基于工况数据的烟尘排放异常检测

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...