-
题名基于工况数据的烟尘排放异常检测
- 1
-
-
作者
何炜琪
陈蓉
陆智翔
马旭
吴志杰
-
机构
清华苏州环境创新研究院
-
出处
《环境工程》
CAS
CSCD
2024年第1期79-84,共6页
-
基金
国家重点研发计划项目“污染场地大数据管理分析研究及平台构建”(2020YFC1807402)。
-
文摘
识别由于主观篡改或设备工况异常导致的污染物排放数据异常现象,对于重点排污单位环境污染监控、整治和管理有着重要意义。以河北省某钢铁企业为例,基于每小时工况数据和烟尘浓度建立预测模型,采用改进的损失函数MSECorrLoss进行TabNet模型训练,并与XGBoost、LightGBM和BiLSTM模型进行对比,提出了一种基于阈值划分的K-error算法进行烟尘排放异常数据的识别,结果表明:1)相较RMSELoss损失函数,采用改进的MSECorrLoss训练后,TabNet模型MAPE由15.33%下降为15.10%,且模型收敛更快。2)LightGBM和XGBoost训练速度快,但LightGBM预测精度低(RMSE=0.3201, MAPE=29.45%),XGBoost和BiLSTM模型鲁棒性与稳定性(RMSE:0.3403~0.3425, MAPE:13.58%~18.38%)不及TabNet(RMSE:0.2886~0.2934, MAPE:15.10%~15.33%)。虽然TabNet训练时间较长,但无需人工进行特征选取,应用限制低,在烟尘预测中具有良好的应用效果。3)基于工况数据构建的TabNet模型在污染物排放预测上具有较高的预测精度与稳定性,结合K-error检测算法可以克服阈值法带来的主观性。该方法可以快速检测污染物排放异常数据,为环境管理决策提供参考。
-
关键词
TabNet
msecorrloss
烟尘
浓度预测
异常检测
-
Keywords
TabNet
msecorrloss
smoke
concentration prediction
anomaly detection
-
分类号
X831
[环境科学与工程—环境工程]
-
