梁小姣，馬春玲，馬傳國，辛少菲，程 林，史玉良,3

(1. 國網(wǎng)山東省電力公司東營供電公司，山東 東營 257100; 2. 山東大學軟件學院，山東 濟南 250101;3. 山大地緯軟件股份有限公司，山東 濟南 250200)

0 引 言

當前企業(yè)環(huán)保監(jiān)測多依賴于環(huán)保監(jiān)測設(shè)備采樣進行離線分析/在線監(jiān)測，故不可避免由于多重因素干擾（如設(shè)備老化、設(shè)備故障、采集點環(huán)境因素等）而影響監(jiān)測精準度，甚至存在監(jiān)測數(shù)據(jù)造假、故意破壞監(jiān)測設(shè)備等惡劣事件。電力作為工業(yè)生產(chǎn)活動中必不可少的能源，尤其在“雙碳”目標推動下，作為公認的清潔能源[1]，工業(yè)生產(chǎn)電氣化水平必然將進一步提高，而電力數(shù)據(jù)高實時性、高滲透性和高覆蓋性等特點，可及時、準確、全方位地反映企業(yè)生產(chǎn)狀況和環(huán)保設(shè)備使用狀況[2]，進而可對相應(yīng)環(huán)保指標監(jiān)測數(shù)據(jù)進行監(jiān)測/校正。故本文基于重點排污監(jiān)測企業(yè)用電數(shù)據(jù)，實現(xiàn)企業(yè)排污量的監(jiān)測，輔助完善環(huán)保指標檢測。當前有關(guān)機構(gòu)已開展電能產(chǎn)出/消耗與排污量間關(guān)聯(lián)性的研究。如楊訓政等[3]基于歷史污染物排放數(shù)據(jù)與發(fā)電機組輸出功率間的關(guān)系，采用遞歸網(wǎng)絡(luò)+批規(guī)范化等算法，實現(xiàn)對發(fā)電機組污染物排放量的預測，但當前工業(yè)企業(yè)未實現(xiàn)針對運行機組的用電量監(jiān)測，且僅部分企業(yè)實現(xiàn)排污量日監(jiān)測；安軍等[4]針對雙高企業(yè)建立“企業(yè)甄別-污染預警-配合停/限電-用電監(jiān)測-異常糾正-恢復生產(chǎn)”的限時工作響應(yīng)流程，通過電力綠色調(diào)度降低大氣污染排放量，然而并未量化計量企業(yè)用電量與排污量的關(guān)聯(lián)；劉忠輝[5]通過改進智能電表實現(xiàn)對治污設(shè)備啟停的實時在線監(jiān)測，旨在細化監(jiān)測目標提升對企業(yè)氣體污染物排放的監(jiān)測，但硬件改進及運維成本高，不利于推廣應(yīng)用。上述文獻均表明，電力數(shù)據(jù)與環(huán)保數(shù)據(jù)之間存在關(guān)聯(lián)性，但均未實現(xiàn)二者的跨域量化關(guān)聯(lián)。在當前算法研究中，GAN[6]在跨領(lǐng)域?qū)W習中表現(xiàn)優(yōu)異，其基于博弈論的領(lǐng)域?qū)褂柧殻蓪崿F(xiàn)不同領(lǐng)域的自適應(yīng)學習。本文基于已有的研究基礎(chǔ)及技術(shù)開展企業(yè)排污量監(jiān)測，主要改進內(nèi)容如下：

1）為實現(xiàn)企業(yè)用電負荷與環(huán)保特征的關(guān)聯(lián)分析，并保留不同企業(yè)及設(shè)備間的細節(jié)差異信息[7]，本文采用對比學習實現(xiàn)用電-環(huán)保特征的跨域動態(tài)關(guān)聯(lián)映射，通過在投影空間中拉近相似實例，推遠不相似實例，實現(xiàn)在企業(yè)缺乏排污數(shù)據(jù)時，也可根據(jù)充足的相似樣本及自身用電負荷做出合理排污預測。

2）為提高生成數(shù)據(jù)與實際數(shù)據(jù)的全局相似度與一致性，監(jiān)測數(shù)據(jù)生成是以相似企業(yè)歷史排污均值數(shù)據(jù)為基礎(chǔ)，結(jié)合映射編碼數(shù)據(jù)提取數(shù)據(jù)分布間的差異和動態(tài)的變化量信息進行的數(shù)據(jù)復現(xiàn)，故并采用Wasserstein距離構(gòu)建損失函數(shù)，有效避免生成數(shù)據(jù)失真。

3）鑒于GAN生成數(shù)據(jù)存在不穩(wěn)定性，故采用模型預測控制(model predictive control, MPC)構(gòu)建最小化控制目標函數(shù)，通過多目標及多約束條件限制，保證生成數(shù)據(jù)的穩(wěn)定性及動態(tài)跟蹤性能，且在后期離線模型產(chǎn)生偏移時，其滾動優(yōu)化可參數(shù)微調(diào)保證模型監(jiān)測的準確性。

1 整體模型構(gòu)建過程

本文通過用電信息采集系統(tǒng)、煙氣連續(xù)排放監(jiān)測系統(tǒng)獲取用電負荷數(shù)據(jù)和煙氣環(huán)保指標監(jiān)測數(shù)據(jù)，對獲取的各類采集數(shù)據(jù)基于行業(yè)、生產(chǎn)規(guī)模、監(jiān)測方式及監(jiān)測設(shè)備進行階梯級分類，并完成數(shù)據(jù)預處理后，構(gòu)成可用樣本集。整體數(shù)據(jù)處理流程如圖1所示。

圖1 整體模型數(shù)據(jù)處理流程圖

本文針對樣本分類分別開展建模訓練及測試，并以某區(qū)域某類重點排污監(jiān)測企業(yè)的用電數(shù)據(jù)與氮氧化物監(jiān)測指標作為背景。首先企業(yè)將基于時間窗口的用電負荷差值數(shù)據(jù)作為輸入數(shù)據(jù)，通過用電-環(huán)保動態(tài)關(guān)聯(lián)映射模型，即以對比學習算法實現(xiàn)用電負荷差值數(shù)據(jù)與環(huán)保指標監(jiān)測差值數(shù)據(jù)的關(guān)聯(lián)映射及聚類分類，實現(xiàn)不同企業(yè)的差異化動態(tài)特征提取，輸出排污監(jiān)測數(shù)據(jù)的Encoder編碼數(shù)據(jù)；隨后，Encoder編碼[8]數(shù)據(jù)結(jié)合相似企業(yè)歷史排污均值數(shù)據(jù)輸入企業(yè)排污監(jiān)測模型，該模型通過GAN生成器生成排污監(jiān)測數(shù)據(jù)，判別器保證生成數(shù)據(jù)符合真實樣本數(shù)據(jù)分布規(guī)律，并采用Wasserstein距離構(gòu)建的損失函數(shù)，完成模型的初步參數(shù)調(diào)節(jié)；最后，以模型預測控制(model predictive control, MPC)構(gòu)建以誤差最小為目標的控制函數(shù)，并基于數(shù)據(jù)預測趨勢進行企業(yè)排污監(jiān)測模型微調(diào)，保證輸出企業(yè)排污量監(jiān)測數(shù)據(jù)的精準度與穩(wěn)定性。

1.1 對比動態(tài)關(guān)聯(lián)特征提取

本文基于實際用電數(shù)據(jù)與實際環(huán)保數(shù)據(jù)開展用電-環(huán)保動態(tài)關(guān)聯(lián)映射模型訓練，具體過程如圖2所示。以小時級為時間窗口，通過時間窗口滑動分別獲取企業(yè)的歷史用電負荷差值數(shù)據(jù)[9]和歷史排污監(jiān)測差值數(shù)據(jù)，共同構(gòu)成訓練數(shù)據(jù)集合 τ，隨機從訓練數(shù)據(jù)集合抽取M個企業(yè)樣本數(shù)據(jù)構(gòu)成一個分枝訓練集合A，共計生成作用于上下2個分枝的兩個訓練集合，分別為歷史排污監(jiān)測差值數(shù)據(jù)集合A1、歷史用電負荷差值數(shù)據(jù)A2，每個分枝中包含M個企業(yè)的樣本數(shù)據(jù)，其中，上分枝樣本數(shù)據(jù)固定，下分枝數(shù)據(jù)動態(tài)更新。隨機抽取某一企業(yè)的歷史某類排污監(jiān)測差值數(shù)據(jù)輸入上分枝，并將對應(yīng)時刻的用電負荷差值數(shù)據(jù)輸入下分枝，t表示采樣時間窗口，為采樣時序同維列向量，n表示某一企業(yè)的日監(jiān)測采樣數(shù)量，兩者互為正例，i,j∈ (1,2,···,n)。訓練時，上枝與下枝內(nèi)的其他任意輸入同企業(yè)或不同企業(yè)的樣本數(shù)據(jù)Pj與Xj，均為的負例。

圖2 用電-環(huán)保動態(tài)關(guān)聯(lián)映射訓練過程

然后，構(gòu)造一個表示學習架構(gòu)，通過該架構(gòu)將訓練數(shù)據(jù)投影到一個超平面表示空間內(nèi)。為使正例距離能夠拉近，負例距離推遠，上下分枝采用雙塔非對稱結(jié)構(gòu)，內(nèi)部層級和神經(jīng)元數(shù)均不同。歷史排污監(jiān)測數(shù)據(jù)集合Pt數(shù)據(jù)進入上分枝，經(jīng)特征編碼器Encoder，Encoder模塊共計4層，每層包含多注意力機制+求和歸一化處理+前饋神經(jīng)網(wǎng)絡(luò)（采用兩層全連接層+層級規(guī)范化（layer normalization，LN）+ReLU激活函數(shù)+線性激活函數(shù)）+求和歸一化處理[10]，從而將輸入樣本數(shù)據(jù)映射為超平面表示空間中的向量zp。下分枝前一部分架構(gòu)與上分枝架構(gòu)相同，但中間各層的神經(jīng)元個數(shù)不同，且參數(shù)不共享，輸出表示為hx=fθ′(x)，接著輸入非線性變換結(jié)構(gòu)Projector（采用兩層全連接層+ LN+ReLU），輸出為zx=gθ′(hx)。向量zx和zp矩陣內(nèi)部結(jié)構(gòu)與數(shù)量一致。在表示空間中，為實現(xiàn)電量數(shù)據(jù)與環(huán)保指標的關(guān)聯(lián)分析，需使表示正例電量差值數(shù)據(jù)和排污監(jiān)測差值數(shù)據(jù)映射后的表示向量z重合或者距離盡可能相近，距離負例樣本較遠，故采用表示向量L2正則后的點積作為距離度量標準，以表示空間向量間的相似性：

為在表示空間中使正例距離近，同時任意負例之間的距離遠，故采用如下?lián)p失函數(shù)：

上分枝損失函數(shù)：

下分枝損失函數(shù)：

式中：τ——溫度超參，表示難度識別懲罰系數(shù)，用以拉開正例樣本與相似度高的負例樣本的距離，避免模型基于高難度負樣本進行參數(shù)調(diào)整導致模型崩潰；

M——企業(yè)個數(shù)；

n——某一企業(yè)的日監(jiān)測采樣數(shù)量；

上分枝基于損失函數(shù)loss反向傳播進行梯度更新模型參數(shù) θ，由于企業(yè)用電負荷數(shù)據(jù)的樣本數(shù)據(jù)量相對排污監(jiān)測數(shù)據(jù)多，故下分枝歷史用電負荷數(shù)據(jù)A2的負例樣本是不斷更新的，即不斷有新的負例樣本進入A2，并按照先進先出更新負樣本隊列，上下分枝參數(shù)不共享。下分枝采用動量更新機制，參數(shù)更新方式如下：

式中：θ′——下分枝的模型參數(shù)；

m——權(quán)重調(diào)節(jié)系數(shù)。

當開始進行模型訓練時，隨機初始化模型參數(shù)θ′，當一個批次的訓練數(shù)據(jù)集計算完成后，上分枝模型參數(shù)θ經(jīng)反向傳播進行梯度更新，同時，使用式(4)更新下分枝對應(yīng)的參數(shù)θ′，m取較大數(shù)值0.9～0.99。相對上分枝參數(shù)更新，下分枝為維護更大的負樣本隊列，故參數(shù)變動緩慢而穩(wěn)定，從隨機數(shù)值小步而緩慢地向最優(yōu)值迭代。故模型整體表示空間分布會根據(jù)排污監(jiān)測樣本的相似度與距離實現(xiàn)上枝的映射分布，用電負荷差值數(shù)據(jù)跟隨排污監(jiān)測差值數(shù)據(jù)映射空間移動并結(jié)合用電負荷數(shù)據(jù)樣本間距離進行映射分布。

通過損失函數(shù)反向調(diào)節(jié)模型參數(shù)完成模型訓練，輸出為表示數(shù)據(jù)分布映射的Encoder數(shù)據(jù)。對比學習使相似企業(yè)相似的用電負荷差值數(shù)據(jù)分布和排污監(jiān)測差值數(shù)據(jù)分布經(jīng)過上下分枝的生成器編碼后，可獲取對應(yīng)的動態(tài)數(shù)據(jù)分布空間映射，而不同的企業(yè)或不同時間段的樣本數(shù)據(jù)在空間映射中相離，從而在實現(xiàn)關(guān)聯(lián)分析的同時保持樣本數(shù)據(jù)的個體差異。

1.2 構(gòu)建企業(yè)排污監(jiān)測模型

基于用電-環(huán)保動態(tài)關(guān)聯(lián)映射模型獲取訓練數(shù)據(jù)集的Encoder輸出編碼[11]，即企業(yè)歷史電量數(shù)據(jù)和歷史排污監(jiān)測數(shù)據(jù)經(jīng)過Encoder/Encoder+Projector的輸出編碼，由于在對比學習過程中，相似企業(yè)相似樣本的歷史電量數(shù)據(jù)和歷史排污監(jiān)測數(shù)據(jù)在表示空間是近鄰關(guān)系，故二者的Encoder輸出編碼距離是相近的，本文旨在通過用電量數(shù)據(jù)監(jiān)測企業(yè)排污量。故在企業(yè)排污監(jiān)測模型訓練階段，輸入樣本的Encoder數(shù)據(jù)提取的為企業(yè)排污動態(tài)變量信息，基于對比學習聚類分類后的均值排污數(shù)據(jù)基礎(chǔ)進行數(shù)據(jù)生成。此部分的訓練過程如圖3所示。

圖3 排污監(jiān)測數(shù)據(jù)生成訓練過程

本文借鑒基于自動編碼器的GAN算法構(gòu)建監(jiān)測模型，并在此基礎(chǔ)上進行算法適應(yīng)性改進。企業(yè)排污監(jiān)測模型輸入數(shù)據(jù)為Encoder排污編碼+相似企業(yè)歷史排污均值數(shù)據(jù)，生成器[12]架構(gòu)與Encoder層級相同，均為4層，每層為多注意力機制+求和歸一化處理+編碼器-生成器注意力機制+求和歸一化處理+前饋神經(jīng)網(wǎng)絡(luò)（采用兩層全連接層+層級規(guī)范化+ReLU激活函數(shù)+線性激活函數(shù)）+求和歸一化處理，4層輸出末端為單層全連接神經(jīng)網(wǎng)絡(luò)+ReLU激活函數(shù)，輸出生成排污數(shù)據(jù)；判別器為3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，為卷積層+求和歸一化處理+卷積層+求和歸一化處理+全連接層，輸出損失函數(shù)。對生成排污數(shù)據(jù)與對應(yīng)輸入數(shù)據(jù)的真實排污監(jiān)測數(shù)據(jù)計算Wasserstein距離，結(jié)合相似樣本生成的損失函數(shù)loss如下：

式中：Pg——生成數(shù)據(jù)的集合；

Pr——實際數(shù)據(jù)的集合；

——生成數(shù)據(jù)樣本；

p——實際數(shù)據(jù)樣本；

用以保證生成數(shù)據(jù)靠近真實樣本數(shù)據(jù)，但不會超過真實樣本數(shù)據(jù)；

——生成數(shù)據(jù)與真實數(shù)據(jù)間的抽樣構(gòu)成數(shù)據(jù)，通過對抽樣構(gòu)成數(shù)據(jù)加梯度懲罰來穩(wěn)定梯度變化；

λ——權(quán)重；

D(p,)——生成樣本與實際樣本的Wasserstein距離，表示點從曲線移動到pi曲線的最短距離集合，計算公式如下：

式中：pi——t時刻的實際排污監(jiān)測數(shù)據(jù)；

——生成數(shù)據(jù)；

σ(t)——t時刻的真實數(shù)據(jù)映射到生成數(shù)據(jù)的σ(t)時刻的生成排污監(jiān)測數(shù)據(jù)，由于實際數(shù)據(jù)與生成數(shù)據(jù)的元素個數(shù)相同，且數(shù)據(jù)測度相同，故Wasserstein距離采用二次差值衡量；

ΣN——N個元素的所有排序排列構(gòu)成的集合。

訓練過程如下：

1）初始化生成器參數(shù) θg和 判別器 θd。

2）迭代訓練過程中，生成器訓練一次，而判別器需進行多次訓練。主要過程包括訓練判別器，固定生成器參數(shù)，更新最大化判別器損失函數(shù)。判別器損失函數(shù)公式如下：

其中，為實現(xiàn)基于相似樣本數(shù)據(jù)實現(xiàn)曲線擬合生成，加入歷史相似樣本的均方誤差判別條件。

訓練生成器，固定判別器參數(shù)，更新最小化生成器損失函數(shù)：

其中，δ為可學習參數(shù)。

3）在基于上述獲取的生成器基礎(chǔ)上，進行生成器參數(shù)微調(diào)，即采用MPC建立目標函數(shù)，從而保證生成樣本數(shù)據(jù)的穩(wěn)定性。定義控制目標為：在連續(xù)時間步內(nèi)，生成排污數(shù)據(jù)與實際排污數(shù)據(jù)總量誤差盡可能小，從而保證生成排污數(shù)據(jù)的連續(xù)性與穩(wěn)定性；在用電數(shù)據(jù)產(chǎn)生變量時，生成排污數(shù)據(jù)與實際排污數(shù)據(jù)變化時間點誤差盡可能小，從而保證生成數(shù)據(jù)可以有效捕獲用電數(shù)據(jù)變動量而非僅擬合排污數(shù)據(jù)值；用電數(shù)據(jù)變動量生成的監(jiān)測輸出變動量與實際排污變動量誤差盡可能小，從而約束生成排污數(shù)據(jù)產(chǎn)生不必要的跳變?？刂颇繕巳缦拢?/p>

滿足約束如下：

式中：J——目標函數(shù)；

p(t+1)——在t+1時間步內(nèi)的實際排污數(shù)據(jù)；

Δt′——指在用電數(shù)據(jù)發(fā)生百分比超過20%的跳變時，生成排污數(shù)據(jù)與實際排污數(shù)據(jù)變化時間點誤差；

?！磥?Γ個時間步；

隨后，隨機o次微調(diào)生成器參數(shù) θd，并求解未來Γ個時間步的控制目標函數(shù)值，得到o組控制序列并排序，獲取最小控制目標函數(shù)值J，并將其第一個微調(diào)控制量 θd作用于生成器，并進入下一個時刻，重復上述過程直至J小于設(shè)定閾值或者其梯度值接近于0，固定參數(shù)，輸出模型?；陬A測跟蹤控制可有效提高生成器生成數(shù)據(jù)的穩(wěn)定性，并在輸入數(shù)據(jù)發(fā)生變化時可動態(tài)跟蹤其變化軌跡，從而保證企業(yè)設(shè)備在不同運行狀態(tài)切換時，生成排污監(jiān)測數(shù)據(jù)接近實際排污數(shù)據(jù)。

訓練完成后，用電-環(huán)保動態(tài)關(guān)聯(lián)映射模型輸入電量數(shù)據(jù)及部分排污采樣點數(shù)據(jù)，輸出Encoder編碼，編碼輸入企業(yè)排污監(jiān)測模型，輸出企業(yè)排污量監(jiān)測數(shù)據(jù)，由于Encoder編碼關(guān)注數(shù)據(jù)的差異性、動態(tài)性和泛化性，而并不是數(shù)據(jù)本身，故監(jiān)測數(shù)據(jù)是基于聚類獲取的相似企業(yè)的歷史排污均值數(shù)據(jù)基礎(chǔ)，并結(jié)合用電數(shù)據(jù)變化量進行的數(shù)據(jù)復現(xiàn)，保證基于企業(yè)用電量數(shù)據(jù)實現(xiàn)其排污量的監(jiān)測。尤其隨著該類企業(yè)的排污監(jiān)測數(shù)據(jù)樣本的增加與更新，可基于預測跟蹤控制模塊不斷微調(diào)模型參數(shù)，從而提高監(jiān)測精準度。

2 算例分析

本文以國網(wǎng)某市公司建設(shè)的黃河流域污染防止監(jiān)測系統(tǒng)作為實驗數(shù)據(jù)源，系統(tǒng)界面如圖4所示。

圖4 黃河流域污染防止監(jiān)測系統(tǒng)界面圖示

其中，用電數(shù)據(jù)、環(huán)保數(shù)據(jù)的數(shù)據(jù)采集頻率為24點/日，電力采集數(shù)據(jù)為用電負荷數(shù)據(jù)，環(huán)保監(jiān)測指標為大氣污染指標中的氮氧化物濃度，結(jié)合網(wǎng)絡(luò)爬取氣象及節(jié)假日數(shù)據(jù)。對獲取的采集數(shù)據(jù)進行數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)標準化、異常值刪除等預處理操作后，獲取可用樣本數(shù)據(jù)。對2 385家重點排污監(jiān)測企業(yè)基于行業(yè)進行分類建模，選擇2020年1月-2021年12月的歷史數(shù)據(jù)為模型訓練樣本集，2022年1月-2022年4月的歷史數(shù)據(jù)為模型驗證樣本集，為避免樣本類別不均衡，僅選取企業(yè)正常生產(chǎn)的1/5的歷史樣本參與訓練與驗證，以2022年5月歷史數(shù)據(jù)為模型測試數(shù)據(jù)樣本集，實現(xiàn)企業(yè)排污量監(jiān)測效果評估。

2.1 動態(tài)特征數(shù)據(jù)的空間分布

在訓練階段用電負荷數(shù)據(jù)與氮氧化物監(jiān)測數(shù)據(jù)輸入用電-環(huán)保動態(tài)關(guān)聯(lián)映射模型后，于上下分枝獲取企業(yè)排污監(jiān)測模型的Encoder編碼。為可視化展現(xiàn)用電負荷數(shù)據(jù)通過對比學習跟蹤氮氧化物監(jiān)測數(shù)據(jù)的空間分布規(guī)律，在保留企業(yè)排污細節(jié)信息的前提下，實現(xiàn)相似樣本數(shù)據(jù)聚類與不相似樣本在表示空間的相對均勻分布，為展示上下分枝分別生成的氮氧化物監(jiān)測數(shù)據(jù)與用電數(shù)據(jù)的Encoder編碼數(shù)據(jù)，采用極坐標進行展示，如圖5所示。

圖5 編碼數(shù)據(jù)在極坐標中的對比圖

由圖5展現(xiàn)了“雙塔”結(jié)構(gòu)生成用電數(shù)據(jù)Encoder編碼和排污數(shù)據(jù)Encoder編碼在空間中的對稱分布與關(guān)聯(lián)性，其中，極坐標中的氣泡的大小代表樣本數(shù)據(jù)量，氣泡數(shù)量代表樣本聚類數(shù)量，氣泡間的距離代表樣本的相似度與差異距離。由于當前僅部分重點排污企業(yè)可實現(xiàn)氮氧化物的小時級采集監(jiān)測，采集監(jiān)測數(shù)據(jù)受限于有限量氮氧化物監(jiān)測數(shù)據(jù)，故在訓練過程中，上分枝氮氧化物監(jiān)測數(shù)據(jù)樣本不變，下分枝歷史電量數(shù)據(jù)A2的負例樣本是不斷更新的，即不斷有新的負例樣本進入A2，并按照先進先出更新負樣本隊列，故下分枝映射后獲取的左側(cè)用電數(shù)據(jù)氣泡樣本量較大。從圖中可以看出，二者的聚類中心基本重合，在訓練過程中用電數(shù)據(jù)是根據(jù)氮氧化物監(jiān)測數(shù)據(jù)的分布進行跟蹤，故可基于用電數(shù)據(jù)提取氮氧化物監(jiān)測數(shù)據(jù)的變量信息。同時對比學習使電量數(shù)據(jù)分布和排污監(jiān)測數(shù)據(jù)分布經(jīng)過上下分枝的生成器編碼后，相似樣本數(shù)據(jù)聚集到較近區(qū)域，在實現(xiàn)特征相關(guān)性分析的同時，可基于樣本數(shù)據(jù)的個體差異進行聚類劃分。受限于有限量氮氧化物監(jiān)測數(shù)據(jù)，導致下分枝基于用電量數(shù)據(jù)擬合排污數(shù)據(jù)的編碼產(chǎn)生偏差，如圖5（b）的左側(cè)三個樣本集數(shù)據(jù)，此部分區(qū)域企業(yè)的氮氧化物平均單位電量排放氮氧化物指數(shù)低于5.89，排放氮氧化物的日監(jiān)測數(shù)據(jù)采集樣本數(shù)據(jù)未實現(xiàn)小時級，導致用電數(shù)據(jù)對應(yīng)排污數(shù)據(jù)映射出現(xiàn)偏差。但在排污監(jiān)測數(shù)據(jù)充分時，用電-環(huán)保動態(tài)關(guān)聯(lián)映射模型能夠忽略數(shù)據(jù)分布的淺層因素，可基于用電數(shù)據(jù)提取其排污指標數(shù)據(jù)的變化分布規(guī)律。

2.2 消融實驗對比曲線精準度分析

本文在模型數(shù)據(jù)處理過程中，主要從以下3點內(nèi)容進行改進：

1）企業(yè)排污監(jiān)測模型生成器的輸入編碼為用電數(shù)據(jù)與氮氧化物監(jiān)測數(shù)據(jù)對比學習獲取的氮氧化物動態(tài)編碼數(shù)據(jù)[13]。

2）在企業(yè)排污監(jiān)測模型訓練階段，生成器生成的檢測數(shù)據(jù)是根據(jù)企業(yè)S用電數(shù)據(jù)獲取的動態(tài)編碼結(jié)合相似企業(yè)歷史排污均值數(shù)據(jù)復現(xiàn)企業(yè)S排污數(shù)據(jù)，同時損失函數(shù)采用Wasserstein距離計算生成排污數(shù)據(jù)與真實排污監(jiān)測數(shù)據(jù)差值。

3）在模型初步訓練完成的基礎(chǔ)上，采用MPC建立以曲線誤差最小為目標的控制函數(shù)，從而進行模型的二次微調(diào)。

本文通過消融實驗，對上述內(nèi)容以企業(yè)S為例進行生成曲線展示，如圖6所示，為用電-環(huán)保動態(tài)關(guān)聯(lián)映射模型、企業(yè)排污監(jiān)測模型訓練完成后，將用電數(shù)據(jù)輸入用電-環(huán)保動態(tài)關(guān)聯(lián)映射模型后，輸出Encoder數(shù)據(jù)，隨后Encoder數(shù)據(jù)輸入企業(yè)排污監(jiān)測模型，輸出企業(yè)S氮氧化物排放量監(jiān)測數(shù)據(jù)。示例企業(yè)S為某鋼鐵制品加工企業(yè)，企業(yè)S基于生產(chǎn)計劃進行，小時級氮氧化物排放監(jiān)測樣本數(shù)據(jù)充分。對比實驗方法如下：

圖6 氮氧化物生成曲線數(shù)據(jù)對比圖

方法1：本文方法，即用電負荷數(shù)據(jù)作為用電-環(huán)保動態(tài)關(guān)聯(lián)映射模型輸入，采用對比學習獲取Encoder排污編碼，結(jié)合相似企業(yè)歷史排污均值數(shù)據(jù)作為企業(yè)排污監(jiān)測模型的輸入數(shù)據(jù)，監(jiān)測模型采用GAN生成器（生成監(jiān)測數(shù)據(jù)）+判別器（判別曲線真假），采用MPC進行二次微調(diào)，輸出氮氧化物監(jiān)測數(shù)據(jù)。

方法2：在方法1的基礎(chǔ)上，將企業(yè)S真實排污監(jiān)測數(shù)據(jù)作為映射模型輸入（即不采用對比學習獲取Encoder排污編碼），其他一致。

方法3：在方法1的基礎(chǔ)上，將企業(yè)S排污監(jiān)測設(shè)備故障時獲取的排污監(jiān)測數(shù)據(jù)作為映射模型輸入（即不采用對比學習獲取Encoder排污編碼），其他一致。

方法4：在方法1的基礎(chǔ)上，采用對比學習獲取Encoder排污編碼作為企業(yè)排污監(jiān)測模型的輸入數(shù)據(jù)（未結(jié)合相似企業(yè)歷史排污均值數(shù)據(jù)），其他一致。

方法5：在方法1的基礎(chǔ)上，不采用MPC進行二次微調(diào)，其他一致。

如圖6所示，采用文中方法的方法1，與實際排污的真實曲線擬合度較高，小時級均值誤差為1.89%，標準差為0.02，方法2直接將企業(yè)S真實排污監(jiān)測數(shù)據(jù)作為映射模型輸入，基本復現(xiàn)實際排污曲線，小時級均值誤差為1.39%，標準差為0.02，由方法1和方法2可以說明，采用對比學習方法，用電數(shù)據(jù)可以捕獲排污數(shù)據(jù)的動態(tài)變化信息，并通過本文方法實現(xiàn)排污曲線復現(xiàn)；方法3為企業(yè)S排污監(jiān)測設(shè)備故障時獲取的排污監(jiān)測數(shù)據(jù)，并將其直接作為映射模型輸入，由曲線可以看出其更多地基于相似企業(yè)排污數(shù)據(jù)均值進行變化，進一步說明采用用電數(shù)據(jù)提取動態(tài)特征，可以在排污監(jiān)測設(shè)備故障時進行預警并復現(xiàn)實際排污數(shù)據(jù)；方法4為GAN生成器未結(jié)合相似企業(yè)歷史排污均值數(shù)據(jù)進行數(shù)據(jù)生成，小時級均值誤差為9.88%，標準差為0.1，由此可以看出僅基于GAN生成數(shù)據(jù)存在不穩(wěn)定性及數(shù)據(jù)分散，難以擬合實際排污數(shù)據(jù)；方法5為不采用MPC進行二次微調(diào)，由曲線可以看出，生成曲線與實際曲線不僅誤差較大，且由于其數(shù)據(jù)監(jiān)測缺乏前瞻連續(xù)性，故導致其未捕獲排污數(shù)據(jù)滯后于用電數(shù)據(jù)這一實際狀態(tài)。

此外，本文選取29家重點排污企業(yè)進行5日氮氧化物排放濃度監(jiān)測，采用均方根誤差（root mean squared error，RMSE）對 12次實驗結(jié)果進行排放濃度監(jiān)測效果評價，并采用KL散度[14]衡量一個監(jiān)測曲線數(shù)據(jù)分布相比實際數(shù)據(jù)分布的信息損失，二者均為數(shù)據(jù)越小，曲線擬合度越高，并對擬合曲線進行積分運算，從而獲取企業(yè)累計排污量監(jiān)測值，以平均絕對百分比誤差（mean absolute percentage error，MAPE）對監(jiān)測值與實際排污量進行監(jiān)測精準度評價，如表1所示。

表1 曲線相似度評價表

由RMSE和KL散度可得，采用本文所述方法可對企業(yè)排污量進行相對準確的監(jiān)測，可有效實現(xiàn)基于用電數(shù)據(jù)實現(xiàn)對排污監(jiān)測數(shù)據(jù)的監(jiān)測與預警。

2.3 生成數(shù)據(jù)的穩(wěn)定性對比分析

為進一步說明本文采用MPC對模型監(jiān)測數(shù)據(jù)的穩(wěn)定性與連續(xù)性影響，以實際排污數(shù)據(jù)為基線，分別以本文采用MPC的排污監(jiān)測數(shù)據(jù)曲線、本文不采用MPC的排污監(jiān)測數(shù)據(jù)曲線、采用GAN生成器（此處無相似企業(yè)排污歷史均值數(shù)據(jù)輔助輸入）與實際排污數(shù)據(jù)計算誤差進行對比分析，如圖7所示。

圖7 12 h排污監(jiān)測數(shù)據(jù)誤差對比圖

由圖可以看出，本文所述方法為代表的采用MPC的排污監(jiān)測生成數(shù)據(jù)曲線，與實際曲線誤差較小，數(shù)據(jù)波動性較小，其通過定義控制目標為總量誤差、時間點誤差和變動量誤差的降低，在模型二次微調(diào)階段，基于該控制目標在實現(xiàn)時域預測追蹤控制，從而提高了生成排污數(shù)據(jù)的連續(xù)性、穩(wěn)定性與實時性；對比不采用MPC的排污監(jiān)測生成數(shù)據(jù)曲線，其跟蹤連續(xù)性與穩(wěn)定性明顯降低，表明模型二次微調(diào)階段的可行性與有效性；而不依賴基礎(chǔ)數(shù)據(jù)的GAN生成曲線，由于未基于歷史數(shù)據(jù)基礎(chǔ)進行數(shù)據(jù)生成，GAN生成數(shù)據(jù)的不穩(wěn)定性，即使模型加入采用MPC的二次微調(diào)，其生成監(jiān)測數(shù)據(jù)仍然與實際數(shù)據(jù)誤差較大，表明本文采用相似企業(yè)排污歷史均值數(shù)據(jù)輔助輸入生成排污監(jiān)測數(shù)據(jù)曲線可有效保障監(jiān)測數(shù)據(jù)的穩(wěn)定性，即在實際歷史排污數(shù)據(jù)的基礎(chǔ)上，通過用電數(shù)據(jù)捕獲排污動態(tài)變量信息，從而生成排污監(jiān)測數(shù)據(jù)。

3種方法的監(jiān)測誤差數(shù)據(jù)如表2 所示。通過對比分析可知，本文方法排污監(jiān)測數(shù)據(jù)準確率均值能夠達到98.92%，相較于不采用MPC，模型監(jiān)測數(shù)據(jù)準確率均值提升2.36%，相較于不依賴基礎(chǔ)數(shù)據(jù)的GAN生成曲線，模型監(jiān)測數(shù)據(jù)準確率均值提升5.85%，對比分析可知采用MPC可提高生成數(shù)據(jù)準確率。通過對比分析3種方法的標準差可知,采用MPC生成的監(jiān)測曲線相對的穩(wěn)定性。與此同時, 本文方法監(jiān)測誤差跨度不高于5%，說明模型可有效捕獲用電數(shù)據(jù)中的表現(xiàn)排污量的動態(tài)信息，模型趨勢監(jiān)測準確率明顯提升。綜上所述，仿真實驗表明，本文方法不僅可基于用電數(shù)據(jù)監(jiān)測排污量，且模型監(jiān)測準確度與穩(wěn)定性均較好，可輔助實現(xiàn)環(huán)保指標監(jiān)測預警。

表2 12 h排污監(jiān)測數(shù)據(jù)誤差對比表

3 結(jié)束語

本文通過對比學習算法實現(xiàn)用電數(shù)據(jù)與環(huán)保指標的差值數(shù)據(jù)關(guān)聯(lián)映射，作為上分枝環(huán)保差值數(shù)據(jù)的正例增強樣本的下分枝用電負荷差值數(shù)據(jù)，與對應(yīng)正例映射數(shù)據(jù)分布相擬合，并實現(xiàn)了“正例相吸，

負例相斥”樣本數(shù)據(jù)聚類分類；基于排污編碼數(shù)據(jù)結(jié)合相似樣本排污均值數(shù)據(jù)，采用GAN算法生成企業(yè)排污監(jiān)測數(shù)據(jù)，并以模型預測控制構(gòu)建符合預測趨勢發(fā)展的目標控制函數(shù)，進一步保證生成數(shù)據(jù)的穩(wěn)定性與連續(xù)性。

由于根據(jù)用電數(shù)據(jù)實現(xiàn)企業(yè)的排污量監(jiān)測尚處于初期探索階段，故本文僅對某類型企業(yè)充足樣本的氮氧化物24 點指標數(shù)據(jù)進行了研究與測試，后續(xù)隨著點源排放監(jiān)測數(shù)據(jù)的增多，可探索在樣本不充分的情況下的多類指標的預測，從而為環(huán)保監(jiān)測提供技術(shù)研究參考。