排污单位用电监管系统中的遗传算法应用

排污单位用电监管系统中的遗传算法应用

李,玉，冯继锋

河南省生态环境监控中心，河南 郑州，450046

摘要：对重点排污单位进行用电监管是各地进行大气污染防治的重要手段。针对废气排污单位的用电监管设施产生的数据，通过遗传算法可以有效甄别出其中的异常数据，从而精准判断企业废气污染排放设施和治理设施的状态，对排污企业进行远程监管，能够精准打击不正常运行污染防治设施等环境违法行为，为深入打好大气污染防治攻坚战提供技术支撑。

关键字：废气污染物；用电监管；遗传算法

The Application of Genetic Algorithm Based on electricity supervision system of pollution treatment facilities

LI Yu, Feng Jifeng

(He’nan Ecology and Environment Monitoring Center，Zhengzhou，Henan450046，China)

Abstract: Electricity supervision system of the pollution treatment facilities is an important part of Air Pollution Control. Aiming at the data generated by monitor devices, Genetic Algorithm can find the exception data exactly. Based on Genetic Algorithm, the electricity supervision system can analyze the emission status of the factories. This can help to fight the environmental crime and support to win the battle against air pollution.

Key Words: pollution source; electricity supervision system; genetic algorithm;

0 引言

    排污设施和治污设施用电监管是各地进行污染防治的重要手段[1-3]，通过用电监管设施，可对企业各产污设施和治污设施的运行进行实时动态监测，判断排污单位污染防治设施运行是否正常运行，停限产措施是否执行到位，能够打击不正常运行污染防治设施等环境违法行为，为大气污染防治进行精准监管提供有效的技术支撑。

本文结合遗传算法GA[4]和企业用电监管系统，提出了基于产污设施和治污设施用电情况的稳态遗传方法。该遗传算法根据各项设施的用电情况进行迭代计算得出稳态样本。通过稳态样本，可以有效甄别出用电数据中的异常数据，从而精准判断企业废气污染物排放和治理状态，对排污企业进行动态检测。

1 污染源用电监管相关概念

废气排污单位用电监管系统是针对产污设施和治污设施用电情况进行监管，具备对重点污染设施、治污设施用电监管能力，包括企业总用电量、产污设施用电量、治污设施用电量，实现远程全天候用电监管。监控数据对接各省市级环保监管部门，加强污染源监管，保障环境保护工作高效进行。

污染源用电监管系统组成包括前段、通信、监控中心。

前端：产污设施用电监管设施、治污设施用电监管设施等。

通信：数据采集测控终端(计讯物联网关数采仪)，建立与远端控制中心的通信通道，连接前端设施入网，数据采集、存储、传输、告警、控制执行。

监控中心：与现场监控设施对接，远程数据监测、分析、处理，实现用电监管预警。

2 针对监控数据的遗传算法

遗传算法由J.H.Holland于六十年代提出，是根据生物演化，模拟进化过程中染色体基因的选择、交叉和变异得到的算法。遗传算法采用一个初始群，种群中的染色体代表潜在的解，然后通过基本的遗传算子逐步进化。在进化过程中，得到一个稳态样本。本文在通过遗传算法得到监控点的稳态样本，在通过具体时间点单个采样数据对照稳态样本，从而对排污设施在具体时间点的运行状态作出准确判断。

2.1 编码方式

编码就是将问题的潜在解使用适合遗传算法的基因表示。本文使用n维整数数组作为染色体来表示单个监控数据用例。染色体的n个基因就表示企业用电监管的n个点位。同时，用各因子取值的序号作为基因值，从而避免参数类型的转换。

2.2 稳态函数

对某监控点的监控数据运用遗传算法进行训练，目的是得出监控数据各因子的分布情况。因此在进化过程中要对每个监控数据进行计算。故定义测试用例α的稳态函数为：

fα=w(α)；

式中w(α)即为α的稳态值。

2.3 选择算子

选择算子也叫复制算子，是根据个体的稳态函数值所度量的优劣程度决定它在下一代是被继承还是被淘汰。稳态值高的个体被选中的几率较大，而且有可能被多次选中；反之，几率较小。在此采用赌轮选择机制，令

∑fi表示当前群体的稳态值的总和，fi为群体中第i个染色体的稳态值[5]，定义累计函数：

选择新个体时，个体αk对应的选择区间为 [Dk,Dk+1]。每次选择时就产生一个位于0到∑fi之间的随机数r，那么r所在的选择区间所对应的个体就被选中作为进化成员。同时在选择中采取精英策略来保留最优的个体，即稳态值最高的若干染色体被直接复制到下一代。在遗传算法中，精英策略可以保证算法的全局收敛性。

2.4 交叉算子和变异算子

经过选择之后，被保留的个体要进一步经过交叉和变异。交叉的方式是任意选出两个个体α和β，并将它们的部分基因段进行互换。假设有长度为4的染色体α=(1,3,0,1)、β=(0,2,0,1)；产生一个1~4之间的随机数c，设c=3，然后将个体的后3位交换，得到交叉后的两个染色体为α’=(1,2,0,1)，β’=(0,3,0,1)。

变异是对种群模式的扰动，有利于增加种群的多样性，防止群体进化过早地收敛。染色体内的基因以变异概率Pm被随机数代替，从而在群体中产生一个新的个体。以染色体α=(1,3,0,1)为例，设第2位发生变异，随机数2取代了这一位的基因，则得到新的染色体为(1,2,0,1)。交叉和变异互相配合，共同完成对搜索空间的搜索。进而得出某监控数据集的稳态值。

2.5 监控数据诊断

在通过上述计算得出某个监控数据集的稳态值之后，对实时数据实例通过判断算子对其进行判断。即把实时数据实例进行的稳态计算，如果该实例对数据集的稳态产生较多干扰，则可判断此数据异常。进而通过与数据集的稳态值进行对比，可判断改实时数据的状态，从而反映出监控设施的运行状态。

2.6 生成数据集稳态值的遗传算法

遗传算法生成监控数据集稳态值的步骤如下：

Input：a test set;

Output：a test case;

Initial();   //对种群初始化和进化参数初始化；

Eval_Fitness();  //评价各染色体的稳态值；

While(!termination)  //停止条件不满足，继续循环；

{

Save_elite();      //保存最优个体；

Selection();       //进行选择操作；

  Crossover();       //进行交叉操作；

Mutation();        //进行变异操作；

Eval_fitness();    //评价新个体的适应度；

}

Output();            //输出代表数据集稳态值的最优个体；

内部迭代的停止条件有两个：（1）数据集稳态达到了要求；（2）迭代次数达到最大迭代次数K。

在代表数据集稳态值的个体生成之后，即可用于对实时监控数据的状态判断。

3 应用结果及结论

依据上文所述的算法思想，本文在某地污染源用电监管平台上实现了该算法。通过通过该算法，可对当地企业生产设施、污染防治设施的用电进行实时动态监管，可以准确判断排污单位污染物排放和治理是否同步，停限产措施是否执行到位，能够打击不正常运行污染防治设施等环境违法行为，为错峰生产、应急管控等工作进行精准监管提供有效的技术支撑。排污单位用电监管是一种新的智能化环境监管模式，目前尚处于起步阶段，相信通过不断的深化应用，用电监管必将在环境监管中发挥更大作用。

参 考 文 献：

[1] 生态环境部.京津冀及周边地区2019-2020年秋冬季大气污染总和治理攻坚方案[Z].环大气〔2019〕88号.

[2] 王立斌，王雨帆，马浩，等.一种基于用电规律的污染企业违规生产监控放啊[J].电力打数据，2019，22(8)：35-39.

[3] 杨清，周进.用电数据用于污染源企业工况监控技术的研究[J].污染防治技术，2019，32（3）：44-48.

[4] Kewen Li, Zhixia Yang. An Improved AETG Test Suite Optimization Method Based on RegressingTest Model[C]. Wuhan, China: International Conference on Computer Science and Software Engineering, 2008: 52–55.

[5] 贲可荣，袁景凌. 离散数学[M]. 北京：清华大学出版社，2007.89-91.

作者简介：李玉（1986-），男，硕士研究生，工程师，研究环境监测监控、信息化技术；冯继锋 (1986－)，男，学士，工程师，研究方向为研究环境监控、信息化技术.