Nothing Special   »   [go: up one dir, main page]

CN113705920A - 火电厂用水数据样本集的生成方法和终端设备 - Google Patents

火电厂用水数据样本集的生成方法和终端设备 Download PDF

Info

Publication number
CN113705920A
CN113705920A CN202111027304.3A CN202111027304A CN113705920A CN 113705920 A CN113705920 A CN 113705920A CN 202111027304 A CN202111027304 A CN 202111027304A CN 113705920 A CN113705920 A CN 113705920A
Authority
CN
China
Prior art keywords
thermal power
water
power plant
data
preliminary
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111027304.3A
Other languages
English (en)
Other versions
CN113705920B (zh
Inventor
高燕宁
曾四鸣
刘克成
张立军
侯文龙
莫宗宝
姚鸿淼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111027304.3A priority Critical patent/CN113705920B/zh
Publication of CN113705920A publication Critical patent/CN113705920A/zh
Application granted granted Critical
Publication of CN113705920B publication Critical patent/CN113705920B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请适用于火电厂评估技术领域，提供了一种火电厂用水数据样本集的生成方法和终端设备。该方法包括：获取多个火电厂与预设评价指标对应的初步用水数据，所述预设评价指标包含：单位发电取水量、重复利用率、排放水率和废水回用率；根据预设评价指标，检测初步用水数据是否存在缺失；对于存在缺失的初步用水数据，进行插值补全，得到多个火电厂中各个火电厂的完整用水数据；通过模糊综合评价模型和聚类分析法分别对完整用水数据进行评估，得到各个火电厂的第一初步评估结果和第二初步评估结果；根据第一初步评估结果和第二初步评估结果，结合完整用水数据建立用水数据样本集。本申请能够提高对火电厂用水评估的准确性。

Description

火电厂用水数据样本集的生成方法和终端设备
技术领域
本申请涉及一种火电厂评估技术领域，具体涉及火电厂用水数据样本集的生成方法和终端设备。
背景技术
伴随着人口增长和经济发展，水资源问题也愈发突出，工业用水浪费现象十分严重，尤其火电行业普遍存在用水重复率低、单位耗水量大等问题。因此。合理评价火电厂的用水情况将对火电厂故障排查和技术改进都有着重要的指向作用。
传统的火电厂用水评估方法，基于水平衡试验数据对各个火电厂的用水情况进行评估。然而，发明人在研究中发现：由于部分水平衡试验数据存在缺失，导致评估结果不够准确。
发明内容
有鉴于此，本申请实施例提供了火电厂用水数据样本集的生成方法和终端设备，能够提高对火电厂用水评估的准确性。
为达到上述目的，本申请采用如下技术方案：
第一方面，本申请实施例提供了一种火电厂用水数据样本集的生成方法，包括：
获取多个火电厂与预设评价指标对应的初步用水数据，所述预设评价指标包含：单位发电取水量、重复利用率、排放水率和废水回用率；根据所述预设评价指标，检测所述初步用水数据是否存在缺失；对于存在缺失的初步用水数据，进行插值补全，得到所述多个火电厂中各个火电厂的完整用水数据；
通过模糊综合评价模型和聚类分析法分别对所述完整用水数据进行评估，得到各个火电厂的第一初步评估结果和第二初步评估结果；根据所述第一初步评估结果和所述第二初步评估结果，结合所述完整用水数据建立训练样本集；
基于所述训练样本集训练支持向量机模型，并通过训练后的支持向量机模型对目标火电厂的用水进行评估。
本申请实施例中，首先获取多个火电厂与预设评价指标对应的初步用水数据，并根据预设评价指标，检测初步用水数据是否存在缺失。对于存在缺失的初步用水数据，进行插值补全，得到各个火电厂的完整用水数据，使得用水数据更加完整，从而能够提高对火电厂用水评估的准确性。然后，通过模糊综合评价模型和聚类分析法分别对各个火电厂的完整用水数据进行评估，得到各个火电厂的第一初步评估结果和第二初步评估结果。根据第一初步评估结果和第二初步评估结果，结合完整用水数据建立训练样本集。通过模糊综合评价模型和聚类分析法对用水数据进行综合评估，得到的训练样本集更能够反映火电站用水数据的真实性和准确性，是得训练后的支持向量机模型对目标火电厂的用水评估更加准确。
基于第一方面，在一些实施例中，所述对于存在缺失的初步用水数据，进行插值补全，得到所述多个火电厂的完整用水数据，包括：
采用蒙特卡洛方法模拟所述初步用水数据的分布；
基于所述初步用水数据的分布，随机生成多组插值数据，每组插值数据均为所述初步用水数据中缺失的数据；
采用统计模型确定各组插值数据和所述初步用水数据组合的统计特性；
将统计特性最优的一组插值数据和所述初步用水数据组合生成所述完整用水数据。
基于第一方面，在一些实施例中，通过模糊综合评价模型对所述完整用水数据进行评估，得到各个火电厂的第一初步评估结果，包括：
建立评价指标集和标签集，所述评价指标集包含所述单位发电取水量、重复利用率、排放水率和废水回用率，所述标签集包含优秀、良好和不及格；
确定所述评价指标集中各个评价指标相对于所述标签集的隶属度；
通过层次分析法，建立各个评价指标的权重；
根据所述隶属度和各个评价指标的权重，确定各个火电厂的第一初步评价结果。
基于第一方面，在一些实施例中，所述根据所述隶属度和各个评价指标的权重，确定各个火电厂的第一初步评价结果，包括：
计算所述隶属度和各个评价指标的权重的乘积；
根据所述乘积与第一预设阈值和第二预设阈值的关系，确定各个火电厂的第一初步评价结果；所述第一预设阈值小于所述第二预设阈值；
其中，若第一火电厂的所述乘积小于所述第一预设阈值，则所述第一火电厂的第一初步评价结果为不及格；若所述第一火电厂的所述乘积位于所述第一预设阈值和所述第二预设阈值之间，则所述第一火电厂的第一初步评价结果为及格；若第一火电厂的所述乘积大于所述第二预设阈值，则所述第一火电厂的第一初步评价结果为优秀。
基于第一方面，在一些实施例中，通过聚类分析法分别对所述完整用水数据进行评估，得到各个火电厂的第二初步评估结果，包括：
将所述初步用水数据映射到预设区间中的数值，得到标准用水数据；
对所述标准用水数据进行聚类，将所述多个火电厂分为三类，三类火电厂对应的第二初步评估结果为优秀、良好和不及格。
一些实施例中，所述对所述标准用水数据进行聚类，将所述多个火电厂分为三类，包括：
步骤A1，计算各个火电厂之间的类间距离，毎个火电厂的标准用水数据作为一类；
步骤A2，将类间距离最小的三对火电厂的合称为一类；
执行步骤A1和A2，直至将所述多个火电厂分为三类。
一些实施例中，所述对所述标准用水数据进行聚类，将所述多个火电厂分为三类，包括：
步骤B1，随机选取三个火电厂作为簇类凝聚点；
步骤B2，将其他火电厂分配到距离最小的凝聚点所对应的簇类中；
步骤B3，计算每一簇类的重心，将三个重心作为新的簇类凝聚点，并执行步骤B2；
重复执行步骤B2和步骤B3，直至所述凝聚点稳定不变。
基于第一方面，在一些实施例中，所述训练样本集包括各个火电厂的完整用水数据和各个火电厂的标签；
所述根据所述第一初步评估结果和所述第二初步评估结果，结合所述完整用水数据建立训练样本集，包括：
对所述第一初步评估结果和所述第二初步评估结果中评价结果一致的火电厂设置标签；
获取所述第一初步评估结果和所述第二初步评估结果中评价结果不一致的火电厂；
对所述评价结果不一致的火电厂的完整用水数据进行分析，确定所述评价结果不一致的火电厂对应的标签。
第二方面，本申请实施例提供了一种火电厂用水数据样本集的生成装置，包括：
获取模块，用于获取多个火电厂与预设评价指标对应的初步用水数据，所述预设评价指标包含：单位发电取水量、重复利用率、排放水率和废水回用率；
检测模块，用于根据所述预设评价指标，检测所述初步用水数据是否存在缺失；
插值模块，用于对于存在缺失的初步用水数据，进行插值补全，得到所述多个火电厂中各个火电厂的完整用水数据；
评估模块，用于通过模糊综合评价模型和聚类分析法分别对所述完整用水数据进行评估，得到各个火电厂的第一初步评估结果和第二初步评估结果；
训练样本集建立模块，用于根据所述第一初步评估结果和所述第二初步评估结果，结合所述完整用水数据建立用水数据样本集，所述用水数据样本集用于训练用水评估模型。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述火电厂用水数据样本集的生成方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述火电厂用水数据样本集的生成方法的步骤。
第五方面，本申请实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得电子设备执行上述第一方面中任一项所述火电厂用水数据样本集的生成方法。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的火电厂用水数据样本集的生成方法的流程示意图；
图2(a)为本申请实施例提供的重复利用率的直方图；
图2(b)为本申请实施例提供的单位发电取水量的直方图；
图2(c)为本申请实施例提供的排放水率的直方图；
图2(d)为本申请实施例提供的废水回用率的直方图；
图3(a)～图3(c)为本申请实施例提供的半梯形隶属度函数的示意图；
图4为本申请实施例提供的火电厂用水评估方法的流程示意图；
图5为本申请实施例提供的火电厂用水数据样本集的生成装置的结构示意图；
图6为本申请实施例提供的终端设备的结构示意图。
具体实施方式
下面结合具体实施例对本申请进行更清楚的说明。以下实施例将有助于本领域的技术人员进一步理解本申请的作用，但不以任何形式限制本申请。应当指出的是，对本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进。这些都属于本申请的保护范围。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
图1示出了本申请实施例提供的火电厂用水数据样本集的生成方法。参见图1，上述火电厂用水数据样本集的生成方法可以包括步骤101至步骤105。
步骤101，获取多个火电厂与预设评价指标对应的初步用水数据，所述预设评价指标包含：单位发电取水量、重复利用率、排放水率和废水回用率。
本步骤中，火电厂用水分析中着重关注的用水重复率低、单位发电耗水量高、污水排放量大这三大问题，遵循构建指标体系的全面性、关联性、科学性、可行性四大原则，选取火电厂用水系统的评价指标为：单位发电量取水量、重复利用率、排放水率、废水回用率。
其中，单位发电量取水量为火电厂生产单位电量的生产用水和生活用水的总和，用于衡量火电厂取水情况。
重复利用率为一定计量时间内，火电厂生产过程中重复利用水量占总取水量的百分比，用于衡量火电厂节水水平。
排放水率为一定计量时间内，全厂排放水量占取水量的百分比，用于反映火电厂废水利用情况，排放水率越高，废水回用潜力越大。
废水回用率为废水经处理后重新投入生产过程中的水量占废水总量的百分比，用于评价火电厂污水处理情况。
示例性的，单位发电取水量可从水平衡报告中直接获得，重复利用率、排放水率和废水回用率则可以通过水平衡报告中相关数据进行计算得到。
步骤102，根据所述预设评价指标，检测所述初步用水数据是否存在缺失。
数据缺失是指由于缺少一个或多个评价指标的值而造成的初步用水数据不完整的现象，其对数据质量和数据后续的一系列分析、应用都有着重要的影响。
例如，本实施例中收集了不同火电厂的相关数据共24组，该24组数据为24家火电厂的单位发电量取水量、重复利用率、排放水率和废水回用率这四个指标的具体数值。其中1-9组数据来自于已有相关数据库，剩余15组数据分别来自于A地、B地、C地等地的13家火电厂的水平衡报告。上述收集的各指标数据除单位发电量取水量外均有不同程度的缺失，在数据量较少的情况下数据缺失问题也就显得尤为严重，其中重复利用率指标缺失率为16.7％，排放水率指标缺失率为16.7％，废水回用率指标缺失率为8.3％。
步骤103，对于存在缺失的初步用水数据，进行插值补全，得到所述多个火电厂中各个火电厂的完整用水数据。
对多维目标变量处理缺失数据需要结合缺失数据的缺失机制和缺失模式。从数据缺失机制来看，火电厂用水数据各指标之间存在相关关系，属于随机缺失；从数据缺失模式来看，火电厂用水数据的缺失是没有规律的，具有随机性，属于任意缺失模式。基于上述分析，可以对初步用水数据进行插值补全，以提高对火电厂用水评估的准确性。
一些实施例中，步骤103可以包括：
采用蒙特卡洛方法模拟所述初步用水数据的分布；
基于所述初步用水数据的分布，随机生成多组插值数据，每组插值数据均为所述初步用水数据中缺失的数据；
采用统计模型确定各组插值数据和所述初步用水数据组合的统计特性；
将统计特性最优的一组插值数据和所述初步用水数据组合生成所述完整用水数据。
其中，根据插值补全后得到的完整用水数据绘制出单位发电取水量、重复利用率、排放水率、废水回用率这四个变量的直方图如图2(a)～图2(d)所示。
由图2(a)可以看出，各火电厂的重复利用率绝大部分分布在83.3％-99.07％区间内，基本符合标准所要求的95％。而未落在该区间内的两家火电厂，一家火电厂受地域和用水技术条件限制，已经将复用水环节做到最好程度；另一家火电厂由于数据缺失严重而由插值补全得到的，均属于特殊情况。由图2(b)可以看出，各火电厂的单位发电取水量分布较为平均，呈现轻微的左偏分布，相比其他指标各火电厂在单位发电取水量这一方面差别不是很大。由图2(c)可以看出，各个火电厂的排放水率整体呈现明显的右偏分布，除第一个区间外，分布随着区间值的增大呈阶梯式下降，符合排放水率越高，用水技术要求越高，实现要求越困难的常识。由图2(d)可以看出，各火电厂的废水回用率主要分布在0％-33.3％和83.3％-100％这两个区间内，呈现出“两头大，中间小”的分布。废水回用率的差异是四个指标中最为明显的，应该对后续火电厂的用水评价影响最大。
步骤104，通过模糊综合评价模型和聚类分析法分别对所述完整用水数据进行评估，得到各个火电厂的第一初步评估结果和第二初步评估结果。
火电厂用水水平本身是一个模糊的概念，难以定量描述，而模糊数学是研究和处理模糊性数学理论的常用方法，被广泛运用于现代科学中的多个领域。模糊综合评定法是基于模糊数学的综合评定法，该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。
一些实施例中，通过模糊综合评价模型对完整用水数据进行评估，得到各个火电厂的第一初步评估结果，可以包括步骤1至步骤4。
步骤1，建立评价指标集和标签集，所述评价指标集包含所述单位发电取水量、重复利用率、排放水率和废水回用率，所述标签集包含优秀、良好和不及格。
对于评价指标集，依照已建立的评价指标体系设定P＝(单位发电量取水量，重复利用率，排放水率，废水回用率)；对于标签集，设为Q＝(优秀，良好，不及格)。
步骤2，确定所述评价指标集中各个评价指标相对于所述标签集的隶属度。
隶属度是指各评价指标相对于评价集中的各个标准的隶属程度，即将某评价指标判断为某评价等级的可能性有多大。对于单位发电量取水量和排放水率这两个指标，其数值越小，被评价为优秀的可能性越大；数值越大，被评价为不及格的可能性越大。而对于重复利用率和废水回用率这两个指标则正好相反。根据评价指标的上述特点，针对于优秀、良好、不及格这三个等级分别选取如图3(a)～图3(c)所示的半梯形隶属度函数形式。
本实施例中，单位发电量取水量和排放水率这两个指标相对于优秀的隶属度函数选择偏小型(如图3(a)所示)，相对于良好的隶属度函数选择中间型(如图3(b)所示)，相对于不及格的隶属度函数选择偏大型(如图3(c)所示)。重复利用率和废水回用率这两个指标相对于优秀的隶属度函数选择偏大型(如图3(c)所示)，相对于良好的隶属度函数选择中间型(如图3(b)所示)，相对于不及格的隶属度函数选择偏小型(如图3(a)所示)。
半梯形分布函数是目前模糊综合评价各类隶属度函数中应用最广的，在隶属度函数这种较为主观的判定隶属度的方法中，半梯形分布函数的稳定性和实用性也相对较好。结合相关要求，确定了半梯形隶属度函数的4个区间分界点分别为评价指标的先进值、基准值和两值的上下四分点。各个评价指标的先进值和基准值见表1。
表1评价指标最大值与先进值
Figure BDA0003243761070000101
表1中，评价指标的先进值指目前火电厂在该评价指标方面所能达到的较优水平，基准值指目前火电厂在该评价指标方面的相关标准或者绝大部分火电厂都能达到的水平。对于单位发电量取水量和排放水率这两个越小越优型指标，a代表其先进值，b代表其基准值，c为两值的下四分点，d为两值的上四分点；对于重复利用率和废水回用率这两个越大越优型指标，a代表其基准值，b代表其先进值，c为两值的下四分点，d为两值的上四分点。
经过计算即可得24组数据各自对应的4×3的隶属度矩阵R4×3。其中，隶属度矩阵的计算方法可以采用已有技术，在此不做介绍。
例如，1号火电厂的隶属度矩阵R4×3为
Figure BDA0003243761070000102
2号火电厂的隶属度矩阵R4×3为
Figure BDA0003243761070000103
…，24号火电厂的隶属度矩阵R4×3为
Figure BDA0003243761070000111
步骤3，通过层次分析法，建立各个评价指标的权重。
上述选择的4个评价指标之间相互联系、相互补充，能够从取水量、水循环利用、节水排污等方面综合地反映出企业的节水水平。因此可以采用层次分析法，对指标层利用1-9比较尺度衡量其相对重要性，构造成对比较矩阵，从而给出各个准则对于决策目标的权重，指标层成对比较矩阵如表2所示。
表2指标层成对比较矩阵
指标 单位发电取水量 重复利用率 排放水率 废水回用率
单位发电取水量 1 1/2 3 1/2
重复利用率 2 1 4 1
排放水率 1/3 1/4 1 1/4
废水回用率 2 1 4 1
成对比较矩阵是通过两两比较而来的，并不考虑各因素比重之间的一致性关系，因此成对比较矩阵通常不是一致阵。为了能够使用特征法确定权向量，要求不一致程度应在一定范围内，需要对其进行一致性检验。计算得到上述成对比较矩阵的一致性比率CR＝0.007<0.1，因此认为所建立的成对比较矩阵具有令人满意的一致性。最终确定各评价指标相对于火电厂用水情况的权重见表3所示。
表3各评价指标权重
指标 单位发电取水量 重复利用率 排放水率 废水回用率
权重 0.2003 0.3589 0.0819 0.3589
步骤4，根据所述隶属度和各个评价指标的权重，确定各个火电厂的第一初步评价结果。
其中，上述根据所述隶属度和各个评价指标的权重，确定各个火电厂的第一初步评价结果，包括：
计算所述隶属度和各个评价指标的权重的乘积；
根据所述乘积与第一预设阈值和第二预设阈值的关系，确定各个火电厂的第一初步评价结果；所述第一预设阈值小于所述第二预设阈值；
其中，若第一火电厂的所述乘积小于所述第一预设阈值，则所述第一火电厂的第一初步评价结果为不及格；若所述第一火电厂的所述乘积位于所述第一预设阈值和所述第二预设阈值之间，则所述第一火电厂的第一初步评价结果为及格；若第一火电厂的所述乘积大于所述第二预设阈值，则所述第一火电厂的第一初步评价结果为优秀。
示例性的，利用综合评价合成算子对上述所得隶属度矩阵和权重矩阵进行运算，得到最终评价的模糊向量F，也就是整合各评价指标的模糊评价为整体模糊评价，即：
F＝Wei1×4×R4×3
式中，Wei1×4表示各评价指标权重矩阵，R4×3表示。
经过计算得到模糊综合评价结果如表4所示：
表4模糊综合评价结果
火电厂 评估结果 火电厂 评估结果 火电厂 评估结果 火电厂 评估结果
1 良好 7 不及格 13 优秀 19 不及格
2 不及格 8 不及格 14 优秀 20 不及格
3 不及格 9 优秀 15 优秀 21 不及格
4 优秀 10 不及格 16 优秀 22 不及格
5 不及格 11 优秀 17 不及格 23 不及格
6 不及格 12 优秀 18 优秀 24 优秀
聚类分析又称群分析，其目标是，组内的对象之间是相关的，而不同组的对象是不相关的，组内相似度越大，组间差别越大，聚类效果就越好。所遇到的大部分数据都是无标签的，而人为直观地定义类型往往比较困难，聚类分析能够较为客观地找寻数据内部的分布结构，以便进一步进行判别分析、监督学习等数据分析工作。
应用聚类分析需要主观性地确定分类数目，结合变量之间的关系选择相关统计量来衡量各样品之间的接近程度，通过不同的合并类别规则对样本进行分类。考虑到火电厂用水情况评价指标均为定量变量，可以将各个火电厂用水数据看做多维空间中的24个点，因此选用距离作为衡量样品间接近程度的统计量即相似性度量方法。常见的距离定义有闵可夫斯基距离、兰式距离、马氏距离、斜角空间距离等。相似性度量方法的选择作为聚类分析的初始步，直接影响数据的划分依据，对聚类分析的结果有着重要影响。只有结合各变量的量纲和相关关系选取合适的度量方法，才能得到较为准确的聚类结果。
一些实施例中，通过聚类分析法分别对所述完整用水数据进行评估，得到各个火电厂的第二初步评估结果，包括：
将所述初步用水数据映射到预设区间中的数值，得到标准用水数据；
对所述标准用水数据进行聚类，将所述多个火电厂分为三类，三类火电厂对应的第二初步评估结果为优秀、良好和不及格。
示例性的，选取的四个评价指标均处于不同的量纲和数量级中，如果直接使用原始数据进行聚类，聚类过程会严重依赖数量级较大的指标。因此需要对数据进行标准化处理，将绝对差异变为相对差异，从而保证结果的可靠性。这里采用min-max标准化处理，将各指标数值映射为0-1区间上的值。对于单位发电取水量这一指标，由于其数值依赖于火电厂单机容量和冷却方式，因此依照表1将数据转化为相较于各自基准值的百分比后再进行标准化处理。
示例性的，对所述标准用水数据进行聚类，将所述多个火电厂分为三类，可以包括：
步骤A1，计算各个火电厂之间的类间距离，毎个火电厂的标准用水数据作为一类；
步骤A2，将类间距离最小的三对火电厂的合称为一类；
执行步骤A1和A2，直至将所述多个火电厂分为三类。
示例性的，对所述标准用水数据进行聚类，将所述多个火电厂分为三类，可以包括：
步骤B1，随机选取三个火电厂作为簇类凝聚点；
步骤B2，将其他火电厂分配到距离最小的凝聚点所对应的簇类中；
步骤B3，计算每一簇类的重心，将三个重心作为新的簇类凝聚点，并执行步骤B2；
重复执行步骤B2和步骤B3，直至所述凝聚点稳定不变。
例如，对标准用水数据分别进行系统聚类分析和动态聚类分析，将其划分为三类。系统聚类分析中相似度量方法选择加权欧式距离，相应权重选取模糊综合评价中利用层次比较矩阵得到的权重，类间距离分别选用最长距离法、中间距离法和类平均法。聚类分析评价结果如表5所示。
表5聚类分析评价结果
Figure BDA0003243761070000141
步骤105，根据所述第一初步评估结果和所述第二初步评估结果，结合所述完整用水数据建立用水数据样本集，所述用水数据样本集用于训练用水评估模型。
上述用水数据样本集可以包括各个火电厂的完整用水数据和各个火电厂的标签。步骤105可以包括以下步骤：对所述第一初步评估结果和所述第二初步评估结果中评价结果一致的火电厂设置标签；获取所述第一初步评估结果和所述第二初步评估结果中评价结果不一致的火电厂；对所述评价结果不一致的火电厂的完整用水数据进行分析，确定所述评价结果不一致的火电厂对应的标签。
示例性的，聚类分析后一般需要对各类样本的特征进行分析，从而给定类别标签。出于对火电厂用水数据评级的目的，沿用模糊综合评价中的评语集，并结合模糊综合评价结果将聚类中第一类定义为良好，第二类定义为不及格，第三类定义为优秀。比较综合模糊综合评价、系统聚类、动态聚类的分类结果可知，24组数据中共有4组数据的类别标签有所不同，五种方法结果重合率为83.3％，一致性程度很高，说明所建立的模糊综合评价模型和聚类模型是合理的。五种方法得到的结果如表6所示。
表6五种方法评价结果
Figure BDA0003243761070000151
Figure BDA0003243761070000161
由表6的结果可以认为五种方法一致的评价是具有可信度的，其中标签有争议的4组分别为第8、9、14、16组，因此结合这4个火电厂具体数据和水平衡测试报告进一步分析，定其标签分别为：不及格、优秀、不及格、良好。24组数据的最终评价结果见表7。
表7最终评价结果
火电厂 评估结果 火电厂 评估结果 火电厂 评估结果 火电厂 评估结果
1 良好 7 不及格 13 优秀 19 不及格
2 不及格 8 不及格 14 不及格 20 不及格
3 不及格 9 优秀 15 优秀 21 不及格
4 优秀 10 不及格 16 良好 22 不及格
5 不及格 11 优秀 17 不及格 23 不及格
6 不及格 12 优秀 18 优秀 24 优秀
图4示出了本申请实施例提供的火电厂用水评估方法的流程示意图。参见图4，上述火电厂用水评估方法可以包括步骤201至步骤203。
步骤201，获取用水数据样本集。
其中，所述用水数据样本集包含第一类火电厂的用水数据、第二类火电厂的用水数据和第三类火电厂的用水数据，每个火电厂对应一组用水数据，且第三类火电厂的用水数据多于第一类火电厂的用水数据和第二类火电厂的用水数据。
其中，获取用水数据样本集的过程可以包括步骤101至步骤105，在此不再赘述。
步骤202，对第一类火电厂的用水数据、第二类火电厂的用水数据和第三类火电厂的用水数据进行平衡处理，得到用水数据训练样本集。
示例性的，最终评价结果里被评为优秀的有8家火电厂，被评为良好的有2家火电厂，被评为不及格的有14家火电厂。相较于不及格样本，优秀样本与良好样本可以看作为少数类样本，且不平衡率分别为57.1％和14.3％。在分类问题中，分类器训练会因为多数类比重而倾向于多数类样本的判断准确率，而牺牲少数类样本的判断准确率。因此在训练分类器模型前，需要对不平衡数据进行预处理以提高分类器性能。
一些实施例中，步骤202可以包括：根据所述第三类火电厂的用水数据，对所述第一类火电厂的用水数据和所述第二类火电厂的用水数据进行扩充，使得所述第一类火电厂的用水数据、所述第二类火电厂的用水数据和所述第三类火电厂的用水数据相同。
示例性的，对第一类火电厂的用水数据进行扩充，可以包括：
步骤C1，从第一类火电厂的用水数据选择数据点作为出发点；
步骤C2，结合采样倍率N从出发点邻近的同类别的K个点中随机选取一个点作为终点，在出发点和终点所连接的线段或对应的几何区域上进行随机插值得到新样本；
重复步骤C1和步骤C2，将第一类火电厂的用水数据扩充至与第三类火电厂的用水数据相同。
示例性的，对第二类火电厂的用水数据进行扩充，可以包括：
步骤D1，从第二类火电厂的用水数据选择数据点作为出发点；
步骤D2，结合采样倍率N从出发点邻近的同类别的K个点中随机选取一个点作为终点，在出发点和终点所连接的线段或对应的区域上进行随机插值得到新样本；
重复步骤D1和步骤D2，将第二类火电厂的用水数据扩充至与第三类火电厂的用水数据相同。
其中，在出发点和终点对应的几何区域上进行随机插值，使得插值区域由线段从扩展为多种形态的超球面，针对少数类样本数过少和噪声样本的情况能给出较为合理的结果。
步骤203，根据所述用水数据训练样本集对用水评估模型进行训练，训练后的用水评估模型用于对火电厂用水进行评估。
一些实施例中，根据用水数据训练样本集对用水评估模型进行训练的过程可以包括：
将所述用水数据训练样本集分为第一样本集和第二样本集；
基于所述第一样本集对所述多个用水评估模型进行训练，所述多个用水评估模型为同一类型的模型且参数不同，或所述多个用水评估模型为不同类型的模型；
基于所述第二样本集对所述多个用水评估模型进行测试；
根据预测准确度和AUC值，从所述多个用水评估模型中确定最终的模型，用于对火电厂用水进行评估。
其中，在训练过程中，核函数分别选择线性内核和RBF内核，其中RBF内核的参数gamma以预设步长从0.1递增到10，对每个用水评估模型的多分类方法均采用一对一方法和一对多方法，对多个用水评估模型进行训练。
示例性的，用水评估模型可以为SVM支持向量机。
一、二分类支持向量机
支持向量机针对线性可分的二分类问题。设样本集D包含k维空间中n个线性可分的两类样本，即D＝{(x1,y1),(x2,y2),…,(xn,yn),xi∈Rk,yi∈{-1,1}}，其中yi称为标签。样本集线性可分表示k维空间中存在超平面ωTx+b＝0可以完全分隔两类样本，其中ω为超平面的法向量，b为超平面距离原点的距离。
新样本的类别预测就取决于新样本相对于分隔超平面的位置，因此需要找到一个最优的分隔超平面使得其对新样本的预测尽可能准确，也就是泛化能力尽可能强。直观来看，希望训练样本集中的样本离分隔超平面越远越好，这样超平面受到样本的局部扰动就会越小，即最优化目标为：
Figure BDA0003243761070000191
其中，r为样本集到超平面的几何距离，定义为各样本到超平面几何距离的最小值。
在约定样本集到超平面的函数距离为1的基础上，对上述最优化目标经过一系列取倒数、对偶问题转化、取范数、加入松弛变量和惩罚项、引入拉格朗日函数等操作后，可将优化问题由求解最优超平面的法向量和截距变为求解最优拉格朗日乘子，支持向量机中的支持向量即为对应最优拉格朗日乘子的样本。根据KKT条件可推得支持向量均位于与分隔超平面平行且几何距离为
Figure BDA0003243761070000192
的两个超平面上，即yi(ωTxi+b)＝1，但并非所有位于这两个平行超平面上的样本均为支持向量。
对于非线性可分的二分类问题，考虑利用非线性变换φ将k维空间中的非线性问题转换为更高维的m维空间中的线性问题，然后在m维空间中通过标准SVM得到最优分隔超平面。引入非线性变换φ后非线性问题就可变为线性问题，相应的约束问题中的xi和yi也就相应变为φ(xi)和φ(yi)，由此定义核函数k(x,y)＝φ(x)Tφ(y)。通过对核函数的引入，非线性映射得以更方便地实现：可以不用清楚特征空间中的坐标形式，而仅仅通过点间的内积便可以实现在特种空间中的一切操作，从而大大简化了计算，有效避免了可能的“维数灾难”问题，因此非线性支持向量机的关键点就在于找到合适的核函数完成非线性与线性之间的转换。
二、多分类支持向量机
将支持向量机推广至多分类，设样本集D包含k维空间中n个两两线性可分的p类样本，即D＝{(x1,y1),(x2,y2),…,(xn,yn),xi∈Rk,yi∈{0,1,2,…,p-1}}，其中yi称为标签，则有p个不同的标签。多分类支持向量机是在二分类支持向量机的基础上对分类判断规则进行了一定的调整，常见判断规则有成对分类方法和一类对余类方法。
成对分类方法(one-aginst-one)的基本思想是对样本集中每两类样本利用标准SVM求解出相应的最优分隔超平面，共
Figure BDA0003243761070000201
最优分隔超平面。预测新样本时需要结合新样本相对于这些最优分隔超平面的位置，给出相应的
Figure BDA0003243761070000202
个二分类问题的预测，最后根据投票策略，选取得票数最高的类别作为预测结果。
一类对余类(one-aginst-all)的基本思想是对于每一类而言，将其本身看作一类且为正类，其余的p-1类看作另一类且为负类，利用标准SVM求解出相应的最优分隔超平面，共p个最优分隔超平面。标准向量机中是通过新样本相对于最优分隔超平面的位置正负来判断新样本属于正类还是负类，而一类对余类方法中，我们比较新样本到p个最优分隔超平面的带符号的距离，取p个距离中最大的作为最终决策。一类对余类方法相较于成对分类方法有更低的算法复杂度，适用于类别较多，数据量较大的情况。
三、选取最优SVM模型
示例性的，最终评价结果里被评为优秀的有8家火电厂，被评为良好的有2家火电厂，被评为不及格的有14家火电厂。相较于不及格样本，优秀样本与良好样本可以看作为少数类样本，且不平衡率分别为57.1％和14.3％。在分类问题中，分类器训练会因为多数类比重而倾向于多数类样本的判断准确率，而牺牲少数类样本的判断准确率。
利用上述过平衡处理方法得到均衡数据共42组来寻求最优支持向量机模型，主要过程为：首先通过Python中的train_test_split函数以及随机种子将数据随机分为多组不同的训练样本和测试样本；然后利用多组训练样本对不同的SVM模型进行训练；最后比较各个SVM模型在测试集上的平均预测准确度和平均AUC值选取最优参数。
在训练过程中，对核函数分别选择最常用的线性内核和RBF内核，其中RBF内核的重要参数gamma，以步长0.2从0.1递增到10，对多分类方法分别选择一对一方法和一对多方法(即成对比较和一类对余类)，对惩罚参数C采用默认值1，由此共计102种方法。表8为性能较好的6个模型的结果对比，综合来看我们最终选择核函数为RBF，gamma值为2.3，多分类方法为一对一的SVM模型。
表8结果比对
核函数 gamma值 多分类方法 平均预测准确度 平均AUC值
线性核函数 —— 一对一 0.8636 0.9663
线性核函数 —— 一对多 0.8636 0.9680
RBF核函数 2.3 一对一 0.8909 0.9745
RBF核函数 2.3 一对多 0.8909 0.9737
RBF核函数 5.1. 一对一 0.8727 0.9776
RBF核函数 5.1 一对多 0.8727 0.9807
四、模型预测
利用上述选取的最优SVM模型进行预测，表9为需要预测评价的火电厂用水数据。
表9预测集数据
Figure BDA0003243761070000211
三家火电厂的评价结果分别为优秀、不及格、不及格，以下结合具体数据和水平衡报告分别给出进一步的建议：
1.A地火电厂各指标表现均很优秀，尤其是实现了废水零排放技术。虽然在国外废水零排放已经应用十分广泛，但是国内受水质、地域等限制，该项技术一直无法推广，可见该火电厂在用水技术方面处于我国先进层次。
2.B地火电厂在单位发电取水量、重复利用率、排放水率方面都属于平均水平，主要问题在于废水回用率过低。结合水平衡报告可知其主要存在两方面问题，一是冷却塔排污量较大，应该考虑对循环水处理系统的药剂和循环方式进一步改进；二是定排坑排污泵出现了故障，导致坑内的水无法及时排出造成了较大的浪费，须尽快修理此处故障。
3.C地火电厂只有单位发电取水量勉强达到平均水平，其他三个指标数值均远远低于相应基准值，尤其是重复利用率这方面，大部分火电厂都能达到90％以上，C地火电厂却只有55％。结合水平衡报告可知，大部分可处理回用的废水如厂区生活污水、锅炉补给水系统中的各类再生及冲洗废水等，该火电厂均未进行回用，而是直接输送至废水处理中心处理达标后排放，建议电厂加强各类水复用技术改造，以提升重复利用率、降低废水回用率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
参见图5，本申请实施例提供了一种火电厂用水数据样本集的生成装置300，包括：获取模块301、检测模块302、插值模块303、评估模块304和训练样本集建立模块305。
获取模块301，用于获取多个火电厂与预设评价指标对应的初步用水数据，所述预设评价指标包含：单位发电取水量、重复利用率、排放水率和废水回用率。检测模块302，用于根据所述预设评价指标，检测所述初步用水数据是否存在缺失。插值模块303，用于对于存在缺失的初步用水数据，进行插值补全，得到所述多个火电厂中各个火电厂的完整用水数据。评估模块304，用于通过模糊综合评价模型和聚类分析法分别对所述完整用水数据进行评估，得到各个火电厂的第一初步评估结果和第二初步评估结果。样本集建立模块305，用于根据所述第一初步评估结果和所述第二初步评估结果，结合所述完整用水数据建立用水数据样本集，所述用水数据样本集用于训练用水评估模型。
图6是本发明一实施例提供的终端设备的示意图。该实施例的终端设备400包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序，例如火电厂用水数据样本集的生成程序，或火电厂用水评估程序。所述处理器401执行所述计算机程序时实现上述火电厂用水数据样本集的生成方法实施例中的步骤，例如图1所示的步骤101至步骤105，或实现上述火电厂用水评估方法实施例中的步骤，例如图4所示的步骤201至步骤203。或者，所述处理器401执行所述计算机程序时实现上述各装置实施例中各模块的功能，例如图5所示模块301至303的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备400中的执行过程。例如，所述计算机程序可以被分割成获取模块、平衡处理模块和训练模块。
所述终端设备400可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器401、存储器402。本领域技术人员可以理解，图6仅仅是终端设备400的示例，并不构成对终端设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402可以是终端设备400的内部存储单元，例如终端设备400的硬盘或内存。所述存储器402也可以是所述终端设备400的外部存储设备，例如所述终端设备400上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括所述终端设备400的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种火电厂用水数据样本集的生成方法，其特征在于，包括：
获取多个火电厂与预设评价指标对应的初步用水数据，所述预设评价指标包含：单位发电取水量、重复利用率、排放水率和废水回用率；根据所述预设评价指标，检测所述初步用水数据是否存在缺失；对于存在缺失的初步用水数据，进行插值补全，得到所述多个火电厂中各个火电厂的完整用水数据；
通过模糊综合评价模型和聚类分析法分别对所述完整用水数据进行评估，得到各个火电厂的第一初步评估结果和第二初步评估结果；根据所述第一初步评估结果和所述第二初步评估结果，结合所述完整用水数据建立用水数据样本集，所述用水数据样本集用于训练用水评估模型。
2.根据权利要求1所述的火电厂用水数据样本集的生成方法，其特征在于，所述对于存在缺失的初步用水数据，进行插值补全，得到所述多个火电厂的完整用水数据，包括：
采用蒙特卡洛方法模拟所述初步用水数据的分布；
基于所述初步用水数据的分布，随机生成多组插值数据，每组插值数据均为所述初步用水数据中缺失的数据；
采用统计模型确定各组插值数据和所述初步用水数据组合的统计特性；
将统计特性最优的一组插值数据和所述初步用水数据组合生成所述完整用水数据。
3.根据权利要求1所述的火电厂用水数据样本集的生成方法，其特征在于，通过模糊综合评价模型对所述完整用水数据进行评估，得到各个火电厂的第一初步评估结果，包括：
建立评价指标集和标签集，所述评价指标集包含所述单位发电取水量、重复利用率、排放水率和废水回用率，所述标签集包含优秀、良好和不及格；
确定所述评价指标集中各个评价指标相对于所述标签集的隶属度；
通过层次分析法，建立各个评价指标的权重；
根据所述隶属度和各个评价指标的权重，确定各个火电厂的第一初步评价结果。
4.根据权利要求3所述的火电厂用水数据样本集的生成方法，其特征在于，所述根据所述隶属度和各个评价指标的权重，确定各个火电厂的第一初步评价结果，包括：
计算所述隶属度和各个评价指标的权重的乘积；
根据所述乘积与第一预设阈值和第二预设阈值的关系，确定各个火电厂的第一初步评价结果；所述第一预设阈值小于所述第二预设阈值；
其中，若第一火电厂的所述乘积小于所述第一预设阈值，则所述第一火电厂的第一初步评价结果为不及格；若所述第一火电厂的所述乘积位于所述第一预设阈值和所述第二预设阈值之间，则所述第一火电厂的第一初步评价结果为及格；若第一火电厂的所述乘积大于所述第二预设阈值，则所述第一火电厂的第一初步评价结果为优秀。
5.根据权利要求1所述的火电厂用水数据样本集的生成方法，其特征在于，通过聚类分析法分别对所述完整用水数据进行评估，得到各个火电厂的第二初步评估结果，包括：
将所述初步用水数据映射到预设区间中的数值，得到标准用水数据；
对所述标准用水数据进行聚类，将所述多个火电厂分为三类，三类火电厂对应的第二初步评估结果为优秀、良好和不及格。
6.根据权利要求5所述的火电厂用水数据样本集的生成方法，其特征在于，所述对所述标准用水数据进行聚类，将所述多个火电厂分为三类，包括：
步骤A1，计算各个火电厂之间的类间距离，毎个火电厂的标准用水数据作为一类；
步骤A2，将类间距离最小的三对火电厂的合称为一类；
执行步骤A1和A2，直至将所述多个火电厂分为三类。
7.根据权利要求5所述的火电厂用水数据样本集的生成方法，其特征在于，所述对所述标准用水数据进行聚类，将所述多个火电厂分为三类，包括：
步骤B1，随机选取三个火电厂作为簇类凝聚点；
步骤B2，将其他火电厂分配到距离最小的凝聚点所对应的簇类中；
步骤B3，计算每一簇类的重心，将三个重心作为新的簇类凝聚点，并执行步骤B2；
重复执行步骤B2和步骤B3，直至所述凝聚点稳定不变。
8.根据权利要求1所述的火电厂用水数据样本集的生成方法，其特征在于，所述用水数据样本集包括各个火电厂的完整用水数据和各个火电厂的标签；
所述根据所述第一初步评估结果和所述第二初步评估结果，结合所述完整用水数据建立训练样本集，包括：
对所述第一初步评估结果和所述第二初步评估结果中评价结果一致的火电厂设置标签；
获取所述第一初步评估结果和所述第二初步评估结果中评价结果不一致的火电厂；
对所述评价结果不一致的火电厂的完整用水数据进行分析，确定所述评价结果不一致的火电厂对应的标签。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至8中任一项所述火电厂用水数据样本集的生成方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至8中任一项所述火电厂用水数据样本集的生成方法的步骤。
CN202111027304.3A 2021-09-02 2021-09-02 火电厂用水数据样本集的生成方法和终端设备 Active CN113705920B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111027304.3A CN113705920B (zh) 2021-09-02 2021-09-02 火电厂用水数据样本集的生成方法和终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111027304.3A CN113705920B (zh) 2021-09-02 2021-09-02 火电厂用水数据样本集的生成方法和终端设备

Publications (2)

Publication Number Publication Date
CN113705920A true CN113705920A (zh) 2021-11-26
CN113705920B CN113705920B (zh) 2024-06-07

Family

ID=78657513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111027304.3A Active CN113705920B (zh) 2021-09-02 2021-09-02 火电厂用水数据样本集的生成方法和终端设备

Country Status (1)

Country Link
CN (1) CN113705920B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117035240A (zh) * 2023-10-08 2023-11-10 华能山东发电有限公司烟台发电厂 一种火电厂用水的监测管理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0417571A1 (en) * 1989-09-11 1991-03-20 Hitachi, Ltd. System and electrode for "in situ" monitoring the quality of high temperature water in power plants
JP2003139883A (ja) * 2001-11-07 2003-05-14 Hitachi Ltd 発電プラントの水質診断支援方法
CN103886512A (zh) * 2014-02-20 2014-06-25 东南大学 基于灰度聚类的火电机组经济指标评价方法
CN106682416A (zh) * 2016-12-24 2017-05-17 合肥城市云数据中心股份有限公司 基于多指标评价算法的污水企业水污染来源评估方法
CN111768045A (zh) * 2020-07-03 2020-10-13 上海积成能源科技有限公司 一种居民用电管理中应用多重插补补充居民用电缺失数据的方法
CN113240186A (zh) * 2021-05-26 2021-08-10 华北电力科学研究院有限责任公司 一种火力发电厂水平衡测试方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0417571A1 (en) * 1989-09-11 1991-03-20 Hitachi, Ltd. System and electrode for "in situ" monitoring the quality of high temperature water in power plants
JP2003139883A (ja) * 2001-11-07 2003-05-14 Hitachi Ltd 発電プラントの水質診断支援方法
CN103886512A (zh) * 2014-02-20 2014-06-25 东南大学 基于灰度聚类的火电机组经济指标评价方法
CN106682416A (zh) * 2016-12-24 2017-05-17 合肥城市云数据中心股份有限公司 基于多指标评价算法的污水企业水污染来源评估方法
CN111768045A (zh) * 2020-07-03 2020-10-13 上海积成能源科技有限公司 一种居民用电管理中应用多重插补补充居民用电缺失数据的方法
CN113240186A (zh) * 2021-05-26 2021-08-10 华北电力科学研究院有限责任公司 一种火力发电厂水平衡测试方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NAIK S. K.等: "Impact on the water due to industrial cluster of Sambalpur-Jharsguda district of Odisha", 《INTERNATIONAL JOURNAL OF CHEMICAL SCIENCES》, pages 971 - 981 *
焦军彩等: "长江水质的模糊综合评价和模糊聚类分析研究", 《长江大学学报（自然科学版）》, vol. 3, no. 3, pages 133 - 135 *
魏科技等: "珠江流域典型火力发电厂用水效率综合评价研究", 《人民珠江》, pages 10 - 13 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117035240A (zh) * 2023-10-08 2023-11-10 华能山东发电有限公司烟台发电厂 一种火电厂用水的监测管理方法及系统
CN117035240B (zh) * 2023-10-08 2024-03-01 华能山东发电有限公司烟台发电厂 一种火电厂用水的监测管理方法及系统

Also Published As

Publication number Publication date
CN113705920B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
CN106845717B (zh) 一种基于多模型融合策略的能源效率评价方法
CN110990461A (zh) 大数据分析模型算法选型方法、装置、电子设备及介质
CN109670676A (zh) 基于支持向量数据描述的配网台区风险预警方法及系统
CN117113235B (zh) 一种云计算数据中心能耗优化方法及系统
CN110503570A (zh) 一种异常用电数据检测方法、系统、设备、存储介质
CN115641162A (zh) 一种基于建筑工程造价的预测数据分析系统和方法
CN111340086A (zh) 无标签数据的处理方法、系统、介质及终端
CN115456438A (zh) 企业经营行为异常预警方法及其应用
CN116628584A (zh) 电力敏感数据处理方法、装置、电子设备及存储介质
CN115563477B (zh) 谐波数据识别方法、装置、计算机设备和存储介质
CN113705920B (zh) 火电厂用水数据样本集的生成方法和终端设备
CN115617784A (zh) 一种信息化配电的数据处理系统及其处理方法
CN113591947A (zh) 基于用电行为的电力数据聚类方法、装置和存储介质
CN113723835B (zh) 火电厂用水评估方法和终端设备
CN114153683B (zh) 基于综合评价算法的网络化软件健康度评价方法
CN113256304B (zh) 一种校园卡异常使用行为在线预警方法及系统
CN116029614A (zh) 配电网台区电能质量评估方法、装置和计算机设备
CN115081515A (zh) 能效评价模型构建方法、装置、终端及存储介质
CN114372835A (zh) 综合能源服务潜力客户识别方法、系统及计算机设备
CN114238852A (zh) 运营数据的分析方法、装置、存储介质及电子设备
CN118691321B (zh) 基于边缘计算的网上车市汽车分站数据管控平台
Zhang Research on Intelligent Analysis and Processing System of Financial Big Data Based on Machine Learning
CN117932490B (zh) 配方分类方法、系统、电子设备及存储介质
CN112884167B (zh) 一种基于机器学习的多指标异常检测方法及其应用系统
CN117764713A (zh) 授信额度的确定方法及装置、存储介质、电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant