基于电量分离与异常识别的农业机井以电折水计量方法与流程

本发明涉及以电折水计量领域，特别是基于电量分离与异常识别的农业机井以电折水计量方法。

背景技术：

1、农业地下水灌溉是用水管控重点对象，传统水表直测计量在泥沙、铁锰含量偏高区域极易堵塞腐蚀，且农村机井点多分散、运维成本高昂，以电折水凭借低成本、抗水质干扰优势成为主流替代计量手段。当前行业通用以电折水方案存在两大核心短板，一是南方农业台区普遍存在灌溉泵、水肥设备、补光照明、农户生活用电叠加混载情况，现有nilm、简单机器学习分解模型仅能粗略拆分负荷，无法充分挖掘水泵启停冲击、周期时序、时频差异化特征，难以精准剥离纯灌溉耗电量，混合杂用电直接造成水量折算基数失真；二是现有技术多采用全域静态折算系数，未耦合地下水位季节性波动、变压器负载、泵机老化等动态工况因子，同时野外高温、雷击、设备掉线易产生断点缺失、突变尖峰、系统偏移等脏数据，传统线性插值、固定阈值判别手段无法完成自适应修复与异常甄别，多重误差叠加导致灌溉取水量测算偏差大，难以支撑水资源税精准征收与地下水精细化监管。

2、现有技术仅单独解决负荷分离或系数修正单一环节，缺少“用电解耦-异常识别-数据修复-动态折水”一体化闭环计量方案，模型泛化能力差，适配广东多元农业混合用电场景的能力不足。常规负荷分离算法仅捕捉短时功率突变，缺失长时序灌溉周期关联挖掘能力，易将生活、农业辅助用电误判为灌溉负荷；数据质控环节依赖人工筛查与简单插值，长时段数据缺失修复严重偏离真实水电演化规律；折水系数常年固定不变，忽略丰枯季水位变化带来的机电转换效率波动，整套计量流程存在机理黑箱、数据失真、折算静态三重技术瓶颈，无法满足农业地下水取水高精度监测的现实需求。

3、本专利方案针对上述缺陷，采用一种于电量分离与异常识别的农业机井以电折水计量方法解决。

技术实现思路

1、本发明克服了现有技术的不足，提供了基于电量分离与异常识别的农业机井以电折水计量方法。

2、为达到上述目的，本发明采用的技术方案为：

3、本发明第一方面提供了基于电量分离与异常识别的农业机井以电折水计量方法，包括以下步骤：

4、对以电折水监测样本井进行多源高频水电时序数据采集和预处理，并构建多场景负荷特征库；

5、基于多场景负荷特征库，采用模型并行法进行农灌用电量智能分离，得到纯灌溉耗电量时序数据；

6、对纯灌溉耗电量时序数据进行水电时序异常识别，并根据异常值进行多算法自适应插补修复；

7、基于标准纯灌溉耗电量时序数据集，构建多因子动态折算系数模型，用于进行折水系数动态修正，得到动态以电折水系数；

8、基于动态以电折水系数，完成以电折水监测样本井的灌溉水量测算，并对测算结果进行多维度精度验证。

9、进一步的，本发明的一个较佳实施例中，所述对以电折水监测样本井进行多源高频水电时序数据采集和预处理，并构建多场景负荷特征库，具体为：

10、获取以电折水监测样本井并作为数据采集点位，在所有的以电折水监测样本井上进行计量采集终端同步布设；

11、其中，计量采集终端包括台区总智能电表、机井水泵独立分项电表以及分路计量表；

12、获取中央处理终端，连接所有的计量采集终端，在中央处理终端中设置计量采集终端的采集时间周期，并控制所有的计量采集终端根据采集时间周期，实时采集多源高频水电时序数据；

13、引进历史数据网络，检索多源高频水电时序数据的辅助业务数据，并结合多源高频水电时序数据，构建原始多源时序数据集，同时进行原始多源时序数据集的数据统一标准化预处理，得到目标多源时序数据集；

14、将目标多源时序数据集按照用电结构分为三类用电场景样本子集，包括纯灌溉场景样本子集、灌溉搭配农户生活场景样本子集以及其他场景样本子集；

15、对每一类的用电场景样本子集进行多场景负荷特征提取，包括时域特征、频域特征、时频联合特征以及设备行为特征，并在中央处理终端中将多场景负荷特征整合为用电设备特征向量；

16、结合所有的用电设备特征向量以及三类用电场景样本子集，构建多场景负荷特征库。

17、进一步的，本发明的一个较佳实施例中，所述基于多场景负荷特征库，采用模型并行法进行农灌用电量智能分离，得到纯灌溉耗电量时序数据，具体为：

18、在中央处理终端中并行部署四类数据处理模型，包括nilm非侵入式负荷识别模型、tcn-bilstm-attention深度分解模型、ann人工神经网络模型、svm支持向量机模型；

19、将多场景负荷特征库与四类数据处理模型进行数据连接，在nilm非侵入式负荷识别模型中，对多场景负荷特征库的特征数据进行用电设备启停事件检测，并匹配时域、频域特征向量实现混合负荷初次拆分，输出粗分离农灌用电数据；

20、其中，所述粗分离农灌用电数据包括农灌用电、生活用电、其他农业用电的分项电量；

21、通过tcn-bilstm-attention深度分解模型中的tcn时序卷积层，提取多场景负荷特征库的局部高频特征数据，再通过bilstm双向长短期记忆层挖掘多场景负荷特征库的特征数据的灌溉负荷日周期、季节周期长时序依赖关系，并借助attention注意力机制进行时序噪声赋予，输出标准纯灌溉功率时序序列；

22、同步将用电设备特征向量输入至ann人工神经网络模型和svm支持向量机模型中进行农灌用电占比系数计算，并引入统一评价指标，对农灌用电占比系数、粗分离农灌用电数据和标准纯灌溉功率时序序列进行分析，测算四类模型的电量分离精度、场景泛化能力与运算效率；

23、设置电量分离精度、场景泛化能力与运算效率的评分机制，对评分最高对应的模型标定为最优模型，输出最优模型的输出数据，标记为纯灌溉耗电量时序数据。

24、进一步的，本发明的一个较佳实施例中，所述对纯灌溉耗电量时序数据进行水电时序异常识别，并根据异常值进行多算法自适应插补修复，具体为：

25、在中央处理终端内，引进水电数据异常判定规则库，其中，所述水电数据异常判定规则库划分了四类异常水电数据，包括设备掉线产生的断点缺失数据、雷击或设备故障造成的突变尖峰数据、表计老化漂移引发的系统性偏移数据、负荷时序与作物灌溉周期不符的季节性背离数据；

26、在水电数据异常判定规则库中内置滑动窗口动态阈值判定规则，将纯灌溉耗电量时序数据引入至水电数据异常判定规则库中，结合滑动窗口动态阈值判定规则，遍历对纯灌溉耗电量时序数据进行水电数据异常判定；

27、对四类异常水电数据进行阈值划分，得到轻度瞬时噪声、中度连续缺失、重度系统偏移三类异常等级标签，对纯灌溉耗电量时序数据进行异常等级标签标注；

28、通过历史数据网络，检索纯灌溉耗电量时序数据在不同异常等级标签下的插补修复算法并输出，生成标准纯灌溉耗电量时序数据集。

29、进一步的，本发明的一个较佳实施例中，所述基于标准纯灌溉耗电量时序数据集，构建多因子动态折算系数模型，用于进行折水系数动态修正，得到动态以电折水系数，具体为：

30、在中央处理终端中，构建多因子动态折算系数模型，其中，多因子动态折算系数模型的构建方法为，通过中央处理终端，实时获取所有的以电折水监测样本井的多维度工况驱动因子；

31、以标准纯灌溉耗电量时序数据集作为模型训练基准样本，结合多维度工况驱动因子，搭建多因子加权回归计算框架，量化多维度工况驱动因子对水泵水电转换效率的影响权重，得到多因子动态折算系数模型；

32、其中，所述多因子动态折算系数模型用于输出动态以电折水系数；

33、预设多因子动态折算系数模型的更新周期，当达到多因子动态折算系数模型的更新周期，则重新获取多维度工况驱动因子，并更新多维度工况驱动因子对水泵水电转换效率的影响权重，实时输出动态以电折水系数。

34、进一步的，本发明的一个较佳实施例中，所述基于动态以电折水系数，完成以电折水监测样本井的灌溉水量测算，并对测算结果进行多维度精度验证，具体为：

35、在中央处理终端中，预设标准时间步，基于所述标准时间步，对动态以电折水系数与标准纯灌溉耗电量时序数据集进行逐时间步相乘处理，输出不同时间步下的机井地下水灌溉开采水量，标定为初始灌溉水量测算结果；

36、重新获取以电折水监测样本井，标记为独立监测样本井，基于所述独立监测样本井进行三段精度校验；

37、其中，所述三段精度校验包括，四类数据处理模型精度校验、标准纯灌溉耗电量时序数据集精度校验以及动态以电折水系数精度校验；

38、若三段精度校验均满足预设值，则将初始灌溉水量测算结果标记为目标灌溉水量测算结果；

39、若存在精度校验不满足预设值，则反向迭代更新多场景负荷特征库、水电异常判定阈值以及多因子加权回归权重，重新执行电量分离、数据修复、动态系数计算流程，直至输出目标灌溉水量测算结果。

40、本发明解决的背景技术中存在的技术缺陷，本发明具备以下有益效果：依次完成多源水电时序采集预处理与负荷特征库搭建，并实行多模型并行农灌电量智能解耦、水电异常自适应识别修复、多因子动态折水系数建模、水量测算与多维精度校验全流程计量。本发明解决传统计量机理黑箱、数据失真、折算静态三重缺陷，提升了农业机井地下水取水计量精度。