CN117035562B - 基于电力大数据的环保智慧监测方法及数据分析设备 - Google Patents
基于电力大数据的环保智慧监测方法及数据分析设备 Download PDFInfo
- Publication number
- CN117035562B CN117035562B CN202311300301.1A CN202311300301A CN117035562B CN 117035562 B CN117035562 B CN 117035562B CN 202311300301 A CN202311300301 A CN 202311300301A CN 117035562 B CN117035562 B CN 117035562B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- vector
- power
- power data
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000007405 data analysis Methods 0.000 title claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 443
- 238000012512 characterization method Methods 0.000 claims abstract description 205
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 33
- 230000007613 environmental effect Effects 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 24
- 238000005065 mining Methods 0.000 claims description 22
- 230000005611 electricity Effects 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000009825 accumulation Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 239000010865 sewage Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000010813 municipal solid waste Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供一种基于电力大数据的环保智慧监测方法及数据分析设备,获取在不少于一个环保监测区域各自采集的设备电力大数据集,获取与相应设备电力数据簇对应的电力监测表征向量,生成相应过往采集周期的设备电力数据趋势图;可以看出,设备电力数据趋势图不仅包括各个环保监测区域在数据空间的特征,还包含数据时序的特征,如此,基于每个过往采集周期分别对应的设备电力数据趋势图,能获得各过往采集周期的表征向量在时空多维度的关联性,以更精确得到不少于一个环保监测区域的推理设备电力数据趋势。此外,可以直接基于设备电力大数据集对各环保监测区域的设备的用电趋势进行预估,数据成本低。
Description
技术领域
本公开涉及数据处理、人工智能领域,并且更具体地,涉及一种基于电力大数据的环保智慧监测方法及数据分析设备。
背景技术
环保监测是一个动态监测的过程,需要定期或者实时对监测区域进行治污进度督促。例如在污水治理领域,同一大水域中的各个分支水域中,在进行治污监测时,需要定期对不同的分支水域的治污情况进行信息采集以及进度把控,如果通过人力进行监测,其过于频繁的信息收集工作和治污环境的危险性,对人工成本、安全性带来不利因素。随着大数据和物联网技术的发展,借助物联网采集治污大数据进行分析是实现智慧环保的有效方式,但是该过程虽然分析精度高,但是需要采集的数据量大,前期的传感设备布设成本高,对于简单地信息评估和情况了解,不适于较高成本地应用,而数量量少的监测分析又难以保证分析的准确性。因此,亟待一种能简单准确监测环保治理的方式。
发明内容
有鉴于此,本公开实施例提供一种基于电力大数据的环保智慧监测方法及系统,以改善上述问题。
根据本公开实施例的一个方面,提供了一种依据电力大数据的环保智慧监测方法,所述方法包括:
获取在不少于一个环保监测区域各自采集的设备电力大数据集;
针对每一设备电力大数据集所包括的多个过往采集周期的设备电力数据簇,确定所述设备电力数据簇涵盖的每一类型的治污设备的目标状态累积表征向量、所述设备电力数据簇的用电态势表征向量和设备电力数据簇全局表征向量;
针对每个设备电力数据簇,分别将相应设备电力数据簇所对应的目标状态累积表征向量、用电态势表征向量和设备电力数据簇全局表征向量进行向量交互,得到与相应设备电力数据簇对应的电力监测表征向量;
依据所述不少于一个环保监测区域在同一过往采集周期的设备电力数据簇所对应的电力监测表征向量,生成相应过往采集周期的设备电力数据趋势图;
基于每个过往采集周期分别对应的设备电力数据趋势图,确定所述不少于一个环保监测区域的推理设备电力数据趋势;
通过所述推理设备电力数据趋势得到所述不少于一个环保监测区域的环境治理状态。
根据本公开实施例的一个示例,其中,确定所述设备电力数据簇涵盖的每一类型的治污设备的目标状态累积表征向量的过程包括:
从所述设备电力数据簇挖掘得到多层级数据表征向量;
对所述多层级数据表征向量进行显著性加权操作,得到聚焦后的多层级数据表征向量;
将聚焦后的多层级数据表征向量进行特征提炼,生成所述设备电力数据簇中包括的每一个用电数据项状态所处备选控件范围;
根据对应同类治污设备的所有用电数据项状态所处备选控件范围,确定与对应类型的治污设备相对应的目标状态累积表征向量。
根据本公开实施例的一个示例,其中,所述根据对应同类治污设备的所有用电数据项状态所处备选控件范围,确定与对应类型的治污设备相对应的目标状态累积表征向量,包括:
针对每个所述备选控件范围,识别出所述备选控件范围涵盖的用电数据项状态所属治污设备的类型,以及获取相应的类型支持度;
识别得到类型支持度大于支持度临界值的备选控件范围作为目标范围;
归集各所述目标范围涵盖的用电数据项状态所属治污设备的类型,并依据属于同一治污设备的用电数据项状态所对应的目标范围,确定所述设备电力数据簇中涵盖的每一类型的治污设备的目标状态累积表征向量;
所述对所述多层级数据表征向量进行显著性加权操作,得到聚焦后的多层级数据表征向量,包括:
对所述多层级数据表征向量中的每一层表征向量各自执行通道显著性加权操作,获得相应的通道多层级表征向量;
对所述多层级数据表征向量中的每一层表征向量各自执行空间显著性加权操作,获得相应的空间多层级表征向量;
融合所述多层级数据表征向量、所述通道多层级表征向量和所述空间多层级表征向量,得到聚焦后的多层级数据表征向量。
根据本公开实施例的一个示例,其中,确定所述设备电力数据簇的用电态势表征向量的方式,包括:
对所述设备电力数据簇进行对象锁定,得到所述设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点;
将所述设备电力数据簇中的目标演变时序点的目标分布表征向量加入锁定列表中,令所述锁定列表中靠前设备电力数据簇所对应的靠前目标演变时序点,与当前的设备电力数据簇所对应的目标演变时序点,生成各用电数据项状态的目标演变时序曲线;
根据所述设备电力数据簇中各用电数据项状态的目标演变时序曲线的数量,确定所述设备电力数据簇的用电态势表征向量。
根据本公开实施例的一个示例,其中,所述对所述设备电力数据簇进行对象锁定,得到所述设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点,包括:
对所述设备电力数据簇进行多对象锁定,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第一演变时序点;
对所述设备电力数据簇进行单对象锁定,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第二演变时序点;
调取时序点选取算法在所述第一演变时序点和所述第二演变时序点中,确定所述设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点。
根据本公开实施例的一个示例,其中,所述对所述设备电力数据簇进行多对象锁定,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第一演变时序点,包括:
从所述设备电力数据簇挖掘得到多层级数据表征向量;所述多层级数据表征向量包括有若干层级递增的表征向量;
针对所述多层级数据表征向量中除层级最高的表征向量之外的每一个层级的表征向量进行插值处理,获得相应的插值表征向量,并通过跨层恒等连接将所述插值表征向量与对应层级对应的前一层级的表征向量进行向量交互,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第一分布表征向量;
依据所述第一分布表征向量确定每一个用电数据项状态的第一演变时序点;
所述对所述设备电力数据簇进行单对象锁定,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第二演变时序点,包括:
获取依据所述设备电力数据簇进行状态识别而得到的状态识别数据分块;
对所述设备电力数据簇和所述状态识别数据分块各自执行特征提炼,挖掘得到所述设备电力数据簇中各用电数据项状态的第一数据表征向量和所述状态识别数据分块中各用电数据项状态的第二数据表征向量;
依据显著性特征抽取策略对各所述第一数据表征向量和各所述第二数据表征向量各自执行处理,得到聚焦后的第一数据表征向量和聚焦后的第二数据表征向量;
将聚焦后的第一数据表征向量和聚焦后的第二数据表征向量进行共性评估,得到聚焦后的第一数据表征向量和聚焦后的第二数据表征向量之间的相似性表征向量;
根据各所述相似性表征向量,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第二演变时序点。
根据本公开实施例的一个示例,其中,所述根据各所述相似性表征向量,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第二演变时序点,包括:
对每个所述相似性表征向量各自执行朴素贝叶斯分类,获得类别支持度序列;
对每个所述相似性表征向量各自执行线性回归处理,获得分布回归序列;
依据所述类别支持度序列和所述分布回归序列,确定每个所述用电数据项状态的第二分布表征向量;
依据所述第二分布表征向量确定每一个用电数据项状态的第二演变时序点。
根据本公开实施例的一个示例,其中,所述时序点选取算法通过以下过程进行训练得到:
获取多个设备电力数据簇学习样例,对每个设备电力数据簇学习样例进行多对象锁定得到第一样例演变时序点;
对每个设备电力数据簇学习样例进行单对象锁定得到第二样例演变时序点;
在当次训练中,针对当次的每个设备电力数据簇学习样例,都基于待训练的时序点选取算法在所述第一样例演变时序点和所述第二样例演变时序点中确定目标样例演变时序点,以及确定所述目标样例演变时序点和所述设备电力数据簇学习样例的真实样例演变时序点之间的重合系数;
将当次的所有设备电力数据簇学习样例的重合系数进行求和,得到当次的重合系数和值;
采用调整所述重合系数和值最大,完成训练所述待训练的时序点选取算法,然后跳转进行下一次训练,在达到算法收敛时,得到训练好的时序点选取算法。
根据本公开实施例的一个示例,其中,所述基于每个过往采集周期分别对应的设备电力数据趋势图,确定所述不少于一个环保监测区域的推理设备电力数据趋势,包括:
将各个过往采集周期分别对应的设备电力数据趋势图进行融合,得到融合设备电力数据趋势图;
对所述融合设备电力数据趋势图各自执行图特征提炼和时间层面特征提炼,挖掘得到多维表征向量;
将所述多维表征向量输入决策算子,通过所述决策算子输出所述不少于一个环保监测区域的推理设备电力数据趋势;
其中,所述将各个过往采集周期分别对应的设备电力数据趋势图进行融合,得到融合设备电力数据趋势图,包括:针对若干采集周期中的每一采集周期,将所述采集周期中的各个过往采集周期分别对应的设备电力数据趋势图进行融合,得到设备电力数据周期趋势图;将各个采集周期各自对应的设备电力数据周期趋势图进行融合,得到融合设备电力数据趋势图。
根据本公开实施例的另一方面,提供了一种数据分析设备,包括:一个或多个处理器;以及一个或多个存储器,其中所述存储器中存储有计算机可读代码,所述计算机可读代码在由所述一个或多个处理器运行时,使得所述一个或多个处理器执行如以上所述的方法。
本公开至少具有以下技术效果:通过电力大数据的环保智慧监测方法及系统,获取在不少于一个环保监测区域各自采集的设备电力大数据集;针对每一设备电力大数据集所包括的多个过往采集周期的设备电力数据簇,确定设备电力数据簇涵盖的每一类型的治污设备的目标状态累积表征向量、设备电力数据簇的用电态势表征向量和设备电力数据簇全局表征向量;针对每个设备电力数据簇,分别将相应设备电力数据簇所对应的目标状态累积表征向量、用电态势表征向量和设备电力数据簇全局表征向量进行向量交互,得到与相应设备电力数据簇对应的电力监测表征向量;依据不少于一个环保监测区域在同一过往采集周期的设备电力数据簇所对应的电力监测表征向量,生成相应过往采集周期的设备电力数据趋势图;可以看出,设备电力数据趋势图不仅包括各个环保监测区域在数据空间的特征,还包含数据时序的特征,如此,基于每个过往采集周期分别对应的设备电力数据趋势图,能获得各过往采集周期的表征向量在时空多维度的关联性,以更精确得到不少于一个环保监测区域的推理设备电力数据趋势。此外,可以直接基于设备电力大数据集对各环保监测区域的设备的用电趋势进行预估,数据成本低。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开的技术方案。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开实施例的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或操作。
图1为本公开实施例提供的应用场景的示意图。
图2为本公开实施例提供的一种基于电力大数据的环保智慧监测方法的实现流程示意图。
图3为本公开实施例提供的一种状态识别的示意图。
图4为本公开实施例提供的一种数据分析装置的组成结构示意图。
图5为本公开实施例提供的一种计算机设备的硬件实体示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本公开一部分的实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
为了使本公开的目的、技术方案和优点更加清楚,下面结合附图和实施例对本公开的技术方案进一步详细阐述,所描述的实施例不应视为对本公开的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本公开保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本公开实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开的目的,不是旨在限制本公开。
本公开实施例提供的基于电力大数据的环保智慧监测方法,可以应用于如图1所示的应用环境中。其中,电力采集终端102通过网络与数据分析设备104进行通信。数据存储系统可以存储数据分析设备104需要处理的数据。数据存储系统可以集成在数据分析设备104上,也可以放在云上或其他网络服务器上。其中,电力大数据可存储在电力采集终端102的本地存储中,也可存储至数据存储系统或者与数据分析设备104关联的云端存储中,当需要进行数据分析时,数据分析设备104可从电力采集终端102本地存储、或数据存储系统、或云端存储中,获取电力大数据。其中,电力采集终端102可以是任意各种电力数据采集装置。数据分析设备104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本公开实施例供的基于电力大数据的环保智慧监测方法应用于数据分析设备,具体包括以下操作:
操作101,获取在不少于一个环保监测区域各自采集的设备电力大数据集。
环保监测区域是需要进行环保监管的目标区域,例如城市水域、河道、湖泊等区域,多个环保监测区域之间可以是相邻的,上一环保监测区域的治污结果往往影响后一环保监测区域的治污状态。在各个目标区域中,为了实现环境治理,尤其是污水治理,设置有治污设备,例如拦污设备、油污分离设备、微生物处理设备、干湿污泥处理设备等,在不同的环保监测区域中,设置的治污设备可以同类或不同类,各个设备需要使用电力维持运行状态,通过对治污设备的电力大数据进行采集分析,可以得到对应目标区域的设备电力趋势,从而得到对应的环境治理效果,例如废污水的输入与治污输出之间是否达到良好的平衡,可以从设备的用电大数据中分析出的运行状态得到。
操作102,针对每一设备电力大数据集所包括的多个过往采集周期的设备电力数据簇,确定设备电力数据簇中涵盖的每一类型的治污设备的目标状态累积表征向量、设备电力数据簇的用电态势表征向量和设备电力数据簇全局表征向量。
设备电力数据簇是设备电力大数据集中包括的一个数据簇。过往采集周期是设备电力数据簇的采集周期,采集设备电力大数据集时,同时获取采集设备电力数据簇的周期,例如每隔一段时间进行重置,重置后按照预设的周期时长,记录采集的顺次关系,例如6月第3次,将6月所有采集周期中的设备电力数据簇组成设备电力大数据集。
治污设备为上述提及的各类设备中的设备,目标状态累积表征向量为目标状态发生次数对应的表征向量,目标状态为预设的设备用电方式对应的状态,例如以高功率起伏运行的状态,代表植物设备在满载运行,换言之,目标状态累积的是自定义的一种用电状态的数量,前提是对该自定义状态进行识别,再进行累积计数,该识别的过程在后续进行说明。设备电力数据簇全局表征向量为设备电力数据簇整体包括的表征向量,表征向量用于对设备电力数据簇包括的特征信息进行矢量表征,设备电力数据簇全局表征向量可以包括设备用电量、设备用电启动和关闭间隔、设备启动次数、设备满功率维持时长和次数等数据特征对应的向量表征信息。
针对每一设备电力大数据集所包括的多个过往采集周期中每个过往采集周期所对应的设备电力数据簇,识别得到设备电力数据簇中每一个用电数据项状态所属的类型(例如低功率维持用电、满载运行用电、集中处理用电、间断处理用电等运行状态),归集出设备电力数据簇中涵盖的每一类型的治污设备的目标状态累积表征向量;对设备电力数据簇进行对象锁定(即对目标用电数据项状态进行标记跟踪),得到设备电力数据簇的用电态势表征向量(即每个设备的用电趋势,例如按照时序的递增、递减、持平趋势等);用电态势表征向量包括设备电力数据簇中各用电数据项状态的趋势;依据特征提炼算法,例如卷积算法(CNN)对设备电力数据簇进行特征提炼,挖掘得到设备电力数据簇的设备电力数据簇全局表征向量。
用电数据项状态是治污设备的用电数据项表征的用电状态,用电数据项状态例如是低功率维持用电、满载运行用电、集中处理用电、间断处理用电等运行状态,不同的用电数据项状态可以对应同类的治污设备。用电态势表征向量是用电数据项状态所表征的用电态势的表征向量,用电态势表征向量包括用电数据项状态的演变时序曲线,用电态势表征向量还可以包括用电数据项状态的维持时长、出现时刻等特征信息。
操作103,针对每个设备电力数据簇,分别将相应设备电力数据簇所对应的目标状态累积表征向量、用电态势表征向量和设备电力数据簇全局表征向量进行向量交互,得到与相应设备电力数据簇对应的电力监测表征向量。
电力监测表征向量是设备电力数据簇所对应的目标状态累积表征向量、用电态势表征向量和设备电力数据簇全局表征向量进行交互(即融合,如拼接或相加)得到的表征向量。具体地,针对每个设备电力数据簇,将设备电力数据簇所对应的目标状态累积表征向量、用电态势表征向量和设备电力数据簇全局表征向量分别作为拟得到的电力监测表征向量中的一个组元,组合得到设备电力数据簇对应的电力监测表征向量。其他实施方式中,可以对设备电力数据簇对应的目标状态累积表征向量、用电态势表征向量和设备电力数据簇全局表征向量进行加权融合以获得设备电力数据簇对应的电力监测表征向量。
操作104,依据不少于一个环保监测区域在同一过往采集周期的设备电力数据簇所对应的电力监测表征向量,生成相应过往采集周期的设备电力数据趋势图。
设备电力数据趋势图是包括各个治污设备用电演变趋势的模型图,环保监测区域在过往采集周期的电力监测表征向量能表征环保监测区域在过往采集周期的趋势信息,至少一个环保监测区域在同一过往采集周期的设备电力数据簇对应的电力监测表征向量能表征不少于一个环保监测区域在同一过往采集周期的演变趋势信息,设备电力数据趋势图不仅包含数据时序的特征,也包括设备用电状态在数据空间的特征。构建相应过往采集周期的设备电力数据趋势图H=(U,I)。U为设备电力数据趋势图中的实体节点,代表全部环保监测区域,一个实体对应一个环保监测区域,I为各个实体对应的连接线,代表各环保监测区域之间的演变态势。
操作105,基于每个过往采集周期分别对应的设备电力数据趋势图,确定不少于一个环保监测区域的推理设备电力数据趋势,通过所述推理设备电力数据趋势得到所述不少于一个环保监测区域的环境治理状态。
推理设备电力数据趋势是推理得到的设备的用电趋势,比如用电量。例如,基于每个过往采集周期分别对应的设备电力数据趋势图,确定后续采集周期的不少于一个环保监测区域的推理设备电力数据趋势。根据该推理设备电力数据趋势可以得到不少于一个环保监测区域的环境治理状态,例如环境治理完成度和以推理的用电量负关联,可以理解,后续的设备用电量越大,代表治污需求大,环境治理完成度未达到预期。
本公开实施例获取在不少于一个环保监测区域各自采集的设备电力大数据集;针对每一设备电力大数据集包括的多个过往采集周期的设备电力数据簇,确定设备电力数据簇中涵盖的每一类型的治污设备的目标状态累积表征向量、设备电力数据簇的用电态势表征向量和设备电力数据簇全局表征向量;针对每个设备电力数据簇,分别将相应设备电力数据簇所对应的目标状态累积表征向量、用电态势表征向量和设备电力数据簇全局表征向量进行向量交互,得到与相应设备电力数据簇对应的电力监测表征向量;依据不少于一个环保监测区域在同一过往采集周期的设备电力数据簇对应的电力监测表征向量,生成相应过往采集周期的设备电力数据趋势图;可以理解,设备电力数据趋势图不仅包括各个环保监测区域在数据空间的特征,还包含数据时序的特征,则基于每个过往采集周期分别对应的设备电力数据趋势图,能获得各过往采集周期的表征向量在时空多维度的关联性,以更精确得到不少于一个环保监测区域的推理设备电力数据趋势。此外,可以直接基于设备电力大数据集对各环保监测区域的设备的用电趋势进行预估,数据成本低。
本公开实施例提供的基于电力大数据的环保智慧监测方法应用于数据分析设备,例如服务端,数据分析设备包括状态识别算子、对象锁定算子和设备的用电趋势推理算子。通过状态识别算子确定出设备电力数据簇中每一类治污设备的目标状态累积表征向量,通过对象锁定算子确定出设备的用电趋势的用电态势表征向量,将设备电力数据簇中每一类治污设备的目标状态累积表征向量和用电态势表征向量输入设备的用电趋势推理算子。通过设备的用电趋势推理算子将目标状态累积表征向量、用电态势表征向量和挖掘得到的数据表征向量进行向量交互,得到与相应设备电力数据簇对应的电力监测表征向量;依据不少于一个环保监测区域在同一过往采集周期的设备电力数据簇所对应的电力监测表征向量,生成相应过往采集周期的设备电力数据趋势图;基于每个过往采集周期分别对应的设备电力数据趋势图,确定不少于一个环保监测区域的推理设备电力数据趋势。
可选地实施方式中,确定设备电力数据簇涵盖的每一类型的治污设备的目标状态累积表征向量的过程可以包括以下操作:
操作201,从设备电力数据簇挖掘得到多层级数据表征向量。
多层级数据表征向量是从数据簇中挖掘得到的多层级的特征提取范围(即特征尺度)逐渐扩展变大的表征向量的向量集,多层级数据表征向量包括的表征向量具体的层级不做限定。作为一种实施方式,可以依据调试好的卷积算法对设备电力数据簇进行特征挖掘,在设备电力数据簇中挖掘得到多层级数据表征向量。
操作202,对多层级数据表征向量进行显著性加权操作,得到聚焦后的多层级数据表征向量。
本公开实施例提供的显著性特征抽取策略是一种注意力机制,抽取数据的核心特征,赋予其更大的权重。显著性特征抽取策略包括通道显著性特征抽取策略与空间显著性特征抽取策略,即分别在通道(channel)和空间层面的特征。然后对多层级数据表征向量进行显著性加权操作,完成注意力的学习,从多层级数据表征向量中确定得到重要性不同的表征向量,也就是聚焦后的多层级数据表征向量。例如,对多层级数据表征向量中每个层级的表征向量分别进行两次特征挖掘,将各层级的表征向量挖掘的向量进行融合,如相加或拼接,将得到的结果确定为池化核,与获取的表征向量即进行池化计算,得到聚焦后的多层级数据表征向量。
操作203,将聚焦后的多层级数据表征向量进行特征提炼,生成设备电力数据簇中包括的每一个用电数据项状态所处备选控件范围。
备选控件范围是设备电力数据簇中用电数据项状态所处的数据覆盖范围,操作203具体可以是将聚焦后的多层级数据表征向量输入多个卷积算子(con)和池化算子(pooling),对聚焦后的多层级数据表征向量进行特征提炼(即完成卷积计算),挖掘得到设备电力数据簇中的每一个用电数据项状态的分布表征向量(即在数据簇中的分布特征),在每一个用电数据项状态的分布表征向量表征的分布位置确定备选控件范围。卷积算子包含的卷积层数不做限定,而池化算子穿插在各个卷积算子之间,完成降维,防止过拟合现象的发生。
操作104,根据对应同类治污设备的所有用电数据项状态所处备选控件范围,确定与对应类型的治污设备相对应的目标状态累积表征向量。
对设备电力数据簇的各备选控件范围中用电数据项状态进行分类,得到各备选控件范围中的用电数据项状态的类型,归集(也即进行统计计数)出对应同类治污设备的所有用电数据项状态所处备选控件范围,确定与对应类型的治污设备相对应的目标状态累积表征向量。例如,设备电力数据簇包括的每一个用电数据项状态所处备选控件范围为50个,对上述50个备选控件范围中用电数据项状态进行分类,得到对应A类型的治污设备的用电数据项状态所处备选控件范围有28个,对应B类型的治污设备的用电数据项状态所处备选控件范围有22个,那么,对应A类型治污设备相应的目标状态累积表征向量为28,对应B类型治污设备相应的目标状态累积表征向量为22。本公开在设备电力数据簇挖掘得到多层级数据表征向量,对多层级数据表征向量进行显著性加权操作,得到聚焦后的多层级数据表征向量;聚焦后的多层级数据表征向量能确定不同重要性的表征向量,之后基于特征提炼以得到更精确地构建每一用电数据项状态所处备选控件范围,进一步精确地得到与对应类型的治污设备相对应的目标状态累积表征向量。
可选地,根据对应同类治污设备的所有用电数据项状态所处备选控件范围,确定与对应类型的治污设备相对应的目标状态累积表征向量,包括:针对每个备选控件范围,识别出备选控件范围涵盖的用电数据项状态所属治污设备的类型(如拦污设备、过滤设备、干燥设备等),以及获取相应的类型支持度;识别得到类型支持度大于支持度临界值的备选控件范围作为目标范围;归集各目标范围涵盖的用电数据项状态所属治污设备的类型,并依据属于同一治污设备的用电数据项状态所对应的目标范围,确定设备电力数据簇中涵盖的每一类型的治污设备的目标状态累积表征向量。
类型支持度表示支持为对应类型的概率,用电数据项状态所属治污设备的类型对应的类型支持度越大,该类型的准确性越高,支持度临界值的数值根据需求设置。针对每个备选控件范围,依据分类算子对备选控件范围涵盖的用电数据项状态进行分类,确定用电数据项状态的治污设备的类型,以及获取相应的类型支持度,分类网络可以依据交叉熵误差函数完成备选控件范围涵盖的用电数据项状态分类。识别得到类型支持度大于支持度临界值的备选控件范围作为目标范围,删除未达到支持度临界值的备选控件范围。本公开针对每个备选控件范围,确定得到备选控件范围涵盖的用电数据项状态所属治污设备的类型,以及获取相应的类型支持度;识别得到类型支持度大于支持度临界值的备选控件范围作为目标范围,如此能基于识别得到的目标范围涵盖的用电数据项状态所属治污设备的类型,更精准得到设备电力数据簇中涵盖的每一类型的治污设备的目标状态累积表征向量。
请参照图3,是一种状态识别的示意图,将设备电力数据簇31输入卷积算法32中,通过卷积算法32挖掘得到多层级数据表征向量33。依据显著性特征抽取策略34对多层级数据表征向量33进行显著性加权操作,得到聚焦后的多层级数据表征向量35。将聚焦后的多层级数据表征向量35进行特征提炼,生成设备电力数据簇31中包括的每一个用电数据项状态所处备选控件范围;针对每个备选控件范围,识别出备选控件范围涵盖的用电数据项状态所属治污设备的类型,以及获取相应的类型支持度;对各备选控件范围进行选取,识别得到类型支持度大于支持度临界值的备选控件范围作为目标范围,得到选取结果36。归集各目标范围涵盖的用电数据项状态所属治污设备的类型,并依据属于同一治污设备的用电数据项状态所对应的目标范围,得到状态识别结果37,状态识别结果37为设备电力数据簇中涵盖的每一类型的治污设备的目标状态累积表征向量。可选地,对多层级数据表征向量进行显著性加权操作,得到聚焦后的多层级数据表征向量,包括:对多层级数据表征向量中的每一层表征向量各自执行通道显著性加权操作,获得相应的通道多层级表征向量;对多层级数据表征向量中的每一层表征向量各自执行空间显著性加权操作,获得相应的空间多层级表征向量;融合多层级数据表征向量、通道多层级表征向量和空间多层级表征向量,得到聚焦后的多层级数据表征向量,其中,通道多层级表征向量为进行通道显著性加权操作的多层级表征向量,空间多层级表征向量为进行空间显著性加权操作的多层级表征向量。对多层级数据表征向量中的每一层表征向量各自执行通道显著性加权操作,得到多层级数据表征向量在通道的权值,将其乘以多层级数据表征向量,获得相应的通道多层级表征向量。对多层级数据表征向量中的每一层表征向量各自执行空间显著性加权操作,得到多层级数据表征向量在空间上权值,将其乘以多层级数据表征向量,获得相应的空间多层级表征向量。
融合多层级数据表征向量、通道多层级表征向量和空间多层级表征向量,得到聚焦后的多层级数据表征向量,聚焦后的多层级数据表征向量为残差显著性表征向量。本实施例分别对多层级数据表征向量中的每一层表征向量进行通道显著性加权操作以及空间显著性加权操作,融合多层级数据表征向量、通道多层级表征向量和空间多层级表征向量,综合起来对多层级数据表征向量进行残差显著性聚焦,挖掘得到更准确的多层级数据表征向量。
对于显著性特征抽取策略,其是对多层级数据表征向量中的每一层表征向量各自执行通道显著性加权操作,获得相应的通道多层级表征向量,再对多层级数据表征向量中的每一层表征向量各自执行空间显著性加权操作,获得相应的空间多层级表征向量,融合(例如相加)多层级数据表征向量、通道多层级表征向量和空间多层级表征向量,得到聚焦后的多层级数据表征向量。
可选地,确定设备电力数据簇的用电态势表征向量的过程可以包括以下操作:
操作301,对设备电力数据簇进行对象锁定,得到设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点。
目标演变时序点是设备电力数据簇中锁定的用电数据项状态所处数据的分布节点,通过用电数据项状态的目标演变时序曲线,能获得用电数据项状态的前进目标,即接下来在哪一个时间到达哪一个设备,以便产生一个时序曲线。可选地,可以对设备电力数据簇进行单对象锁定,得到设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点。或者,可以对设备电力数据簇进行多对象锁定,得到设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点。
操作302,将设备电力数据簇中的目标演变时序点的目标分布表征向量加入锁定列表中,令锁定列表中靠前设备电力数据簇所对应的靠前目标演变时序点,与当前的设备电力数据簇所对应的目标演变时序点,生成各用电数据项状态的目标演变时序曲线。
目标分布表征向量是目标演变时序点的分布位置的表征向量,通过目标分布表征向量,得到目标演变时序点的空间分布位置,锁定列表是保存各用电数据项状态的演变时序曲线的分布表征向量的序列,靠前设备电力数据簇是依据采集周期的顺序,位于当前设备电力数据簇之前的设备电力数据簇,靠前目标演变时序点是靠前设备电力数据簇中锁定的用电数据项状态所处位置。将设备电力数据簇中的目标演变时序点的目标分布表征向量加入锁定列表中,通过锁定列表中该用电数据项状态的目标演变时序点的目标分布表征向量,可得到目标演变时序点,通过靠前设备电力数据簇该用电数据项状态对应的各靠前目标演变时序点的靠前分布表征向量,得到各靠前目标演变时序点,将目标演变时序点和各靠前目标演变时序点连接,得到用电数据项状态的目标演变时序曲线。
获取到设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点后,对各用电数据项状态的锁定状态进行迭代,若靠前设备电力数据簇中包括预设用电数据项状态,同时当前设备电力数据簇中未锁定该预设用电数据项状态,则将该预设用电数据项状态的锁定迭代成无效,若靠前设备电力数据簇中包括预设用电数据项状态,同时当前设备电力数据簇中锁定该预设用电数据项状态,则将该预设用电数据项状态的锁定进行维持。
操作303,根据设备电力数据簇中各用电数据项状态的目标演变时序曲线的数量,确定设备电力数据簇的用电态势表征向量。
获取到各用电数据项状态的目标演变时序曲线后,归集设备电力数据簇中目标演变时序曲线的数量,确定各用电数据项状态的前进目标。针对每个设备电力数据簇,获取该设备电力数据簇锁定的每一个用电数据项状态的目标演变时序曲线的数量,将每一用电数据项状态的目标演变时序曲线的数量确定为待构建的用电态势表征向量中的一个组元,以构建得到该设备电力数据簇的用电态势表征向量。本公开对设备电力数据簇进行对象锁定,得到设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点;将设备电力数据簇中的目标演变时序点的目标分布表征向量加入锁定列表中,令锁定列表中靠前设备电力数据簇所对应的靠前目标演变时序点,与当前的设备电力数据簇所对应的目标演变时序点,生成各用电数据项状态的目标演变时序曲线;根据设备电力数据簇中各用电数据项状态的目标演变时序曲线的数量,确定设备电力数据簇的用电态势表征向量,则设备电力数据簇的用电态势表征向量中不仅包含各用电数据项状态的目标演变时序曲线的数量,还包含各用电数据项状态的演变时序曲线的前进目标,能更精确地表现设备电力数据簇中各用电数据项状态的演变关系,便于准确对设备的用电趋势进行预估。
可选地,对设备电力数据簇进行对象锁定,得到设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点,可以包括:对设备电力数据簇进行多对象锁定(对多个对象进行锁定),得到设备电力数据簇中锁定的每一个用电数据项状态的第一演变时序点;对设备电力数据簇进行单对象锁定,得到设备电力数据簇中锁定的每一个用电数据项状态的第二演变时序点;调取时序点选取算法在第一演变时序点和第二演变时序点中,确定设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点。对设备电力数据簇进行多对象锁定,锁定效率更高,能快速获取设备电力数据簇中各用电数据项状态的第一演变时序点,对设备电力数据簇进行单对象锁定,对每一个用电数据项状态的锁定效果更好,以得到精确的设备电力数据簇中各用电数据项状态的第二演变时序点。第一演变时序点是对设备电力数据簇进行多对象锁定得到的用电数据项状态所处分布位置,第二演变时序点是对设备电力数据簇进行单对象锁定得到的用电数据项状态所处分布位置。
时序点选取算法是从第一演变时序点和第二演变时序点中自主识别最佳目标演变时序点的算法。可选地,依据训练好的时序点选取算法在第一演变时序点和第二演变时序点中,确定设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点。
可选地,对设备电力数据簇进行多对象锁定,得到设备电力数据簇中锁定的每一个用电数据项状态的第一演变时序点的过程可以包括:在设备电力数据簇挖掘得到多层级数据表征向量;多层级数据表征向量包括有若干层级递增的表征向量;针对多层级数据表征向量中除层级最高的表征向量之外的每一个层级的表征向量进行插值处理,获得相应的插值表征向量,通过跨层恒等连接(即残差连接)将插值表征向量与对应层级对应的前一层级的表征向量进行向量交互,得到设备电力数据簇中锁定的每一个用电数据项状态的第一分布表征向量;依据第一分布表征向量确定每一个用电数据项状态的第一演变时序点。
多层级数据表征向量包括有若干层级递增的表征向量,插值处理为上采样升维的方式。第一分布表征向量是多对象锁定过程中,锁定的用电数据项状态的坐在位置的表征向量。依据深度表征向量融合算子从设备电力数据簇中挖掘得到多层级数据表征向量。对于深度表征向量融合算子,举例而言,多层级数据表征向量包括三层逐渐增大的表征向量,每一层分别为二分之一、四分之一和八分之一,针对多层级数据表征向量中除层级最高的表征向量之外的每一个层级的表征向量,即对层级为四分之一和八分之一的表征向量各自执行插值处理,获得相应的插值表征向量,通过跨层恒等连接将插值表征向量与对应层级对应的前一层级的表征向量进行向量交互,得到设备电力数据簇中锁定的每一个用电数据项状态的第一分布表征向量。
本实施例从设备电力数据簇挖掘得到多层级数据表征向量;针对多层级数据表征向量中除层级最高的表征向量之外的每一个层级的表征向量进行插值处理,获得相应的插值表征向量,通过跨层恒等连接将插值表征向量与对应层级对应的前一层级的表征向量进行向量交互,得到设备电力数据簇中锁定的每一个用电数据项状态的第一分布表征向量,下层维度间包含丰富的跨层恒等连接,能挖掘得到准确的第一分布表征向量,也就获得精准的用电数据项状态的第一演变时序点。
可选地,对设备电力数据簇进行单对象锁定,得到设备电力数据簇中锁定的每一个用电数据项状态的第二演变时序点的过程可包括:获取依据设备电力数据簇进行状态识别而得到的状态识别数据分块;对设备电力数据簇和状态识别数据分块各自执行特征提炼,挖掘得到设备电力数据簇中各用电数据项状态的第一数据表征向量和状态识别数据分块中各用电数据项状态的第二数据表征向量;依据显著性特征抽取策略对各第一数据表征向量和各第二数据表征向量各自执行处理,得到聚焦后的第一数据表征向量和聚焦后的第二数据表征向量;将聚焦后的第一数据表征向量和聚焦后的第二数据表征向量进行共性评估,得到聚焦后的第一数据表征向量和聚焦后的第二数据表征向量之间的相似性表征向量;根据各相似性表征向量,得到设备电力数据簇中锁定的每一个用电数据项状态的第二演变时序点。
状态识别数据分块是对设备电力数据簇进行状态识别得到的数据分块,第一数据表征向量为设备电力数据簇包括的表征向量,第二数据表征向量是状态识别数据分块包括的表征向量,相似性表征向量是聚焦后的第一数据表征向量和聚焦后的第二数据表征向量之间具有相似性的表征向量。可选地,可以获取事先或实时状态识别得到的状态识别数据分块。依据卷积算法分别对设备电力数据簇和状态识别数据分块各自执行特征提炼,挖掘得到设备电力数据簇中各用电数据项状态的第一数据表征向量和状态识别数据分块中各用电数据项状态的第二数据表征向量。将聚焦后的第一数据表征向量和聚焦后的第二数据表征向量进行共性评估(评估二者的共性),可以挖掘得到聚焦后的第一数据表征向量和聚焦后的第二数据表征向量之间的相似程度,挖掘得到具有相似性的相似性表征向量。
依据显著性特征抽取策略对各第一数据表征向量和各第二数据表征向量各自执行处理,得到聚焦后的第一数据表征向量和聚焦后的第二数据表征向量,具体可以包括:对各第一数据表征向量各自执行通道显著性加权操作,得到各第一数据表征向量在通道的权值;将每个通道权值各自乘以对应的第一数据表征向量,得到多个第一通道数据表征向量;对各第一数据表征向量各自执行空间显著性加权操作,得到各第一数据表征向量在空间的权值;将每个空间的权值乘以对应的第一数据表征向量,得到多个第一空间数据表征向量;将对应的第一通道数据表征向量、第一空间数据表征向量和第一数据表征向量进行融合(例如相加或拼接),得到聚焦后的各第一数据表征向量;对各第二数据表征向量各自执行通道显著性加权操作,得到各第二数据表征向量在通道的权值;将各通道的权值各自乘以对应的第二数据表征向量,获得多个第二通道数据表征向量;对各第二数据表征向量各自执行空间显著性加权操作,得到各第二数据表征向量在空间的权值,将每个空间的权值乘以对应的第二数据表征向量,获得多个第二空间数据表征向量;将相应的第二通道数据表征向量、第二空间数据表征向量和第二数据表征向量进行融合,得到聚焦后的各第二数据表征向量。
本实施例基于状态识别得到的状态识别数据分块,从状态识别数据分块中挖掘得到第二数据表征向量,将设备电力数据簇的第一数据表征向量和状态识别数据分块的第二数据表征向量进行共性评估,获得准确的设备电力数据簇中锁定的每一个用电数据项状态的第二演变时序点。此外,还依据显著性特征抽取策略对各第一数据表征向量和各第二数据表征向量各自执行处理,得到聚焦后的第一数据表征向量和聚焦后的第二数据表征向量,适配性地对聚焦后的第一数据表征向量和聚焦后的第二数据表征向量进行共性评估,强化了锁定的效果,简化算法。
可选地,根据各相似性表征向量,得到设备电力数据簇中锁定的每一个用电数据项状态的第二演变时序点,具体可以包括:对每个相似性表征向量各自执行朴素贝叶斯分类,获得类别支持度序列;对每个相似性表征向量各自执行线性回归处理,获得分布回归序列;依据类别支持度序列和分布回归序列,确定每个用电数据项状态的第二分布表征向量;依据第二分布表征向量确定每一个用电数据项状态的第二演变时序点。类别支持度序列是对各相似性表征向量进行朴素贝叶斯分类的支持度序列,相似性表征向量的分类支持度越大,对该相似性表征向量进行朴素贝叶斯分类的真实性越高。分布回归序列是多个分布回归结果的序列,分布回归结果是对相似性表征向量进行线性回归处理后的结果,分布回归结果表征相似性表征向量相应的在状态识别数据分块中用电数据项状态的检测分布表征向量的精确性。
可选地,时序点选取算法在训练时,包括以下操作:获取多个设备电力数据簇学习样例,对每个设备电力数据簇学习样例进行多对象锁定得到第一样例演变时序点;对每个设备电力数据簇学习样例进行单对象锁定得到第二样例演变时序点;在当次训练中,针对当次的每个设备电力数据簇学习样例,都基于待训练的时序点选取算法在第一样例演变时序点和第二样例演变时序点中确定目标样例演变时序点,以及确定目标样例演变时序点和设备电力数据簇学习样例的真实样例演变时序点之间的重合系数;将当次的所有设备电力数据簇学习样例的重合系数进行求和,得到当次的重合系数和值;采用调整重合系数和值最大,完成训练待训练的时序点选取算法,然后跳转进行下一次训练,在达到算法收敛时,得到训练好的时序点选取算法。设备电力数据簇学习样例是训练样本,第一样例演变时序点是对设备电力数据簇学习样例进行多对象锁定得到的结果,第二样例演变时序点是对设备电力数据簇学习样例进行单对象锁定得到的结果,目标样例演变时序点是在第一样例演变时序点和第二样例演变时序点中确定的结果,真实样例演变时序点是设备电力数据簇学习样例中真实的结果。重合系数是表示目标样例演变时序点和设备电力数据簇学习样例的真实样例演变时序点之间的交并比的值,重合系数和值是一次训练中全部的重合系数相加得到的值。每次得到重合系数和值后,依据梯度优化对时序点选取算法进行优化,令时序点选取算法的重合系数和值最大,以得到训练好的时序点选取算法。本公开依据设备电力数据簇学习样例对时序点选取算法进行训练,得到时序点选取算法每一轮次的重合系数和值,采用调整重合系数和值最大,完成待训练的时序点选取算法的训练,获得性能优异的时序点选取算法,训练得到的时序点选取算法在后续的实际应用中,可更精确地确定设备电力数据簇中锁定的每个用电数据项状态的目标演变时序点。
在另一实施例中,本公开的基于电力大数据的环保智慧监测方法,可以进行以下说明,针对每一设备电力大数据集包括的多个过往采集周期的设备电力数据簇,依据卷积算法对设备电力数据簇进行特征提炼,挖掘得到设备电力数据簇的设备电力数据簇全局表征向量;针对每个设备电力数据簇,分别将设备电力数据簇所对应的目标状态累积表征向量、用电态势表征向量和设备电力数据簇全局表征向量进行向量交互,得到与相应设备电力数据簇对应的电力监测表征向量。将各个过往采集周期分别对应的设备电力数据趋势图进行融合,得到融合设备电力数据趋势图;依据图特征提炼和时间层面特征提炼对融合设备电力数据趋势图各自执行图特征提炼(例如进行图卷积)和时间层面特征提炼(在时间维度上进行卷积),挖掘得到多维表征向量(多维中融合时空信息);将多维表征向量输入决策算子,通过决策算子输出不少于一个环保监测区域的推理设备电力数据趋势,上述的决策算子可以为全连接网络层,可以将位于其前的各个网络层的输出归总后进行分类决策。
可选地,将各个过往采集周期分别对应的设备电力数据趋势图进行融合,得到融合设备电力数据趋势图,可以包括:针对若干采集周期中的每一采集周期,将采集周期中的各个过往采集周期分别对应的设备电力数据趋势图进行融合,得到设备电力数据周期趋势图;将各个采集周期各自对应的设备电力数据周期趋势图进行融合,得到融合设备电力数据趋势图。
设备电力数据周期趋势图是周期中的各过往采集周期各自对应的设备电力数据趋势图进行融合得到的设备电力数据趋势图。针对每个周期,将其各个过往采集周期分别对应的设备电力数据趋势图进行融合,得到分别对应的设备电力数据周期趋势图,再将设备电力数据周期趋势图进行融合,得到融合设备的用电趋势,该融合设备电力数据趋势图涵盖各周期间的关联性,在该融合设备电力数据趋势图挖掘得到的多维表征向量具有各周期间关联性,能准确确定不少于一个环保监测区域的推理设备电力数据趋势。
综上所述,本公开获取在不少于一个环保监测区域各自采集的设备电力大数据集;针对每一设备电力大数据集的多个过往采集周期的设备电力数据簇,准确地挖掘得到设备电力数据簇中涵盖的每一类型的治污设备的目标状态累积表征向量、设备电力数据簇的用电态势表征向量和设备电力数据簇全局表征向量;针对每个设备电力数据簇,分别将相应设备电力数据簇所对应的目标状态累积表征向量、用电态势表征向量和设备电力数据簇全局表征向量进行向量交互,得到与相应设备电力数据簇对应的电力监测表征向量;依据不少于一个环保监测区域在同一过往采集周期的设备电力数据簇对应的电力监测表征向量,构建相应过往采集周期的设备电力数据趋势图;那么,设备电力数据趋势图不仅具有各环保监测区域在数据空间的特征,还包含数据时序的特征,则基于每个过往采集周期分别对应的设备电力数据趋势图,能获得各过往采集周期的表征向量在时空多维度的关联性,以更精确得到不少于一个环保监测区域的推理设备电力数据趋势。此外,可以直接基于设备电力大数据集对各环保监测区域的设备的用电趋势进行预估,数据成本低。
基于同样的发明构思,本公开实施例还提供了一种用于实现上述所涉及的标签处理方法的数据分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个数据分析装置实施例中的具体限定可以参见上文中对于标签处理方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种数据分析装置300,包括:
数据获取模块310,用于获取在不少于一个环保监测区域各自采集的设备电力大数据集;
向量挖掘模块320,用于针对每一设备电力大数据集所包括的多个过往采集周期的设备电力数据簇,确定所述设备电力数据簇涵盖的每一类型的治污设备的目标状态累积表征向量、所述设备电力数据簇的用电态势表征向量和设备电力数据簇全局表征向量;
向量交互模块330,用于针对每个设备电力数据簇,分别将相应设备电力数据簇所对应的目标状态累积表征向量、用电态势表征向量和设备电力数据簇全局表征向量进行向量交互,得到与相应设备电力数据簇对应的电力监测表征向量;
趋势图生成模块340,用于依据所述不少于一个环保监测区域在同一过往采集周期的设备电力数据簇所对应的电力监测表征向量,生成相应过往采集周期的设备电力数据趋势图;
趋势确定模块350,用于基于每个过往采集周期分别对应的设备电力数据趋势图,确定所述不少于一个环保监测区域的推理设备电力数据趋势;
通过所述推理设备电力数据趋势得到所述不少于一个环保监测区域的环境治理状态。
上述标签处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种数据分析设备,该数据分析设备可以是服务器,其内部结构图可以如图5所示。该数据分析设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该数据分析设备的处理器用于提供计算和控制能力。该数据分析设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该数据分析设备的数据库用于存储包含电力数据。该数据分析设备的输入/输出接口用于处理器与外部设备之间交换信息。该数据分析设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于电力大数据的环保智慧监测方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的数据分析设备的限定,具体的数据分析设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种数据分析设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的操作。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的操作。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的操作。
需要说明的是,本公开所涉及的对象信息(包括但不限于对象的设备信息、对应的个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经对象授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本公开所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本公开所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本公开所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本公开专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开构思的前提下,还可以做出若干变形和改进,这些都属于本公开的保护范围。因此,本公开的保护范围应以所附权利要求为准。
Claims (8)
1.一种依据电力大数据的环保智慧监测方法,其特征在于,所述方法包括:
获取在不少于一个环保监测区域各自采集的设备电力大数据集;
针对每一设备电力大数据集所包括的多个过往采集周期的设备电力数据簇,确定所述设备电力数据簇涵盖的每一类型的治污设备的目标状态累积表征向量、所述设备电力数据簇的用电态势表征向量和设备电力数据簇全局表征向量;
针对每个设备电力数据簇,分别将相应设备电力数据簇所对应的目标状态累积表征向量、用电态势表征向量和设备电力数据簇全局表征向量进行向量交互,得到与相应设备电力数据簇对应的电力监测表征向量;
依据所述不少于一个环保监测区域在同一过往采集周期的设备电力数据簇所对应的电力监测表征向量,生成相应过往采集周期的设备电力数据趋势图;
基于每个过往采集周期分别对应的设备电力数据趋势图,确定所述不少于一个环保监测区域的推理设备电力数据趋势;
通过所述推理设备电力数据趋势得到所述不少于一个环保监测区域的环境治理状态;
确定所述设备电力数据簇涵盖的每一类型的治污设备的目标状态累积表征向量的过程包括:
从所述设备电力数据簇挖掘得到多层级数据表征向量;
对所述多层级数据表征向量进行显著性加权操作,得到聚焦后的多层级数据表征向量;
将聚焦后的多层级数据表征向量进行特征提炼,生成所述设备电力数据簇中包括的每一个用电数据项状态所处备选控件范围;
根据对应同类治污设备的所有用电数据项状态所处备选控件范围,确定与对应类型的治污设备相对应的目标状态累积表征向量;
所述根据对应同类治污设备的所有用电数据项状态所处备选控件范围,确定与对应类型的治污设备相对应的目标状态累积表征向量,包括:
针对每个所述备选控件范围,识别出所述备选控件范围涵盖的用电数据项状态所属治污设备的类型,以及获取相应的类型支持度;
识别得到类型支持度大于支持度临界值的备选控件范围作为目标范围;
归集各所述目标范围涵盖的用电数据项状态所属治污设备的类型,并依据属于同一治污设备的用电数据项状态所对应的目标范围,确定所述设备电力数据簇中涵盖的每一类型的治污设备的目标状态累积表征向量;
所述对所述多层级数据表征向量进行显著性加权操作,得到聚焦后的多层级数据表征向量,包括:
对所述多层级数据表征向量中的每一层表征向量各自执行通道显著性加权操作,获得相应的通道多层级表征向量;
对所述多层级数据表征向量中的每一层表征向量各自执行空间显著性加权操作,获得相应的空间多层级表征向量;
融合所述多层级数据表征向量、所述通道多层级表征向量和所述空间多层级表征向量,得到聚焦后的多层级数据表征向量。
2.根据权利要求1所述的方法,其特征在于,确定所述设备电力数据簇的用电态势表征向量的方式,包括:
对所述设备电力数据簇进行对象锁定,得到所述设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点;
将所述设备电力数据簇中的目标演变时序点的目标分布表征向量加入锁定列表中,令所述锁定列表中靠前设备电力数据簇所对应的靠前目标演变时序点,与当前的设备电力数据簇所对应的目标演变时序点,生成各用电数据项状态的目标演变时序曲线;
根据所述设备电力数据簇中各用电数据项状态的目标演变时序曲线的数量,确定所述设备电力数据簇的用电态势表征向量。
3.根据权利要求2所述的方法,其特征在于,所述对所述设备电力数据簇进行对象锁定,得到所述设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点,包括:
对所述设备电力数据簇进行多对象锁定,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第一演变时序点;
对所述设备电力数据簇进行单对象锁定,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第二演变时序点;
调取时序点选取算法在所述第一演变时序点和所述第二演变时序点中,确定所述设备电力数据簇中锁定的每一个用电数据项状态的目标演变时序点。
4.根据权利要求3所述的方法,其特征在于,所述对所述设备电力数据簇进行多对象锁定,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第一演变时序点,包括:
从所述设备电力数据簇挖掘得到多层级数据表征向量;所述多层级数据表征向量包括有若干层级递增的表征向量;
针对所述多层级数据表征向量中除层级最高的表征向量之外的每一个层级的表征向量进行插值处理,获得相应的插值表征向量,并通过跨层恒等连接将所述插值表征向量与对应层级对应的前一层级的表征向量进行向量交互,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第一分布表征向量;
依据所述第一分布表征向量确定每一个用电数据项状态的第一演变时序点;
所述对所述设备电力数据簇进行单对象锁定,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第二演变时序点,包括:
获取依据所述设备电力数据簇进行状态识别而得到的状态识别数据分块;
对所述设备电力数据簇和所述状态识别数据分块各自执行特征提炼,挖掘得到所述设备电力数据簇中各用电数据项状态的第一数据表征向量和所述状态识别数据分块中各用电数据项状态的第二数据表征向量;
依据显著性特征抽取策略对各所述第一数据表征向量和各所述第二数据表征向量各自执行处理,得到聚焦后的第一数据表征向量和聚焦后的第二数据表征向量;
将聚焦后的第一数据表征向量和聚焦后的第二数据表征向量进行共性评估,得到聚焦后的第一数据表征向量和聚焦后的第二数据表征向量之间的相似性表征向量;
根据各所述相似性表征向量,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第二演变时序点。
5.根据权利要求4所述的方法,其特征在于,所述根据各所述相似性表征向量,得到所述设备电力数据簇中锁定的每一个用电数据项状态的第二演变时序点,包括:
对每个所述相似性表征向量各自执行朴素贝叶斯分类,获得类别支持度序列;
对每个所述相似性表征向量各自执行线性回归处理,获得分布回归序列;
依据所述类别支持度序列和所述分布回归序列,确定每个所述用电数据项状态的第二分布表征向量;
依据所述第二分布表征向量确定每一个用电数据项状态的第二演变时序点。
6.根据权利要求3所述的方法,其特征在于,所述时序点选取算法通过以下过程进行训练得到:
获取多个设备电力数据簇学习样例,对每个设备电力数据簇学习样例进行多对象锁定得到第一样例演变时序点;
对每个设备电力数据簇学习样例进行单对象锁定得到第二样例演变时序点;
在当次训练中,针对当次的每个设备电力数据簇学习样例,都基于待训练的时序点选取算法在所述第一样例演变时序点和所述第二样例演变时序点中确定目标样例演变时序点,以及确定所述目标样例演变时序点和所述设备电力数据簇学习样例的真实样例演变时序点之间的重合系数;
将当次的所有设备电力数据簇学习样例的重合系数进行求和,得到当次的重合系数和值;
采用调整所述重合系数和值最大,完成训练所述待训练的时序点选取算法,然后跳转进行下一次训练,在达到算法收敛时,得到训练好的时序点选取算法。
7.根据权利要求1所述的方法,其特征在于,所述基于每个过往采集周期分别对应的设备电力数据趋势图,确定所述不少于一个环保监测区域的推理设备电力数据趋势,包括:
将各个过往采集周期分别对应的设备电力数据趋势图进行融合,得到融合设备电力数据趋势图;
对所述融合设备电力数据趋势图各自执行图特征提炼和时间层面特征提炼,挖掘得到多维表征向量;
将所述多维表征向量输入决策算子,通过所述决策算子输出所述不少于一个环保监测区域的推理设备电力数据趋势;
其中,所述将各个过往采集周期分别对应的设备电力数据趋势图进行融合,得到融合设备电力数据趋势图,包括:针对若干采集周期中的每一采集周期,将所述采集周期中的各个过往采集周期分别对应的设备电力数据趋势图进行融合,得到设备电力数据周期趋势图;将各个采集周期各自对应的设备电力数据周期趋势图进行融合,得到融合设备电力数据趋势图。
8.一种数据分析设备,其特征在于,包括:
一个或多个处理器;
以及一个或多个存储器,其中所述存储器中存储有计算机可读代码,所述计算机可读代码在由所述一个或多个处理器运行时,使得所述一个或多个处理器执行如权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311300301.1A CN117035562B (zh) | 2023-10-10 | 2023-10-10 | 基于电力大数据的环保智慧监测方法及数据分析设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311300301.1A CN117035562B (zh) | 2023-10-10 | 2023-10-10 | 基于电力大数据的环保智慧监测方法及数据分析设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117035562A CN117035562A (zh) | 2023-11-10 |
CN117035562B true CN117035562B (zh) | 2024-01-30 |
Family
ID=88639439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311300301.1A Active CN117035562B (zh) | 2023-10-10 | 2023-10-10 | 基于电力大数据的环保智慧监测方法及数据分析设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035562B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108709955A (zh) * | 2018-05-17 | 2018-10-26 | 华东理工大学 | 一种恶臭电子鼻仪器和恶臭气体多点集中式在线监测方法 |
CN108896706A (zh) * | 2018-05-17 | 2018-11-27 | 华东理工大学 | 大数据驱动的恶臭气体多点集中式电子鼻仪器在线分析方法 |
CN110309037A (zh) * | 2018-11-28 | 2019-10-08 | 南京邮电大学 | 一种数据中心能效相关特征的选择方法 |
CN110866528A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
CN114021964A (zh) * | 2021-11-03 | 2022-02-08 | 福州大学 | 工业企业设备工况判别及环保情况监测方法 |
CN114580494A (zh) * | 2022-01-18 | 2022-06-03 | 国网江苏省电力有限公司扬州供电分公司 | 基于随机森林算法的依据企业用电对排污行为的监测方法 |
CN114580958A (zh) * | 2022-03-16 | 2022-06-03 | 国网湖南省电力有限公司 | 一种基于电量数据的工业企业环保工况监测方法及系统 |
WO2023021607A1 (ja) * | 2021-08-18 | 2023-02-23 | 三菱電機ビルソリューションズ株式会社 | 消費電力推定装置、消費電力推定方法および消費電力推定プログラム |
WO2023124490A1 (zh) * | 2021-12-31 | 2023-07-06 | 中国环境科学研究院 | 基于电网及税收数据融合的水污染环保校验方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724290B (zh) * | 2020-06-24 | 2023-09-26 | 山东建筑大学 | 基于深度分层模糊算法的环保设备识别方法与系统 |
-
2023
- 2023-10-10 CN CN202311300301.1A patent/CN117035562B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108709955A (zh) * | 2018-05-17 | 2018-10-26 | 华东理工大学 | 一种恶臭电子鼻仪器和恶臭气体多点集中式在线监测方法 |
CN108896706A (zh) * | 2018-05-17 | 2018-11-27 | 华东理工大学 | 大数据驱动的恶臭气体多点集中式电子鼻仪器在线分析方法 |
CN110309037A (zh) * | 2018-11-28 | 2019-10-08 | 南京邮电大学 | 一种数据中心能效相关特征的选择方法 |
CN110866528A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
WO2023021607A1 (ja) * | 2021-08-18 | 2023-02-23 | 三菱電機ビルソリューションズ株式会社 | 消費電力推定装置、消費電力推定方法および消費電力推定プログラム |
CN114021964A (zh) * | 2021-11-03 | 2022-02-08 | 福州大学 | 工业企业设备工况判别及环保情况监测方法 |
WO2023124490A1 (zh) * | 2021-12-31 | 2023-07-06 | 中国环境科学研究院 | 基于电网及税收数据融合的水污染环保校验方法和装置 |
CN114580494A (zh) * | 2022-01-18 | 2022-06-03 | 国网江苏省电力有限公司扬州供电分公司 | 基于随机森林算法的依据企业用电对排污行为的监测方法 |
CN114580958A (zh) * | 2022-03-16 | 2022-06-03 | 国网湖南省电力有限公司 | 一种基于电量数据的工业企业环保工况监测方法及系统 |
Non-Patent Citations (4)
Title |
---|
在线环保监测系统中的大数据分析研究;高贵康;戴博文;肖明波;;信息与电脑(理论版)(03);第32-34页 * |
基于电能质量监测数据的企业环保异常工况识别;张逸等;《电力系统自动化》;第180-189页 * |
数据挖掘技术在生态环境保护领域的应用进展;林书乐;;环境与发展(02);第4-5+8页 * |
空间关联视域下跨区域治污资源配置研究;徐飞;;环境经济研究(01);第31-41+122页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117035562A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ayvaz | Simultaneous determination of aquifer parameters and zone structures with fuzzy c-means clustering and meta-heuristic harmony search algorithm | |
Sivagaminathan et al. | A hybrid approach for feature subset selection using neural networks and ant colony optimization | |
Bowden et al. | Input determination for neural network models in water resources applications. Part 1—background and methodology | |
CN110570111A (zh) | 企业风险预测方法、模型训练方法、装置及设备 | |
CN110969304A (zh) | 数字工厂生产产能预测方法、系统、装置 | |
de Haro-García et al. | A divide-and-conquer recursive approach for scaling up instance selection algorithms | |
Dalal et al. | Case retrieval optimization of Case-based reasoning through Knowledge-intensive Similarity measures | |
Mohammad-Azari et al. | State-of-art of genetic programming applications in water-resources systems analysis | |
Parasuraman et al. | Cluster-based hydrologic prediction using genetic algorithm-trained neural networks | |
García-Vico et al. | Fepds: A proposal for the extraction of fuzzy emerging patterns in data streams | |
Lupiani et al. | Evaluating case-base maintenance algorithms | |
CN117035562B (zh) | 基于电力大数据的环保智慧监测方法及数据分析设备 | |
Ponnam et al. | A comparative study on techniques used for prediction of stock market | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
CN116843083A (zh) | 基于混合神经网络模型的碳排放预测系统及方法 | |
CN115803752A (zh) | 深度卷积神经网络中的归一化 | |
Martino et al. | Data mining by evolving agents for clusters discovery and metric learning | |
CN112115991B (zh) | 移动终端换机预测方法、装置、设备及可读存储介质 | |
Viana et al. | Load forecasting benchmark for smart meter data | |
CN113065911A (zh) | 推荐信息生成方法、装置、存储介质及电子设备 | |
CN111260077A (zh) | 一种确定业务处理模型超参数的方法和装置 | |
CN116629348B (zh) | 一种智能车间数据采集分析方法、装置及计算机设备 | |
Revathy et al. | HANA: A Performance-Based Machine Learning and Neural Network Approach for Climate Resilient Agriculture | |
Yu et al. | A Deep Learning-Based Multi-model Ensemble Method for Hydrological Forecasting | |
Prudêncio et al. | Design of neural networks for time series prediction using case-initialized genetic algorithms |
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 |