目前污染源企业点多面广,各个企业的生产与治污流程不同,缺乏有效统一的监管指标和预警手段,导致监管困难、实时性差、工作量大等问题,提出一种基于用电数据挖掘的企业环保异常识别方法。首先,采用K-means聚类识别设备运行状态、基于动态时间规整(dynamic time warping, DTW)距离构建企业生产线模型;其次,对历史数据统计进行连续型与间歇型生产线划分、利用傅里叶变换识别生产线的生产周期,建立适合企业的环保工况模型;再次,提出分别针对连续型与间歇型生产线的环保工况识别方法;最后,利用实际污染源企业监测数据验证所提方法的有效性与实用性。目前基于所提方法研发的电力智慧环保平台已在某省得到实际应用,取得了良好成效,为环保部门掌握企业环保情况提供有效的技术手段与数据支撑。
用电数据是智能电网大数据重要组成部分,也是基于人工智能方法进行负荷预测、需求响应以及台区线损治理和反窃电的基础样本数据来源。但用电信息采集设备工作环境复杂,用电数据缺失异常问题不可避免,严重影响数据驱动的效果。该文针对用电大数据存在的数据缺失、异常噪声等低质量问题,提出一种基于多范数优化的用电数据质量提升新算法,其中针对数据缺失和稀疏脉冲等多种现场采集噪声,采用核范数/1-范数/F-范数优化的低秩矩阵恢复模型和交替方向乘子算法求解,实现缺失数据恢复和异常噪声滤除,提高用电数据质量。所提方法具有不需要先验知识的训练,计算复杂度低的优势。算例结果表明,该文方法可以提高缺失数据恢复精度、改善数据质量,并且通过基于人工智能长短期记忆神经网络(long short term memory,LSTM)方法的短期负荷预测实验证明其可有效提高预测精度,对电力系统基于数据驱动的新兴高级应用具有良好的实际意义。
暂无评论