断每个识别出的基本模块是否在一个预设的模块数据库中，并根据判断结果作出如下决策：（1）该基本模块存在于模块数据库中，则应用模块数据库中对应模块的异常识别模型。（2）该基本模块不存在于模块数据库中，则根据该基本模块的用电工况监控因子、运行状态信息构建异常识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种企业用电工况异常预警分析方法，其特征在于，基于模块化建模的企业用电工况异常预警分析方法包括以下步骤：S1.根据企业生产及治污过程建立标注有关键环节的企业生产治污鱼骨图；S2.识别所述企业生产治污鱼骨图中所有用于生产治污的基本模块；所述基本模块包括工艺流程及对应的用电工况监控因子、运行状态信息；S3.判断每个识别出的基本模块是否在一个预设的模块数据库中，并根据判断结果作出如下决策：（1）该基本模块存在于模块数据库中，则应用模块数据库中对应模块的异常识别模型；（2）该基本模块不存在于模块数据库中，则根据该基本模块的用电工况监控因子、运行状态信息构建异常识别模型，并将该基本模块及对应的异常识别模型存储于所述模块数据库中；S4.根据所述企业生产治污鱼骨图及对应的各基本模块建立企业生产治污有向图模型G（E,V）；其中，V表示企业生产治污有向图模型的节点，由各个用电工况监控因子和基础模块构成；E表示企业生产治污有向图模型的边，由用电工况监控因子与基础模块的从属关系、基础模块之间的上下游关系构成；S5.获取各基础模块实时监控的监控数据，输入至对应异常识别模型中进行异常判别，是则形成报警信息，并通过所述企业生产治污有向图模型G将所述报警信息向下游传导进行预警，同时向上游溯源异常原因；其中，所述监控数据包括基础模块运行状态和涉及的用电工况监控因子的状态。2.根据权利要求1所述的一种企业用电工况异常预警分析方法，其特征在于，所述基础模块的异常识别模型的构建方法包括以下步骤：获取基础模块的运行状态和各用电工况监控因子；判别各用电工况监控因子是否存在简单判断标准；是则采用基于行业规则的建模方式进行用电工况监控因子状态识别；否则根据时序变化情况进行分析，并通过机器学习建模方式进行用电工况监控因子状态识别；将识别出的各用电工况监控因子的状态及基础模块的运行状态训练成所需的异常识别模型。3.根据权利要求2所述的一种企业用电工况异常预警分析方法，其特征在于，所述机器学习建模方式包括基于K
‑
shape的时序异常识别建模方式、基于K
‑
means的时序异常识别建模方式、基于RNN的时序异常识别建模方式、基于LSTM的时序异常识别建模方式、基于SVM的时序异常识别建模方式和基于随机森林的时序异常识别建模方式。4.根据权利要求3所述的一种企业用电工况异常预警分析方法，其特征在于，基于K
‑
shape的时序异常识别建模方式进行用电工况监控因子状态识别的具体步骤如下：根据基础模块的整体异常识别及预警时间尺度设定时间分辨率，进而得到时间序列Xt={X1, X2,
…
,X
T0
}；其中，T0表示预设的总时间序列长度；将任意时间点t的时间序列Xt根据预设的子序列长度N划分子序列St={X
t
‑
N+1
,X
t
‑
N+2
,
…
, X
t
}；其中，N≤T0，t≥N；将所有划分的子序列{S
N
, S
N+1
,
…
, S
T0
}聚类成K个模式序列{S
1M
, S
2M
,
...

【专利技术属性】
技术研发人员：陆晓波，郑怡青，陈高，邵志敏，王克气，许可，刘怡阳，于双辰，沈楠，刘超，闻立杰，
申请(专利权)人：清华大学，
类型：发明
国别省市：