适用于无周期性用电特征企业的自适应用电启停控制方法

技术领域

本发明涉及一种自适应用电启停控制方法，特别是一种适用于无周期性用电特征企业的自适应用电启停控制方法。

背景技术

电网中智能电网和物联网的技术发展进一步推动了电力终端测量和在线监测系统的应用，为电力数据的大范围采集提供技术支撑与服务。

对于治污设施来说，根据要求，治污设施须和产物设备同时运行，以及污染源自动监控设备须常态化运行。但治污设备的购置、日常维护以及日常运行费用，对于企业，尤其是资金和规模较小的中小型企业来说，是一笔不小的投入。因此，产污企业会弱化甚至是抛弃治污程序，不按要求启动治污设备，造成污染物的非法排放。

由于治污设施运行启动需要消耗大量电力，产、治污设备的电力大数据在线采集功能的实现，为基于电力数据的工业企业非现场研判企业治污设施是否正常运行提供了新视角和数据基础。然而，由于治污设施多为一组工艺，设施部分运行或者非正常运行都会产生电力数据，因此不能仅通过是否产生电力数据来判断治污设施是否正常启动。为解决这一问题，多采取设置用电阈值方法，若用电量超过该阈值则判断设施正常启动。传统的阈值划定方法多为经验数据，如选取最大用电负荷的15％作为阈值，但由于企业间以及不同的治污工艺间存在异质性，难以得出一个具有普遍适用性的经验参数；同时，对于存在短时用电异常行为或是没有明显产治污周期的企业，仅通过最值等指标表征整体数据分布往往效果很不理想。

因此，如何挖掘企业用电负荷时间序列自身特征，提出更加科学的用电启停阈值设定模式，并以此来智能判别企业用电异常行为，是亟需解决的难题。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种适用于无周期性用电特征企业的自适应用电启停控制方法。

为了解决上述技术问题，本发明公开了一种适用于无周期性用电特征企业的自适应用电启停控制方法，包括以下步骤：

步骤1：采集原始数据，获取目标企业的月度产污或治污设施用电序列；

步骤2：获取无周期型时间序列：针对步骤1中获得的产污或治污设施用电序列，通过快速傅里叶变换抽取对应幅值最高的三个备选周期，进一步计算自相关函数筛选，得出三个备选周期对应自相关系数，自相关系数均小于阈值的即为为无周期型时间序列；

步骤3：针对步骤2得到的无周期型时间序列，进一步通过剔除0值后计算其变异系数，将无周期型时间序列划分为集中型数据和噪声型数据；

步骤4：针对步骤3中得到的集中型数据，计算月度用电负荷的预设百分比的分位数，再乘以预设经验系数后作为该集中型数据对应设施的用电启停阈值；

步骤5：针对步骤3中得到的噪声型数据，剔除0值后进行核密度估计，构造用电负荷值概率密度函数，将概率密度函数最小的谷值作为用电启停阈值；

步骤6，根据步骤4和步骤5中得到的用电启停阈值，控制相应设施的用电启停。

进一步的，步骤1中所述的获取目标企业的月度产污或治污设施用电序列，即将采集目标企业的数据表，进行数据表匹配和数据预处理，遍历企业名单获取用电负荷时间序列，具体包括以下步骤：

步骤1-1：基于已有的信息系统，获取所有企业的数据表，所述数据表，至少包括：

企业信息表：包括但不限于企业ID、企业名称、组织机构代码和污染源编码；

产污设施表：包括但不限于产污设施ID、所属企业ID和设施类型；

治污设施表：包括但不限于治污设施ID、所属企业ID和设施类型；

产污设施瞬时用电负荷表：包括但不限于产污设施ID、时间和用电负荷；

治污设施瞬时用电负荷表：包括但不限于治污设施ID、时间和用电负荷；

步骤1-2，进行数据表匹配，即根据企业ID和设施ID，将步骤1-1中的数据表进行匹配和关联，构建用电监控数据集合；

步骤1-3，进行数据预处理，即针对步骤1-2构建的用电监控数据集合，对于其中的用电负荷空缺值使用0值填补；

步骤1-4，获取用电负荷时间序列，即将预处理后的用电监控数据集合，按照预设的监管目标企业名单进行遍历筛选，对于每个目标企业的每一个产污或治污设施，生成一条月度的用电负荷时间序列，即产污或治污设施用电序列。

进一步的，步骤2所述的获取无周期型时间序列，具体包括以下步骤：

步骤2-1：针对步骤1所得到的每一条月度用电负荷时间序列，通过快速傅里叶变换，将其转换成频域信号，得到采样长度幅值函数X(k)，具体如下：

其中，X(k)为频域离散采样序列，即采样长度幅值函数，x(k)为时域离散采样序列，即用电负荷时间序列，W为单位周期复指数序列，n是序列样值的序号，N是快速傅里叶变换变换的长度，k为从0到N-1长度采样，j表示虚数中的虚部；

步骤2-2：针对步骤2-1转换得到的采样长度幅值函数X(k)，选取幅值绝对值最高的三个点，得出对应的采样长度k

T

其中，k

步骤2-3：依次将步骤2-2所得到的三个备选周期T

步骤2-4：基于步骤2-3所计算得得自相关系数R(k

进一步的，步骤3所述的将无周期型时间序列划分为集中型数据和噪声型数据，具体包括以下步骤：

步骤3-1：针对步骤2中识别出的无周期型时间序列，进行0值的剔除后计算变异系数，方法如下：

其中，C

步骤3-2：针对步骤3-1计算出的变异系数，将小于等于预设的变异系数阈值的无周期型时间序列定义为集中型序列，将大于预设的变异系数阈值的无周期型时间序列定义为噪声型序列。

进一步的，计算自相关系数R(k

其中，γ(k)为滞后阶数为k的自协方差，自相关函数R(k)为自协方差γ(k)与方差γ(0)之比，其范围在[-1,1]之间；

进一步的，步骤4中所述的用电启停阈值，具体计算方法包括以下步骤：

步骤4-1：针对步骤3筛选出的集中型序列，计算其中的月度用电符合数据中95％分位数；

步骤4-2：针对步骤4-1计算出的95％分位数，乘以15％经验系数，作为该设施的用电启停阈值，具体如下：

Threhshold

其中，Threhshold

进一步的，步骤5中所述的用电启停阈值，具体计算方法包括以下步骤：

步骤5-1：针对步骤3筛选出的噪声型序列，将该序列中的数据去除0值后，通过核密度估计转换成连续的概率分布函数，具体如下：

其中，x

步骤5-2：根据步骤5-1的概率分布函数拟合出的概率密度曲线，提取出所有谷值点P

Threshold

其中，Threshold

进一步的，步骤5-1中所述的核函数为高斯核。

进一步的，步骤5-1中所述的平滑参数，计算方法如下：

其中，

进一步的，步骤6中所述的控制相应设施的用电启停，即使用启停阈值对该设施用电序列中每个采样点进行大小比较，用电负荷高于该阈值的时间段即为设施正常运行时段。

有益效果：

(1)本发明基于快速傅里叶变换与自相关函数耦合的时间序列周期性检验方法，对企业产治污设施用电负荷的周期性特征进行了判定和抽取，为数据驱动的用电启停阈值设定提供类别划分依据。

(2)本发明基于变异系数对无周期性用电特征的企业设施进行了进一步分类，以提高用电启停阈值的针对性。

(3)本发明提出了基于分位数的集中型用电特征设施的用电启停阈值设定方法，减少存在异常值干扰时，传统的使用最大值估算数据分布来设定阈值的方法可能导致的不合理情况。

(4)本发明提出了基于核密度估计的噪声型用电特征设施的用电启停阈值设定方法，实现了正常运作时的高值用电负荷与非运作时段的低值本底噪音负荷间的平面划分，针对该种规律较难挖掘用电序列监管提供了普适性的解决方案。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1为本发明方法的整体流程示意图。

图2为实施例中采样长度—幅值曲线图。

图3为实施例中用电负荷概率密度曲线图。

图4为实施例中用电负荷时间序列与阈值线图。

具体实施方式

本发明基于周期性检测算法与核密度估计算法，针对无周期特征的企业用电负荷时间序列开发了具有较强自适应性的启停阈值设定算法，并基于产、治污设施的真实用电数据验证了该方法产生用电启停阈值的准确性，为基于电力大数据的企业用电异常行为智能甄别提供了新思路。

本发明的技术方案是：一种适用于无周期性用电特征企业的自适应用电启停控制方法，包括以下步骤：

步骤1：获取企业信息表、产污设施表、治污设施表、产污设施瞬时用电负荷表和治污设施瞬时用电负荷表，完成数据表间的匹配，并将数据表中的用电负荷值中的空缺值进行填补处理。遍历企业名单，截取每个目标企业的月度产污或治污设施用电序列。

步骤2：针对步骤1中截取的每个企业的单个设施月度用电负荷时间序列，通过快速傅里叶变换(FFT)抽取对应幅值最高的三个备选周期。进一步计算自相关函数(ACF)筛选，得出三个备选周期对应自相关系数，自相关系数均小于阈值的为无周期型时间序列。其中，备选周期为通过将时域信号快速傅里叶变换到频域得到的采样长度—幅值函数后，选取幅值绝对值最高的三个点对应采样长度转换为周期，代表了该信号最有代表性的三个周期；自相关函数筛选是指将备选周期对应的滞后阶数计算自相关系数，通过判断三个周期下自相关系数是否都小于根据经验设定的周期性判断阈值判断是否为无周期型时间序列。

步骤3：针对步骤2所述算法提取出的无周期性时间序列，进一步通过剔除0值后计算变异系数(CV)，将无周期性序列划分为集中型数据和噪声型数据。其中，集中型数据为设施未开启时基本监测不到用电负荷，而开启时负荷长时间稳定在一个相对固定区间内，本发明中为剔除0值后变异系数小于等于根据经验设定的变异系数阈值的序列；噪声型数据为设施未开启时仍有少量用电负荷成为干扰启停判断的本底噪声，本发明中为剔除0值后变异系数大于根据经验设定的变异系数阈值的序列。

步骤4：针对步骤3筛选出的集中型数据，计算月度用电负荷的95％分位数，再乘以经验系数15％后作为该设施的用电启停阈值。

步骤5：针对步骤3筛选出的噪声型数据，剔除0值后进行核密度估计，构造出用电负荷值概率密度函数，将概率密度函数最小的谷值作为用电启停阈值。其中，概率密度函数最小的谷值为概率密度曲线的所有极小值点中最小的点对应的用电负荷。

进一步，步骤1具体包括以下步骤：

步骤1-1：基于污染源用电监控信息化系统等，获取企业级别高时间分辨率用电负荷数据和企业基本信息。

所数据表包括：

企业信息表：包括但不限于企业ID、企业名称、组织机构代码、污染源编码；

产污设施表：包括但不限于产污设施ID、所属企业ID、设施类型；

治污设施表：包括但不限于治污设施ID、所属企业ID、设施类型；

产污设施瞬时用电负荷表：包括但不限于产污设施ID、时间、用电负荷；

治污设施瞬时用电负荷表：包括但不限于治污设施ID、时间、用电负荷

步骤1-2，根据企业ID、设施ID，精确匹配步骤1-1各数据表，构建用电监控数据模型。

步骤1-3，针对步骤1-2构建的用电监控数据模型，对于其中的用电负荷空缺值使用0值填补，避免干扰后续计算。

步骤1-4，将通过步骤1-3补值后的用电数据，按照监管目标企业名单进行遍历筛选，对于每个企业的每一个设施，生成一条月度的用电时间序列。

进一步，步骤2具体包括以下步骤：

步骤2-1：针对步骤1所得到的每一条月度用电负荷时间序列数据，通过快速傅里叶变换转换成频域信号，得到采样长度—幅值函数。其中转换所基于的离散傅里叶变换(DFT)的公式为：

其中，X(k)为频域离散采样序列(多为复数序列)，x(k)为时域离散采样序列(通常为实数序列)，W为单位周期复指数序列，n是序列样值的序号，N是DFT变换的长度，k为从0到N-1长度采样。

快速傅里叶变换基本原理与离散傅里叶变换一致，FFT会通过把DFT矩阵分解为稀疏因子之积来快速计算此类变换，可将DFT按定义计算所需要的O(n

步骤2-2：针对步骤2-1转换得到的采样长度—幅值函数，选取幅值绝对值最高的三个点，得出对应的采样长度k

T

其中，k

步骤2-3：依次计算步骤2-2所得到的T

其中，γ(k)为滞后阶数为k的自协方差，自相关函数R(k)为自协方差γ(k)与方差γ(0)之比，其范围在[-1,1]之间，绝对值越大说明自相关程度越高。

其中，自相关函数是由自相关系数(Autocovariance，AC)构成的序列，自相关系数用来描述数据自身不同时期的相关程度，即度量历史数据对现在产生的影响。对于时间序列X

步骤2-4：基于步骤2-3所计算得得自相关系数R(k

可选的，根据经验设定的周期性判断阈值是依据经验确定的可以判断序列有周期性的自相关系数阈值，没有一个绝对标准，在本发明中默认取为0.5。

进一步，步骤3具体包括以下步骤：

步骤3-1：针对步骤2中识别出的无周期性用电序列，进行0值的剔除后计算变异系数(CV)。变异系数公式为：

其中，C

步骤3-2：针对步骤3-1计算出的变异系数，将小于等于根据经验设定的变异系数阈值的序列定义为集中型序列，进入步骤4进行用电启停阈值设定；将大于根据经验设定的变异系数阈值的序列定义为噪声型序列，进入步骤5进行用电启停阈值设定。

可选的，变异系数主要用于比较不同组别数据的离散程度，系数越大代表变异程度越高。然而在判断单个序列的变异程度时，并没有一个统一的标准，需要视不同应用场景、不同数据样本人为设定。在本发明中，变异系数的阈值默认为0.35。

进一步，步骤4具体包括以下步骤：

步骤4-1：针对步骤3筛选出的集中型数据，计算月度用电数据中95％分位数。

步骤4-2：针对步骤4-1计算出的95％分位数，乘以15％经验系数，作为该设施的用电启停阈值。该阈值用公式表达为：

Threshold

其中，Threshold

步骤4-3：使用启停阈值对该设施时间序列每个采样点进行大小比较，用电负荷高于该阈值的时间段即为设施正常运行时段。

进一步，步骤5具体包括以下步骤：

步骤5-1：针对步骤3筛选出的噪声型数据，将用电时间序列数据去除0值后，通过核密度估计转换成连续的概率分布函数。核密度估计计算公式为：

其中，x

其中，

步骤5-2：根据步骤5-1拟合出的概率密度曲线，提取出所有谷值点P

Threshold

其中，所有谷值点即为概率密度函数所有的极小值点集合，可选的，提取方式可以通过求导、迭代比较每个样本点与相邻点的大小等方式进行提取。

步骤5-3：使用启停阈值对该设施时间序列每个采样点进行大小比较，用电负荷高于该阈值的时间段即为设施正常运行时段。

实施例：

现在结合附图对本发明作详细的说明。此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

本发明提供了一种适用于无周期性用电特征企业的自适应用电启停控制方法，本实施例阐述了将本发明所提供的方法，应用于某省污染源用电监控系统中某设施的2023年5月的15分钟用电瞬时数据的用电启停阈值设置情况。

结合附图1，本发明提出的一种适用于无周期性用电特征企业的自适应用电启停控制方法，包括以下步骤：

步骤1：获取企业信息表、产污设施表、治污设施表、产污设施瞬时用电负荷表和治污设施瞬时用电负荷表，完成数据表间的匹配，并将数据表中的用电负荷值中的空缺值进行填补处理。遍历企业名单，截取每个目标企业的月度产污或治污设施用电序列。

步骤2：针对步骤1中截取的每个企业的单个设施月度用电负荷时间序列，通过快速傅里叶变换(FFT)抽取对应幅值最高的三个备选周期。进一步计算自相关函数(ACF)筛选，得出三个备选周期对应自相关系数，自相关系数均小于阈值的为无周期型时间序列。

步骤3：针对步骤2所述算法提取出的无周期性时间序列，进一步通过剔除0值后计算变异系数(CV)，将无周期性序列划分为集中型数据和噪声型数据

步骤4：针对步骤3筛选出的集中型数据，计算月度用电负荷的95％分位数，再乘以经验系数15％后作为该设施的用电启停阈值。

步骤5：针对步骤3筛选出的噪声型数据，剔除0值后进行核密度估计，构造出用电负荷值概率密度函数，将概率密度函数最小的谷值作为用电启停阈值。

本实施例步骤1具体包括：

步骤1-1：基于污染源用电监控信息化系统等，获取企业级别高时间分辨率用电负荷数据和企业基本信息。其中这里的时间分辨率为每15分钟监测一次瞬时用电负荷。

步骤1-2，根据企业ID、设施ID，精确匹配步骤1-1各数据表，构建用电监控数据模型。

步骤1-3，针对步骤1-2构建的用电监控数据模型，对于其中的用电负荷空缺值使用0值填补，避免干扰后续计算。

步骤1-4，将通过步骤1-3补值后的用电数据，选取了监管目标企业A的产污设施序列。

本实施例步骤2具体包括：

步骤2-1：针对步骤1所得到的企业A产污设施2023年5月用电负荷时间序列数据，通过快速傅里叶变换转换成频域信号，得到采样长度—幅值函数。其中转换所基于的离散傅里叶变换(DFT)的公式为：

其中，X(k)为频域离散采样序列(多为复数序列)，x(k)为时域离散采样序列(通常为实数序列)，W为单位周期复指数序列，n是序列样值的序号，N是DFT变换的长度，k为从0到N-1长度采样。

快速傅里叶变换基本原理与离散傅里叶变换一致，FFT会通过把DFT矩阵分解为稀疏因子之积来快速计算此类变换，可将DFT按定义计算所需要的O(n

结合附图2中的采样长度—幅值曲线，步骤2-2具体为：

步骤2-2：针对步骤2-1转换得到的采样长度—幅值函数，选取幅值绝对值最高的三个点，得出对应的采样长度20，2，9，通过下式可得转换为具体的备选周期18000s，1800s和8100s：

T

其中，k

步骤2-3：依次计算步骤2-2所得到的备选周期18000s，1800s和8100s作为滞后阶数计算得的自相关系数，自相关函数(ACF)计算公式为：

其中，γ(k)为滞后阶数为k的自协方差，自相关函数R(k)为自协方差γ(k)与方差γ(0)之比，其范围在[-1,1]之间，绝对值越大说明自相关程度越高。

其中，自相关函数是由自相关系数(Autocovariance，AC)构成的序列，自相关系数用来描述数据自身不同时期的相关程度，即度量历史数据对现在产生的影响。对于时间序列X

进一步，步骤3具体包括以下步骤：

步骤3-1：针对步骤2中识别出的无周期性用电序列，进行0值的剔除后计算变异系数(CV)。变异系数公式为：

其中，C

步骤3-2：步骤3-1计算出的变异系数为0.92，大于根据经验设定的变异系数阈值0.35，将序列定义为噪声型序列，进入步骤5进行用电启停阈值设定。

进一步，由于企业A的产污设施序列被判定为噪声型，将跳过步骤4进行步骤5操作，操作5具体包括以下步骤：

步骤5-1：针对步骤3筛选出的噪声型数据，将用电时间序列数据去除0值后，通过核密度估计转换成连续的概率分布函数。核密度估计计算公式为：

其中，x

其中，

结合附图3中的概率密度曲线，步骤5-2具体为：

步骤5-2：根据步骤5-1拟合出的概率密度曲线，提取出所有谷值点P

Threshold

其中，所有谷值点即为概率密度函数所有的极小值点集合，在本实施例中，采用了极值点的定义迭代选取了所有概率密度小于相邻点的。

结合附图4中的用电负荷时间序列与阈值线，步骤5-3具体为：

步骤5-3：使用启停阈值对该设施时间序列每个采样点进行大小比较，用电负荷高于该阈值的时间段即为设施正常运行时段。

具体实现中，本申请提供计算机存储介质以及对应的数据处理单元，其中，该计算机存储介质能够存储计算机程序，所述计算机程序通过数据处理单元执行时可运行本发明提供的一种适用于无周期性用电特征企业的自适应用电启停控制方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，ROM)或随机存储记忆体(random access memory，RAM)等。

本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来，该计算机程序软件产品可以存储在存储介质中，包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机，服务器，单片机，MUU或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本发明提供了一种适用于无周期性用电特征企业的自适应用电启停控制方法的思路及方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。