基于電力數(shù)據(jù)分析的污染物排放監(jiān)測方法研究

劉忠輝 ，蔡高琰 ，梁炳基 ，駱德漢 ，何家峰

(1.廣東工業(yè)大學 信息工程學院，廣東 廣州510006；2.廣東浩迪創(chuàng)新科技有限公司，廣東 佛山528200)

0 引言

目前國內(nèi)外對污染物排放的監(jiān)測主要是在各個環(huán)節(jié)安裝多種不同的傳感器，然后對每個環(huán)節(jié)的多個參數(shù)進行采集分析[1-3]。 針對不同的產(chǎn)污企業(yè)，各個環(huán)節(jié)需放置污染物監(jiān)測傳感器可能不同，通過收集對比各傳感器的數(shù)據(jù)是否達到國家排放標準[4]，來確定產(chǎn)污企業(yè)的治污效果是否達標。 當前傳統(tǒng)的監(jiān)測手段存在幾個問題：一是企業(yè)排污管道、生產(chǎn)環(huán)節(jié)等環(huán)境復(fù)雜[5]，設(shè)備安裝困難且容易失效；二是傳感器易受外界影響，加大水/風量都會使監(jiān)測結(jié)果出現(xiàn)重大偏差，且復(fù)雜的系統(tǒng)結(jié)構(gòu)容易出現(xiàn)通信等故障導(dǎo)致測量失靈[6]；三是成本較高。 在這幾個問題的影響下，傳統(tǒng)監(jiān)測系統(tǒng)難以推廣。 因此尋找一種既能減少或者杜絕人為因素干擾造成監(jiān)測失效，又可降低安裝運行成本的解決方案是本文最主要的目的。 本文利用智能電表對用電數(shù)據(jù)進行采集與處理，結(jié)合機器學習中的誤差反向傳播神經(jīng)網(wǎng)絡(luò)算法[7-8]構(gòu)建工業(yè)用電設(shè)備分類模型，對設(shè)備進行啟停分析與遠程在線監(jiān)管，實現(xiàn)了對工業(yè)環(huán)境下用電設(shè)備的監(jiān)測，大大加強了監(jiān)測的力度以及范圍，且具有低成本、易于推廣的優(yōu)勢。

1 智能電表作為采集終端

智能電表是建立在電子式電表的基礎(chǔ)之上的。隨著全球性智能電網(wǎng)建設(shè)的開始，電表不再僅作為單一計費儀表存在，而是向著智能化、系統(tǒng)化、模塊化和多元化的系統(tǒng)終端發(fā)展。 本方法使用的是通用型智能電表，具備對用電數(shù)據(jù)進行實時采集、分析、存儲等多種功能。 中央控制器MCU 采用HT6501，具有良好的計算能力和較快的處理速度，在智能電表領(lǐng)域十分常用。 其內(nèi)核處理器采用ARM Cortex-M0，F(xiàn)lash、SRAM 分別為128 K、8 K，達到本方法的計算及存儲標準。計量芯片ATT7022E 采樣率高達14.4 kHz，用于對電流、電壓、功率等進行實時采集[9]。 本方法中智能電表的工作流程如圖1 所示。

圖1 電表工作流程

本方法中采用功率差值、電流時域差值、電流頻域特征作為用電設(shè)備的特征量，其中諧波系數(shù)采用快速傅里葉變換計算得到，并且考慮到智能電表的成本和多次實驗結(jié)論，此處采用電流前四項奇次諧波系數(shù)即可。 同時考慮到實際生產(chǎn)運行環(huán)境下要識別的用電設(shè)備電能參數(shù)較大，為減少不必要的數(shù)據(jù)上傳，此處設(shè)置電流波動閾值為1 A，即當電路中電流波動在1 A 的范圍內(nèi)時，視為電路中正常波動，不做進一步處理，當電表檢測到電路中產(chǎn)生電流波動超過波動閾值，即視為電路中有用電設(shè)備的啟動或關(guān)停。

其中，I1表示功率波動前電路中的總電流，I2表示產(chǎn)生功率波動后的電路總電流，當ΔI 大于1 A，此時通過電流波動前后的兩個窗口計算出各類電能參數(shù)差值及電流前四項奇次諧波特征組成用電設(shè)備的特征矩陣。 同時，記錄時域電流的增減情況，當I2的幅值大于I1的幅值，此時電路中電流增大，表明有新用電設(shè)備啟動，當I2的幅值小于I1的幅值，此時電路中電流減小，表明電路中有用電設(shè)備關(guān)停，以此來判定產(chǎn)生的功率告警是用電設(shè)備的啟動或關(guān)停[10]。最后將諧波數(shù)據(jù)、電流增減標識、告警時間等相關(guān)電能參數(shù)進行信息組幀后上報至后臺服務(wù)器。

2 對工業(yè)設(shè)備的精準識別

通過上述方法對不同用電設(shè)備的用電數(shù)據(jù)進行采集，并手動標記用電設(shè)備類型，建立用電設(shè)備特征數(shù)據(jù)集，用BP 神經(jīng)網(wǎng)絡(luò)來構(gòu)建識別分類模型，該模型參數(shù)較多，通過不斷地訓(xùn)練和測試選擇合適的網(wǎng)絡(luò)層數(shù)、節(jié)點數(shù)、權(quán)值、激活函數(shù)等模型參數(shù)。以下為部分重點參數(shù)的選取過程：

(1)隱含層數(shù)確定：BP 神經(jīng)網(wǎng)絡(luò)可以包含一至多個隱含層，經(jīng)研究表明，3 層BP 神經(jīng)網(wǎng)絡(luò)模型即可實現(xiàn)任意非線性映射，因此本方法在樣本數(shù)量不多的情況下選取的隱層數(shù)為1 層。

(2)各層神經(jīng)元個數(shù)的確定：對于輸入層，由于用電設(shè)備特征向量的選擇有6 個維度，故而選取6個神經(jīng)元；對于輸出層，采用“n-1”表示法，選取4個神經(jīng)元，可以表示16 種分類標準，滿足實際環(huán)境的需要；對于隱含層，根據(jù)式(2)計算，選取4 個神經(jīng)元。

式中，m 為輸入層節(jié)點數(shù)，p 為輸出層節(jié)點數(shù)，α為1 ～10 之間的常數(shù)。 最終網(wǎng)絡(luò)的拓撲結(jié)構(gòu)如圖2所示。

圖2 BP 網(wǎng)絡(luò)拓撲結(jié)構(gòu)

(3)轉(zhuǎn)移函數(shù)選?。河捎诿恳粚虞敵龆际巧弦粚拥木€性函數(shù)，為了降低少量異常數(shù)據(jù)對分類結(jié)果的影響，采用單極性Sigmoid 函數(shù)作為轉(zhuǎn)移函數(shù)。

(4)初始權(quán)值的確定：BP 神經(jīng)網(wǎng)絡(luò)采用反向誤差傳播算法不斷迭代更新確定最終的權(quán)值，因此需要給定一個初始值。初始值的選取對性能有一定影響，通常將其設(shè)置為一個較小的非零隨機數(shù)。 根據(jù)經(jīng)驗值在區(qū)間(-2.4/N，2.4/N)中隨機選取，其中N為輸入端連接的節(jié)點個數(shù)。

(5)學習速率選擇：學習速率的初值一般在0 ～0.8 之間選擇，它將直接影響到整個網(wǎng)絡(luò)學習過程的速度、學習的穩(wěn)定性，保證網(wǎng)絡(luò)能夠收斂于某個極小值。 如學習速率的值設(shè)定過大，訓(xùn)練速度會加快，也會造成訓(xùn)練結(jié)果不集中；如過小，則會使得學習時間過長，學習效率降低。

(6)全局誤差選擇：在BP 神經(jīng)網(wǎng)絡(luò)運算時，輸出的結(jié)果與期望的結(jié)果進行對比，實際誤差與設(shè)定的誤差閾值對比，如果實際誤差小于誤差閾值則輸出，如果大于誤差閾值則返回繼續(xù)運算。 這個誤差閾值即是網(wǎng)絡(luò)全局誤差，它是網(wǎng)絡(luò)分類精度的衡量標準。 全局誤差較小， 則輸出結(jié)果少且精度高，但需進行循環(huán)計算量增大，會影響分類效率；全局誤差較大，則輸出多但精度不高，甚至在實際誤差遠遠小于全局誤差時， 神經(jīng)網(wǎng)絡(luò)的運算過程無法完成，這時需要調(diào)整全局誤差。

理論研究表明，在隱含層神經(jīng)元個數(shù)確定的情況下，存在一個最優(yōu)的訓(xùn)練次數(shù)。 為找出這個最優(yōu)參數(shù)，本方法訓(xùn)練時將訓(xùn)練和測試交替進行，經(jīng)過不斷分析和反復(fù)測試，得到兩種誤差曲線，如圖3 所示。

圖3 兩種數(shù)據(jù)誤差曲線

可以看出，當訓(xùn)練次數(shù)在220 次左右時，訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的誤差都比較低，有較好的識別精度。故將上述最優(yōu)訓(xùn)練次數(shù)作為網(wǎng)絡(luò)學習的終止條件對數(shù)據(jù)進行BP 網(wǎng)絡(luò)訓(xùn)練，最終網(wǎng)絡(luò)的其他各參數(shù)設(shè)置如下：初始權(quán)值p=0.1，學習速率因子η=0.6，給定網(wǎng)絡(luò)全局誤差E=0.05。 經(jīng)過了220 次的學習，網(wǎng)絡(luò)模型收斂，獲得較好的分類結(jié)果。

3 設(shè)備啟停分析與在線監(jiān)管

根據(jù)相關(guān)環(huán)保部門要求，企業(yè)生產(chǎn)時的治污設(shè)備應(yīng)該不晚于產(chǎn)污設(shè)備的開啟時間，停機時間應(yīng)不早于產(chǎn)污設(shè)備停機時間，符合以上則是正常工作。通過對用電設(shè)備的精準識別，可以調(diào)庫對比設(shè)備啟停時間，分析企業(yè)是否按照要求正常工作。 如果有異常，則可以通過多種方式(短信、微信公眾號、手機終端等)將告警信息通知給產(chǎn)污企業(yè)或相關(guān)部門工作人員。

以實際生產(chǎn)情況下一個常見的情況為例進行闡述：假設(shè)佛山某印刷廠上午某時刻開啟了1 臺功率為36 kW 的印刷機，則要求在此或此前必須開啟了風機來進行污染物處理。 在整個生產(chǎn)過程中，若“治污設(shè)備運行時長”-“產(chǎn)污設(shè)備運行時長”≥δ(其中δ 為時間差， 要根據(jù)對應(yīng)設(shè)備參數(shù)和國家標準確定)，則表示是正常工作；若不滿足則平臺立刻產(chǎn)生告警信息并通知相關(guān)責任人，甚至可以根據(jù)實際要求對印刷機進行自動斷電處理。

4 數(shù)據(jù)驗證

根據(jù)實際生產(chǎn)環(huán)境， 在佛山市某汽車4S 店和印刷廠進行試點驗證。 主要生產(chǎn)設(shè)備有印刷機和汽車烤漆機、治污設(shè)備有風機和等離子設(shè)備及一些照明燈等其他背景負荷。 導(dǎo)出MongoDB 數(shù)據(jù)庫中的識別記錄分別如表1、表2 所示。

通過觀察表中記錄可以發(fā)現(xiàn)，該汽車4S 店10月21 日的設(shè)備啟停符合環(huán)保部門的要求，處于正常合法工作狀態(tài)。 該印刷廠10 月13 日設(shè)備的啟停符合環(huán)保部門的要求，可以判斷處于正常工作狀態(tài)。但是10 月14 日下午風機比印刷機先關(guān)閉，且風機運行總時間小于印刷機運行總時間，違反了環(huán)保部門的要求，可以判斷該廠生產(chǎn)處于非正常工作狀態(tài)，系統(tǒng)檢測到只有印刷機在運行時可以立刻上報告警信息。 通過調(diào)用后臺數(shù)據(jù)服務(wù)可以發(fā)現(xiàn)，該廠10 月13 日兩類設(shè)備運行時長一致，而10 月14 日產(chǎn)污設(shè)備比治污設(shè)備運行時間長，以作為監(jiān)管部門的處罰依據(jù)。 后臺部分數(shù)據(jù)統(tǒng)計如圖4、圖5 所示。

表1 汽車4S 店設(shè)備識別記錄

圖4 汽車4S 店設(shè)備運行時長

圖5 印刷廠設(shè)備運行時長

5 結(jié)論

基于電力數(shù)據(jù)分析的污染物排放檢測方法結(jié)合數(shù)據(jù)分析、機器學習等手段，可對排污單位的產(chǎn)污、治污和排污環(huán)節(jié)實施全過程監(jiān)控。 通過分析污染源生產(chǎn)設(shè)備和治污設(shè)備的運行情況，實時掌握排污單位的生產(chǎn)狀況，以及進行停、限、錯峰生產(chǎn)等防控措施的執(zhí)行情況。 通過進行聯(lián)動分析預(yù)警，及時發(fā)現(xiàn)排污單位環(huán)保違法違規(guī)行為，填補了環(huán)保局與企業(yè)之間的監(jiān)管漏洞。 該研究為環(huán)境治理精準執(zhí)法提供技術(shù)支撐，有助于降低環(huán)保部門的監(jiān)管執(zhí)法成本和工作壓力，對推動城市生產(chǎn)制造業(yè)的發(fā)展，提高城市污染治理水平，打好城市污染防治攻堅戰(zhàn)，打贏藍天保衛(wèi)戰(zhàn)有重要的意義。

表2 印刷廠設(shè)備識別記錄