CN117455124B - 企业的环保设备监测方法、系统、介质及电子设备 - Google Patents
企业的环保设备监测方法、系统、介质及电子设备 Download PDFInfo
- Publication number
- CN117455124B CN117455124B CN202311789649.1A CN202311789649A CN117455124B CN 117455124 B CN117455124 B CN 117455124B CN 202311789649 A CN202311789649 A CN 202311789649A CN 117455124 B CN117455124 B CN 117455124B
- Authority
- CN
- China
- Prior art keywords
- total
- target
- actual
- electricity consumption
- equipment
- 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 64
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005611 electricity Effects 0.000 claims abstract description 218
- 230000007613 environmental effect Effects 0.000 claims abstract description 111
- 238000004519 manufacturing process Methods 0.000 claims abstract description 104
- 238000004458 analytical method Methods 0.000 claims abstract description 77
- 239000010865 sewage Substances 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 45
- 238000009826 distribution Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 32
- 238000013507 mapping Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007418 data mining Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000009877 rendering Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种企业的环保设备监测方法、系统、介质及电子设备,方法包括:获取目标企业的生产设备的第一智能电表在预设周期内记录的第一用电数据;获取目标企业的环保设备的第二智能电表在预设周期内记录的第二用电数据;根据第一用电数据和目标企业在预设周期内的目标生产量,分析实际排污量;根据第二用电数据,分析实际污染处理量;实际污染处理量是基于预先训练的污染处理量分析模型与第二用电数据分析得到的;当实际排污量与实际污染处理量的差值大于预设区间的上限值时,判定环保设备在预设周期内存在违规,生成环保设备告警信息以及用电量上报至预警客户端进行显示。因此,采用本申请实施例,可以提高环境监测效率和智能化水平。
Description
技术领域
本申请涉及机器学习与大数据技术领域,特别涉及一种企业的环保设备监测方法、系统、介质及电子设备。
背景技术
相关技术中,传统的末端化学含量监测方法成本高,覆盖面不够,且监测数据不连续;该方式需要投入大量的人力物力和财力,监管成本高,同时难以实现对企业生产线和环保设备的全面、实时监测和分析,从而降低了环境监测效率和智能化水平。
发明内容
本申请实施例提供了一种企业的环保设备监测方法、系统、介质及电子设备。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种企业的环保设备监测方法,方法包括:
获取预先安装在目标企业的生产设备的第一智能电表在预设周期内记录的第一用电数据;
获取预先安装在目标企业的环保设备的第二智能电表在预设周期内记录的第二用电数据;
根据第一用电数据以及目标企业在预设周期内的目标生产量,分析目标企业在预设周期内的实际排污量;其中,所述实际排污量是根据正向有功功率总电量、有效功率以及目标用电总量确定的,所述正向有功功率总电量是通过正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量计算的,所述有效功率是根据顺向有功功率总电量和反向有功功率总电量计算的,所述目标用电总量是基于预先标注的生产量和用电量的映射关系确定的,所述正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量、顺向有功功率总电量以及反向有功功率总电量属于所述第一用电数据;
根据第二用电数据,分析环保设备的实际污染处理量;其中,实际污染处理量是基于预先训练的污染处理量分析模型与所述环保设备在预设周期内的实际用电总量分析得到的;环保设备在预设周期内的实际用电总量是根据工作电压以及电流量计算的,工作电压以及电流量属于所述第二用电数据;
当实际排污量与实际污染处理量的差值大于预设区间的上限值的情况下,判定环保设备在预设周期内存在违规,并生成目标企业的环保设备告警信息以及用电量上报至预警客户端进行显示。
可选的,第一用电数据包括正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量、顺向有功功率总电量以及反向有功功率总电量;
根据第一用电数据以及目标企业在预设周期内的目标生产量,分析目标企业在预设周期内的实际排污量,包括:
根据正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量,计算目标企业在预设周期内的正向有功功率总电量;
根据顺向有功功率总电量和反向有功功率总电量,计算生产设备在预设周期内的实际用电所做的有效功率;
从预先标注的生产量和用电量的映射关系中,查询目标生产量对应的目标用电总量;
根据正向有功功率总电量、有效功率以及目标用电总量,确定目标企业在预设周期内的实际排污量。
可选的,根据正向有功功率总电量、有效功率以及目标用电总量,确定目标企业在预设周期内的实际排污量,包括:
根据正向有功功率总电量,拟合目标企业在预设周期内不同时刻的用电分布曲线图;
根据有效功率,确定生产设备的设备用电量;
计算生产设备的设备用电量处于二维坐标系中的目标点与用电分布曲线图的相关性值,以判定目标企业的生产设备是否正常运行;
在相关性值小于等于预设阈值的情况下,确定生产设备运行异常,生成设备异常信息发送至目标企业;或者,
在相关性值大于预设阈值的情况下,根据目标用电总量,确定目标企业在预设周期内的目标用电总量对应的实际排污量。
可选的,计算生产设备的设备用电量处于二维坐标系中的目标点与用电分布曲线图的相关性值,包括:
确定生产设备的设备用电量处于二维坐标系中的目标点;
对目标点的坐标点特征进行向量编码,得到目标点对应的特征向量表示;
对用电分布曲线图的线段特征进行向量编码,得到用电分布曲线图对应的特征向量表示;
计算目标点对应的特征向量表示与用电分布曲线图对应的特征向量表示之间的相似距离;
将计算的相似距离确定为生产设备的设备用电量处于二维坐标系中的目标点与用电分布曲线图的相关性值;相似距离计算公式为:
其中,为用电分布曲线图对应的特征向量表示中第/>个特征向量表示,/>为目标点对应的单个特征向量表示,p为用电分布曲线图对应的特征向量表示的总数量。
可选的,根据目标用电总量,确定目标企业在预设周期内的目标用电总量对应的实际排污量,包括:
获取目标企业的生产设备对应的设备数量和设备运行时的用电参数;
根据目标用电总量、设备数量和设备运行时的用电参数,分析每个生产设备的资产效率;资产效率包括设备开机情况参数,设备开机情况参数包括总开机时长、非工作时间开机时长、平均开机率以及非工作时间开机率;
基于总开机时长、非工作时间开机时长、平均开机率以及非工作时间开机率,确定目标企业的生产设备对应的实际做功时长;
将目标企业的生产设备对应的实际做功时长和生产设备在单位做功时长内运行时的排污量作积,得到目标企业在预设周期内的目标用电总量对应的实际排污量。
可选的,第二用电数据包括工作电压以及电流量;
根据第二用电数据,分析环保设备的实际污染处理量,包括:
根据工作电压以及电流量,计算环保设备在预设周期内的实际用电总量;
将实际用电总量输入预先训练的污染处理量分析模型中进行污染处理量分析;预先训练的污染处理量分析模型是基于多粒度特征训练生成的,多粒度特征是对每个模型训练样本在各预设参数大小粒度下提取的粒度特征,每个模型训练样本是基于预设数量的多个用电总量和环保设备的生产商所提供的用电总量和污染处理量的映射关系确定的;
输出实际用电总量对应的环保设备的实际污染处理量。
可选的,按照以下步骤生成预先训练的污染处理量分析模型,包括:
按照预设阶梯范围设定预设数量的多个用电总量;
从环保设备的生产商所提供的用电总量和污染处理量的映射关系中,确定与每个用电总量相近的用电总量对应的目标污染处理量;
将与每个用电总量相近的用电总量对应的目标污染处理量确定为每个用电总量对应的目标污染处理量;
利用每个用电总量对应的目标污染处理量对每个用电总量进行标签标注,得到多个模型训练样本;
提取每个模型训练样本在各预设参数大小粒度下的粒度特征,得到每个模型训练样本的多粒度特征;
利用神经网络模型创建污染处理量分析模型;
根据每个模型训练样本的多粒度特征对污染处理量分析模型进行训练,生成预先训练的污染处理量分析模型。
第二方面,本申请实施例提供了一种企业的环保设备监测系统,系统包括:
第一用电数据获取模块,用于获取预先安装在目标企业的生产设备的第一智能电表在预设周期内记录的第一用电数据;
第二用电数据获取模块,用于获取预先安装在目标企业的环保设备的第二智能电表在预设周期内记录的第二用电数据;
实际排污量分析模块,用于根据第一用电数据以及目标企业在预设周期内的目标生产量,分析目标企业在预设周期内的实际排污量;其中,所述实际排污量是根据正向有功功率总电量、有效功率以及目标用电总量确定的,所述正向有功功率总电量是通过正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量计算的,所述有效功率是根据顺向有功功率总电量和反向有功功率总电量计算的,所述目标用电总量是基于预先标注的生产量和用电量的映射关系确定的,所述正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量、顺向有功功率总电量以及反向有功功率总电量属于所述第一用电数据;
实际污染处理量分析模块,用于根据第二用电数据,分析环保设备的实际污染处理量;其中,实际污染处理量是基于预先训练的污染处理量分析模型与第二用电数据分析得到的;其中,所述实际污染处理量是基于预先训练的污染处理量分析模型与所述环保设备在预设周期内的实际用电总量分析得到的;所述环保设备在预设周期内的实际用电总量是根据工作电压以及电流量计算的,所述工作电压以及电流量属于所述第二用电数据;
违规判定模块,用于当实际排污量与实际污染处理量的差值大于预设区间的上限值的情况下,判定环保设备在预设周期内存在违规,并生成目标企业的环保设备告警信息以及用电量上报至预警客户端进行显示。
第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种电子设备,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
(1)本申请采用大数据分析和处理技术,如数据挖掘、机器学习等,对采集到的用电数据进行深入分析和处理,实现了对企业进行实时在线监测,可对企业生产线和环保设备的全面、实时监测和分析,从而提升了环境监测效率和智能化水平。
(2)通过实时监测企业生产情况和环保设备运行状态,提高监管部门对重点企业的监管效率,及时发现和解决环保问题。
(3)通过自动化监测和数据分析,减少人力巡检和排查的时间和成本,提高监管效率和管理水平。
(4)通过实时数据监测和异常预警,提高对企业生产过程中环保合规性的审查效率,确保企业遵守环保法规和标准。
(5)通过企业级环保设备监控系统,帮助企业实时了解生产线和环保设备的运行情况,提高生产效率和管理水平,实现可持续发展。
(6)通过数字化环保监管系统的建设和使用,实现智能环保治理的新突破,推动环保产业的发展和创新。
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,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种企业的环保设备监测方法的流程示意图;
图2是本申请实施例提供的一种平台系统的首页示意图;
图3是本申请实施例提供的一种环保监控首页示意图;
图4是本申请实施例提供的一种设周期内不同时刻的用电分布曲线图;
图5是本申请实施例提供的一种生产设备的资产效率示意图;
图6是本申请实施例提供的一种该污染处理量分析模型的网络架构示意图;
图7是本申请实施例提供的一种企业的环保设备监测系统的结构示意图;
图8是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述和附图充分地示出本申请的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的系统和方法的例子。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
目前企业的环保设备监测中,传统的末端化学含量监测方法成本高,难以覆盖广大中小型企业,且监测数据不连续,存在人为操作的空间。
本申请的发明人注意到,该方式需要投入大量的人力物力和财力,监管成本高,同时难以实现对企业生产线和环保设备的全面、实时监测和分析,从而降低了环境监测效率和智能化水平。
为了能够解决环境监测效率和智能化水平低的问题,本申请提供了一种企业的环保设备监测方法、系统、介质及电子设备,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,由于本申请采用大数据分析和处理技术,如数据挖掘、机器学习等,对采集到的用电数据进行深入分析和处理,实现了对企业进行实时在线监测,可对企业生产线和环保设备的全面、实时监测和分析,从而提升了环境监测效率和智能化水平,下面采用示例性的实施例进行详细说明。
下面将结合图1-图8,对本申请实施例提供的企业的环保设备监测方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的企业的环保设备监测系统上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
请参见图1,为本申请实施例提供了一种企业的环保设备监测方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,获取预先安装在目标企业的生产设备的第一智能电表在预设周期内记录的第一用电数据;
其中,目标企业是需要进行环保设备监测的任何一个企业;第一智能电表预先安装在目标企业的生产设备上,用于实时记录生产设备的用电数据;预设周期可以是一小时,也可以是30分钟,具体根据实际应用场景自行设置,通常在服务端处理器的处理能力强的情况下,可将预设周期设置短一点;在服务端处理器的处理能力弱的情况下,可将预设周期设置长一点,可节省处理器的计算资源;第一用电数据包括正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量、顺向有功功率总电量以及反向有功功率总电量。其中,正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量可以统称为尖峰平谷四个时段的数据。
在本申请实施例中,在当前时刻距离上一次环保设备监测结束时刻之间的时长等于预设周期时,服务端以当前时刻和上一次环保设备监测结束时刻为查询条件,从第一智能电表缓存的用电数据中读取预设周期内记录的第一用电数据,第一智能电表和服务端之间通过有线或者无线连接。
S102,获取预先安装在目标企业的环保设备的第二智能电表在预设周期内记录的第二用电数据;
其中,环保设备是目标企业处理污染物的装置,例如处理污水的环保设备,处理有害气体的环保设备;第二智能电表安装在目标企业的环保设备上,用于缓存该环保设备的用电数据;第二用电数据包括工作电压以及电流量。
在本申请实施例中,在当前时刻距离上一次环保设备监测结束时刻之间的时长等于预设周期时,服务端以当前时刻和上一次环保设备监测结束时刻为查询条件,从第二智能电表缓存的用电数据中读取预设周期内记录的第二用电数据,第二智能电表和服务端之间通过有线或者无线连接。
具体的,目标企业、生产设备以及环保设备是通过监管部门相关人员部署智能电表并添加至企业监管库中,监管部门相关人员对目标企业部署智能电表后,例如图2所示,可通过点击“环保监控”组件进入系统,在该系统中添加了目标企业以及该企业的生产设备以及环保设备后,该系统可显示所有企业的企业数量、总生产线以及所有的环保设备以及所有企业不同维度的用电信息,显示的信息例如图3所示。
S103,根据第一用电数据以及目标企业在预设周期内的目标生产量,分析目标企业在预设周期内的实际排污量;
其中,实际排污量是根据正向有功功率总电量、有效功率以及目标用电总量确定的,正向有功功率总电量是通过正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量计算的,有效功率是根据顺向有功功率总电量和反向有功功率总电量计算的,目标用电总量是基于预先标注的生产量和用电量的映射关系确定的,正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量、顺向有功功率总电量以及反向有功功率总电量属于第一用电数据;
在本申请实施例中,在根据第一用电数据以及目标企业在预设周期内的目标生产量,分析目标企业在预设周期内的实际排污量时,首先根据正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量,计算目标企业在预设周期内的正向有功功率总电量;然后根据顺向有功功率总电量和反向有功功率总电量,计算生产设备在预设周期内的实际用电所做的有效功率;其次从预先标注的生产量和用电量的映射关系中,查询目标生产量对应的目标用电总量;最后根据正向有功功率总电量、有效功率以及目标用电总量,确定目标企业在预设周期内的实际排污量。
例如,目标企业在预设周期内的正向有功功率总电量为正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量之和。
例如,生产设备在预设周期内的实际用电所做的有效功率为顺向有功功率总电量和反向有功功率总电量之和。
具体的,在根据正向有功功率总电量、有效功率以及目标用电总量,确定目标企业在预设周期内的实际排污量时,首先根据正向有功功率总电量,拟合目标企业在预设周期内不同时刻的用电分布曲线图;再根据有效功率,确定生产设备的设备用电量;然后计算生产设备的设备用电量处于二维坐标系中的目标点与用电分布曲线图的相关性值,以判定目标企业的生产设备是否正常运行;最后在相关性值小于等于预设阈值的情况下,确定生产设备运行异常,生成设备异常信息发送至目标企业;或者,在相关性值大于预设阈值的情况下,根据目标用电总量,确定目标企业在预设周期内的目标用电总量对应的实际排污量。其中预设周期内不同时刻的用电分布曲线图例如图4所示。
需要说明的是,通过计算相关性值进一步判断可以避免生产设备的异常运行或者智能电表的异常运行对最终的分析结果造成干扰,只有在相关性值较大时,说明生产设备和智能电表运行无异常,此时最终的分析结果可信度更高。
具体的,在计算生产设备的设备用电量处于二维坐标系中的目标点与用电分布曲线图的相关性值时,首先确定生产设备的设备用电量处于二维坐标系中的目标点;然后对目标点的坐标点特征进行向量编码,得到目标点对应的特征向量表示;其次对用电分布曲线图的线段特征进行向量编码,得到用电分布曲线图对应的特征向量表示;再计算目标点对应的特征向量表示与用电分布曲线图对应的特征向量表示之间的相似距离;最后将计算的相似距离确定为生产设备的设备用电量处于二维坐标系中的目标点与用电分布曲线图的相关性值。
具体的,相似距离计算公式为:
其中,为用电分布曲线图对应的特征向量表示中第/>个特征向量表示,/>为目标点对应的单个特征向量表示,p为用电分布曲线图对应的特征向量表示的总数量。
具体的,在根据目标用电总量,确定目标企业在预设周期内的目标用电总量对应的实际排污量时,首先获取目标企业的生产设备对应的设备数量和设备运行时的用电参数;再根据目标用电总量、设备数量和设备运行时的用电参数,分析每个生产设备的资产效率;资产效率包括设备开机情况参数,设备开机情况参数包括总开机时长、非工作时间开机时长、平均开机率以及非工作时间开机率;然后基于总开机时长、非工作时间开机时长、平均开机率以及非工作时间开机率,确定目标企业的生产设备对应的实际做功时长;最后将目标企业的生产设备对应的实际做功时长和生产设备在单位做功时长内运行时的排污量作积,得到目标企业在预设周期内的目标用电总量对应的实际排污量。其中,每个生产设备的资产效率例如图5所示。
S104,根据第二用电数据,分析环保设备的实际污染处理量;其中,实际污染处理量是基于预先训练的污染处理量分析模型与环保设备在预设周期内的实际用电总量分析得到的;环保设备在预设周期内的实际用电总量是根据工作电压以及电流量计算的,工作电压以及电流量属于第二用电数据;
在本申请实施例中,在根据第二用电数据,分析环保设备的实际污染处理量时,首先根据工作电压以及电流量,计算环保设备在预设周期内的实际用电总量;然后将实际用电总量输入预先训练的污染处理量分析模型中进行污染处理量分析;预先训练的污染处理量分析模型是基于多粒度特征训练生成的,多粒度特征是对每个模型训练样本在各预设参数大小粒度下提取的粒度特征,每个模型训练样本是基于预设数量的多个用电总量和环保设备的生产商所提供的用电总量和污染处理量的映射关系确定的;最后输出实际用电总量对应的环保设备的实际污染处理量。
具体的,按照以下步骤生成预先训练的污染处理量分析模型,首先按照预设阶梯范围设定预设数量的多个用电总量;再从环保设备的生产商所提供的用电总量和污染处理量的映射关系中,确定与每个用电总量相近的用电总量对应的目标污染处理量;然后将与每个用电总量相近的用电总量对应的目标污染处理量确定为每个用电总量对应的目标污染处理量;其次利用每个用电总量对应的目标污染处理量对每个用电总量进行标签标注,得到多个模型训练样本;再提取每个模型训练样本在各预设参数大小粒度下的粒度特征,得到每个模型训练样本的多粒度特征;最后利用神经网络模型创建污染处理量分析模型;以及根据每个模型训练样本的多粒度特征对污染处理量分析模型进行训练,生成预先训练的污染处理量分析模型。
需要说明的是,神经网络模型优先选用卷积神经网络,包括输入层、隐藏层以及输出层,该污染处理量分析模型的网络架构例如图6所示,X1、Xi、Xd分别表示每个模型训练样本,V1h、Vih和Vdh为多粒度特征,b1、b2、bh、bq为隐藏层的神经元,经过神经元对多粒度特征处理,可得到特征向量W1j-Wqj,通过交叉熵结合可从输出层输出模型参数,基于损失函数与模型参数y1、yj以及yI可计算出模型损失值,通过该损失值可判断模型是否训练结束。
S105,当实际排污量与实际污染处理量的差值大于预设区间的上限值的情况下,判定环保设备在预设周期内存在违规,并生成目标企业的环保设备告警信息以及用电量上报至预警客户端进行显示。
在一种可能的实现方式中,当实际排污量与实际污染处理量的差值位于预设区间或者低于预设区间的下限值的情况下,判定环保设备在预设周期内不存在违规。
在另一种可能的实现方式中,当实际排污量与实际污染处理量的差值大于预设区间的上限值的情况下,判定环保设备在预设周期内存在违规。
进一步地,判定环保设备在预设周期内存在违规时,可生成目标企业的环保设备告警信息以及用电量上报至预警客户端进行显示。
例如,用户通过点击图3中的监控大屏可进入页面具体看到目标企业的环保设备告警信息以及用电量,目标企业的环保设备告警信息以及用电量。监管部门的相关人员通过点击具体预警事件后可进入查看具体的报警信息。
在本申请实施例中,企业的环保设备监测系统首先获取预先安装在目标企业的生产设备的第一智能电表在预设周期内记录的第一用电数据;然后获取预先安装在目标企业的环保设备的第二智能电表在预设周期内记录的第二用电数据;其次根据第一用电数据以及目标企业在预设周期内的目标生产量,分析目标企业在预设周期内的实际排污量;再根据第二用电数据,分析环保设备的实际污染处理量;实际污染处理量是基于预先训练的污染处理量分析模型与第二用电数据分析得到的;最后当实际排污量与实际污染处理量的差值大于预设区间的上限值的情况下,判定环保设备在预设周期内存在违规,并生成目标企业的环保设备告警信息以及用电量上报至预警客户端进行显示。由于本申请采用大数据分析和处理技术,如数据挖掘、机器学习等,对采集到的用电数据进行深入分析和处理,实现了对企业进行实时在线监测,可对企业生产线和环保设备的全面、实时监测和分析,从而提升了环境监测效率和智能化水平。
下述为本申请系统实施例,可以用于执行本申请方法实施例。对于本申请系统实施例中未披露的细节,请参照本申请方法实施例。
请参见图7,其示出了本申请一个示例性实施例提供的企业的环保设备监测系统的结构示意图。该企业的环保设备监测系统可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该系统1包括第一用电数据获取模块10、第二用电数据获取模块20、实际排污量分析模块30、实际污染处理量分析模块40、违规判定模块50。
第一用电数据获取模块10,用于获取预先安装在目标企业的生产设备的第一智能电表在预设周期内记录的第一用电数据;
第二用电数据获取模块20,用于获取预先安装在目标企业的环保设备的第二智能电表在预设周期内记录的第二用电数据;
实际排污量分析模块30,用于根据第一用电数据以及目标企业在预设周期内的目标生产量,分析目标企业在预设周期内的实际排污量;其中,所述实际排污量是根据正向有功功率总电量、有效功率以及目标用电总量确定的,所述正向有功功率总电量是通过正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量计算的,所述有效功率是根据顺向有功功率总电量和反向有功功率总电量计算的,所述目标用电总量是基于预先标注的生产量和用电量的映射关系确定的,所述正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量、顺向有功功率总电量以及反向有功功率总电量属于所述第一用电数据;
实际污染处理量分析模块40,用于根据第二用电数据,分析环保设备的实际污染处理量;其中,实际污染处理量是基于预先训练的污染处理量分析模型与第二用电数据分析得到的;其中,所述实际污染处理量是基于预先训练的污染处理量分析模型与所述环保设备在预设周期内的实际用电总量分析得到的;所述环保设备在预设周期内的实际用电总量是根据工作电压以及电流量计算的,所述工作电压以及电流量属于所述第二用电数据;
违规判定模块50,用于当实际排污量与实际污染处理量的差值大于预设区间的上限值的情况下,判定环保设备在预设周期内存在违规,并生成目标企业的环保设备告警信息以及用电量上报至预警客户端进行显示。
可选的,实际排污量分析模块30,包括:
正向有功功率总电量计算单元,用于根据正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量,计算目标企业在预设周期内的正向有功功率总电量;
有效功率计算单元,用于根据顺向有功功率总电量和反向有功功率总电量,计算生产设备在预设周期内的实际用电所做的有效功率;
目标用电总量查询单元,用于从预先标注的生产量和用电量的映射关系中,查询目标生产量对应的目标用电总量;
实际排污量确定单元,用于根据正向有功功率总电量、有效功率以及目标用电总量,确定目标企业在预设周期内的实际排污量。
可选的,实际污染处理量分析模块40,包括:
实际用电总量计算单元,用于根据工作电压以及电流量,计算环保设备在预设周期内的实际用电总量;
污染处理量分析单元,用于将实际用电总量输入预先训练的污染处理量分析模型中进行污染处理量分析;预先训练的污染处理量分析模型是基于多粒度特征训练生成的,多粒度特征是对每个模型训练样本在各预设参数大小粒度下提取的粒度特征,每个模型训练样本是基于预设数量的多个用电总量和环保设备的生产商所提供的用电总量和污染处理量的映射关系确定的;
实际污染处理量输出单元,用于输出实际用电总量对应的环保设备的实际污染处理量。
需要说明的是,上述实施例提供的企业的环保设备监测系统在执行企业的环保设备监测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的企业的环保设备监测系统与企业的环保设备监测方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,企业的环保设备监测系统首先获取预先安装在目标企业的生产设备的第一智能电表在预设周期内记录的第一用电数据;然后获取预先安装在目标企业的环保设备的第二智能电表在预设周期内记录的第二用电数据;其次根据第一用电数据以及目标企业在预设周期内的目标生产量,分析目标企业在预设周期内的实际排污量;再根据第二用电数据,分析环保设备的实际污染处理量;实际污染处理量是基于预先训练的污染处理量分析模型与第二用电数据分析得到的;最后当实际排污量与实际污染处理量的差值大于预设区间的上限值的情况下,判定环保设备在预设周期内存在违规,并生成目标企业的环保设备告警信息以及用电量上报至预警客户端进行显示。由于本申请采用大数据分析和处理技术,如数据挖掘、机器学习等,对采集到的用电数据进行深入分析和处理,实现了对企业进行实时在线监测,可对企业生产线和环保设备的全面、实时监测和分析,从而提升了环境监测效率和智能化水平。
本申请还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的企业的环保设备监测方法。
本申请还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的企业的环保设备监测方法。
请参见图8,为本申请实施例提供了一种电子设备的结构示意图。如图8所示,电子设备1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储系统。如图8所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及企业的环保设备监测应用程序。
在图8所示的电子设备1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的企业的环保设备监测应用程序,并具体执行以下操作:
获取预先安装在目标企业的生产设备的第一智能电表在预设周期内记录的第一用电数据;
获取预先安装在目标企业的环保设备的第二智能电表在预设周期内记录的第二用电数据;
根据第一用电数据以及目标企业在预设周期内的目标生产量,分析目标企业在预设周期内的实际排污量;
根据第二用电数据,分析环保设备的实际污染处理量;其中,实际污染处理量是基于预先训练的污染处理量分析模型与第二用电数据分析得到的;
当实际排污量与实际污染处理量的差值大于预设区间的上限值的情况下,判定环保设备在预设周期内存在违规,并生成目标企业的环保设备告警信息以及用电量上报至预警客户端进行显示。
在一个实施例中,处理器1001在执行根据第一用电数据以及目标企业在预设周期内的目标生产量,分析目标企业在预设周期内的实际排污量时,具体执行以下操作:
根据正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量,计算目标企业在预设周期内的正向有功功率总电量;
根据顺向有功功率总电量和反向有功功率总电量,计算生产设备在预设周期内的实际用电所做的有效功率;
从预先标注的生产量和用电量的映射关系中,查询目标生产量对应的目标用电总量;
根据正向有功功率总电量、有效功率以及目标用电总量,确定目标企业在预设周期内的实际排污量。
在一个实施例中,处理器1001在执行根据正向有功功率总电量、有效功率以及目标用电总量,确定目标企业在预设周期内的实际排污量时,具体执行以下操作:
根据正向有功功率总电量,拟合目标企业在预设周期内不同时刻的用电分布曲线图;
根据有效功率,确定生产设备的设备用电量;
计算生产设备的设备用电量处于二维坐标系中的目标点与用电分布曲线图的相关性值,以判定目标企业的生产设备是否正常运行;
在相关性值小于等于预设阈值的情况下,确定生产设备运行异常,生成设备异常信息发送至目标企业;或者,
在相关性值大于预设阈值的情况下,根据目标用电总量,确定目标企业在预设周期内的目标用电总量对应的实际排污量。
在一个实施例中,处理器1001在执行计算生产设备的设备用电量处于二维坐标系中的目标点与用电分布曲线图的相关性值时,具体执行以下操作:
确定生产设备的设备用电量处于二维坐标系中的目标点;
对目标点的坐标点特征进行向量编码,得到目标点对应的特征向量表示;
对用电分布曲线图的线段特征进行向量编码,得到用电分布曲线图对应的特征向量表示;
计算目标点对应的特征向量表示与用电分布曲线图对应的特征向量表示之间的相似距离;
将计算的相似距离确定为生产设备的设备用电量处于二维坐标系中的目标点与用电分布曲线图的相关性值;相似距离计算公式为:
其中,为用电分布曲线图对应的特征向量表示中第/>个特征向量表示,/>为目标点对应的单个特征向量表示,p为用电分布曲线图对应的特征向量表示的总数量。
在一个实施例中,处理器1001在执行根据目标用电总量,确定目标企业在预设周期内的目标用电总量对应的实际排污量时,具体执行以下操作:
获取目标企业的生产设备对应的设备数量和设备运行时的用电参数;
根据目标用电总量、设备数量和设备运行时的用电参数,分析每个生产设备的资产效率;资产效率包括设备开机情况参数,设备开机情况参数包括总开机时长、非工作时间开机时长、平均开机率以及非工作时间开机率;
基于总开机时长、非工作时间开机时长、平均开机率以及非工作时间开机率,确定目标企业的生产设备对应的实际做功时长;
将目标企业的生产设备对应的实际做功时长和生产设备在单位做功时长内运行时的排污量作积,得到目标企业在预设周期内的目标用电总量对应的实际排污量。
在一个实施例中,处理器1001在执行根据第二用电数据,分析环保设备的实际污染处理量时,具体执行以下操作:
根据工作电压以及电流量,计算环保设备在预设周期内的实际用电总量;
将实际用电总量输入预先训练的污染处理量分析模型中进行污染处理量分析;预先训练的污染处理量分析模型是基于多粒度特征训练生成的,多粒度特征是对每个模型训练样本在各预设参数大小粒度下提取的粒度特征,每个模型训练样本是基于预设数量的多个用电总量和环保设备的生产商所提供的用电总量和污染处理量的映射关系确定的;
输出实际用电总量对应的环保设备的实际污染处理量。
在一个实施例中,处理器1001在生成预先训练的污染处理量分析模型时,具体执行以下操作:
按照预设阶梯范围设定预设数量的多个用电总量;
从环保设备的生产商所提供的用电总量和污染处理量的映射关系中,确定与每个用电总量相近的用电总量对应的目标污染处理量;
将与每个用电总量相近的用电总量对应的目标污染处理量确定为每个用电总量对应的目标污染处理量;
利用每个用电总量对应的目标污染处理量对每个用电总量进行标签标注,得到多个模型训练样本;
提取每个模型训练样本在各预设参数大小粒度下的粒度特征,得到每个模型训练样本的多粒度特征;
利用神经网络模型创建污染处理量分析模型;
根据每个模型训练样本的多粒度特征对污染处理量分析模型进行训练,生成预先训练的污染处理量分析模型。
在本申请实施例中,企业的环保设备监测系统首先获取预先安装在目标企业的生产设备的第一智能电表在预设周期内记录的第一用电数据;然后获取预先安装在目标企业的环保设备的第二智能电表在预设周期内记录的第二用电数据;其次根据第一用电数据以及目标企业在预设周期内的目标生产量,分析目标企业在预设周期内的实际排污量;再根据第二用电数据,分析环保设备的实际污染处理量;实际污染处理量是基于预先训练的污染处理量分析模型与第二用电数据分析得到的;最后当实际排污量与实际污染处理量的差值大于预设区间的上限值的情况下,判定环保设备在预设周期内存在违规,并生成目标企业的环保设备告警信息以及用电量上报至预警客户端进行显示。由于本申请采用大数据分析和处理技术,如数据挖掘、机器学习等,对采集到的用电数据进行深入分析和处理,实现了对企业进行实时在线监测,可对企业生产线和环保设备的全面、实时监测和分析,从而提升了环境监测效率和智能化水平。
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,企业的环保设备监测的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,企业的环保设备监测的程序的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (4)
1.一种企业的环保设备监测方法,其特征在于,所述方法包括:
获取预先安装在目标企业的生产设备的第一智能电表在预设周期内记录的第一用电数据;
获取预先安装在所述目标企业的环保设备的第二智能电表在预设周期内记录的第二用电数据;
根据所述第一用电数据以及所述目标企业在预设周期内的目标生产量,分析所述目标企业在所述预设周期内的实际排污量;其中,所述实际排污量是根据正向有功功率总电量、有效功率以及目标用电总量确定的,所述正向有功功率总电量是通过正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量计算的,所述有效功率是根据顺向有功功率总电量和反向有功功率总电量计算的,所述目标用电总量是基于预先标注的生产量和用电量的映射关系确定的,所述正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量、顺向有功功率总电量以及反向有功功率总电量属于所述第一用电数据;其中,
所述第一用电数据包括正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量、顺向有功功率总电量以及反向有功功率总电量;
所述根据所述第一用电数据以及所述目标企业在预设周期内的目标生产量,分析所述目标企业在所述预设周期内的实际排污量,包括:
根据所述正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量,计算所述目标企业在预设周期内的正向有功功率总电量;
根据所述顺向有功功率总电量和所述反向有功功率总电量,计算所述生产设备在预设周期内的实际用电所做的有效功率;
从预先标注的生产量和用电量的映射关系中,查询所述目标生产量对应的目标用电总量;
根据所述正向有功功率总电量、有效功率以及所述目标用电总量,确定所述目标企业在所述预设周期内的实际排污量;其中,
所述根据所述正向有功功率总电量、有效功率以及所述目标用电总量,确定所述目标企业在所述预设周期内的实际排污量,包括:
根据所述正向有功功率总电量,拟合所述目标企业在所述预设周期内不同时刻的用电分布曲线图;
根据所述有效功率,确定所述生产设备的设备用电量;
计算所述生产设备的设备用电量处于二维坐标系中的目标点与所述用电分布曲线图的相关性值,以判定所述目标企业的生产设备是否正常运行;
在所述相关性值小于等于预设阈值的情况下,确定所述生产设备运行异常,生成设备异常信息发送至所述目标企业;或者,
在所述相关性值大于预设阈值的情况下,根据所述目标用电总量,确定所述目标企业在所述预设周期内的所述目标用电总量对应的实际排污量;其中,
计算所述生产设备的设备用电量处于二维坐标系中的目标点与所述用电分布曲线图的相关性值,包括:
确定所述生产设备的设备用电量处于二维坐标系中的目标点;
对所述目标点的坐标点特征进行向量编码,得到所述目标点对应的特征向量表示;
对所述用电分布曲线图的线段特征进行向量编码,得到所述用电分布曲线图对应的特征向量表示;
计算所述目标点对应的特征向量表示与所述用电分布曲线图对应的特征向量表示之间的相似距离;
将计算的相似距离确定为所述生产设备的设备用电量处于二维坐标系中的目标点与所述用电分布曲线图的相关性值;所述相似距离计算公式为:
其中,为所述用电分布曲线图对应的特征向量表示中第/>个特征向量表示,/>为所述目标点对应的单个特征向量表示,p为所述用电分布曲线图对应的特征向量表示的总数量;其中,
所述根据所述目标用电总量,确定所述目标企业在所述预设周期内的所述目标用电总量对应的实际排污量,包括:
获取所述目标企业的生产设备对应的设备数量和设备运行时的用电参数;
根据所述目标用电总量、所述设备数量和设备运行时的用电参数,分析每个生产设备的资产效率;所述资产效率包括设备开机情况参数,所述设备开机情况参数包括总开机时长、非工作时间开机时长、平均开机率以及非工作时间开机率;
基于所述总开机时长、非工作时间开机时长、平均开机率以及非工作时间开机率,确定所述目标企业的生产设备对应的实际做功时长;
将所述目标企业的生产设备对应的实际做功时长和所述生产设备在单位做功时长内运行时的排污量作积,得到所述目标企业在所述预设周期内的所述目标用电总量对应的实际排污量;
根据所述第二用电数据,分析所述环保设备的实际污染处理量;其中,所述实际污染处理量是基于预先训练的污染处理量分析模型与所述环保设备在预设周期内的实际用电总量分析得到的;所述环保设备在预设周期内的实际用电总量是根据工作电压以及电流量计算的,所述工作电压以及电流量属于所述第二用电数据;其中,所述第二用电数据包括工作电压以及电流量;
所述根据所述第二用电数据,分析所述环保设备的实际污染处理量,包括:
根据所述工作电压以及电流量,计算所述环保设备在预设周期内的实际用电总量;
将所述实际用电总量输入预先训练的污染处理量分析模型中进行污染处理量分析;所述预先训练的污染处理量分析模型是基于多粒度特征训练生成的,所述多粒度特征是对每个模型训练样本在各预设参数大小粒度下提取的粒度特征,所述每个模型训练样本是基于预设数量的多个用电总量和所述环保设备的生产商所提供的用电总量和污染处理量的映射关系确定的;
输出所述实际用电总量对应的所述环保设备的实际污染处理量;其中,
按照以下步骤生成预先训练的污染处理量分析模型,包括:
按照预设阶梯范围设定预设数量的多个用电总量;
从所述环保设备的生产商所提供的用电总量和污染处理量的映射关系中,确定与每个用电总量相近的用电总量对应的目标污染处理量;
将与每个用电总量相近的用电总量对应的目标污染处理量确定为所述每个用电总量对应的目标污染处理量;
利用所述每个用电总量对应的目标污染处理量对所述每个用电总量进行标签标注,得到多个模型训练样本;
提取每个模型训练样本在各预设参数大小粒度下的粒度特征,得到每个模型训练样本的多粒度特征;
利用神经网络模型创建污染处理量分析模型;
根据每个模型训练样本的多粒度特征对所述污染处理量分析模型进行训练,生成预先训练的污染处理量分析模型;
当所述实际排污量与所述实际污染处理量的差值大于预设区间的上限值的情况下,判定所述环保设备在所述预设周期内存在违规,并生成所述目标企业的环保设备告警信息以及用电量上报至预警客户端进行显示。
2.一种应用权利要求1所述的方法所实现的企业的环保设备监测系统,其特征在于,所述系统包括:
第一用电数据获取模块,用于获取预先安装在目标企业的生产设备的第一智能电表在预设周期内记录的第一用电数据;
第二用电数据获取模块,用于获取预先安装在所述目标企业的环保设备的第二智能电表在预设周期内记录的第二用电数据;
实际排污量分析模块,用于根据所述第一用电数据以及所述目标企业在预设周期内的目标生产量,分析所述目标企业在所述预设周期内的实际排污量;其中,所述实际排污量是根据正向有功功率总电量、有效功率以及目标用电总量确定的,所述正向有功功率总电量是通过正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量计算的,所述有效功率是根据顺向有功功率总电量和反向有功功率总电量计算的,所述目标用电总量是基于预先标注的生产量和用电量的映射关系确定的,所述正向有功功率尖段电量、正向有功功率峰段电量、正向有功功率平段电量、正向有功功率谷段电量、顺向有功功率总电量以及反向有功功率总电量属于所述第一用电数据;
实际污染处理量分析模块,用于根据所述第二用电数据,分析所述环保设备的实际污染处理量;其中,所述实际污染处理量是基于预先训练的污染处理量分析模型与所述环保设备在预设周期内的实际用电总量分析得到的;所述环保设备在预设周期内的实际用电总量是根据工作电压以及电流量计算的,所述工作电压以及电流量属于所述第二用电数据;其中,所述第二用电数据包括工作电压以及电流量;
所述实际污染处理量分析模块具体用于:
根据所述工作电压以及电流量,计算所述环保设备在预设周期内的实际用电总量;
将所述实际用电总量输入预先训练的污染处理量分析模型中进行污染处理量分析;所述预先训练的污染处理量分析模型是基于多粒度特征训练生成的,所述多粒度特征是对每个模型训练样本在各预设参数大小粒度下提取的粒度特征,所述每个模型训练样本是基于预设数量的多个用电总量和所述环保设备的生产商所提供的用电总量和污染处理量的映射关系确定的;
输出所述实际用电总量对应的所述环保设备的实际污染处理量;其中,
按照以下步骤生成预先训练的污染处理量分析模型,包括:
按照预设阶梯范围设定预设数量的多个用电总量;
从所述环保设备的生产商所提供的用电总量和污染处理量的映射关系中,确定与每个用电总量相近的用电总量对应的目标污染处理量;
将与每个用电总量相近的用电总量对应的目标污染处理量确定为所述每个用电总量对应的目标污染处理量;
利用所述每个用电总量对应的目标污染处理量对所述每个用电总量进行标签标注,得到多个模型训练样本;
提取每个模型训练样本在各预设参数大小粒度下的粒度特征,得到每个模型训练样本的多粒度特征;
利用神经网络模型创建污染处理量分析模型;
根据每个模型训练样本的多粒度特征对所述污染处理量分析模型进行训练,生成预先训练的污染处理量分析模型;
违规判定模块,用于当所述实际排污量与所述实际污染处理量的差值大于预设区间的上限值的情况下,判定所述环保设备在所述预设周期内存在违规,并生成所述目标企业的环保设备告警信息以及用电量上报至预警客户端进行显示。
3.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1所述的方法。
4.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311789649.1A CN117455124B (zh) | 2023-12-25 | 2023-12-25 | 企业的环保设备监测方法、系统、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311789649.1A CN117455124B (zh) | 2023-12-25 | 2023-12-25 | 企业的环保设备监测方法、系统、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117455124A CN117455124A (zh) | 2024-01-26 |
CN117455124B true CN117455124B (zh) | 2024-03-08 |
Family
ID=89589617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311789649.1A Active CN117455124B (zh) | 2023-12-25 | 2023-12-25 | 企业的环保设备监测方法、系统、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455124B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358365A (zh) * | 2017-07-19 | 2017-11-17 | 江苏安纳泰克能源服务有限公司 | 企业环保程度的判断方法 |
CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
JP2019185226A (ja) * | 2018-04-04 | 2019-10-24 | 株式会社東芝 | スマートメータ用電子装置、送信方法、およびプログラム |
WO2020010701A1 (zh) * | 2018-07-11 | 2020-01-16 | 平安科技(深圳)有限公司 | 污染物异常监测方法、系统、计算机设备和存储介质 |
CN110928254A (zh) * | 2019-11-13 | 2020-03-27 | 江苏三希科技股份有限公司 | 一种排污企业产治污设备运行环保监控方法及系统 |
KR20210043389A (ko) * | 2019-10-11 | 2021-04-21 | 한국전력정보(주) | 클러스터링 기법에 의한 부하 전력 분석 장치 및 부하 전력 분석 방법 |
CN113077174A (zh) * | 2021-04-21 | 2021-07-06 | 国网福建省电力有限公司 | 基于曲线离散弗雷歇距离匹配的排治污设备状态研判方法 |
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 |
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 |
CN114548673A (zh) * | 2022-01-14 | 2022-05-27 | 国网河北省电力有限公司保定供电分公司 | 一种减排指标监测方法及装置 |
CN114943409A (zh) * | 2022-04-11 | 2022-08-26 | 国网山东省电力公司滨州供电公司 | 一种基于电力数据的环境监控分析方法、系统 |
CN115291006A (zh) * | 2022-07-21 | 2022-11-04 | 福州大学 | 基于用电数据的污染企业环保工况异常识别方法 |
CN115931041A (zh) * | 2022-10-12 | 2023-04-07 | 国网山西省电力公司信息通信分公司 | 一种新的区域环保监测预警方法 |
-
2023
- 2023-12-25 CN CN202311789649.1A patent/CN117455124B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358365A (zh) * | 2017-07-19 | 2017-11-17 | 江苏安纳泰克能源服务有限公司 | 企业环保程度的判断方法 |
CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
JP2019185226A (ja) * | 2018-04-04 | 2019-10-24 | 株式会社東芝 | スマートメータ用電子装置、送信方法、およびプログラム |
WO2020010701A1 (zh) * | 2018-07-11 | 2020-01-16 | 平安科技(深圳)有限公司 | 污染物异常监测方法、系统、计算机设备和存储介质 |
KR20210043389A (ko) * | 2019-10-11 | 2021-04-21 | 한국전력정보(주) | 클러스터링 기법에 의한 부하 전력 분석 장치 및 부하 전력 분석 방법 |
CN110928254A (zh) * | 2019-11-13 | 2020-03-27 | 江苏三希科技股份有限公司 | 一种排污企业产治污设备运行环保监控方法及系统 |
CN113077174A (zh) * | 2021-04-21 | 2021-07-06 | 国网福建省电力有限公司 | 基于曲线离散弗雷歇距离匹配的排治污设备状态研判方法 |
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 |
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 |
CN114548673A (zh) * | 2022-01-14 | 2022-05-27 | 国网河北省电力有限公司保定供电分公司 | 一种减排指标监测方法及装置 |
CN114943409A (zh) * | 2022-04-11 | 2022-08-26 | 国网山东省电力公司滨州供电公司 | 一种基于电力数据的环境监控分析方法、系统 |
CN115291006A (zh) * | 2022-07-21 | 2022-11-04 | 福州大学 | 基于用电数据的污染企业环保工况异常识别方法 |
CN115931041A (zh) * | 2022-10-12 | 2023-04-07 | 国网山西省电力公司信息通信分公司 | 一种新的区域环保监测预警方法 |
Non-Patent Citations (3)
Title |
---|
刘有志 ; 胡扬 ; 齐锐 ; 彭依明 ; 龙建平 ; .环保在线监测系统在电网中的应用.自动化技术与应用.2015,(第01期),全文. * |
基于动态二维码的污染源运维及总量排放管理系统设计;庞军杰;;轻工科技;20180611(第06期) * |
环保在线监测系统在电网中的应用;刘有志;胡扬;齐锐;彭依明;龙建平;;自动化技术与应用;20150125(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117455124A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
CN111292020B (zh) | 一种基于随机森林的电网实时运行风险评估方法及系统 | |
CN114723082B (zh) | 一种智能低压成套设备的异常预警方法及系统 | |
CN110727572A (zh) | 埋点数据处理方法、装置、设备及存储介质 | |
CN109470946A (zh) | 一种发电设备故障检测方法及系统 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN108072858B (zh) | 电能表质量管理方法、系统及终端设备 | |
CN116366374A (zh) | 基于大数据的电网网络管理的安全评估方法、系统及介质 | |
CN114706740A (zh) | 混沌实验方法、装置、存储介质和设备 | |
CN117455124B (zh) | 企业的环保设备监测方法、系统、介质及电子设备 | |
CN116433034B (zh) | 一种基于机器学习的虚拟电厂运行风险检测方法 | |
CN115002226B (zh) | 传感器数据分时上报的智能电缆监测系统 | |
CN111090014A (zh) | 一种基于高斯模型的电器识别方法及装置 | |
CN107357703B (zh) | 一种终端应用耗电检测方法及服务器 | |
CN113671287B (zh) | 电网自动化终端智能检测方法、系统和可读存储介质 | |
CN113901039A (zh) | 一种钢结构工厂的三维可视化监控方法、装置、存储介质及终端 | |
CN113238911A (zh) | 告警处理方法及装置 | |
CN115080445B (zh) | 一种游戏测试管理方法及其系统 | |
CN113341366B (zh) | 一种用户电表状态监测方法、装置设备和存储介质 | |
CN117610938B (zh) | 建筑风险评估方法及系统 | |
CN117668726A (zh) | 一种智能运维处理方法、系统、介质及设备 | |
CN118296339A (zh) | 数据处理方法、计算机终端、存储介质及计算机程序产品 | |
CN116073370A (zh) | 电网故障处理方法、装置、计算机设备和存储介质 | |
CN118054565A (zh) | 一种电网状态分析方法、装置、终端设备和存储介质 | |
CN115426254A (zh) | 系统日志异常识别网络的建立、识别方法和装置 |
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 |