面向企业绿色生产的能耗数据处理系统

本发明涉及碳排放优化，具体涉及面向企业绿色生产的能耗数据处理系统。

背景技术：

1、工业设备能耗数据的实时监测与异常分析是评估工业设备生产状态、发现设备故障及工业生产调度优化的关键技术手段。企业通常需要采集设备的电力能耗数据，并基于数据挖掘分析算法识别出能耗异常的时间节点，从而定位实际生产过程中的不合理环节。

2、在现有技术中，由于孤立森林算法在高维数据异常检测方面具有巨大优势，被广泛应用于工业能耗数据的分析中。但实际工业生产环境中，现有孤立森林的构建过程对所有时间段和设备的能耗数据赋予相同的关注度，忽略了不同设备在不同工况下能耗数据波动特征的差异。容易导致关键的微小特征被大量正常数据淹没，从而难以捕捉局部区间的异常变化。直接根据每个样本的特征指标构建孤立树，会导致构建的孤立森林不准确，导致后续对碳排放的优化调整存在误差。亟需一种能够深入挖掘能耗数据局部波动特征、量化样本差异并据此优化特征指标的能耗数据处理系统，进而提高异常能耗数据检测的准确性。

技术实现思路

1、为了解决直接根据每个样本的特征指标构建孤立树，会导致构建的孤立森林不准确，进而导致对碳排放的优化调整不准确的技术问题，本发明的目的在于提供面向企业绿色生产的能耗数据处理系统，所采用的技术方案具体如下：

2、本发明实施例中提供了面向企业绿色生产的能耗数据处理系统，该系统包括以下：

3、数据获取模块，用于获取预设时间段内各设备的电力消耗数据，并将每种设备单日的消耗数据构建为样本；

4、关注程度获取模块，用于对所述样本的电力消耗数据均匀划分为若干第一区间，基于相邻第一区间的斜率及数值变化特征将其合并更新为第二区间，并结合所述第二区间内数据的数值及预设子时间段内波动特征，计算每个第二区间的关注程度；

5、差异程度获取模块，用于基于所述关注程度及对应的电力消耗数据，计算任意两个样本间电力消耗数据的差异程度；

6、特征指标获取模块，用于利用部分样本构建初始孤立树，基于节点内样本空间的差异程度确定设备的离散程度，并结合所述离散程度、关注程度及电力消耗数据计算样本的特征指标；

7、数据处理模块，用于基于所述特征指标构建目标孤立森林并计算异常得分，据此识别碳排放异常天数。

8、进一步地，所述第二区间的获取方法为：

9、选取任一样本内任一种设备相邻的两个第一区间，分别作为第一目标区间和第二目标区间；

10、获取第一目标区间和第二目标区间之间相同位置的电力消耗数据的差异，作为第一特征差异；

11、将第一目标区间中的电力消耗数据进行线性拟合，获取第一目标区间的变化斜率；

12、将第二目标区间中的电力消耗数据进行线性拟合，获取第二目标区间的变化斜率；

13、根据第一目标区间的变化斜率、第二目标区间的变化斜率和第一特征差异，获取第一目标区间和第二目标区间之间的合并概率；

14、当合并概率大于预设的合并概率阈值时，将第一目标区间和第二目标区间进行合并；

15、将每个样本中每种设备的第一区间完成合并后的区间，作为每个样本中每种设备的第二区间。

16、进一步地，所述合并概率的确定方法为：

17、基于第一目标区间与第二目标区间的变化斜率差异，构建反映两者趋势相似度的第一影响因子，所述第一影响因子与所述变化斜率之差的绝对值呈负相关关系；

18、基于第一目标区间与第二目标区间在相同时刻的电力消耗数据差异，构建反映两者数值相似度关系的第二影响因子，所述第二影响因子与所述电力消耗数据之差的绝对值呈负相关关系；

19、将所述第一影响因子与所述第二影响因子相乘，获取所述第一目标区间和第二目标区间之间的合并概率。

20、进一步地，所述每个第二区间的预设子时间段的获取方法为：

21、对于任一个第二区间，以该第二区间所在的样本为中心，将连续的第二预设数量个样本构成的时长，作为该第二区间的预设子时间段。

22、进一步地，所述关注程度的获取方法为：

23、任选一个第二区间作为第二特征区间，选取第二特征区间中的任一个电力消耗数据作为目标数据，将目标数据对应的时刻作为目标时刻；

24、确定第二特征区间的预设子时间段内各个样本中的目标时刻对应的电力消耗数据的标准差，得到目标数据的第一权重；

25、根据第二特征区间中每个电力消耗数据的第一权重，对第二特征区间中的电力消耗数据进行加权求和，得到第二特征区间的关注程度。

26、进一步地，所述差异程度的获取方法为：

27、分别计算任意两个样本中同种设备在每个第二区间的电力消耗数据均值，将所述均值作为第二区间的整体电力消耗数据；

28、按照时间顺序对两个样本中的整体电力消耗数据进行排列，分别构建第一能耗序列和第二能耗序列；

29、获取所述第一能耗序列和第二能耗序列的最短路径长度作为第一距离，并确定一一对应的整体电力消耗数据匹配对；

30、基于所述第一距离、每个匹配对中数据的数值差异、以及每个匹配对所对应的两个第二区间的关注程度，计算得到所述两个样本中该种设备的电力消耗数据的差异程度。

31、进一步地，所述差异程度的获取方法为：

32、针对每一个所述整体电力消耗数据匹配对，计算匹配对中两个整体电力消耗数据的差值绝对值；

33、选取所述匹配对所对应的两个第二区间关注程度中最大值作为权重，计算所述差值绝对值与所述权重的乘积，并将所有匹配对的乘积进行累加，得到关注度加权差异和；

34、将所述关注度加权差异和与所述第一距离相乘，得到所述差异程度。

35、进一步地，所述离散程度的获取方法为：

36、对于孤立树中的任一个节点，获取该节点中每任意两个样本之间的同种设备电力消耗数据的差异程度的均值，作为该节点中同种设备的离散程度。

37、进一步地，所述特征指标的获取方法为：

38、针对当前节点中的每一个样本，分别计算该样本内每种设备在各个第二区间的电力消耗数据与对应的关注程度的乘积，并将该种设备的所有乘积结果进行累加，得到该种设备的关注能耗总值；

39、根据所述当前节点中该种设备的离散程度，得到该种设备的关注能耗总值的权重；根据各种设备的关注能耗总值的权重，对各种设备的关注能耗总值进行加权求和，得到所述当前节点中该样本的特征指标。

40、进一步地，所述基于所述特征指标构建目标孤立森林并计算异常得分，据此识别碳排放异常天数，包括：

41、选取第三预设数量次样本，根据每次选取的第一预设数量个样本的特征指标，构建孤立树，获取孤立森林；

42、通过孤立森林算法，获取每个样本的异常得分；

43、当异常得分大于预设的异常得分阈值时，将样本对应的天数标记为碳排放异常天数。

44、本发明具有如下有益效果：

45、本系统摒弃了传统的固定时间窗口划分方式，通过计算相邻区间的变化斜率差异和数值差异计算合并概率，自适应地将电力消耗数据融合为第二区间，能够准确还原设备真实的运行工况曲线，避免将一个完整的生产动作切割成碎片，从而有效去除了数据中的冗余噪声， 使得后续的特征分析能够聚焦于实质性工况变化。

46、进一步，本系统通过关注程度作为权重参与后续计算，不仅能够识别出显性的高能耗异常，同时能捕捉到均值正常但波动剧烈的隐形异常，这与企业实际生产环境下，设备空转、频繁启停的工况场景相符合。

47、此外，针对现有孤立森林算法随机选择特征构建不准确导致的问题，本系统通过计算离散程度，并将其作为权重与关注程度、 能耗数据融合得到综合性特征指标。通过该指标将孤立森林构建过程中盲目随机转变为特征导向，使得异常样本在树中的平均路径长度显著缩短。从而在有限计算资源下，大幅度提升了碳排放异常天数检测的精度，为企业制定精准的节能策略提供可靠的数据支撑。