(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210873793.2 (22)申请日 2022.07.21 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 张逸　陈锦涛　姚文旭　张良羽　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 丘鸿超　蔡学俊 (51)Int.Cl. G01R 31/00(2006.01) G06K 9/62(2022.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06Q 50/26(2012.01) (54)发明名称 基于用电数据的污染企业环保工况异常识 别方法 (57)摘要 本发明提出一种基于用电数据的污染企业 环保工况异常识别方法， 通过在企业进线处安装 用电监测装置， 在环保设备处安装简易用电监测 装置， 先对企业内部生产工况进行监测， 再将企 业的生产工况结合企业环保设备的工况得到企 业的环保工况。 将环保工况作为标签， 用电数据 作为输入， 放入到LightGBM中进行训练， 根据特 征重要度对用电数据进行筛选， 得到最后的企业 环保工况识别模 型， 对污染企业的环保工况进行 识别。 权利要求书3页 说明书8页 附图2页 CN 115291006 A 2022.11.04 CN 115291006 A 1.一种基于用电数据的污染 企业环保工况异常识别方法， 其特 征在于， 包括以下步骤： 步骤S1： 在涉污染企业电力进线处安装用电数据采集装置， 采集企业的用电数据， 在企 业环保设备进 线处安装用电终端， 监测环保设备的启停工况； 步骤S2： 对采集获得的用电数据中的三相总 有功功率及各相有功功率四维数据进行K ‑ means聚类， 得到企业的生产工况； 步骤S3： 利用步骤S2得到的企业生产工况， 根据环保规则， 结合环保设备工况得到企业 的环保工况； 其中具体环保规则为： 若生产正常， 且环保设备同时启动， 那么环保工况即为正常， 当 环保设备关闭， 则视为异常， 其中， 生产设备关闭时视为环保工况正常； 步骤S4： 将得到的企业环保工况作为结果， 以基本电气数据、 电能质量监测数据作为输 入， 放入到L ightGBM中进行训练， 调试参数， 得到初步模型； 步骤S5： 利用Li ghtGBM中的特征重要度筛选重要数据， 分别进行训练与测试， 对比各项 指标结果， 得到最优的输入数据， 作为 最终模型； 步骤S6： 将待评估的用电数据筛选后， 输入到最终模型中， 识别出污染企业环保工况异 常的情况。 2.根据权利要求1所述的基于用电数据的污染企业环保工况异常识别方法， 其特征在 于： 在步骤S1中， 电力进线处用电数据采集装置采集的数据包括基本电气数据、 电能质量数 据和环保设备的工况； 基本电气数据包括各相电压和电流有效值、 各相有功、 无功、 视在功 率与总功率； 电能质量数据包括1 ‑31次谐波电流均方根值与电流总谐波畸变率、 1 ‑31次谐 波电压与电压总谐波畸变率、 0.5 ‑10.5次间谐波电压含有率、 三相电压不平衡度、 正序、 负 序、 零序电流、 电压、 各相电压偏 差、 频率； 每3min进行一次数据采集， 一天24小时共 得到480 个数据点。 3.根据权利要求1所述的基于用电数据的污染企业环保工况异常识别方法， 其特征在 于： 步骤S2中的K ‑means聚类包括以下步骤： 步骤S201： 设用电数据中的三相总有功 功率及各相有功 功率为P： 步骤S202： 对P进行 数据归一 化， 得到P＇ ， 其具体归一 化公式如下： 权　利　要　求　书 1/3 页 2 CN 115291006 A 2步骤S203： 采用采用K ‑means++算法得到2个初始的聚类中心； 步骤S204： 计算P＇ 中每 个值到2个聚类中心的距离， 采用欧式距离： 步骤S205： 将P＇ 中每 个值分配给离聚类中心最近的类别中； 步骤S206： 计算每 个类别中各维数据的平均值； 步骤S207： 重复步骤S203 ‑步骤S206， 直到类别分配不变， 得到两个聚类中心， 其 中聚类 中心大的簇表示企业 生产正在生产， 聚类中心小的簇表示企业停止生产。 4.根据权利要求1所述的基于用电数据的污染企业环保工况异常识别方法， 其特征在 于： 步骤S4当中， L ightGBM模型 预测的步骤为： 步骤S401： 设有n维用电数据x{x1,x2,…,xn}， 且对应的环保工况为y， 初始化第一个弱 学习器F0(x)： 其中， P(y＝1|x)是训练样本中y＝1的比例， y＝1与y＝ ‑1分别代表企业环保工况正常 与异常； 步骤S402： 建立m棵分类回归树， 对于i ＝1,2,…,n,计算m棵树对应的负梯度： 步骤S403： 对于i＝1,2, …,n， 利用CART回归 树拟合数据(xi,xm,i)， 得到第m棵回归树， 其 对应的叶子节点区域为Rm,j,其中j＝1,2, …,Jm且Jm为第m棵回归树叶子节点的个数； 对于Jm 个叶子节点区域j＝1,2, …,Jm,计算出最佳拟合 值： 步骤S404： 根据迭代公式： 得到最终的强学习器FM(x)的表达式： 得到两个分类的概 率分别为： 权　利　要　求　书 2/3 页 3 CN 115291006 A 3