CN115908082A - 基于用电特征指标的企业排污监控方法及装置 - Google Patents
基于用电特征指标的企业排污监控方法及装置 Download PDFInfo
- Publication number
- CN115908082A CN115908082A CN202310014870.3A CN202310014870A CN115908082A CN 115908082 A CN115908082 A CN 115908082A CN 202310014870 A CN202310014870 A CN 202310014870A CN 115908082 A CN115908082 A CN 115908082A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- enterprise
- pollution discharge
- monitoring
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005611 electricity Effects 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 238000012806 monitoring device Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 44
- 238000003066 decision tree Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 14
- 230000003750 conditioning effect Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 7
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 239000010865 sewage Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 101150104646 SET4 gene Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于用电特征指标的企业排污监控方法及装置,包括:对获取的备案数据进行分类处理,得到所述备案数据的分类数据,根据所述分类数据生成目标企业的排污阈值;对所述目标企业进行实时监控,得到所述目标企业的实时数据;根据预设的电力指标类别生成所述实时数据的实时电力指标,利用预设的曲线平滑算法和所述实时电力指标生成所述目标企业的实时监控曲线;根据所述排污阈值和所述实时监控曲线生成所述目标企业的电力排污监控模型,利用所述电力排污监控模型对所述目标企业进行排污监控。本发明还提出一种基于用电特征指标的企业排污监控装置。本发明可以提高企业排污监控的效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于用电特征指标的企业排污监控方法及装置。
背景技术
随着城市化的发展,人们对水资源的需求不断增加,造成水体污染化日益严重,由此产生的一系列环保问题极大地困扰了居民的生活,降低了居民生活质量。城市污水未经任何有效的收集处理就直接排放到附近的水体中,一方面造成下游河道污染,另一方面浪费了可再次利用的水资源,不利于国家的可持续发展。面临如此情况,污水处理迫在眉睫,污水处理监测也就变得十分的重要。
环境监管主要靠人海战术和污染源在线监测系统,但各地人力毕竟十分有限,难以时刻覆盖为数众多的污染点源;污染源在线监测系统则主要覆盖大中型企业,仍有许多中小型企业不具备安装自动监控设施条件,成为环境执法监管中的一大短板。这些中小型企业数量众多,规模偏小,位置分散,环境意识不高,治污设施停运、偷排时有发生,日常监管难度较大,因此如何提升企业排污监控时效率,成为了亟待解决的问题。
发明内容
本发明提供一种基于用电特征指标的企业排污监控方法及装置,其主要目的在于解决企业排污监控时效率较低的问题。
为实现上述目的,本发明提供的一种基于用电特征指标的企业排污监控方法,包括:
获取目标企业的备案数据,对所述备案数据进行分类处理,得到所述备案数据的分类数据,根据所述分类数据生成所述目标企业的排污阈值;
对所述目标企业进行实时监控,得到所述目标企业的实时数据;
根据预设的电力指标类别生成所述实时数据的实时电力指标,利用预设的曲线平滑算法和所述实时电力指标生成所述目标企业的实时监控曲线;
根据所述排污阈值和所述实时监控曲线生成所述目标企业的电力排污监控模型,利用所述电力排污监控模型对所述目标企业进行排污监控。
可选地,所述对所述备案数据进行分类处理,得到所述备案数据的分类数据,包括:
获取训练集,利用预设的分类算法对所述训练集进行分类,得到分类模型,其中,所述预设的分类算法为:
其中,是所述训练集中子集的信息熵,表示子集的意思,是所述子集中元素的类别标识,是所述元素的类别总数,表示类别在所述子集中的占比;
根据所述分类模型对所述备案数据进行分类处理,得到所述备案数据的分类数据。
可选地,所述对所述备案数据进行分类处理,得到所述备案数据的分类数据,包括:
获取训练样本,对所述训练样本进行属性分类,得到所述训练样本的属性样本;
获取空白决策树模型,根据所述属性样本对应的属性生成所述空白决策树模型的决策节点,根据所述决策节点对所述空白决策树进行一级配置,得到一级决策树;
利用所述一级决策树对所述训练样本进行决策分析,得到所述训练样本的决策样本;
根据所述决策样本和所述训练样本的标签对所述一级决策树进行损失矫正,得到决策树模型;
利用所述决策树模型对所述备案数据进行分类处理,得到所述备案数据的分类数据。
可选地,所述根据所述决策样本和所述训练样本的标签对所述一级决策树进行损失矫正,得到决策树模型,包括:
根据所述决策样本和所述训练样本的标签计算所述决策样本的样本损失;
根据样本损失生成所述决策样本的损失函数,利用所述损失函数对所述一级决策树进行损失矫正,得到决策树模型。
可选地,所述根据所述分类数据生成所述目标企业的排污阈值,包括:
获取所述分类数据的数据属性,利用所述数据属性和所述分类数据建立所述目标企业的企业备案数据;
对所述企业备案数据进行特征分析,得到所述企业备案数据的备案特征,根据所述备案特征生成所述目标企业的排污阈值。
可选地,所述对所述企业备案数据进行特征分析,得到所述企业备案数据的备案特征,包括:
对所述企业备案数据进行分词处理,得到所述企业备案数据的企业分词;
对所述企业分词进行降维处理,得到所述企业分词的降维分词;
对所述降维分词进行特征提取,得到所述企业备案数据的备案特征。
可选地,所述对所述目标企业进行实时监控,得到所述目标企业的实时数据,包括:
利用预设的传感模块获取所述目标企业的物理信号,对所述物理信号进行信号调理,得到所述物理信号的调理信号;
对所述调理信号进行模数转化,得到所述调理信号的数学信号,确定所述信号为所述目标企业的实时数据。
可选地,所述根据预设的电力指标类别生成所述实时数据的实时电力指标,包括:
确定所述实时数据的电力指标类别为三相电流指标、电压指标、有功功率指标和功率因子指标;
根据所述电力指标类别确定所述实时数据的指标算法,利用所述指标算法生成所述实时数据的实时电力指标。
可选地,所述根据所述排污阈值和所述实时监控曲线生成所述目标企业的电力排污监控模型,包括:
生成所述实时监控曲线的曲线标签,计算所述曲线标签和所述排污阈值的标签相似度;
根据所述标签相似度对所述实时监控曲线进行排污阈值配置,得到预警监控曲线;
根据所述预警监控曲线和预设的预警提示生成所述目标企业的电力排污监控模型。
为了解决上述问题,本发明还提供一种基于用电特征指标的企业排污监控装置,所述装置包括:
数据分类模块,用于获取目标企业的备案数据,对所述备案数据进行分类处理,得到所述备案数据的分类数据,根据所述分类数据生成所述目标企业的排污阈值;
实时监控模块,用于对所述目标企业进行实时监控,得到所述目标企业的实时数据;
监控曲线模块,用于根据预设的电力指标类别生成所述实时数据的实时电力指标,利用预设的曲线平滑算法和所述实时电力指标生成所述目标企业的实时监控曲线;
排污监控模块,用于根据所述排污阈值和所述实时监控曲线生成所述目标企业的电力排污监控模型,利用所述电力排污监控模型对所述目标企业进行排污监控。
本发明实施例通过对所述备案数据进行分类处理,得到所述备案数据的分类数据,根据所述分类数据生成所述目标企业的排污阈值,实现了目标企业排污职责的针对化处理,不同目标企业的排污职责有所不同,有助于条理化的管理所述目标企业,其中,利用构建模型对所述备案数据进行分类,加快了数据处理的效率,所述对所述目标企业进行实时监控,得到所述目标企业的实时数据,并生成所述目标企业的实时监控曲线,及时的发现所述目标企业的电力变化,降低了察觉异常的时间,所述根据所述排污阈值和所述实时监控曲线生成所述目标企业的电力排污监控模型,其中,利用预设的预警提示对异常信息进行警示,消除了获取异常信息时的时间延迟,因此本发明提出基于用电特征指标的企业排污监控方法及装置,可以解决企业排污监控效率较低的问题。
附图说明
图1为本发明一实施例提供的基于用电特征指标的企业排污监控方法的流程示意图;
图2为本发明一实施例提供的损失矫正的流程示意图;
图3为本发明一实施例提供的生成电力排污监控模型的流程示意图;
图4为本发明一实施例提供的基于用电特征指标的企业排污监控装置的功能模块图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于用电特征指标的企业排污监控方法。所述基于用电特征指标的企业排污监控方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于用电特征指标的企业排污监控方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于用电特征指标的企业排污监控方法的流程示意图。在本实施例中,所述基于用电特征指标的企业排污监控方法包括:
S1、获取目标企业的备案数据,对所述备案数据进行分类处理,得到所述备案数据的分类数据,根据所述分类数据生成所述目标企业的排污阈值。
在本发明实施例中,所述备案数据是指所述目标企业的企业类型、企业历史总用电量、生产设施历史用电量、环保治理设施历史用电量等。
详细地,所述分类处理是为了对所述备案数据的存储时条理化且清晰的,所述分类处理有助于了解所述备案数据的特性与共性,便于掌握所述备案数据的特征,利用所述备案数据进行所述排污阈值的生成。
详细地,所述根据分类数据生成所述目标企业的排污阈值是指根据所述分类数据确定所述目标企业的特性,例如:所述目标企业的排污设备较多、企业规模较大、工业设备较多,需要的用电量较大,那么所述目标企业的排污阈值就比较大。
在本发明实施例中,所述对所述备案数据进行分类处理,得到所述备案数据的分类数据,包括:
获取训练集,利用预设的分类算法对所述训练集进行分类,得到分类模型,其中,所述预设的分类算法为:
其中,是所述训练集中子集的信息熵,表示子集的意思,是所述子集中元素的类别标识,是所述元素的类别总数,表示类别在所述子集中的占比;
根据所述分类模型对所述备案数据进行分类处理,得到所述备案数据的分类数据。
详细地,所述训练集是包含训练数据和所述训练数据的标签的集合,用来对模型进行训练,得到需要的分类模型。
详细地,信息熵是用于衡量不确定性的指标,也就是离散随机事件出现的概率,简单地说“情况越混乱,信息熵就越大,反之则越小”,比如,封闭的房间一直不打扫,那么房间不可能越来越干净,只能不断的落灰和结下蜘蛛网,如果想要让它变得整洁、有序就需要外力介入去打扫房间。这个过程中趋向于混乱的房间其信息熵不断增大,而打扫后的房间,则趋向于信息熵最小。
详细地,某一类别在子集中的占比越高,表示该类别的纯度越高。
详细地,熵就用来衡量整个系统的平均信息量,也可以理解为不确定性,例如:假设根据经验判断,A的排污异常几率是80%,B的排污异常几率是20%,则A和B其中一个排污异常的信息熵就变为0.721,其中,经验减少了判断所需的信息量,消除了不确定性,而且通过计算可以发现,A的排污异常的几率越高,计算出的信息熵就越小,即越是确定的情况,不确定性越小,信息熵越少。如果A的排污异常的概率是100%,那么信息熵是0,相当于没有任何信息。当A和B的排污异常几率都是50%最难判断,信息熵达到最大值1。
进一步地,由于信息熵表示不确定性,可以衡量混乱程度或纯净度,因此也用作分类或聚类结果的评价标准,例如:所述训练集中某一个子集中有4个元素,分别属于4类别,那么可以取1,2,3,4,等于4,可以计算出子集的信息熵为2,逐个计算所述训练集中的子集的信息熵,从而得出所述训练集的信息熵的加权平均值,当所述信息熵的加权平均值越小,则表示所述划分越准确。
在本发明实施例中,所述对所述备案数据进行分类处理,得到所述备案数据的分类数据,包括:
获取训练样本,对所述训练样本进行属性分类,得到所述训练样本的属性样本;
获取空白决策树模型,根据所述属性样本对应的属性生成所述空白决策树模型的决策节点,根据所述决策节点对所述空白决策树进行一级配置,得到一级决策树;
利用所述一级决策树对所述训练样本进行决策分析,得到所述训练样本的决策样本;
根据所述决策样本和所述训练样本的标签对所述一级决策树进行损失矫正,得到决策树模型;
利用所述决策树模型对所述备案数据进行分类处理,得到所述备案数据的分类数据。
详细地,所述训练样本的选择与评价直接关系分类的精度,是监督分类的关键,利用所述训练样本可以确定下来所述空白决策树的模型参数。
详细地,所述属性分类是为了确定所述空白决策树的决策节点,所述决策节点是所述决策树模型的关键。
详细地,参图2所示,所述根据所述决策样本和所述训练样本的标签对所述一级决策树进行损失矫正,得到决策树模型,包括:
S21、根据所述决策样本和所述训练样本的标签计算所述决策样本的样本损失;
S22、根据样本损失生成所述决策样本的损失函数,利用所述损失函数对所述一级决策树进行损失矫正,得到决策树模型。
详细地,所述根据所述决策样本和所述训练样本的标签对所述一级决策树进行损失矫正是根据所述决策样本和所述训练样本的标签确定决策树模型的分类误差,所述分类误差又称为所述决策样本的样本损失。
进一步地,所述根据样本损失生成所述决策样本的损失函数可以利用Matlab进行数据拟合。
详细地,在Matlab中,根据所述样本损失确定输入矩阵并选择拟合的曲线类型,Matlab会自动完成拟合,并且给出拟合函数表达式,所述拟合函数表达式就是所述决策样本的损失函数。
在本发明实施例中,所述根据所述分类数据生成所述目标企业的排污阈值,包括:
获取所述分类数据的数据属性,利用所述数据属性和所述分类数据建立所述目标企业的企业备案数据;
对所述企业备案数据进行特征分析,得到所述企业备案数据的备案特征,根据所述备案特征生成所述目标企业的排污阈值。
详细地,所述数据属性包括但不限于:目标企业规模属性、目标企业排污设备耗能属性、目标企业生产设备属性。
详细地,所述利用所述数据属性和所述分类数据建立所述目标企业的企业备案数据是将所述分类数据按照所述数据属性进行存储。
进一步地,所述对所述企业备案数据进行特征分析是指根据所述企业备案数据获取所述目标企业的一些数据属性下的最大值、平均值、最小值和中位值等,例如,甲公司在上午的排污时电量为峰值,乙公司在下午排污时电量为峰值,其中,甲公司的公司规模较小,且生产设备较少,甲的峰值为1,乙公司的公司规模较大,且生产设备较多,乙的峰值为10。
详细地,所述对所述企业备案数据进行特征分析,得到所述企业备案数据的备案特征,包括:
对所述企业备案数据进行分词处理,得到所述企业备案数据的企业分词;
对所述企业分词进行降维处理,得到所述企业分词的降维分词;
对所述降维分词进行特征提取,得到所述企业备案数据的备案特征。
详细地,所述分词处理可以利用分词算法,其中,所述分词算法包括但不限于:基于字典和词库匹配的分词方法、基于词频度统计的分词方法和基于知识理解的分词方法。
详细地,所述降维处理是将高维数据化为低维度数据的操作,是为了减少特征属性的个数,并确保特征属性之间是相互独立的。
详细地,所述特征提取是从一个初始测量的资料集合中建构出富含资讯性而且不冗余的导出值,在此过程中,需要保持描述原始资料集的精准性与完整性。
S2、对所述目标企业进行实时监控,得到所述目标企业的实时数据。
在本发明实施例中,所述对所述目标企业进行实时监控,得到所述目标企业的实时数据,包括:
利用预设的传感模块获取所述目标企业的物理信号,对所述物理信号进行信号调理,得到所述物理信号的调理信号;
对所述调理信号进行模数转化,得到所述调理信号的数学信号,确定所述信号为所述目标企业的实时数据。
详细地,利用预设的传感模块可以实时收集设备工况数据,再将数据用无线方式传输到后台监测系统平台,实现对企业总用电量、生产设施用电量、环保治理设施用电量的24小时不间断全过程远程监测,其中,企业总用电量、生产设施用电量、环保治理设施用电量为所述目标企业的实时数据。
详细地,所述预设的传感模块能感受到被测量的信息,并能将感受到的信息,按一定规律变换成为电信号或其他所需形式的信息输出,以满足信息的传输、处理、存储、显示、记录和控制等要求,其中,常见的敏感元件包括:热敏元件、光敏元件、气敏元件、力敏元件、磁敏元件、湿敏元件、声敏元件、放射线敏感元件、色敏元件和味敏元件等。
详细地,所述信号调理是为了让所述物理信号能够准确的进行模数转化,提高所述模数转化的精度,降低监控数据的误差;所述模数转化可以利用A/D转化器。
S3、根据预设的电力指标类别生成所述实时数据的实时电力指标,利用预设的曲线平滑算法和所述实时电力指标生成所述目标企业的实时监控曲线。
在本发明实施例中,所述根据预设的电力指标类别生成所述实时数据的实时电力指标,包括:
确定所述实时数据的电力指标类别为三相电流指标、电压指标、有功功率指标和功率因子指标;
根据所述电力指标类别确定所述实时数据的指标算法,利用所述指标算法生成所述实时数据的实时电力指标。
详细地,所述三相电流指标三相电流是通过三根导线,每根导线作为其他两根的回路,其三个分量的相位差依次为一个周期的三分之一或120°相位角的电流指标,三相电路的瞬时功率等于各相瞬时功率之和,因为三相交流发电机比相同功率的单相交流发电机体积小、重量轻、成本低。
详细地,电压指标是指所述目标企业的瞬时电压;有功功率是指瞬时功率在一个周期内的积分的平均值,因此,有功功率也称平均功率;功率因子是电力系统的一个重要的技术数据,所述功率因子是衡量电气设备效率高低的一个系数,当所述功率因子低时,说明电路用于交变磁场转换的无功功率大,从而降低了设备的利用率,增加了线路供电损失。
进一步地,所述电力指标类别不同导致所述实时数据的指标算法不同。
在本发明实施例中,所述利用所述实时电力指标生成所述目标企业的实时监控曲线,包括:
利用预设的曲线平滑算法和所述实时电力指标生成所述目标企业的实时监控曲线,其中,所述预设的曲线平滑算法为:
其中,是所述实时监控曲线上的控制顶点集合,表示第个控制顶点,表示所述控制顶点总数减一,是所述控制顶点的标识,表示时间。
S4、根据所述排污阈值和所述实时监控曲线生成所述目标企业的电力排污监控模型,利用所述电力排污监控模型对所述目标企业进行排污监控。
在本发明实施例中,参图3所示,所述根据所述排污阈值和所述实时监控曲线生成所述目标企业的电力排污监控模型,包括:
S31、生成所述实时监控曲线的曲线标签,计算所述曲线标签和所述排污阈值的标签相似度;
S32、根据所述标签相似度对所述实时监控曲线进行排污阈值配置,得到预警监控曲线;
S33、根据所述预警监控曲线和预设的预警提示生成所述目标企业的电力排污监控模型。
详细地,所述曲线标签是对所述实时监控曲线的标识,是为了以便对所述实时监控曲线进行识别,所述计算所述曲线标签和所述排污阈值的标签相似度,可以根据所述曲线标签和所述排污阈值的标签之间的映射规则确定,例如:所述映射规则中规定电压指标的实时监控曲线的曲线标签是1,所述排污阈值中电压指标的标签为A,其中1和A是对应关系。
详细地,所述排污阈值的配置是根据实时监控曲线的类别决定的;所述电力排污监控模型是结合所述预警监控曲线和预设的预警提示生成的,其中,所述预设的预警提示可以梯度设置,比如,用颜色进行危害严重性的阶段,也可以在界面上进行指示灯配置等。
本发明实施例通过对所述备案数据进行分类处理,得到所述备案数据的分类数据,根据所述分类数据生成所述目标企业的排污阈值,实现了目标企业排污职责的针对化处理,不同目标企业的排污职责有所不同,有助于条理化的管理所述目标企业,其中,利用构建模型对所述备案数据进行分类,加快了数据处理的效率,所述对所述目标企业进行实时监控,得到所述目标企业的实时数据,并生成所述目标企业的实时监控曲线,及时的发现所述目标企业的电力变化,降低了察觉异常的时间,所述根据所述排污阈值和所述实时监控曲线生成所述目标企业的电力排污监控模型,其中,利用预设的预警提示对异常信息进行警示,消除了获取异常信息时的时间延迟,因此本发明提出基于用电特征指标的企业排污监控方法,可以解决企业排污监控效率较低的问题。
如图4所示,是本发明一实施例提供的基于用电特征指标的企业排污监控装置的功能模块图。
本发明所述基于用电特征指标的企业排污监控装置100可以安装于电子设备中。根据实现的功能,所述基于用电特征指标的企业排污监控装置100可以包括数据分类模块101、实时监控模块102、监控曲线模块103及排污监控模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据分类模块101,用于获取目标企业的备案数据,对所述备案数据进行分类处理,得到所述备案数据的分类数据,根据所述分类数据生成所述目标企业的排污阈值;
所述实时监控模块102,用于对所述目标企业进行实时监控,得到所述目标企业的实时数据;
所述监控曲线模块103,用于根据预设的电力指标类别生成所述实时数据的实时电力指标,利用预设的曲线平滑算法和所述实时电力指标生成所述目标企业的实时监控曲线;
所述排污监控模块104,用于根据所述排污阈值和所述实时监控曲线生成所述目标企业的电力排污监控模型,利用所述电力排污监控模型对所述目标企业进行排污监控。
在本发明所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于用电特征指标的企业排污监控方法,其特征在于,所述方法包括:
获取目标企业的备案数据,对所述备案数据进行分类处理,得到所述备案数据的分类数据,根据所述分类数据生成所述目标企业的排污阈值;
对所述目标企业进行实时监控,得到所述目标企业的实时数据;
根据预设的电力指标类别生成所述实时数据的实时电力指标,利用预设的曲线平滑算法和所述实时电力指标生成所述目标企业的实时监控曲线,其中,所述预设的曲线平滑算法为:
其中,是所述实时监控曲线上的控制顶点集合,表示第个控制顶点,表示所述控制顶点总数减一,是所述控制顶点的标识,表示时间;
根据所述排污阈值和所述实时监控曲线生成所述目标企业的电力排污监控模型,利用所述电力排污监控模型对所述目标企业进行排污监控。
2.如权利要求1所述的基于用电特征指标的企业排污监控方法,其特征在于,所述对所述备案数据进行分类处理,得到所述备案数据的分类数据,包括:
获取训练集,利用预设的分类算法对所述训练集进行分类,得到分类模型,其中,所述预设的分类算法为:
其中,是所述训练集中子集的信息熵,表示子集的意思,是所述子集中元素的类别标识,是所述元素的类别总数,表示类别在所述子集中的占比;
根据所述分类模型对所述备案数据进行分类处理,得到所述备案数据的分类数据。
3.如权利要求1所述的基于用电特征指标的企业排污监控方法,其特征在于,所述对所述备案数据进行分类处理,得到所述备案数据的分类数据,包括:
获取训练样本,对所述训练样本进行属性分类,得到所述训练样本的属性样本;
获取空白决策树模型,根据所述属性样本对应的属性生成所述空白决策树模型的决策节点,根据所述决策节点对所述空白决策树进行一级配置,得到一级决策树;
利用所述一级决策树对所述训练样本进行决策分析,得到所述训练样本的决策样本;
根据所述决策样本和所述训练样本的标签对所述一级决策树进行损失矫正,得到决策树模型;
利用所述决策树模型对所述备案数据进行分类处理,得到所述备案数据的分类数据。
4.如权利要求3所述的基于用电特征指标的企业排污监控方法,其特征在于,所述根据所述决策样本和所述训练样本的标签对所述一级决策树进行损失矫正,得到决策树模型,包括:
根据所述决策样本和所述训练样本的标签计算所述决策样本的样本损失;
根据样本损失生成所述决策样本的损失函数,利用所述损失函数对所述一级决策树进行损失矫正,得到决策树模型。
5.如权利要求1所述的基于用电特征指标的企业排污监控方法,其特征在于,所述根据所述分类数据生成所述目标企业的排污阈值,包括:
获取所述分类数据的数据属性,利用所述数据属性和所述分类数据建立所述目标企业的企业备案数据;
对所述企业备案数据进行特征分析,得到所述企业备案数据的备案特征,根据所述备案特征生成所述目标企业的排污阈值。
6.如权利要求5所述的基于用电特征指标的企业排污监控方法,其特征在于,所述对所述企业备案数据进行特征分析,得到所述企业备案数据的备案特征,包括:
对所述企业备案数据进行分词处理,得到所述企业备案数据的企业分词;
对所述企业分词进行降维处理,得到所述企业分词的降维分词;
对所述降维分词进行特征提取,得到所述企业备案数据的备案特征。
7.如权利要求1所述的基于用电特征指标的企业排污监控方法,其特征在于,所述对所述目标企业进行实时监控,得到所述目标企业的实时数据,包括:
利用预设的传感模块获取所述目标企业的物理信号,对所述物理信号进行信号调理,得到所述物理信号的调理信号;
对所述调理信号进行模数转化,得到所述调理信号的数学信号,确定所述信号为所述目标企业的实时数据。
8.如权利要求1所述的基于用电特征指标的企业排污监控方法,其特征在于,所述根据预设的电力指标类别生成所述实时数据的实时电力指标,包括:
确定所述实时数据的电力指标类别为三相电流指标、电压指标、有功功率指标和功率因子指标;
根据所述电力指标类别确定所述实时数据的指标算法,利用所述指标算法生成所述实时数据的实时电力指标。
9.如权利要求1至8中任一项所述的基于用电特征指标的企业排污监控方法,其特征在于,所述根据所述排污阈值和所述实时监控曲线生成所述目标企业的电力排污监控模型,包括:
生成所述实时监控曲线的曲线标签,计算所述曲线标签和所述排污阈值的标签相似度;
根据所述标签相似度对所述实时监控曲线进行排污阈值配置,得到预警监控曲线;
根据所述预警监控曲线和预设的预警提示生成所述目标企业的电力排污监控模型。
10.一种基于用电特征指标的企业排污监控装置,其特征在于,所述装置包括:
数据分类模块,用于获取目标企业的备案数据,对所述备案数据进行分类处理,得到所述备案数据的分类数据,根据所述分类数据生成所述目标企业的排污阈值;
实时监控模块,用于对所述目标企业进行实时监控,得到所述目标企业的实时数据;
监控曲线模块,用于根据预设的电力指标类别生成所述实时数据的实时电力指标,利用预设的曲线平滑算法和所述实时电力指标生成所述目标企业的实时监控曲线;
排污监控模块,用于根据所述排污阈值和所述实时监控曲线生成所述目标企业的电力排污监控模型,利用所述电力排污监控模型对所述目标企业进行排污监控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014870.3A CN115908082A (zh) | 2023-01-06 | 2023-01-06 | 基于用电特征指标的企业排污监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014870.3A CN115908082A (zh) | 2023-01-06 | 2023-01-06 | 基于用电特征指标的企业排污监控方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908082A true CN115908082A (zh) | 2023-04-04 |
Family
ID=86484189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310014870.3A Pending CN115908082A (zh) | 2023-01-06 | 2023-01-06 | 基于用电特征指标的企业排污监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908082A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151743A (zh) * | 2023-10-27 | 2023-12-01 | 江苏中天互联科技有限公司 | 数字备案标识方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020048A (zh) * | 2017-10-27 | 2019-07-16 | 北京宸信征信有限公司 | 一种基于开源数据的企业风险评价系统及方法 |
CN112308273A (zh) * | 2019-07-31 | 2021-02-02 | 中国石油化工股份有限公司 | 存储器、石化企业排污管理方法、装置和设备 |
CN112632980A (zh) * | 2020-12-30 | 2021-04-09 | 广州友圈科技有限公司 | 一种基于大数据深度学习的企业分类方法、系统及电子设备 |
CN113298422A (zh) * | 2021-06-16 | 2021-08-24 | 福建亿力优能电力科技有限公司 | 一种基于用电数据的污染源企业违规生产监控方法 |
CN113806370A (zh) * | 2021-09-27 | 2021-12-17 | 平安国际智慧城市科技股份有限公司 | 基于大数据的环境数据监管方法、装置、设备及存储介质 |
CN113962518A (zh) * | 2021-09-14 | 2022-01-21 | 浙江容大电力工程有限公司 | 一种基于电力大数据排污企业异常判定方法 |
CN114118580A (zh) * | 2021-11-29 | 2022-03-01 | 国网山东省电力公司东营供电公司 | 一种电力-环保数据融合分析的黄河流域污染源监测预警方法 |
CN114169574A (zh) * | 2021-11-11 | 2022-03-11 | 国网冀北电力有限公司唐山供电公司 | 一种通过工业运行电力指数进行大气污染预测的方法 |
CN115187097A (zh) * | 2022-07-20 | 2022-10-14 | 中国银行股份有限公司 | 一种任务排期方法、装置、电子设备以及计算机存储介质 |
-
2023
- 2023-01-06 CN CN202310014870.3A patent/CN115908082A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020048A (zh) * | 2017-10-27 | 2019-07-16 | 北京宸信征信有限公司 | 一种基于开源数据的企业风险评价系统及方法 |
CN112308273A (zh) * | 2019-07-31 | 2021-02-02 | 中国石油化工股份有限公司 | 存储器、石化企业排污管理方法、装置和设备 |
CN112632980A (zh) * | 2020-12-30 | 2021-04-09 | 广州友圈科技有限公司 | 一种基于大数据深度学习的企业分类方法、系统及电子设备 |
CN113298422A (zh) * | 2021-06-16 | 2021-08-24 | 福建亿力优能电力科技有限公司 | 一种基于用电数据的污染源企业违规生产监控方法 |
CN113962518A (zh) * | 2021-09-14 | 2022-01-21 | 浙江容大电力工程有限公司 | 一种基于电力大数据排污企业异常判定方法 |
CN113806370A (zh) * | 2021-09-27 | 2021-12-17 | 平安国际智慧城市科技股份有限公司 | 基于大数据的环境数据监管方法、装置、设备及存储介质 |
CN114169574A (zh) * | 2021-11-11 | 2022-03-11 | 国网冀北电力有限公司唐山供电公司 | 一种通过工业运行电力指数进行大气污染预测的方法 |
CN114118580A (zh) * | 2021-11-29 | 2022-03-01 | 国网山东省电力公司东营供电公司 | 一种电力-环保数据融合分析的黄河流域污染源监测预警方法 |
CN115187097A (zh) * | 2022-07-20 | 2022-10-14 | 中国银行股份有限公司 | 一种任务排期方法、装置、电子设备以及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
徐宇飞主编: "《Python金融大数据风控建模实战:基于机器学习》", 机械工业出版社, pages: 235 - 236 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151743A (zh) * | 2023-10-27 | 2023-12-01 | 江苏中天互联科技有限公司 | 数字备案标识方法、装置、电子设备及存储介质 |
CN117151743B (zh) * | 2023-10-27 | 2024-01-30 | 江苏中天互联科技有限公司 | 数字备案标识方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN105825298B (zh) | 一种基于负荷特性预估的电网计量预警系统及方法 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
CN112136161B (zh) | 用于智能报警分组的系统和方法 | |
CN112199367B (zh) | 一种长时间尺度功率平衡校验和大数据分析方法及系统 | |
CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
CN112131441A (zh) | 一种快速识别用电异常行为的方法及系统 | |
EP3972084A2 (en) | Systems and methods for monitoring energy-related data in an electrical system | |
CN105406461B (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
CN115730749B (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN115908082A (zh) | 基于用电特征指标的企业排污监控方法及装置 | |
Hartmann et al. | Suspicious electric consumption detection based on multi-profiling using live machine learning | |
CN115293257A (zh) | 一种针对异常用电用户的检测方法及系统 | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
KR20160074325A (ko) | 기상변화에 따른 전력수요지수 예측 시스템 및 그 방법 | |
Andrade et al. | Data-driven anomaly detection and event log profiling of SCADA alarms | |
CN113688987A (zh) | 光伏监测模型的训练方法、光伏设备的监测方法及设备 | |
CN117331017A (zh) | 一种三相四线电能表错接线研判方法及系统 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN116522746A (zh) | 高耗能企业配电托管方法 | |
CN113723671B (zh) | 一种基于用电情况大数据的数据聚类分析方法 | |
Huaiying et al. | Research on technical architecture and application of big data cloud platform for electric power measurement |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230404 |