CN114116843B - 基于用电数据的村镇小型污水处理设施运行监测方法 - Google Patents

基于用电数据的村镇小型污水处理设施运行监测方法 Download PDF

Info

Publication number
CN114116843B
CN114116843B CN202111414942.0A CN202111414942A CN114116843B CN 114116843 B CN114116843 B CN 114116843B CN 202111414942 A CN202111414942 A CN 202111414942A CN 114116843 B CN114116843 B CN 114116843B
Authority
CN
China
Prior art keywords
equipment
period
electricity consumption
data
abnormal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111414942.0A
Other languages
English (en)
Other versions
CN114116843A (zh
Inventor
杨斌
顾巍
郭海兵
孙海霞
潘文文
伏彩中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202111414942.0A priority Critical patent/CN114116843B/zh
Publication of CN114116843A publication Critical patent/CN114116843A/zh
Application granted granted Critical
Publication of CN114116843B publication Critical patent/CN114116843B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请公开了基于用电数据的村镇小型污水处理设施运行监测方法，包括：建立设施运行异常的判别特征体系；获取样本数据；建立设备用电量预测模型和设备用电周期的预测模型；获取设备日用电量数据和居民日用电总量数据；采用模型得到设备用电量预测值和设备用电周期的预测值及其置信区间；将设备用电量预测值和设备用电周期的预测值的置信区间分别与设备用电量真实值和设备用电周期的真实值比较，得到第一异常设备清单和第二异常设备清单；基于第一异常设备清单和第二异常设备清单确定最终的异常设备并对异常类型进行细化分类。本发明无需增加额外设施，并且鉴于用电数据的不可篡改特点，能够确保预测结果真实可信，可以节省大量人力、物力资源。

Description

基于用电数据的村镇小型污水处理设施运行监测方法
技术领域
本发明属于环境监测技术领域，涉及基于用电数据的村镇小型污水处理设施运行监测方法。
背景技术
对于排污企业进行监测是环境治理时的一项非常重要的工作。近年来随着环境治理的强度不断增强，工业污水和城市生活污水基本上都能够通过污水管网综合治理。
农村生活污水作为一个非常重要的污染源，由于面源广泛、空间分散，治理成本高效益低，推进的过程中具有一定困难。近年来，很多地方对于农村生活污水的治理逐渐开始重视，提出了较多农村生活污水治理提升行动方案，以加快补齐农村生活污水治理短板，实现农村生活污水治理提升治理村庄覆盖率，提升农户覆盖率，以及提升农村生活污水治理设施运行率的工作目标。
目前，对于农村生活污水治理，主要通过在村镇建立小型污水处理设施，通过污水处理管网将各个农户的生活污水收到集水池中，当集水池中的水达满足一定容量之后，污水处理设施就会自动运行，处理结束后停止，等下一次集水池中容量满足条件后再运行。
电费是污水处理过程中最主要的成本，出于成本控制等原因，部分村镇存在少运行或者不运行治污设备动机，因此对于设备的运行状况进行监测是非常必要的。
对于排污情况的监测手段，主要通过环境部门通过定期开展检查督促，或者接受社会举报线索开展调查，但是由于农村小型污水处理设备处于间隙性的启停状态，无法通过现场检查设备是否运行进行抓取现行；或者通过检查污水处理记录来监测分析，但是由于生活污水产生收到很多外界因素影响不太稳定，是否异常识别比较困难。
发明内容
为解决现有技术中的不足，本申请提供基于用电数据的村镇小型污水处理设施运行监测方法。
为了实现上述目标，本发明采用如下技术方案：
基于用电数据的村镇小型污水处理设施运行监测方法，包括以下步骤：
步骤1：建立衡量村镇小型污水处理设施运行异常的判别特征体系，包括判别特征：设备启停周期和固定时段的设备用电量；
步骤2：获取样本数据，包括排污设备的历史日用电量和相应的村镇居民日用电总量；
步骤3：对步骤2的样本数据进行固定时段汇总，建立相应的设备用电量预测模型；
步骤4：对步骤2的样本数据进行设备启停周期动态划分，建立相应的设备用电周期的预测模型；
步骤5：对于所监测的污水处理设备，获取设备日用电量数据和所在村镇的居民日用电总量数据并进行固定时段汇总和设备启停周期动态划分；
其中，设备日用电量数据进行固定时段汇总后得到设备用电量真实值；
设备日用电量数据进行周期动态划分后得到设备用电周期的真实值；
步骤6：将固定时段汇总和周期划分后的居民日用电总量数据分别输入设备用电量预测模型和设备用电周期的预测模型，得到相应的设备用电量预测值和设备用电周期的预测值及其置信区间；
步骤7：将设备用电量预测值的置信区间和设备用电周期的预测值的置信区间分别与设备用电量真实值和设备用电周期的真实值比较，得到第一异常设备清单和第二异常设备清单；
步骤8：基于第一异常设备清单和第二异常设备清单确定最终的异常设备并对异常类型进行细化分类。
本发明进一步包括以下优选方案：
优选地，步骤1中，所述固定时段包括周、旬和月。
优选地，步骤2中，筛选设备运行状态和可信度满足要求的村镇获取样本数据，具体的：
给定时间段，获取村镇排污设备的日用电量数据及设备所在村镇居民日用电总量；
其中，第i个设备在第j日的日用电量记为Yij；
第i个设备所在村镇的居民在第j日的日用电总量记为Xij。
优选地，步骤3具体包括：
步骤3.1：将步骤2获取的样本数据按照固定时段进行汇总，形成固定时段污水设备用电量数据和设备所在村镇居民用电总量数据/>
n1为固定时段数量；
步骤3.2：以固定时段所有的设备用电数据和相应的居民用电总量数据作为样本，运用回归分析方法建立设备用电量预测模型：
Y＝α0+α1X
其中，Y为固定时段的设备用电量预测值；
X为设备所在村镇居民固定时段的用电总量；
α0和α1待估参数，运用样本得到具体的数值。
优选地，步骤4具体包括：
步骤4.1：对数据按照波动特征进行设备启停周期动态划分并计算相应周期内的居民用电量；
对于第i个设备日用电数据Xi1,…,Xin，从Xi1开始往后，若某天的用电量达到给定区间[0,α]，其中间隔的天数为第一个周期Ti1，类似往后依次得到周期Ti2,…,Tik；
α是维持污水处理设备待机的耗电上限，k为周期数量且k≤n，n为数据数量；
利用步骤2的居民日用电总量数据Xij，计算出相应周期内的居民用电量Si1,…,Sik；
步骤4.2:以所有的设备用电周期数据和相应的居民用电量数据作为样本，运用回归分析方法建立设备用电周期的预测模型：
T＝β0+β1S
其中，T为设备用电周期的预测值；
S为周期内的居民用电量；
β0和β1待估参数，运用样本得到具体的数值。
优选地，步骤6中，将固定时段汇总后的居民日用电总量数据输入设备用电量预测模型，得到相应的设备用电量预测值及其置信区间，具体包括：
步骤6.1.1：根据村镇人口规模确定固定时段并获取相应固定时段的居民用电量：
第i个设备所在村镇居民在第k个固定时段的居民用电量为
步骤6.1.2：采用固定时段的居民用电量输入设备用电量预测模型，得到相应的设备用电量预测值及其置信区间：
以作为自变量，带入步骤3得到的相应的设备用电量预测模型，得到设备用电量预测值/>及其置信区间/>
优选地，步骤6中，将周期划分后的居民日用电总量数据输入设备用电周期的预测模型，得到相应的设备用电周期的预测值及其置信区间：
步骤6.2.1：根据村镇人口规模确定周期，并获取相应周期的居民用电量：
步骤6.2.2：周期的居民用电量输入设备用电周期的预测模型，得到相应的设备用电量周期预测值及其置信区间：
将每个周期内的居民用电量带入步骤4相应的设备用电周期的预测模型，得到每个周期内居民用电量下的设备用电周期的预测值/>及其对应的置信区间/>
优选地，步骤7中，将设备用电量预测值的置信区间与设备用电量真实值比较，得到第一异常设备清单，具体包括：
步骤7.1.1：将设备用电量真实值与设备用电量预测值/>的置信区间/>进行比较分析：
当真实值落在置信区间内，说明第i个设备在第k个固定时段运行正常；
当真实值落在置信区间外，第i个设备在第k个固定时段运行异常；
步骤7.1.2：采用步骤7.1.1的方式依次分析第i个设备每一固定时段的运行状态，对于运行异常的情况，分别考虑预测值大于置信上限和小于置信下限两种情况，即：
和/>
将监测期内出现的次数记为/>出现/>的次数记为/>
步骤7.1.3：统计出监测期内所有设备在固定时段数内出现异常情况的次数n1,…,nt，其中下标t表示监测设备的数量；
将其从高到低进行排序，设置阈值m，将前m个设备列入第一异常设备清单；
步骤7.1.4：将第一异常设备清单中异常设备，通过和/>分成两类：
满足的污水设备组成集合UY；
满足的设备组成集合LY。
优选地，步骤7中，将设备用电量周期预测值的置信区间与设备用电量周期真实值比较，得到第二异常设备清单，具体包括：
步骤7.2.1：将设备用电量周期预测值的置信区间与设备用电量周期真实值比较：
当真实值落在置信区间内，则表示设备运行正常，反之表示设备运行异常；
步骤7.2.2：采用步骤7.2.1的方式依次分析第i个设备每一周期的运行状态，对于运行异常的情况，分别考虑预测值大于置信上限和小于置信下限两种情况，将的次数记为/>的次数记为/>
步骤7.2.3：统计出监测期内每个设备出现异常情况的周期数m1,m2,…,mt，下标t表示监测设备数量；
将其按照从高到低进行排序，设置阈值m0，将前m0个设备列入第二设备异常清单；
步骤7.2.4：将第二设备异常清单中的设备，通过和/>分成两类：
满足的设备组成集合UT；
满足的设备组成集合LT。
优选地，步骤8中，将第一异常设备清单和第二异常设备清单综合到一起，选取共同出现的污水设备作为最终的异常设备清单；
对于最终的异常设备清单中的设备，按照其所在集合情况进行异常类型细化分类。
本申请所达到的有益效果：
本发明从人口规模与生活污水产量之间密切关系，引入居民用电总量和污水设备耗电量、启停周期之间的间接模型，通过模型预测和真实值对比分析，形成一套双重交叉的方法，既可以对村镇小型生活污水处理设施的运行状况进行监测，得到异常设备清单，还可以进行异常类型细化分类。
本发明发明无需增加额外设施，并且鉴于用电数据的不可篡改特点，能够确保预测结果真实可信，可以节省大量人力、物力资源。
附图说明
图1是本发明方法流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本发明的基于用电数据的村镇小型污水处理设施运行监测方法，具体包括：
步骤1：建立衡量村镇小型污水处理设施运行异常的判别特征体系，包括判别特征：设备启停周期和固定时段的设备用电量，设备启停周期即设备用电周期；
具体实施时，所述固定时段包括周、旬和月，即鉴于村镇小型污水处理设施的用电特点，根据设备在固定时段(周、旬或者月)的耗电量Y和设备启停的周期T(污水设备在水池充满后启动，其具有间息运行的特征)，对设备是否运行异常进行判别。
步骤2：获取样本数据，包括排污设备的历史日用电量和相应的村镇居民日用电总量；
步骤2中，筛选设备运行状态和可信度满足要求的村镇获取样本数据(可以有环境部门推荐)，具体的：
给定时间段，获取村镇排污设备的日用电量数据，记为Yij；
Yij为第i个设备在第j日用电量；
同时获取设备所在村镇居民日用电总量，即所有居民每日用电量之和，记为Xij；
Xij表示第i个设备所在村镇的居民在第j日的用电总量。
步骤3：对步骤2的样本数据进行固定时段汇总，建立相应的设备用电量预测模型；
村镇生活污水产生量最主要的决定因素是人口数量，人口越多产生污水就越多，反之亦然。由于人口存在一定的动态流动，无法进行精确的统计。但是每个村镇在一定时段内用电总量跟人口数量密切相关，可以作为人口数量的间接估算，建立污水设备的用电量和居民用电总量预测模型。
具体如下：
步骤3.1：将步骤2获取的样本数据Yij和Xij按照固定时段(如周、旬和月)进行汇总，形成固定时段(每周、每旬和每月)污水设备用电量数据和设备所在村镇居民用电总量数据/>
n1为固定时段数量；
步骤3.2：以固定时段所有的设备用电数据和相应的居民用电总量数据作为样本，运用回归分析方法建立设备用电量预测模型：
Y＝α0+α1X
其中，Y为固定时段的设备用电量预测值；
X为设备所在村镇居民固定时段的用电总量；
α0和α1待估参数，运用样本得到具体的数值。
这里的样本用来训练模型，既考虑不同设备，也考虑不同时段。反映出的居民用电量和设备耗电量之间具有普遍性模型，供后面预测使用。
步骤4：对步骤2的样本数据进行设备启停周期动态划分，建立相应的设备用电周期的预测模型；
由于村镇污水处理设备工作原理是当污水收集池满了之后，设备启动工作，结束后直接将加工后水排出，设备停止直至收集池再次满了之后启动，工作状态有一定的间息行，体现在用电特征上，用电时序数据具有一定的周期性。
这种周期的长短，反应产生污水的数量变化情况，如前所述污水的产生量个居民用电总量密切相关。因此将周期的长度与相应的居民用电建立预测模型。
具体如下：
步骤4.1：对数据按照波动特征进行设备启停周期动态划分并计算相应周期内的居民用电量；
污水设备的启停机制如下：当收集的污水满池了，则设备启动，污水处理完成设备关闭，等下次收集的污水满池后重复以上过程。目前的设备还不能获得直接获得设备具体的启停时间点。因此这里通过设备的日用电数据的波动情况，对于设备的启停的周期进行动态划分。
对于第i个设备日用电数据Xi1,…,Xin，从Xi1开始往后，若某天的用电量达到给定区间[0,α]，其中间隔的天数为第一个周期Ti1，类似往后依次得到周期Ti2,…,Tik；
α是维持污水处理设备待机的耗电上限，k为周期数量且k≤n；
利用步骤2的居民日用电总量数据Xij，计算出相应周期内的居民用电量Si1,…,Sik；
步骤4.2:以所有的设备用电周期数据和相应的居民用电量数据作为样本，运用回归分析方法建立设备用电周期的预测模型：
T＝β0+β1S
其中，T为设备用电周期的预测值；
S为周期内的居民用电量；
β0和β1待估参数，运用样本得到具体的数值。
该步骤以所有的样本设备和及其各个动态划分周期内居民用电总量和周期长度，建立周期长度和用电总量之间的普遍模型，以便于后面利用居民用电量进行动态周期的预测。
对于待判别污水处理设备，获取设备日用电量数据和所在村镇的居民日用电总量数据，将居民日用电总量数据预处理后分别带入步骤3和步骤4的预测模型，可以得到相应的设备用电量和设备用电周期的预测值，通过真实值和预测值进行对比分析，来判断设备是否存在异常情况。
具体方法如下：
步骤5：对于所监测的污水处理设备，获取设备日用电量数据和所在村镇的居民日用电总量数据并进行固定时段汇总和设备启停周期动态划分；
其中，设备日用电量数据进行固定时段汇总后得到设备用电量真实值；
设备日用电量数据按照波动特征进行周期动态划分后得到设备用电周期的真实值；
实施例中，固定时段汇总如下：
将Yij和Xij按照固定时段(如周、旬和月)进行汇总，形成固定时段(每周、每旬和每月)污水设备用电量数据和设备所在村镇居民用电总量数据/>即固定时段汇总后的居民日用电总量数据；
周期划分如下：
对于第i个待判别的污水设备获取设备日用电数据Xi1,…,Xin，按照步骤4中的方法进行周期划分，依次得到周期及其相应周期内的居民用电量/>即周期划分后的居民日用电总量数据。
步骤6：将固定时段汇总和周期划分后的居民日用电总量数据分别输入设备用电量预测模型和设备用电周期的预测模型，得到相应的设备用电量预测值和设备用电周期的预测值及其置信区间；
步骤6.1：将固定时段汇总后的居民日用电总量数据输入设备用电量预测模型，得到相应的设备用电量预测值及其置信区间：
步骤6.1.1：根据村镇人口规模确定固定时段，即确定用电量划分时间粒度(周、旬或者月等)，并获取相应固定时段的居民用电量：
第i个设备所在村镇居民在第k个固定时段的居民用电量为
具体实施时，当人口既定的情况，村镇居民用电总量虽有波动，但是相对平稳。
根据大数定律，数据稳定性跟样本规模有关。
因此可以根据村镇规模确定时间粒度，规模较大情况下以“周”为粒度，规模较小情况下，以“月”作为粒度。
例如：以“周”为时间段，将居民日用电数据Xij按照周为单位进行汇总得到村镇居民周用电数据(第i个设备所在村镇居民在第k周用电总量),类似的可以得到污水设备的周用电数据/>(第i个设备在第k周用电量)。
步骤6.1.2：采用固定时段的居民用电量输入设备用电量预测模型，得到相应的设备用电量预测值及其置信区间。
以作为自变量，带入步骤3得到的相应的设备用电量预测模型，得到设备用电量预测值/>及其置信区间/>
步骤6.2：将周期划分后的居民日用电总量数据输入设备用电周期的预测模型，得到相应的设备用电周期的预测值及其置信区间：
步骤6.2.1：根据村镇人口规模确定周期，并获取相应周期的居民用电量：
基于污水处理设备的运行特征，其用电数据呈现出周期性，并且其周期长短个所在区域人口相关，并通过所在村镇的居民用电总量进行体现。
本发明通过对污水设备用电数据按照设定条件进行周期划分，统计每一个周期居民用电总量，并带入模型中得到既定电量的情况下相应的周期预测值，通过预测值和真实值进行对比分析，进行异常判断。
步骤6.2.2：周期的居民用电量输入设备用电周期的预测模型，得到相应的设备用电量周期预测值及其置信区间：
将每个周期内的居民用电量带入步骤4相应的设备用电周期的预测模型，得到每个周期内居民用电量下的设备用电周期的预测值/>及其对应的置信区间/>
具体实施时，计算预测值置信度为0.95的置信区间。
步骤7：将设备用电量预测值的置信区间和设备用电周期的预测值的置信区间分别与设备用电量真实值和设备用电周期的真实值比较，得到第一异常设备清单和第二异常设备清单；
步骤7.1：将设备用电量预测值的置信区间与设备用电量真实值比较，得到第一异常设备清单，具体包括：
步骤7.1.1：将设备用电量真实值与设备用电量预测值/>的置信区间/>进行比较分析：
当真实值落在置信区间内，说明第i个设备在第k个固定时段运行正常；
当真实值落在置信区间外，第i个设备在第k个固定时段运行异常；
步骤7.1.2：采用步骤7.1.1的方式依次分析第i个设备每一固定时段的运行状态，对于运行异常的情况，分别考虑预测值大于置信上限和小于置信下限两种情况，即：
和/>
将监测期内出现的次数记为/>出现/>的次数记为/>
步骤7.1.3：统计出监测期内所有设备在固定时段数内出现异常情况的次数n1,…,nt，其中下标t表示监测设备的数量；
将其从高到低进行排序，设置阈值m，将前m个设备列入第一异常设备清单；
步骤7.1.4：将第一异常设备清单中异常设备，通过和/>分成两类：
满足的污水设备组成集合UY；
满足的设备组成集合LY。
以周为固定时段举例如下：
将污水设备用电的真实值和基于居民用电总量得到的预测值/>的置信区间进行比较分析：
当真实值落在预测值的置信区间，说明第i个设备在第k周运行正常；
当真实值落在置信区间外，第i个设备在第k周运行异常。
类似依次分析该设备每一周的运行状态，对于运行异常的情况，分别考虑预测值大于置信上限和小于置信下限两种情况，即：
和/>
将监测期内出现的次数记为/>出现/>的次数记为/>
然后，对于所有污水处理设备的用电情况，通过预测值和真实值对比，统计出监测期内每个设备出现异常情况的周数n1,…,nt；
将其从高到低进行排序，设置阈值m，当数值大于m的设备列入第一异常设备清单(具体m值的选取，环境部门可以根据自身人员配备情况进行确定，m过小则导致疑似异常设备过多，反之数量过少)。
将清单中异常设备，通过和/>分成两类：
满足的污水设备组成集合UY；
满足的设备组成集合LY。
步骤7.2：将设备用电量周期预测值的置信区间与设备用电量周期真实值比较，得到第二异常设备清单，具体的：
步骤7.2.1：将设备用电量周期预测值的置信区间与设备用电量周期真实值比较：
当真实值落在置信区间内，则表示设备运行正常，反之表示设备运行异常；
步骤7.2.2：采用步骤7.2.1的方式依次分析第i个设备每一周期的运行状态，对于运行异常的情况，分别考虑预测值大于置信上限和小于置信下限两种情况，将的次数记为/> 的次数记为/>
步骤7.2.3：统计出监测期内每个设备出现异常情况的周期数m1,m2,…,mt，下标t表示监测设备数量；
将其按照从高到低进行排序，设置阈值m0(具体取值可以结合实际确定)，将前m0个设备列入第二设备异常清单；
步骤7.2.4：将第二设备异常清单中的设备，通过和/>分成两类：
满足的设备组成集合UT；
满足的设备组成集合LT。
步骤8：基于第一异常设备清单和第二异常设备清单确定最终的异常设备并对异常类型进行细化分类。
将第一异常设备清单和第二异常设备清单综合到一起，选取共同出现的污水设备作为最终的异常设备清单；
对于最终的异常设备清单中的设备，按照其所在集合情况进行异常类型细化分类，具体的：
按照集合UY,LY,UT,LT形成表1所示四种异常类型组合。
表1按照集合UY,LY,UT,LT形成的四种异常类型组合情况描述
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (10)

1.基于用电数据的村镇小型污水处理设施运行监测方法，其特征在于：
所述方法包括以下步骤：
步骤1：建立衡量村镇小型污水处理设施运行异常的判别特征体系，包括判别特征：设备启停周期和固定时段的设备用电量，所述设备启停周期即为设备用电周期；
步骤2：获取样本数据，包括排污设备的历史日用电量和相应的村镇居民日用电总量；
步骤3：对步骤2的样本数据进行固定时段汇总，建立相应的设备用电量预测模型；
步骤4：对步骤2的样本数据进行设备启停周期动态划分，建立相应的设备用电周期的预测模型；
步骤5：对于所监测的污水处理设备，获取设备日用电量数据和所在村镇的居民日用电总量数据并进行固定时段汇总和设备启停周期动态划分；
其中，设备日用电量数据进行固定时段汇总后得到设备用电量真实值；
设备日用电量数据进行周期动态划分后得到设备用电周期的真实值；
步骤6：将固定时段汇总和周期划分后的居民日用电总量数据分别输入设备用电量预测模型和设备用电周期的预测模型，得到相应的设备用电量预测值和设备用电周期的预测值及其置信区间；
步骤7：将设备用电量预测值的置信区间和设备用电周期的预测值的置信区间分别与设备用电量真实值和设备用电周期的真实值比较，得到第一异常设备清单和第二异常设备清单；
步骤8：基于第一异常设备清单和第二异常设备清单确定最终的异常设备并对异常类型进行细化分类。
2.根据权利要求1所述的基于用电数据的村镇小型污水处理设施运行监测方法，其特征在于：
步骤1中，所述固定时段包括周、旬和月。
3.根据权利要求1所述的基于用电数据的村镇小型污水处理设施运行监测方法，其特征在于：
步骤2中，筛选设备运行状态和可信度满足要求的村镇获取样本数据，具体的：
给定时间段，获取村镇排污设备的日用电量数据及设备所在村镇居民日用电总量；
其中，第i个设备在第j日的日用电量记为Yij；
第i个设备所在村镇的居民在第j日的日用电总量记为Xij。
4.根据权利要求3所述的基于用电数据的村镇小型污水处理设施运行监测方法，其特征在于：
步骤3具体包括：
步骤3.1：将步骤2获取的样本数据按照固定时段进行汇总，形成固定时段污水设备用电量数据和设备所在村镇居民用电总量数据/>
n1为固定时段数量；
步骤3.2：以固定时段所有的设备用电数据和相应的居民用电总量数据作为样本，运用回归分析方法建立设备用电量预测模型：
Y＝α0+α1X
其中，Y为固定时段的设备用电量预测值；
X为设备所在村镇居民固定时段的用电总量；
α0和α1待估参数，运用样本得到具体的数值。
5.根据权利要求1所述的基于用电数据的村镇小型污水处理设施运行监测方法，其特征在于：
步骤4具体包括：
步骤4.1：对数据按照波动特征进行设备启停周期动态划分并计算相应周期内的居民用电量；
对于第i个设备日用电数据Xi1,…,Xin，从Xi1开始往后，若某天的用电量达到给定区间[0,α]，其中间隔的天数为第一个周期Ti1，类似往后依次得到周期Ti2,…,Tik；
α是维持污水处理设备待机的耗电上限，k为周期数量且k≤n，n为数据数量；
利用步骤2的居民日用电总量数据Xij，计算出相应周期内的居民用电量Si1,…,Sik；
步骤4.2:以所有的设备用电周期数据和相应的居民用电量数据作为样本，运用回归分析方法建立设备用电周期的预测模型：
T＝β0+β1S
其中，T为设备用电周期的预测值；
S为周期内的居民用电量；
β0和β1待估参数，运用样本得到具体的数值。
6.根据权利要求1所述的基于用电数据的村镇小型污水处理设施运行监测方法，其特征在于：
步骤6中，将固定时段汇总后的居民日用电总量数据输入设备用电量预测模型，得到相应的设备用电量预测值及其置信区间，具体包括：
步骤6.1.1：根据村镇人口规模确定固定时段并获取相应固定时段的居民用电量：
第i个设备所在村镇居民在第k个固定时段的居民用电量为
步骤6.1.2：采用固定时段的居民用电量输入设备用电量预测模型，得到相应的设备用电量预测值及其置信区间：
以作为自变量，带入步骤3得到的相应的设备用电量预测模型，得到设备用电量预测值/>及其置信区间/>
7.根据权利要求6所述的基于用电数据的村镇小型污水处理设施运行监测方法，其特征在于：
步骤6中，将周期划分后的居民日用电总量数据输入设备用电周期的预测模型，得到相应的设备用电周期的预测值及其置信区间：
步骤6.2.1：根据村镇人口规模确定周期，并获取相应周期的居民用电量：
步骤6.2.2：周期的居民用电量输入设备用电周期的预测模型，得到相应的设备用电量周期预测值及其置信区间：
将每个周期内的居民用电量带入步骤4相应的设备用电周期的预测模型，得到每个周期内居民用电量下的设备用电周期的预测值/>及其对应的置信区间
8.根据权利要求7所述的基于用电数据的村镇小型污水处理设施运行监测方法，其特征在于：
步骤7中，将设备用电量预测值的置信区间与设备用电量真实值比较，得到第一异常设备清单，具体包括：
步骤7.1.1：将设备用电量真实值与设备用电量预测值/>的置信区间/>进行比较分析：
当真实值落在置信区间内，说明第i个设备在第k个固定时段运行正常；
当真实值落在置信区间外，第i个设备在第k个固定时段运行异常；
步骤7.1.2：采用步骤7.1.1的方式依次分析第i个设备每一固定时段的运行状态，对于运行异常的情况，分别考虑预测值大于置信上限和小于置信下限两种情况，即：
和/>
将监测期内出现的次数记为/>出现/>的次数记为/>
步骤7.1.3：统计出监测期内所有设备在固定时段数内出现异常情况的次数n1,…,nt，其中下标t表示监测设备的数量；
将其从高到低进行排序，设置阈值m，将前m个设备列入第一异常设备清单；
步骤7.1.4：将第一异常设备清单中异常设备，通过和/>分成两类：
满足的污水设备组成集合UY；
满足的设备组成集合LY。
9.根据权利要求8所述的基于用电数据的村镇小型污水处理设施运行监测方法，其特征在于：
步骤7中，将设备用电量周期预测值的置信区间与设备用电量周期真实值比较，得到第二异常设备清单，具体包括：
步骤7.2.1：将设备用电量周期预测值的置信区间与设备用电量周期真实值比较：
当真实值落在置信区间内，则表示设备运行正常，反之表示设备运行异常；
步骤7.2.2：采用步骤7.2.1的方式依次分析第i个设备每一周期的运行状态，对于运行异常的情况，分别考虑预测值大于置信上限和小于置信下限两种情况，将的次数记为/> 的次数记为/>
步骤7.2.3：统计出监测期内每个设备出现异常情况的周期数m1,m2,…,mt，下标t表示监测设备数量；
将其按照从高到低进行排序，设置阈值m0，将前m0个设备列入第二设备异常清单；
步骤7.2.4：将第二设备异常清单中的设备，通过和/>分成两类：
满足的设备组成集合UT；
满足的设备组成集合LT。
10.根据权利要求9所述的基于用电数据的村镇小型污水处理设施运行监测方法，其特征在于：
步骤8中，将第一异常设备清单和第二异常设备清单综合到一起，选取共同出现的污水设备作为最终的异常设备清单；
对于最终的异常设备清单中的设备，按照其所在集合情况进行异常类型细化分类。
CN202111414942.0A 2021-11-25 2021-11-25 基于用电数据的村镇小型污水处理设施运行监测方法 Active CN114116843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111414942.0A CN114116843B (zh) 2021-11-25 2021-11-25 基于用电数据的村镇小型污水处理设施运行监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111414942.0A CN114116843B (zh) 2021-11-25 2021-11-25 基于用电数据的村镇小型污水处理设施运行监测方法

Publications (2)

Publication Number Publication Date
CN114116843A CN114116843A (zh) 2022-03-01
CN114116843B true CN114116843B (zh) 2023-08-18

Family

ID=80375564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111414942.0A Active CN114116843B (zh) 2021-11-25 2021-11-25 基于用电数据的村镇小型污水处理设施运行监测方法

Country Status (1)

Country Link
CN (1) CN114116843B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290797B (zh) * 2023-11-24 2024-02-02 国网山东省电力公司济宁供电公司 一种建筑能耗预测方法、系统、装置及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331846A (zh) * 2014-11-10 2015-02-04 国家电网公司 一种窃电行为多源建模与协同分析方法
CN107239852A (zh) * 2017-05-05 2017-10-10 南京邮电大学 一种基于深度学习的电量消耗预测方法
CN109933500A (zh) * 2019-03-27 2019-06-25 新奥数能科技有限公司 设备故障告警方法、装置、可读介质及电子设备
CN110135612A (zh) * 2018-07-05 2019-08-16 国网江苏省电力有限公司物资分公司 基于用电量分析的物资供应商生产能力监控及异常预警方法
CN111157897A (zh) * 2019-12-31 2020-05-15 国网北京市电力公司 评估动力电池的方法、装置、存储介质及处理器
CN111652450A (zh) * 2020-08-05 2020-09-11 浙江力嘉电子科技有限公司 排污行为的异常检测系统及方法、电子设备、存储介质
AU2020103560A4 (en) * 2020-05-07 2021-02-04 North China Electric Power University Method for predicting household electricity consumption adapted to supply-side structural reform
CN112541016A (zh) * 2020-11-26 2021-03-23 南方电网数字电网研究院有限公司 用电异常检测方法、装置、计算机设备和存储介质
CN112633412A (zh) * 2021-01-05 2021-04-09 南方电网深圳数字电网研究院有限公司 异常用电检测方法、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11016450B2 (en) * 2006-02-14 2021-05-25 Power Analytics Corporation Real-time predictive systems for intelligent energy monitoring and management of electrical power networks
KR20150123540A (ko) * 2014-04-25 2015-11-04 삼성전자주식회사 전력 소비 최적화를 위한 스마트 시스템의 동작방법 및 장치

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331846A (zh) * 2014-11-10 2015-02-04 国家电网公司 一种窃电行为多源建模与协同分析方法
CN107239852A (zh) * 2017-05-05 2017-10-10 南京邮电大学 一种基于深度学习的电量消耗预测方法
CN110135612A (zh) * 2018-07-05 2019-08-16 国网江苏省电力有限公司物资分公司 基于用电量分析的物资供应商生产能力监控及异常预警方法
CN109933500A (zh) * 2019-03-27 2019-06-25 新奥数能科技有限公司 设备故障告警方法、装置、可读介质及电子设备
CN111157897A (zh) * 2019-12-31 2020-05-15 国网北京市电力公司 评估动力电池的方法、装置、存储介质及处理器
AU2020103560A4 (en) * 2020-05-07 2021-02-04 North China Electric Power University Method for predicting household electricity consumption adapted to supply-side structural reform
CN111652450A (zh) * 2020-08-05 2020-09-11 浙江力嘉电子科技有限公司 排污行为的异常检测系统及方法、电子设备、存储介质
CN112541016A (zh) * 2020-11-26 2021-03-23 南方电网数字电网研究院有限公司 用电异常检测方法、装置、计算机设备和存储介质
CN112633412A (zh) * 2021-01-05 2021-04-09 南方电网深圳数字电网研究院有限公司 异常用电检测方法、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
电力客户群有序用电效益分析、评价与优化模型研究;张玮;《中国博士学位论文全文数据库经济与管理科学辑》(第12期);第J150-26页 *

Also Published As

Publication number Publication date
CN114116843A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN111445060B (zh) 一种社区碳排放监测和预测系统及方法
CN110518880B (zh) 一种光伏电站状态诊断方法及装置
CN112686493A (zh) 一种依托大数据实时评价智能电表运行状态与更换的方法
CN112863134B (zh) 一种农村污水处理设施运行异常的智能诊断系统及方法
CN106384210A (zh) 一种基于检修风险收益的输变电设备检修优先级排序方法
CN110825041B (zh) 一种集控式智慧污水处理厂运行系统
CN111191878A (zh) 一种基于异常分析的台区及电能表状态评价方法及系统
CN110727662A (zh) 基于相关性分析的低压台区用户相位识别方法和系统
CN107666148B (zh) 基于配变停电信号的线路故障研判方法
CN114047719A (zh) 一种农村生活污水处理设施远程监测评估系统与运行方法
CN107832927B (zh) 基于灰色关联分析法的10kV线路线变关系评价方法
CN111506618B (zh) 一种结合lightgbm-stacking算法的异常用电行为分析方法
CN113095953B (zh) 一种基于用电数据的企业环保监测方法
CN114116843B (zh) 基于用电数据的村镇小型污水处理设施运行监测方法
CN116703368B (zh) 基于数据挖掘的同期线损智能闭环监测方法
CN113988711A (zh) 基于用电数据的管控状态下排污企业停或限产监测方法
CN114169424A (zh) 基于k近邻回归算法和用电数据的排污量预测方法
CN112257224B (zh) 汽轮发电机状态检修方法、系统以及终端
CN113176530B (zh) 一种基于拆回表运行特征的在运电能表批次故障诊断方法
CN110885132B (zh) 一种农村生活污水处理设施优先监管集的识别方法
CN110790368B (zh) 一种农村生活污水处理设施的区域监管方法
CN110796282A (zh) 一种基于相关性系数的行业波动周期监测方法
CN115293940A (zh) 基于工业互联网的环境监测系统
Kobbacy et al. Small data sets and preventive maintenance modelling
CN116431976B (zh) 一种考虑外水的污水处理厂和管网效能计算方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant