4. 分项用能数据清洗与预处理
分项用能数据在进入能耗结构分析之前，几乎不可能“拿来即用”。计量表计通信中断、采集器时钟漂移、人工抄录错位、单位混用、量纲不一致，都会让后续的占比计算和趋势判断失真。数据清洗与预处理的目标不是把数据“修饰得好看”，而是让每一行分项数据在时间、单位、量纲和物理合理性上都可信，从而保证能耗结构识别结论站得住脚。本节围绕异常值识别、缺失值处理、数据对齐与单位统一四个环节展开，并以一个案例工厂的原始分项数据完成一次清洗实战。
一、先明确数据对象与清洗边界
案例工厂为某机械加工车间，分项计量覆盖总进线、空压站、制冷站、照明插座、生产设备（三条产线）和办公区。原始数据来自两类来源：一类是电表经采集器上传的15分钟间隔有功电量（单位kWh），另一类是人工每月抄录的蒸汽流量（单位t）与天然气用量（单位m³）。两类数据的时间粒度、单位、采集可靠性差异明显，这正是清洗要解决的核心矛盾。
清洗前需要先划定边界：只处理与分项能耗结构分析相关的字段，包括时间戳、分项名称、用能量、单位、数据来源标记；对于与能耗结构无关的设备状态字、报警码等字段，不在本节处理范围内。同时要保留原始数据副本，所有清洗动作以新增列或新表的方式记录，确保可追溯。
二、异常值识别：先定规则，再判真伪
异常值不等于错误值。分项用能中常见的异常有三类：一是物理不可能值，如电量为负、单间隔电量超过该分项额定功率对应的理论上限；二是统计离群值，如某分项日电量显著偏离历史分布；三是逻辑矛盾值，如总进线电量小于各分项之和。识别时应先做物理规则筛查，再做统计筛查，最后做逻辑校验。
以空压站15分钟电量为例，其额定功率约120 kW，则单个15分钟间隔的理论上限约为120×0.25=30 kWh。若某条记录为86 kWh，明显超过上限，应标记为疑似异常。统计筛查可采用箱线图法则：对某分项近30天同一时段的电量计算四分位距IQR，超出Q3+1.5×IQR或低于Q1−1.5×IQR的记录标记为离群。逻辑校验则检查“总进线≥各分项之和”是否成立，不成立时优先怀疑分项漏计或总表倍率错误。
三、缺失值处理：区分缺失机制再选方法
缺失值处理的关键是判断缺失机制。案例数据中，制冷站有连续6个15分钟间隔无数据，属于采集器通信中断造成的连续缺失；照明插座偶发单点缺失，属于采集丢包；蒸汽流量按月抄录，若某月漏抄则属于整段缺失。不同机制对应不同处理策略。
对于短时单点缺失，可采用线性插值，即用前后两个有效值按时间比例补全；对于连续缺失但时长不超过2小时的情况，可用同日同时段的历史均值填补，并在数据来源列标注“插补”；对于超过2小时的长段缺失，不宜强行插值，应置为缺失并在日汇总时按有效时长折算，避免把缺失当成零耗能。整月缺失的蒸汽数据，若无法补抄，应在月度结构分析中标注该分项数据不完整，不参与占比计算。
示例：制冷站某日 10:00—11:30 连续缺失（6个间隔）
处理方式：标记为“长段缺失”，不插值
日电量汇总 = 当日有效间隔电量之和 × (96 / 有效间隔数)
说明：该折算仅用于趋势参考，不用于精确占比四、数据对齐与单位统一
数据对齐包含两层：时间对齐和口径对齐。时间对齐要求所有分项统一到同一时间基准，案例中电表为15分钟间隔，蒸汽和天然气为月度数据，需先将电表数据聚合为日、月粒度，再与月度燃料数据对齐。聚合时应使用“求和”而非“平均”，且只对有效间隔求和。口径对齐要求分项边界一致，例如“生产设备”是否包含产线照明，必须在清洗阶段明确并统一，否则分项之和与总进线无法闭合。
单位统一方面，电力统一为kWh，蒸汽统一为t，天然气统一为m³，若后续需要综合能耗对比，再按折标煤系数换算为tce。换算系数必须来自企业能源统计口径并注明来源，不得在图中隐去。案例中曾出现天然气一处按“立方米”、一处按“标准立方米”记录，清洗时统一为m³并保留换算说明。
五、案例工厂清洗实战与结果判断
按上述规则对案例工厂某日数据执行清洗：空压站一条86 kWh记录超过物理上限，经核对为采集器倍率误设，按正确倍率修正为8.6 kWh并记录修正日志；制冷站10:00—11:30连续6个间隔缺失，标记为长段缺失，日汇总按有效间隔折算；照明插座两处单点缺失采用线性插值并标注“插补”；天然气单位统一为m³。清洗后各分项有效值之和为12 310 kWh，总进线为12 480 kWh，偏差率约1.36%，在可接受范围内，说明分项边界基本闭合。
需要强调的是，偏差率可接受阈值应结合企业计量精度和分项完整度设定，案例中取2%仅为示例假设，并非通用标准。若偏差率持续偏大，应优先排查是否存在未计量的分项、总表倍率错误或分项口径重叠，而不是继续在数据上做“平滑”。清洗完成后，应输出一份数据质量记录，至少包含异常记录数、修正方式、缺失段时长、插补方法和闭合偏差率，作为后续能耗结构分析的输入依据。