CN113298422B - 一种基于用电数据的污染源企业违规生产监控方法 - Google Patents
一种基于用电数据的污染源企业违规生产监控方法 Download PDFInfo
- Publication number
- CN113298422B CN113298422B CN202110668541.1A CN202110668541A CN113298422B CN 113298422 B CN113298422 B CN 113298422B CN 202110668541 A CN202110668541 A CN 202110668541A CN 113298422 B CN113298422 B CN 113298422B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- production
- equipment
- phase
- decision tree
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 76
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 230000005611 electricity Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003066 decision tree Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000007613 environmental effect Effects 0.000 claims description 29
- 230000006399 behavior Effects 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000010754 BS 2869 Class F Substances 0.000 claims description 2
- 238000009434 installation Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 9
- 239000003344 environmental pollutant Substances 0.000 description 8
- 231100000719 pollutant Toxicity 0.000 description 8
- 238000004891 communication Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于用电数据的污染源企业违规生产监控方法,属于能源监测预警技术领域,包括在污染源企业用电总线处装设用电信息采集设备,采集该企业总负荷的用电数据;基于决策树算法,分析出不同负荷特征对分类影响的重要程度,然后选择过程中重要性程度较高的负荷特征,以供后续训练简化模型使用;利用上一步筛选出的重要性程度较高的负荷特征,将历史时段的企业生产设备和企业环保设备开停状态的组合作为标签,训练决策树分类器;将新的多维监测数据输入训练好的分类器,识别出污染企业的生产行为状态。本发明只需在企业用电总线处装设用电信息采集装置,即可实现对污染源企业的生产行为的监控,大大减少了用电监测设备的数量和安装成本。
Description
技术领域
本发明涉及一种基于用电数据的污染源企业违规生产监控方法,属于能源监测预警技术领域。
背景技术
随着社会的发展,改善环境质量越来越受到人们的重视,并且相关的规定中对于污染物排放的控制非常严格,但是只有少数有组织排放的规模化大企业纳入了自动监控,对绝大多数中小型企业缺乏监管手段。
由于企业数量多,行业类别多,工艺错综复杂,传统判断不同类型污染源的方式会耗费大量人力物力财力,而污染源企业的生产行为可以由其用电数据直观反应。目前,用电信息采集技术已经可以实现对电压、电流、电压不平衡度、谐波总畸变率等信息的采集与存储,这为监控污染源企业的生产行为提供了数据基础,为相关部门的环保督查工作提供了有力支撑。对于企业环保监管,基于用电数据的环保监管平台可对排污和治污设备进行不间断用电监控,判断启停时间点,能够进行排污治污联动监控,实现无死角监控,弥补了人工检测污染物排放的痛点。
但是,目前的基于用电数据分析的环保监测方案都需要在治污设备上安装监测设备,通过直接监测治污设备的启停,结合生产设备启停情况进而判断污染源企业是否存在违规生产行为,这种方式的弊端是环保监测成本会随着需要监测的治污设备数量的增多而增多。
公开号为CN110849421A的中国发明专利中公开的一种区域性工业气态污染物监控方法及***,包括监控中心、至少一个电参数检测模块、通信模块、污染物检测模块;监控中心与通信模块、污染物检测模块实现通信,电参数检测模块与通信模块电连接。其方法包括对生产设备的运行电参数的监测、污染物排放量的监测,将检测数据上传到监控中心,监控中心对接收到的数据进行处理,得知区域性工业气态污染物的分布情况。
上述参考例需要对生产车间所有的生产线设备和环保设备进行用电量的监测,如果生产设备或环保设备数量较多,不仅成本高,而且布置麻烦,且只能够得知区域性工业气态污染物的分布情况,无法对违规企业进行报警,因此急需进行改进。
发明内容
为了克服现有的基于用电数据分析的环保检测方案需要安装的监测设备设备多、安装成本高的缺点,本发明设计了一种基于用电数据的污染源企业违规生产监控方法,该方法只需在企业用电总线处装设用电信息采集装置,即可实现对污染源企业的生产行为的监控,大大减少了用电监测设备的数量和安装成本。
为了实现上述目的,本发明采用如下技术方案:
一种基于用电数据的污染源企业违规生产监控方法,其特征在于:包括如下步骤:
A1:在企业用电总线处安装用于采集企业用电信息的智能监测终端;
A2:智能监测终端获取一段时间内的企业用电数据作为负荷特征并获取对应时间内环保设备的启停状态数据;
A3:设定三相视在功率阈值,通过负荷特征获取对应时间内企业总负荷三相视在功率,根据企业总负荷三相视在功率是否超过阈值判断生产设备的启停状态;
A4:根据环保设备的启停状态数据以及生产设备的启停状态得到对应时间内企业是否发生违规生产行为;以该负荷特征作为一样本,对应时间内企业是否发生违规生产行为作为该样本的属性标签,收集若干样本作为初始样本集,以决策树算法和初始样本集进行初步训练,得到一简化的分类器模型,并从该简化的分类器模型的决策树中筛选靠近根节点的若干负荷特征作为二次训练样本;
A5:利用二次训练样本及对应的属性标签,重新对简化的分类器模型进行训练,得到训练好的分离器;
A6:将智能监测终端采集到的实时企业用电数据输入至训练好的分类器,判断对应时段企业是否存在违规生产行为。
进一步地,步骤A1中智能监测终端采集的企业用电信息包括:各相电压、各相电流、各相功率、各次谐波电压、各次谐波电流、谐波电压总畸变率、谐波电流总畸变率、电压偏差、电压不平衡和功率因素,各相功率包括各相有功功率、各相无功功率和各相视在功率。
进一步地,步骤A3中,通过企业总负荷三相视在功率是否超过阈值判断生产设备的启停状态具体包括,企业总负荷三相视在功率超过设定的阈值时,判定生产设备为启动状态,否则判定生产设备为停机状态。
进一步地,步骤A4具体包括,设定一个数据合集为S,S中包含每个样本的负荷特征X和样本属性标签,其中负荷特征X即步骤A2中智能监测终端采集到的企业用电数据,其中样本属性标签设为三个不同的值Fi(i=1,2,3),F1、F2和F3分别代表生产过程中没有启用环保设备、生产过程中有启用环保设备和生产停止三种不同的生产场景;
设定类别Fi的个数是|Fi|,S中的样本个数为|S|,则S的熵定义为:
其中,Pi是任意样本属于Fi的概率,记为:
S中的数据依照负荷特征X划分,负荷特征X有m个不同的类,则将S划分为m个子集{S1,S2,…,Sm},用该负荷特征X对样本集S进行划分后,再对S的子集Si的熵进行加权计算,公式如下:
在负荷特征X下所获得的信息增益为:
Gain(S,X)=Entropy(S)-EntropyX(S)
最后根据需要,从决策树自上而下筛选出若干个节点的特征X’,供下一步简化模型使用。
进一步地,步骤A5具体包括,利用步骤A4中筛选出的负荷特征X’,作为决策树算法的输入量,并将历史时段的企业的生产设备和企业的环保设备的启停状态的组合,作为算法的属性标签,重新训练简化的决策树分类器。
进一步地,步骤A6具体包括,将智能监测终端采集到的实时企业用电信息输入至步骤A5中训练好的决策树分类器,若判断结果为“生产过程中没有启用环保设备”的生产行为状态,则进行环保异常报警,由管理人员进行现场核实与管理。
与现有技术相比本发明有以下特点和有益效果:
1、本发明通过在企业用电总线处安装智能检测终端采集企业企业用电信息和环保设备启停状态数据,再利用决策树算法构件决策树,对分类器模型进行训练,再将智能监测终端后续监测到的企业用电信息输入训练好的分类器,即可判断企业是否违规,整个监控过程只需要在用电总线处安装电信息采集设备,与现有的在各个治污设备、环保设备上安装监测设备的环保监测方案相比,大大减少了用电监测设备安装成本,同时也使安装工作量减少,更利于环保监控工作的推行。
2、本发明通过决策树方法训练分类器,从根结点开始,对结点计算所有可能的特征的信息增益,选择信息增益最大的特征作为结点的特征,由该特征的不同取值建立于子节点,即训练的是多分类的分类器,可以直接挑选出重点关注的“生产过程中没有启用环保设备”的生产行为状态,高效快捷。
3、本发明简化了采用决策树算法训练模型过程中用到的指标数量,在训练过程中选择节点特征时,从决策树自上而下地筛选,由于离根节点越近,重要性程度越高,故在训练过程中即仅采用了重要性程度较高的负荷特征,排除了低相关性指标对模型预测准确度的干扰,使得到的结果更加准确可靠。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合实施例对本发明进行更详细的描述。
如图1所示,本实施例的基于用电数据的污染源企业违规生产监控方法,包括如下步骤:
A1:在企业用电总线处安装用于采集企业用电信息的智能监测终端;
A2:智能监测终端获取一段时间内的企业用电数据作为负荷特征并获取对应时间内环保设备的启停状态数据,智能用电监测终端采集的数据时间尺度在分钟级,常用的有1min、3min和5min,采集数据的频率相较现有监测方案中的用电信息采集的采集频率15min更高;
A3:设定三相视在功率阈值,通过负荷特征获取对应时间内企业总负荷三相视在功率,根据企业总负荷三相视在功率是否超过阈值判断生产设备的启停状态;
A4:根据环保设备的启停状态数据以及生产设备的启停状态得到对应时间内企业是否发生违规生产行为;以该负荷特征作为一样本,对应时间内企业是否发生违规生产行为作为该样本的属性标签,收集若干样本作为初始样本集,以决策树算法和初始样本集进行初步训练,得到一简化的分类器模型,并从该简化的分类器模型的决策树中筛选靠近根节点的若干负荷特征作为二次训练样本;
决策树是机器学习中一种基本算法,决策树算法的核心是在决策树各个结点上应用信息增益准则选择特征,递归地构建决策树,具体方法是:从根结点开始,对结点计算所有可能的特征的信息增益,选择信息增益最大的特征作为结点的特征,由该特征的不同取值建立于子节点;再对于结点递归地调用以上方法,构建决策树;直到所有特征的信息增益均很小或没有特征可以选择时停止,得到最终的决策树;
A5:利用二次训练样本及对应的属性标签,重新对简化的分类器模型进行训练,得到训练好的分离器;
A6:将智能监测终端采集到的实时企业用电数据输入至训练好的分类器,判断对应时段企业是否存在违规生产行为。
特别的,结合步骤A2中的环保设备的启停状态数据和步骤A3中的生产设备的启停状态,将企业生产行为状态划分为:生产过程中没有启用环保设备、生产过程中有启用环保设备和生产停止。
进一步地,步骤A1中智能监测终端采集的企业用电信息包括:各相电压、各相电流、各相功率、各次谐波电压、各次谐波电流、谐波电压总畸变率、谐波电流总畸变率、电压偏差、电压不平衡和功率因素,各相功率包括各相有功功率、各相无功功率和各相视在功率,各相视在功率即步骤A3中用于判断生产设备的启停状态的监测数据。
进一步地,步骤A3中,通过企业总负荷三相视在功率是否超过阈值判断生产设备的启停状态具体包括,企业总负荷三相视在功率超过设定的阈值时,判定生产设备为启动状态,否则判定生产设备为停机状态。
进一步地,步骤A4具体包括,设定一个数据合集为S,S中包含每个样本的负荷特征X和样本属性标签,其中负荷特征X即步骤A2中智能监测终端采集到的企业用电数据,其中样本属性标签设为三个不同的值Fi(i=1,2,3),F1、F2和F3分别代表生产过程中没有启用环保设备、生产过程中有启用环保设备和生产停止三种不同的生产场景;
设定类别Fi的个数是|Fi|,S中的样本个数为|S|,则S的熵定义为:
其中,Pi是任意样本属于Fi的概率,记为:
S中的数据依照负荷特征X划分,负荷特征X有m个不同的类,则将S划分为m个子集{S1,S2,…,Sm},用该负荷特征X对样本集S进行划分后,再对S的子集Si的熵进行加权计算,公式如下:
在信息论中,熵(Entropy)是随机变量不确定性的度量,也就是熵越大,则随机变量的不确定性越大;
在负荷特征X下所获得的信息增益为:
Gain(S,X)=Entropy(S)-EntropyX(S)
信息增益指的是样本集S划分前后信息熵的变化,是样本集S的***度量标准,得到的信息增益越大,对样本集S的分类能力也越强;决策树的ID3算法相当于用极大似然法进行概率模型的选择;
最后根据需要,从决策树自上而下筛选出若干个节点的特征X’,供下一步简化模型使用;
步骤A4得到的决策树中,离根结点越近的结点的特征,其重要性程度越高,根据需要从决策树自上而下选出一定数量的结点的特征X’,供下一步练简化模型使用。
进一步地,步骤A5具体包括,利用步骤A4中筛选出的负荷特征X’,作为决策树算法的输入量,并将历史时段的企业的生产设备和企业的环保设备的启停状态的组合(即生产过程中没有启用环保设备/生产过程中有启用环保设备/生产停止),作为算法的属性标签,重新训练简化的决策树分类器。
特别的,通过逻辑回归分类器预测判断的生产行为状态可能与实际存在些许误差,其效果评估主要采用准确率(Accuracy)作为评价指标,将分类器预测的类别与真实类别相符的样本记为True,不符的记为False;
准确率表示模型正确分类数与样本总数之比,计算方法如下式所示:
进一步地,步骤A6具体包括,将智能监测终端采集到的实时企业用电信息输入至步骤A5中训练好的决策树分类器,若判断结果为“生产过程中没有启用环保设备”的生产行为状态,则进行环保异常报警,由管理人员进行现场核实与管理。
显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
Claims (2)
1.一种基于用电数据的污染源企业违规生产监控方法,其特征在于:包括如下步骤:
A1:在企业用电总线处安装用于采集企业用电信息的智能监测终端;
A2:智能监测终端获取一段时间内的企业用电数据作为负荷特征并获取对应时间内环保设备的启停状态数据;
A3:设定三相视在功率阈值,通过负荷特征获取对应时间内企业总负荷三相视在功率,根据企业总负荷三相视在功率是否超过阈值判断生产设备的启停状态;
A4:根据环保设备的启停状态数据以及生产设备的启停状态得到对应时间内企业是否发生违规生产行为;以该负荷特征作为一样本,对应时间内企业是否发生违规生产行为作为该样本的属性标签,收集若干样本作为初始样本集,以决策树算法和初始样本集进行初步训练,得到一简化的分类器模型,并从该简化的分类器模型的决策树中筛选靠近根节点的若干负荷特征作为二次训练样本;
A5:利用二次训练样本及对应的属性标签,重新对简化的分类器模型进行训练,得到训练好的分类器;
A6:将智能监测终端采集到的实时企业用电数据输入至训练好的分类器,判断对应时段企业是否存在违规生产行为;
步骤A3中,通过企业总负荷三相视在功率是否超过阈值判断生产设备的启停状态具体包括,企业总负荷三相视在功率超过设定的阈值时,判定生产设备为启动状态,否则判定生产设备为停机状态;
步骤A4具体包括,设定一个数据合集为S,S中包含每个样本的负荷特征X和样本属性标签,其中负荷特征X即步骤A2中智能监测终端采集到的企业用电数据,其中样本属性标签设为三个不同的值Fi ( i = 1, 2, 3),F1、F2和F3分别代表生产过程中没有启用环保设备、生产过程中有启用环保设备和生产停止三种不同的生产场景;设定类别Fi的个数是|Fi|,S中的样本个数为|S|,则S的熵定义为:
其中,Pi是任意样本属于Fi的概率,记为:
S中的数据依照负荷特征X划分,负荷特征X有m个不同的类,则将S划分为m个子集{ S1,S2,…,Sm},用该负荷特征X对样本集S进行划分后,再对S的子集Si的熵进行加权计算,公式如下:
在负荷特征X下所获得的信息增益为:
最后根据需要,从决策树自上而下筛选出若干个节点的特征X’,供下一步简化模型使用;
步骤A5具体包括,利用步骤A4中筛选出的负荷特征X’,作为决策树算法的输入量,并将历史时段的企业的生产设备和企业的环保设备的启停状态的组合,作为算法的属性标签,重新训练简化的决策树分类器;
步骤A6具体包括,将智能监测终端采集到的实时企业用电信息输入至步骤A5中训练好的决策树分类器,若判断结果为“生产过程中没有启用环保设备”的生产行为状态,则进行环保异常报警,由管理人员进行现场核实与管理。
2.根据权利要求1所述的一种基于用电数据的污染源企业违规生产监控方法,其特征在于:步骤A1中智能监测终端采集的企业用电信息包括:各相电压、各相电流、各相功率、各次谐波电压、各次谐波电流、谐波电压总畸变率、谐波电流总畸变率、电压偏差、电压不平衡和功率因素,各相功率包括各相有功功率、各相无功功率和各相视在功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668541.1A CN113298422B (zh) | 2021-06-16 | 2021-06-16 | 一种基于用电数据的污染源企业违规生产监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668541.1A CN113298422B (zh) | 2021-06-16 | 2021-06-16 | 一种基于用电数据的污染源企业违规生产监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298422A CN113298422A (zh) | 2021-08-24 |
CN113298422B true CN113298422B (zh) | 2023-01-31 |
Family
ID=77328487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110668541.1A Active CN113298422B (zh) | 2021-06-16 | 2021-06-16 | 一种基于用电数据的污染源企业违规生产监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298422B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762619B (zh) * | 2021-09-08 | 2023-07-28 | 国家电网有限公司 | 配电物联网用户负荷识别方法、***、设备和存储介质 |
CN114118580B (zh) * | 2021-11-29 | 2023-04-07 | 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 |
CN114155038B (zh) * | 2021-12-09 | 2024-05-31 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
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 |
CN115908082A (zh) * | 2023-01-06 | 2023-04-04 | 佰聆数据股份有限公司 | 基于用电特征指标的企业排污监控方法及装置 |
CN117455124B (zh) * | 2023-12-25 | 2024-03-08 | 杭州烛微智能科技有限责任公司 | 企业的环保设备监测方法、***、介质及电子设备 |
CN117649061B (zh) * | 2024-01-30 | 2024-04-26 | 山东达斯特信息技术有限公司 | 一种用于环保监测的多节点组网用电分析方法及*** |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7233931B2 (en) * | 2003-12-26 | 2007-06-19 | Lee Shih-Jong J | Feature regulation for hierarchical decision learning |
CN105260628B (zh) * | 2014-06-03 | 2019-01-11 | 腾讯科技(深圳)有限公司 | 分类器训练方法和装置、身份验证方法和*** |
CN104766158A (zh) * | 2015-03-18 | 2015-07-08 | 福建望诚电子有限公司 | 一种环保全过程监测*** |
US20170083920A1 (en) * | 2015-09-21 | 2017-03-23 | Fair Isaac Corporation | Hybrid method of decision tree and clustering technology |
CN107704070B (zh) * | 2017-09-30 | 2020-01-14 | Oppo广东移动通信有限公司 | 应用清理方法、装置、存储介质及电子设备 |
CN108011367B (zh) * | 2017-12-04 | 2020-12-18 | 贵州电网有限责任公司电力科学研究院 | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
CN108960586B (zh) * | 2018-06-14 | 2021-06-11 | 华中科技大学 | 一种适应场景变化的非入侵式负荷识别方法 |
CN109492667A (zh) * | 2018-10-08 | 2019-03-19 | 国网天津市电力公司电力科学研究院 | 一种用于非侵入式电力负荷监测的特征选择辨识方法 |
CN209150722U (zh) * | 2018-11-28 | 2019-07-23 | 李�瑞 | 一种环保设备供电才能生产设备供电的控制*** |
CN109684295B (zh) * | 2018-12-04 | 2021-10-22 | 河北申科电力股份有限公司 | 环保设备运行状态分析方法、装置和*** |
CN111077865B (zh) * | 2019-12-25 | 2021-05-25 | 江苏三希科技股份有限公司 | 一种污染源企业环保生产负荷监控***及方法 |
CN111523794B (zh) * | 2020-04-21 | 2020-11-24 | 国网四川省电力公司电力科学研究院 | 基于污染排放企业用电特性的环保管控措施响应研判方法 |
CN111428821A (zh) * | 2020-05-18 | 2020-07-17 | 江苏电力信息技术有限公司 | 一种基于决策树的资产分类方法 |
CN111783827A (zh) * | 2020-05-27 | 2020-10-16 | 中能瑞通(北京)科技有限公司 | 一种基于负荷数据的企业用户分类方法和装置 |
CN112184090B (zh) * | 2020-11-30 | 2021-03-16 | 广东浩迪创新科技有限公司 | 标准用电特征库建立方法、环保监测方法、***和监测仪 |
CN112787401B (zh) * | 2021-01-15 | 2022-05-13 | 浙江容大电力工程有限公司 | 一种基于电力大数据的环保监测***及监测方法 |
CN112686473B (zh) * | 2021-01-22 | 2023-12-08 | 国网江苏省电力有限公司营销服务中心 | 一种基于分类算法的用电量预测方法及预测*** |
CN112907929A (zh) * | 2021-01-29 | 2021-06-04 | 汇智道晟(舟山)科技有限公司 | 一种基于用电信息的环保监测***和方法 |
-
2021
- 2021-06-16 CN CN202110668541.1A patent/CN113298422B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113298422A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113298422B (zh) | 一种基于用电数据的污染源企业违规生产监控方法 | |
WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及*** | |
CN105424395A (zh) | 设备故障的确定方法和装置 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN101833324B (zh) | 胎面挤出过程智能故障诊断***及其诊断方法 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及*** | |
CN110687473B (zh) | 一种智能变电站继电保护测试故障定位方法及*** | |
CN112464995A (zh) | 一种基于决策树算法的电网配变故障诊断方法及*** | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN105488118A (zh) | 电气设备故障信息的展示方法和装置 | |
CN111506635A (zh) | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的***及方法 | |
CN111582338A (zh) | 一种电动汽车充电设施运行状态评估方法和*** | |
CN113379005B (zh) | 一种电网电力设备能源智能管理***及方法 | |
CN117353315B (zh) | 基于光伏、风力发电电压暂态波动控制发电电压的装置 | |
CN112803587A (zh) | 一种基于诊断决策库的自动化设备状态智能巡视方法 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析*** | |
CN111861141A (zh) | 一种基于模糊故障率预测的配电网可靠性评估方法 | |
CN116205528A (zh) | 基于施工场地电力数据的违规施工辨识方法和*** | |
CN110807174A (zh) | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 | |
CN115908082A (zh) | 基于用电特征指标的企业排污监控方法及装置 | |
CN113191170B (zh) | 公共设施二维码损毁巡检有效性预测方法及*** | |
CN114626433A (zh) | 一种智能电能表故障预测并分类方法、装置及*** |
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 |