一种特定区域内企业工业用水异常监测预警方法与流程

1.本发明公开一种特定区域内企业工业用水异常监测预警方法，属于用水异常智能监测的技术领域。


背景技术：

2.节约用水与企业的未来可持续发展息息相关。对于特定区域内的企业的用水监控，传统的在指定用水容量范围内对各个企业用水执行指标分配，并无法对企业用水情况进行实时监测，从而导致水资源的浪费。因此，亟需一种可以对特定区域内企业生产用水情况的技术方案，以使企业及时发现生产用水异常并及时处理,可减少水资源的浪费,节约成本。
3.中国专利文献cn111259334a公开一种工业企业大用户用水异常监测预警方法。本发明首先建立工业企业用水监测数据库。其次计算历史稳定期动态24小时用水量，并采用ks检验对24小时用水量序列进行正态分布验证，当其为偏态分布时，计算箱线图上下限参数；当其为正态分布时，计算spc控制图参数。最后获取scada实测数据，针对每个采样时刻，滚动计算24小时用水量，与上下界阈值比较，进行超限判断及预警。
4.中国专利文献cn113537469a公开一种基于lstm网络和attention机制的城市需水预测方法，该方法使用attention机制改良了一般的lstm模型，然后使用数据集对改良后的模型进行训练，比较lstm的输出与实际值，得出预测误差，再使用预测误差更新网络参数，如此不断迭代，使得attention改良后的lstm模型能够自动学习到城市需水预测数据里隐藏的城市需水规律，从而实现城市需水预测。
5.但是，现有技术依然不能针对特定区域内的用水异常进行预警。例如：只针对单一的企业用水量进行监测预警，而没有针对特定工业片区内用水总量一定的范围内的每个企业用水异常监测预警，忽略了工业片区内的企业用水量之间的关联关系。类似的，现有技术中还使用attention机制改良了一般的lstm模型，但依然忽略了整体用水量的混沌分布，因此无法结合全局用水量和局部用水量特征融合对企业工业用水量进行精准的预测。


技术实现要素：

6.针对现有技术的不足，本发明公开一种特定区域内企业工业用水异常监测预警方法。
7.本发明详细的技术方案如下：
8.一种特定区域内企业工业用水异常监测预警方法，其特征在于，包括：
9.1)特定区域内各家企业过去固定一段时间内用水量数据记录：
10.设特定区域内的企业单位数量为n，则过去固定一段时间内第i个企业的用水量记为：
11.12.公式(1)中p为所述固定一段时间内的采集节点总数，例如：对特定区域内各家企业过去一年半内用水量数据记录，采集频率为每天一次，即：其中p即为540，根据n和t的确定即可获知到某个企业在某一天的实际用水量；
13.2)根据所述区域内每个企业用水量构建一个对应的全局模型，该模型用lstm模型来抽取所对应的特征表达，实现特征降维和信息压缩，采用lstm模型抽取企业用水量全局特征的过程为：
14.2-1)针对该区域内每个企业用水量构建一个数据矩阵，该矩阵的行表示单个企业每个采集节点的用水量，列表示为区域内的所有企业；
15.2-2)对所述数据矩阵进行归一化处理，得到归一化值使其映射到(0，1)区间，具体实现过程为：
[0016][0017]
公式(2)中，为采集节点采集到的最小用水量；为采集节点采集到的最大用水量；
[0018]
2-3)构建lstm模型用于预测单个企业和特定区域内日用水量预测：
[0019]
该lstm模型倒数第二个卷积层后连接两个并行的卷积层，分别为单个企业用水量预测和特定区域内用水量预测；
[0020]
该lstm模型具有记忆单元、输入门、遗忘门和输出门：假设隐藏单元个数为h，对于给定输入时间步t的输入x
t
和上一时间步隐藏状态h
t-1
；时间步t的输入门i
t
、遗忘门f
t
和输出门o
t
分别计算如下：
[0021]it
＝σ(x
twxi
h
t-1whi
bi)
ꢀꢀꢀꢀꢀ
(3)
[0022]ft
＝σ(x
twxf
h
t-1whf
bf)
ꢀꢀꢀꢀ
(4)
[0023]ot
＝σ(x
twxo
h
t-1who
bo)
ꢀꢀꢀꢀ
(5)
[0024]
其中σ为relu非线性激活函数；w
xi
，w
xf
，w
xo
分别为与x
t
所连接的不同门滤波器的参数；w
hi
，w
hf
，w
ho
分别为与h
t-1
所连接的不同门滤波器的参数；bi，bf，bo为不同门的偏差参数，这些参数均可通过模型训练得到；
[0025]
2-4)lstm模型训练和模型使用：
[0026]
根据已有的归一化数据矩阵使用不同时期的用水量作为训练数据样本，其后面一天的用水量为标签，将其送入步骤2-3)构建的lstm模型中做训练；该模型的损失函数为预测值与真实值的差的平方，当损失函数不再下降时，则得到最优模型；
[0027]
2-5)提取lstm模型中针对每个企业用水量的全局特征f
i1
，该特征可通过提取lstm模型中倒数第二个卷积层的输出结果获得；
[0028]
3)用非线性相空间重构来构建每个企业的局部模型，此设计的原因在于，由于企业用水受生产量和工作日限制，其用水量在总体上呈混沌系统，因此考虑用非线性相空间重构来构建每个企业的局部模型，构建局部模型的具体过程为：
[0029]
3-1)对每个企业用水量序列利用相空间重构理论重构为一个嵌入维度为m，采样时间间隔为d的矩阵，该矩阵中的向量表示为：
[0030][0031]
其中n表示当前用水量节点；
[0032]
3-2)利用时间窗口法同时计算出m和d，则公式(6)构成一个线性m
×
(m-1)d维线性回归预测方程：
[0033][0034]
3-3)利用自回归模型计算步骤3-2)的线性回归预测方程参数a0和a；
[0035]
3-4)提取局部特征f
i2
：
[0036]
根据步骤3-2)的线性回归预测方程所计算得到的组成新的延迟变量
[0037]
该变量为该企业的用水量局部特征；
[0038]
4)求得单个企业用水特征：
[0039]
对每个企业用水量构建独立的潜在表达空间并生成对应的特征集f
i1
，f
i2
，每个企业用水量的特征提取则为该企业用水全局特征和局部特征拼接，表示为
[0040]fi
＝[f
i1
，f
i2
]
ꢀꢀꢀ
(9)
[0041]
对每个企业用水来说，所述f
i1
与f
i2
特征之间的关联实现方式为：将f
i1
经过一个线性卷积模块w1进行加权和soft-max归一化，并与f
i2
相乘得到关联后的f
i2
′
；同理，将f
i2
经过一个线性卷积模块w2进行加权和soft-max归一化，并与f
i2
相乘得到关联后的f
i2
′
得到关联后的f
i1
′
，具体实现过程为：
[0042]fi1
′
＝f
i1
·
softmax((w1·fi2
)
ꢀꢀ
(10)
[0043]fi2
′
＝f
i2
·
softmax((w1·fi1
)
ꢀꢀ
(11)
[0044]
单个企业用水特征表示为：
[0045]fi
′
＝[f
i1
′
f
i1
,f
i2
′
f
i2
]
ꢀꢀ
(12)
[0046]
5)判断单个企业用水异常的方法：
[0047]
将单个企业用水量fi′
输入所述步骤2)中的lstm模型中针对单个企业用水的最后一个卷积层对单个企业用水进行预测，采用预测用水量与实际用水量的差值来判断用水量是否异常：
[0048]
如果差值低于预测值的20％，则判断用水量正常，否则判断用水量异常。
[0049]
根据本发明优选的，所述方法还包括判断特定区域内全部企业总用水量异常的方法：
[0050]
特定区域内所有企业的总用水量特征由所涉及的每个企业的用水特征fi′
进行特征拼接操作组成；并将特征拼接后的总用水特征输入所述步骤2)中的lstm模型中针对特定区域内用水的最后一个卷积层对总企业用水进行预测，采用预测用水量与实际用水量的差值来判断用水量是否异常：
[0051]
如果差值低于预测值的20％，则判断用水量正常，否则判断用水量异常。
[0052]
本发明的技术优势在于：
[0053]
本发明针对特定区域内企业用水异常监测流程复杂，本发明利用基于单个企业和特定区域内的多个企业用水异常监测模型，集合局部特征和全局特征实现对特定区域内的
企业用水异常检测，该异常判断更加精确高效。
附图说明
[0054]
图1是本发明所述方法中单个企业用水特征提取图；
[0055]
图2是本发明所述方法中特定区域内多个企业总用水量模型建立流程图；
[0056]
图3是本发明所述方法中特定区域内多个企业总用水量异常监测预警流程图。
具体实施方式
[0057]
下面结合实施例和说明书附图做详细的说明，但不限于此。
[0058]
实施例1、
[0059]
如图1-3所示，一种特定区域内企业工业用水异常监测预警方法，包括：
[0060]
1)特定区域内各家企业过去固定一段时间内用水量数据记录：
[0061]
设特定区域内的企业单位数量为n，则过去固定一段时间内第i个企业的用水量记为：
[0062][0063]
公式(1)中p为所述固定一段时间内的采集节点总数，例如：对特定区域内各家企业过去一年半内用水量数据记录，采集频率为每天一次，即：其中p即为540，根据n和t的确定即可获知到某个企业在某一天的实际用水量；
[0064]
2)根据所述区域内每个企业用水量构建一个对应的全局模型，该模型用lstm模型来抽取所对应的特征表达，实现特征降维和信息压缩，采用lstm模型抽取企业用水量全局特征的过程为：
[0065]
2-1)针对该区域内每个企业用水量构建一个数据矩阵，该矩阵的行表示单个企业每个采集节点的用水量，列表示为区域内的所有企业；
[0066]
2-2)对所述数据矩阵进行归一化处理，得到归一化值使其映射到(0，1)区间，具体实现过程为：
[0067][0068]
公式(2)中，为采集节点采集到的最小用水量；为采集节点采集到的最大用水量；
[0069]
2-3)构建lstm模型用于预测单个企业和特定区域内日用水量预测：
[0070]
该lstm模型倒数第二个卷积层后连接两个并行的卷积层，分别为单个企业用水量预测和特定区域内用水量预测；
[0071]
该lstm模型具有记忆单元、输入门、遗忘门和输出门：假设隐藏单元个数为h，对于给定输入时间步t的输入x
t
和上一时间步隐藏状态h
t-1
；时间步t的输入门i
t
、遗忘门f
t
和输出门o
t
分别计算如下：
[0072]it
＝σ(x
twxi
h
t-1whi
bi)
ꢀꢀꢀꢀꢀ
(3)
[0073]ft
＝σ(x
twxf
h
t-1whf
bf)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0074]ot
＝σ(x
twxo
h
t-1who
bo)
ꢀꢀꢀꢀ
(5)
[0075]
其中σ为relu非线性激活函数；w
xi
，w
xf
，w
xo
分别为与x
t
所连接的不同门滤波器的参数；w
hi
，w
hf
，w
ho
分别为与h
t-1
所连接的不同门滤波器的参数；bi，bf，bo为不同门的偏差参数，这些参数均可通过模型训练得到；
[0076]
2-4)lstm模型训练和模型使用：
[0077]
根据已有的归一化数据矩阵使用不同时期的用水量作为训练数据样本，其后面一天的用水量为标签，将其送入步骤2-3)构建的lstm模型中做训练；该模型的损失函数为预测值与真实值的差的平方，当损失函数不再下降时，则得到最优模型；
[0078]
2-5)提取lstm模型中针对每个企业用水量的全局特征f
i1
，该特征可通过提取lstm模型中倒数第二个卷积层的输出结果获得；
[0079]
3)用非线性相空间重构来构建每个企业的局部模型，此设计的原因在于，由于企业用水受生产量和工作日限制，其用水量在总体上呈混沌系统，因此考虑用非线性相空间重构来构建每个企业的局部模型，构建局部模型的具体过程为：
[0080]
3-1)对每个企业用水量序列利用相空间重构理论重构为一个嵌入维度为m，采样时间间隔为d的矩阵，该矩阵中的向量表示为：
[0081][0082]
其中n表示当前用水量节点；
[0083]
3-2)利用时间窗口法同时计算出m和d，则公式(6)构成一个线性m
×
(m-1)d维线性回归预测方程：
[0084][0085]
3-3)利用自回归模型计算步骤3-2)的线性回归预测方程参数a0和a；
[0086]
3-4)提取局部特征f
i2
；
[0087]
根据步骤3-2)的线性回归预测方程所计算得到的组成新的延迟变量
[0088]
该变量为该企业的用水量局部特征；
[0089]
4)求得单个企业用水特征：
[0090]
对每个企业用水量构建独立的潜在表达空间并生成对应的特征集f
i1
，f
i2
，每个企业用水量的特征提取则为该企业用水全局特征和局部特征拼接，表示为
[0091]fi
＝[f
i1
，f
i2
]
ꢀꢀꢀ
(9)
[0092]
对每个企业用水来说，所述f
i1
与f
i2
特征之间的关联实现方式为：将f
i1
经过一个线性卷积模块w1进行加权和soft-max归一化，并与f
i2
相乘得到关联后的f
i2
′
；同理，将f
i2
经过一个线性卷积模块w2进行加权和soft-max归一化，并与f
i2
相乘得到关联后的f
i2
′
得到关联后的f
i1
′
，具体实现过程为：
[0093]fi1
′
＝f
i1
·
softmax((w1·fi2
)
ꢀꢀ
(10)
[0094]fi2
′
＝f
i2
·
softmax((w1·fi1
)
ꢀꢀ
(11)
[0095]
单个企业用水特征表示为：
[0096]fi
′
＝[f
i1
′
f
i1
,f
i2
′
f
i2
]
ꢀꢀ
(12)
[0097]
5)判断单个企业用水异常的方法：
[0098]
将单个企业用水量fi′
输入所述步骤2)中的lstm模型中针对单个企业用水的最后一个卷积层对单个企业用水进行预测，采用预测用水量与实际用水量的差值来判断用水量是否异常：
[0099]
如果差值低于预测值的20％，则判断用水量正常，否则判断用水量异常。
[0100]
实施例2、
[0101]
如实施例1所述方法还包括判断特定区域内全部企业总用水量异常的方法：
[0102]
特定区域内所有企业的总用水量特征由所涉及的每个企业的用水特征fi′
进行特征拼接操作组成；并将特征拼接后的总用水特征输入所述步骤2)中的lstm模型中针对特定区域内用水的最后一个卷积层对总企业用水进行预测，采用预测用水量与实际用水量的差值来判断用水量是否异常：如果差值低于预测值的20％，则判断用水量正常，否则判断用水量异常。