工业加热硅碳棒电炉在运行过程中容易出现高耗电现象，且异常用电数据产生的频率较高、数据量较大，使得对异常数据的采集效率降低。为此，提出工业加热硅碳棒电炉高耗电异常分布式控制系统数据主动采集技术研究。利用局部平均值计算工业加热缺失DCS数据，采用拉格朗日插值法对其插补，对插补后的数据标准化处理。构建用电不平衡特征矩阵，采用局部离群因子检测算法，提取出用电异常数据特征集，构建基于长短期记忆网络(long short一term memory，简称LSTM)的分位数回归模型，实现工业硅碳棒电炉异常DCS数据的主动采集。实验结果表明，所提方法有效地提高了采集效率和采集精度，采集平均用时仅为0. 29ms，其准确率一召回率在98以上。

       在工业生产中，工业加热硅碳棒电炉是一种重要的热处理设备，广泛应用于冶金、化工、材料等领域。然而，高耗电异常是工业加热硅碳棒电炉运行过程中的一个常见问题，其产生原因涉及设备故障、操作不当以及其他潜在因素。高耗电异常不仅会导致能源浪费、生产效率下降，还容易引发设备损坏、安全事故等问题。工业加热硅碳棒电炉的异常用电率是一个重要指标，可以反映硅碳棒电炉的能源利用效率和工作状态。因此，研究一种工业加热硅碳棒电炉异常DCS数据主动采集技术具有重要的理论和实际意义。

       针对以上背景，国内众多研究学者已对此展开大量研究。利用数学形态学去噪技术，分析工业硅碳棒电炉异常用电数据本身的分布特性，将其转换为二值图像，通过将原始异常用电数据转换为原始数据的噪声信号的方式，利用膨胀腐蚀方式对其自适应采集识别。该方法在处理海量用电数据时有一定难度。通过引入卷积神经网络对等攻击算法，建立潮流计算模型，计算出电压值，完成用电功率回溯;计算其与测量值间的回溯距离得到异常用电数据特征;构造图注意力网络分类器，实现异常用电率数据别。该方法执行耗时较长，效率不高。构建基于RFE+CatBoost模型的异常用电率检测方法。结合RFE算法分析工业硅碳棒电炉用电率的不同特征;利用分类预测算法识别出异常用电率数据。该方法依赖于常数据占比量较大的情况，有一定局限性。

       为了解决上述方法中存在的问题，提出工业加热硅碳棒电炉高耗电异常数据主动采集技术研究。http://www.zbqunqiang.cn/