[发明专利]一种特定区域内企业工业用水异常监测预警方法

权利要求书

1.一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：

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：

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：

公式(1)中p为所述固定一段时间内的采集节点总数；

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，采用LSTM模型抽取企业用水量全局特征的过程为：

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；

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：

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；

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：

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；

2-4)LSTM模型训练和模型使用：

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；

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；

3)用非线性相空间重构来构建每个企业的局部模型：

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：

其中N表示当前用水量节点；

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：

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；

3-4)提取局部特征

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

该变量为该企业的用水量局部特征；

4)求得单个企业用水特征：

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

f_i＝[f_i¹，f_i²] (9)

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_i^2′；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_i^2′得到关联后的f_i^1′，具体实现过程为：

f_i^1′＝f_i¹·Softmax((W₁·f_i²) (10)

f_i^2′＝f_i²·Softmax((W₁·f_i¹) (11)

单个企业用水特征表示为：

f₁′＝[f_i¹′+f_i¹，f_i^2′+f_i²] (12)

5)判断单个企业用水异常的方法：

将单个企业用水量f_i′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：

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。

2.根据权利要求1所述的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，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：

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f_i′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。