买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

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。

主权项：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LightGBM中进行训练，调试参数，得到初步模型；步骤S5：利用LightGBM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；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；步骤S4当中，LightGBM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F0x： 其中，Py＝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FMx的表达式： 得到两个分类的概率分别为： 步骤S405：通过以上计算，当得到的概率P-x大于0.5时，则模型预测为环保工况正常；当得到的概率P+x大于0.5时，则模型预测为环保工况异常；在步骤S5中筛选LightGBM特征重要度的步骤如下：步骤S501：将所有用电数据放入模型中进行一次训练，计算每一个特征数据的特征重要度；步骤S502：特征的全局重要度通过特征在单颗树中的重要度的平均值来衡量： 其中，M是树的数量；特征j在单颗树中的重要度的如下： 其中，L为数的叶子节点数量，L-1即为树的非叶子节点数量，vt是和节点t相关联的特征，是节点分裂之后平方损失的减少值；步骤S503：对数据的特征重要度进行降序排列，筛选特征重要度排序前20，前40，前60，前80，前100项数据分别进行训练与测试，对比各项指标结果；步骤S504：引入混淆矩阵与机器学习模型评价指标；所述混淆矩阵表示的是模型判断的环保工况正常与异常两种情况与其真实值的对比情况；其中TP表示模型正确识别出环保工况异常情景下的数量，TN表示模型正确识别出环保工况正常情景下的数量，FN表示模型错误识别出环保工况异常情景下的数量，FP表示模型错误识别出环保工况正常情景下的数量；在此基础上，进一步引入如下4个指标，准确率SACC、精确率SPRE、召回率SREC，SF1；公式如下： 步骤S506：对比各项指标结果，取指标结果相对好的作为最终模型。

全文数据：

权利要求：

百度查询： 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