融合多源数据与碳排放核算的土壤修复工厂风险预警方法与流程

本技术属于预警领域，尤其涉及一种融合多源数据与碳排放核算的土壤修复工厂风险预警方法。

背景技术：

1、随着生态环境保护和绿色发展理念的持续推进，土壤修复工厂在治理污染土壤的过程中，不仅需要实时监测设备运行状态、环境参数和土壤理化性质等多类指标，还需要对运行过程中的能源消耗及碳排放进行常态化核算。由于土壤修复工艺涉及破碎筛分、药剂投加、热处理、尾气处理及污染物稳定化等多个环节，各类设备运行负荷波动较大，一旦某一环节发生异常，容易引发二次污染、设备故障、修复效果下降或碳排放超标等风险。因此，采集工厂运行过程中的多源状态数据并进行融合分析，实现运行状态的实时监测与风险预警，是保障土壤修复工厂安全、稳定、合规运行的重要手段。

2、在对高维状态向量进行特征提取与降维表示时，常规方法难以根据数据的实际分布特征自适应调整表示粒度，容易在压缩表示过程中丢失微小但具有风险指示意义的异常波动信息，导致残差表征不充分或异常识别灵敏度不足。同时，现有预警指标难以充分体现多源数据之间的关联关系以及不同数据源对风险形成过程的贡献差异，在面对隐蔽性强、演化过程复杂的潜在风险时，容易出现误报或漏报。因此，如何深入发掘并融合多源时序数据与碳排放核算数据的多维特征，结合不同数据源的贡献差异进行精细化量化表示，并据此构建综合风险评价机制以实现可靠风险预警，是当前本领域技术人员亟需解决的技术问题。

技术实现思路

1、为了解决现有技术中多源状态数据融合表征不足、特征量化粒度固定、异常波动信息易丢失以及风险预警准确性不高的问题，第一方面，本发明提供了一种融合多源数据与碳排放核算的土壤修复工厂风险预警方法，包括以下步骤：

2、获取土壤修复工厂一段时间内的多源时序数据及碳排放核算数据，融合为包含各个时刻的多维状态向量的集合；

3、对多维状态向量的集合进行逐层量化处理，对第一层量化，从第二个采样时刻起，对集合中的各多维状态向量，计算各维度的时间变化率并进行无量纲化处理，组合为联合特征向量；对完成时间变化率计算的各有效采样时刻对应的联合特征向量进行聚类生成第一层级量化码本，对每个联合特征向量，选取距离最近的聚类中心作为第一层级聚类中心，记录码本索引；计算差值作为初始的量化残差向量；

4、对后续每一层量化依次执行构建数据源贡献度矩阵，对上一层级的量化残差向量加权得到目标残差向量；计算当前层级所有目标残差向量的分布散度，据此确定当前层级量化码本规模；聚类目标残差向量生成量化码本，选取距离最近的聚类中心，记录码本索引，计算差值作为下一层级的量化残差向量；

5、循环执行后续层级量化至预设最大层数，将量化残差向量作为最终残差向量；提取码本索引拼接为量化路径编码，统计出现概率；计算模长得到风险残差值；结合风险残差值与出现概率的倒数计算综合风险分值，超过告警阈值时触发风险预警。

6、进一步地，所述获取土壤修复工厂一段时间内的多源时序数据及碳排放核算数据，融合为包含各个时刻的多维状态向量的集合，包括：

7、按照固定的采样频率重采样所述多源时序数据及所述碳排放核算数据；

8、提取每项数据在各个时刻的原始数值，并基于对应参数的历史最大值和历史最小值采用最大最小归一化方法将原始数值映射至0到1的区间内生成标准化数据；

9、对每个时刻，按照固定的排列顺序，将同一时刻下的所有标准化数据顺次拼接并构造为一维行向量，将各时刻对应的一维行向量构成所述多维状态向量的集合。

10、进一步地，所述从第二个采样时刻起，对集合中的各多维状态向量，计算各维度的时间变化率并进行无量纲化处理，包括：

11、从第二个采样时刻起，获取当前时刻的多维状态向量中各个维度的数值；

12、提取上一个采样时刻对应多维状态向量中相同维度的数值；

13、将当前时刻的数值与上一个采样时刻的数值相减得到差值；

14、将所述差值除以两个相邻采样时刻之间的时间间隔常数，得到时间变化率；

15、采用基于历史样本库预设区间界限的最大最小值标准化方法将所述时间变化率映射至0到1的区间内，完成无量纲化处理。

16、进一步地，所述对完成时间变化率计算的各有效采样时刻对应的联合特征向量进行聚类生成第一层级量化码本，对每个联合特征向量，选取距离最近的聚类中心作为第一层级聚类中心，记录码本索引，包括：

17、采用k均值聚类算法对完成时间变化率计算的各有效采样时刻对应的联合特征向量进行迭代运算以计算聚类中心；

18、将聚类迭代过程收敛后得到的所有聚类中心提取出来并作为所述第一层级量化码本；

19、计算每个联合特征向量与所述第一层级量化码本中每一个聚类中心之间的欧几里得距离；

20、找出欧几里得距离值最小的聚类中心作为所述联合特征向量对应的第一层级聚类中心，并提取所述聚类中心在第一层级量化码本中的序号作为所述码本索引。

21、进一步地，所述构建数据源贡献度矩阵，包括：

22、将同一有效采样时刻下的各项碳排放量累加得到综合碳排放核算数据序列，计算各量化残差维度对应的数据序列与相同有效采样时刻范围内的综合碳排放核算数据序列之间的皮尔逊相关系数的绝对值，将所述绝对值作为关联度；

23、提取各量化残差维度对应的预先配置的常数作为所述预设重要性；

24、数据源贡献度矩阵是一个对角方阵，所述矩阵的主对角线上的元素由量化残差向量各个维度对应的预设重要性与关联度的乘积顺次排列构成，且所有非主对角线位置的元素均为零。

25、进一步地，所述计算当前层级所有目标残差向量的分布散度，据此确定当前层级量化码本规模，包括：

26、对当前层级中的所有目标残差向量，求取每个维度的方差；

27、利用预设的维度归一权重系数对各维度的方差进行加权，并将加权后的各维度方差累加求和，将相加所得的和值确定为所述分布散度；

28、将所述分布散度与预设码本膨胀常数相乘，得到码本规模中间值；

29、对所述码本规模中间值执行向下取整处理，得到理论量化数目；

30、当前层级量化码本的规模取决于理论量化数目与预设最小规模常数的比较结果：当理论量化数目大于预设最小规模常数时，取理论量化数目作为码本规模；

31、否则，取预设最小规模常数作为码本规模。

32、进一步地，所述结合风险残差值与出现概率的倒数计算综合风险分值，包括：

33、将所述出现概率与预设极小正数相加后取倒数，得到路径罕见度项；

34、将所述路径罕见度项与预设第一权重系数相乘，得到第一评分项；

35、将所述风险残差值与预设第二权重系数相乘，得到第二评分项；将所述第一评分项与所述第二评分项相加，得到所述综合风险分值；

36、其中，所述预设第一权重系数和所述预设第二权重系数均大于零。

37、另一方面，本发明还提供了一种融合多源数据与碳排放核算的土壤修复工厂风险预警系统，包括以下模块：

38、获取模块，用于获取土壤修复工厂一段时间内的多源时序数据及碳排放核算数据，融合为包含各个时刻的多维状态向量的集合；

39、计算模块，用于对多维状态向量的集合进行逐层量化处理，对第一层量化，从第二个采样时刻起，对集合中的各多维状态向量，计算各维度的时间变化率并进行无量纲化处理，组合为联合特征向量；对完成时间变化率计算的各有效采样时刻对应的联合特征向量进行聚类生成第一层级量化码本，对每个联合特征向量，选取距离最近的聚类中心作为第一层级聚类中心，记录码本索引；计算差值作为初始的量化残差向量；

40、生成模块，用于对后续每一层量化依次执行构建数据源贡献度矩阵，对上一层级的量化残差向量加权得到目标残差向量；计算当前层级所有目标残差向量的分布散度，据此确定当前层级量化码本规模；聚类目标残差向量生成量化码本，选取距离最近的聚类中心，记录码本索引，计算差值作为下一层级的量化残差向量；

41、预警模块，用于循环执行后续层级量化至预设最大层数，将量化残差向量作为最终残差向量；提取码本索引拼接为量化路径编码，统计出现概率；计算模长得到风险残差值；结合风险残差值与出现概率的倒数计算综合风险分值，超过告警阈值时触发风险预警。

42、优选地，所述获取土壤修复工厂一段时间内的多源时序数据及碳排放核算数据，融合为包含各个时刻的多维状态向量的集合，包括：

43、按照固定的采样频率重采样所述多源时序数据及所述碳排放核算数据；

44、提取每项数据在各个时刻的原始数值，并基于对应参数的历史最大值和历史最小值采用最大最小归一化方法将原始数值映射至0到1的区间内生成标准化数据；

45、对每个时刻，按照固定的排列顺序，将同一时刻下的所有标准化数据顺次拼接并构造为一维行向量，将各时刻对应的一维行向量构成所述多维状态向量的集合。

46、优选地，所述从第二个采样时刻起，对集合中的各多维状态向量，计算各维度的时间变化率并进行无量纲化处理，包括：

47、从第二个采样时刻起，获取当前时刻的多维状态向量中各个维度的数值；

48、提取上一个采样时刻对应多维状态向量中相同维度的数值；

49、将当前时刻的数值与上一个采样时刻的数值相减得到差值；

50、将所述差值除以两个相邻采样时刻之间的时间间隔常数，得到时间变化率；

51、采用基于历史样本库预设区间界限的最大最小值标准化方法将所述时间变化率映射至0到1的区间内，完成无量纲化处理。

52、优选地，所述对完成时间变化率计算的各有效采样时刻对应的联合特征向量进行聚类生成第一层级量化码本，对每个联合特征向量，选取距离最近的聚类中心作为第一层级聚类中心，记录码本索引，包括：

53、采用k均值聚类算法对完成时间变化率计算的各有效采样时刻对应的联合特征向量进行迭代运算以计算聚类中心；

54、将聚类迭代过程收敛后得到的所有聚类中心提取出来并作为所述第一层级量化码本；

55、计算每个联合特征向量与所述第一层级量化码本中每一个聚类中心之间的欧几里得距离；

56、找出欧几里得距离值最小的聚类中心作为所述联合特征向量对应的第一层级聚类中心，并提取所述聚类中心在第一层级量化码本中的序号作为所述码本索引。

57、优选地，所述构建数据源贡献度矩阵，包括：

58、将同一有效采样时刻下的各项碳排放量累加得到综合碳排放核算数据序列，计算各量化残差维度对应的数据序列与相同有效采样时刻范围内的综合碳排放核算数据序列之间的皮尔逊相关系数的绝对值，将所述绝对值作为关联度；

59、提取各量化残差维度对应的预先配置的常数作为所述预设重要性；

60、数据源贡献度矩阵是一个对角方阵，所述矩阵的主对角线上的元素由量化残差向量各个维度对应的预设重要性与关联度的乘积顺次排列构成，且所有非主对角线位置的元素均为零。

61、优选地，所述计算当前层级所有目标残差向量的分布散度，据此确定当前层级量化码本规模，包括：

62、对当前层级中的所有目标残差向量，求取每个维度的方差；

63、利用预设的维度归一权重系数对各维度的方差进行加权，并将加权后的各维度方差累加求和，将相加所得的和值确定为所述分布散度；

64、将所述分布散度与预设码本膨胀常数相乘，得到码本规模中间值；

65、对所述码本规模中间值执行向下取整处理，得到理论量化数目；

66、当前层级量化码本的规模取决于理论量化数目与预设最小规模常数的比较结果：当理论量化数目大于预设最小规模常数时，取理论量化数目作为码本规模；

67、否则，取预设最小规模常数作为码本规模。

68、优选地，所述结合风险残差值与出现概率的倒数计算综合风险分值，包括：

69、将所述出现概率与预设极小正数相加后取倒数，得到路径罕见度项；

70、将所述路径罕见度项与预设第一权重系数相乘，得到第一评分项；

71、将所述风险残差值与预设第二权重系数相乘，得到第二评分项；将所述第一评分项与所述第二评分项相加，得到所述综合风险分值；

72、其中，所述预设第一权重系数和所述预设第二权重系数均大于零。

73、本发明具有如下优点：

74、通过融合多源时序数据与碳排放核算数据构建多维状态向量，实现对土壤修复工厂运行状态及碳排放影响的统一表征；

75、在量化处理过程中，首层量化基于时间变化率及无量纲化结果提取状态变化特征；后续层级利用数据源贡献度矩阵对残差向量进行加权，并依据分布散度自适应确定码本规模，从而提高对高维复杂数据中细微波动的刻画能力，增强对多变工况的适应性；

76、将多层码本索引生成量化路径编码，结合路径出现概率的倒数与最终残差模长计算综合风险分值，将复杂运行异常转化为可比较的量化指标，提高低频异常事件的识别灵敏度，实现土壤修复工厂运行风险的可靠预警。