基于电力数据分析的污染物排放监测方法研究

刘忠辉 ，蔡高琰 ，梁炳基 ，骆德汉 ，何家峰

(1.广东工业大学 信息工程学院，广东 广州510006；2.广东浩迪创新科技有限公司，广东 佛山528200)

0 引言

目前国内外对污染物排放的监测主要是在各个环节安装多种不同的传感器，然后对每个环节的多个参数进行采集分析[1-3]。 针对不同的产污企业，各个环节需放置污染物监测传感器可能不同，通过收集对比各传感器的数据是否达到国家排放标准[4]，来确定产污企业的治污效果是否达标。 当前传统的监测手段存在几个问题：一是企业排污管道、生产环节等环境复杂[5]，设备安装困难且容易失效；二是传感器易受外界影响，加大水/风量都会使监测结果出现重大偏差，且复杂的系统结构容易出现通信等故障导致测量失灵[6]；三是成本较高。 在这几个问题的影响下，传统监测系统难以推广。 因此寻找一种既能减少或者杜绝人为因素干扰造成监测失效，又可降低安装运行成本的解决方案是本文最主要的目的。 本文利用智能电表对用电数据进行采集与处理，结合机器学习中的误差反向传播神经网络算法[7-8]构建工业用电设备分类模型，对设备进行启停分析与远程在线监管，实现了对工业环境下用电设备的监测，大大加强了监测的力度以及范围，且具有低成本、易于推广的优势。

1 智能电表作为采集终端

智能电表是建立在电子式电表的基础之上的。随着全球性智能电网建设的开始，电表不再仅作为单一计费仪表存在，而是向着智能化、系统化、模块化和多元化的系统终端发展。 本方法使用的是通用型智能电表，具备对用电数据进行实时采集、分析、存储等多种功能。 中央控制器MCU 采用HT6501，具有良好的计算能力和较快的处理速度，在智能电表领域十分常用。 其内核处理器采用ARM Cortex-M0，Flash、SRAM 分别为128 K、8 K，达到本方法的计算及存储标准。计量芯片ATT7022E 采样率高达14.4 kHz，用于对电流、电压、功率等进行实时采集[9]。 本方法中智能电表的工作流程如图1 所示。

图1 电表工作流程

本方法中采用功率差值、电流时域差值、电流频域特征作为用电设备的特征量，其中谐波系数采用快速傅里叶变换计算得到，并且考虑到智能电表的成本和多次实验结论，此处采用电流前四项奇次谐波系数即可。 同时考虑到实际生产运行环境下要识别的用电设备电能参数较大，为减少不必要的数据上传，此处设置电流波动阈值为1 A，即当电路中电流波动在1 A 的范围内时，视为电路中正常波动，不做进一步处理，当电表检测到电路中产生电流波动超过波动阈值，即视为电路中有用电设备的启动或关停。

其中，I1表示功率波动前电路中的总电流，I2表示产生功率波动后的电路总电流，当ΔI 大于1 A，此时通过电流波动前后的两个窗口计算出各类电能参数差值及电流前四项奇次谐波特征组成用电设备的特征矩阵。 同时，记录时域电流的增减情况，当I2的幅值大于I1的幅值，此时电路中电流增大，表明有新用电设备启动，当I2的幅值小于I1的幅值，此时电路中电流减小，表明电路中有用电设备关停，以此来判定产生的功率告警是用电设备的启动或关停[10]。最后将谐波数据、电流增减标识、告警时间等相关电能参数进行信息组帧后上报至后台服务器。

2 对工业设备的精准识别

通过上述方法对不同用电设备的用电数据进行采集，并手动标记用电设备类型，建立用电设备特征数据集，用BP 神经网络来构建识别分类模型，该模型参数较多，通过不断地训练和测试选择合适的网络层数、节点数、权值、激活函数等模型参数。以下为部分重点参数的选取过程：

(1)隐含层数确定：BP 神经网络可以包含一至多个隐含层，经研究表明，3 层BP 神经网络模型即可实现任意非线性映射，因此本方法在样本数量不多的情况下选取的隐层数为1 层。

(2)各层神经元个数的确定：对于输入层，由于用电设备特征向量的选择有6 个维度，故而选取6个神经元；对于输出层，采用“n-1”表示法，选取4个神经元，可以表示16 种分类标准，满足实际环境的需要；对于隐含层，根据式(2)计算，选取4 个神经元。

式中，m 为输入层节点数，p 为输出层节点数，α为1 ～10 之间的常数。 最终网络的拓扑结构如图2所示。

图2 BP 网络拓扑结构

(3)转移函数选取：由于每一层输出都是上一层的线性函数，为了降低少量异常数据对分类结果的影响，采用单极性Sigmoid 函数作为转移函数。

(4)初始权值的确定：BP 神经网络采用反向误差传播算法不断迭代更新确定最终的权值，因此需要给定一个初始值。初始值的选取对性能有一定影响，通常将其设置为一个较小的非零随机数。 根据经验值在区间(-2.4/N，2.4/N)中随机选取，其中N为输入端连接的节点个数。

(5)学习速率选择：学习速率的初值一般在0 ～0.8 之间选择，它将直接影响到整个网络学习过程的速度、学习的稳定性，保证网络能够收敛于某个极小值。 如学习速率的值设定过大，训练速度会加快，也会造成训练结果不集中；如过小，则会使得学习时间过长，学习效率降低。

(6)全局误差选择：在BP 神经网络运算时，输出的结果与期望的结果进行对比，实际误差与设定的误差阈值对比，如果实际误差小于误差阈值则输出，如果大于误差阈值则返回继续运算。 这个误差阈值即是网络全局误差，它是网络分类精度的衡量标准。 全局误差较小， 则输出结果少且精度高，但需进行循环计算量增大，会影响分类效率；全局误差较大，则输出多但精度不高，甚至在实际误差远远小于全局误差时， 神经网络的运算过程无法完成，这时需要调整全局误差。

理论研究表明，在隐含层神经元个数确定的情况下，存在一个最优的训练次数。 为找出这个最优参数，本方法训练时将训练和测试交替进行，经过不断分析和反复测试，得到两种误差曲线，如图3 所示。

图3 两种数据误差曲线

可以看出，当训练次数在220 次左右时，训练数据和测试数据的误差都比较低，有较好的识别精度。故将上述最优训练次数作为网络学习的终止条件对数据进行BP 网络训练，最终网络的其他各参数设置如下：初始权值p=0.1，学习速率因子η=0.6，给定网络全局误差E=0.05。 经过了220 次的学习，网络模型收敛，获得较好的分类结果。

3 设备启停分析与在线监管

根据相关环保部门要求，企业生产时的治污设备应该不晚于产污设备的开启时间，停机时间应不早于产污设备停机时间，符合以上则是正常工作。通过对用电设备的精准识别，可以调库对比设备启停时间，分析企业是否按照要求正常工作。 如果有异常，则可以通过多种方式(短信、微信公众号、手机终端等)将告警信息通知给产污企业或相关部门工作人员。

以实际生产情况下一个常见的情况为例进行阐述：假设佛山某印刷厂上午某时刻开启了1 台功率为36 kW 的印刷机，则要求在此或此前必须开启了风机来进行污染物处理。 在整个生产过程中，若“治污设备运行时长”-“产污设备运行时长”≥δ(其中δ 为时间差， 要根据对应设备参数和国家标准确定)，则表示是正常工作；若不满足则平台立刻产生告警信息并通知相关责任人，甚至可以根据实际要求对印刷机进行自动断电处理。

4 数据验证

根据实际生产环境， 在佛山市某汽车4S 店和印刷厂进行试点验证。 主要生产设备有印刷机和汽车烤漆机、治污设备有风机和等离子设备及一些照明灯等其他背景负荷。 导出MongoDB 数据库中的识别记录分别如表1、表2 所示。

通过观察表中记录可以发现，该汽车4S 店10月21 日的设备启停符合环保部门的要求，处于正常合法工作状态。 该印刷厂10 月13 日设备的启停符合环保部门的要求，可以判断处于正常工作状态。但是10 月14 日下午风机比印刷机先关闭，且风机运行总时间小于印刷机运行总时间，违反了环保部门的要求，可以判断该厂生产处于非正常工作状态，系统检测到只有印刷机在运行时可以立刻上报告警信息。 通过调用后台数据服务可以发现，该厂10 月13 日两类设备运行时长一致，而10 月14 日产污设备比治污设备运行时间长，以作为监管部门的处罚依据。 后台部分数据统计如图4、图5 所示。

表1 汽车4S 店设备识别记录

图4 汽车4S 店设备运行时长

图5 印刷厂设备运行时长

5 结论

基于电力数据分析的污染物排放检测方法结合数据分析、机器学习等手段，可对排污单位的产污、治污和排污环节实施全过程监控。 通过分析污染源生产设备和治污设备的运行情况，实时掌握排污单位的生产状况，以及进行停、限、错峰生产等防控措施的执行情况。 通过进行联动分析预警，及时发现排污单位环保违法违规行为，填补了环保局与企业之间的监管漏洞。 该研究为环境治理精准执法提供技术支撑，有助于降低环保部门的监管执法成本和工作压力，对推动城市生产制造业的发展，提高城市污染治理水平，打好城市污染防治攻坚战，打赢蓝天保卫战有重要的意义。

表2 印刷厂设备识别记录