CN106970301A - 一种基于智能家居供电电路的检测系统 - Google Patents

Abstract

本发明提供了一种基于智能家居供电电路的检测系统，包括电路检测子系统、控制预警中心和平板显示器，所述电路检测子系统用于对供电电路进行故障监测和识别，并将供电电路故障识别结果发送至控制预警中心，所述控制预警中心在供电电路发生异常故障时将故障识别结果发送至平板显示器进行显示。本发明能够对智能家居供电电路进行故障监测和识别，并在供电电路发生异常故障时及时将故障识别结果显示给住户，从而用户能够得知供电电路故障的类型，清楚是否是恶意入侵断电或者大规模区域断电。

Description

一种基于智能家居供电电路的检测系统

技术领域

本发明涉及智能家居安防技术领域，具体涉及一种基于智能家居供电电路的检测系统。

背景技术

现有的智能家居设备，一般都以市电的电参数为设计标准。相关技术中，智能家居安防设备不能检测智能家居线路中异常电源，不能区分恶意入侵断电与大规模区域断电，不利于灾害发生时住户逃生，缺乏反馈控制、有效通信且备用电源启动不及时等技术问题。

发明内容

针对上述问题，本发明提供一种基于智能家居供电电路的检测系统。

本发明的目的采用以下技术方案来实现：

提供了一种基于智能家居供电电路的检测系统，包括电路检测子系统、控制预警中心和平板显示器，所述电路检测子系统用于对供电电路进行故障监测和识别，并将供电电路故障识别结果发送至控制预警中心，所述控制预警中心在供电电路发生异常故障时将故障识别结果发送至平板显示器进行显示。

本发明的有益效果为：能够对智能家居供电电路进行故障监测和识别，并在供电电路发生异常故障时及时将故障识别结果显示给住户，从而用户能够得知供电电路故障的类型，清楚是否是恶意入侵断电或者大规模区域断电。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1本发明的结构连接框图；

图2是本发明电路检测子系统的结构连接框图。

附图标记：

电路检测子系统1、控制预警中心2、平板显示器3、应急电源4、原始电路数据建立模块10、故障特征提取模块20、样本处理模块30、故障诊断模型建立模块40、供电电路故障识别模块50。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例提供的基于智能家居供电电路的检测系统，包括电路检测子系统1、控制预警中心2和平板显示器3，所述电路检测子系统1用于对供电电路进行故障监测和识别，并将供电电路故障识别结果发送至控制预警中心2，所述控制预警中心2在供电电路发生异常故障时将故障识别结果发送至平板显示器3进行显示。

优选地，所述的平板显示器3与所述控制预警中心2的通信节点之间进行Wi-Fi协议的通讯数据传输。

本发明上述实施例，能够对智能家居供电电路进行故障监测和识别，并在供电电路发生异常故障时及时将故障识别结果显示给住户，从而用户能够得知供电电路故障的类型，清楚是否是恶意入侵断电或者大规模区域断电。

优选地，所述控制预警中心2连接带有电异常触发功能的应急电源4，所述控制预警中心2在供电电路发生异常故障时控制应急电源4工作。

本优选实施例能够在区域性断电或灾害发生时提供应急能源。

优选地，如图2所示，所述电路检测子系统1包括原始电路数据建立模块10、故障特征提取模块20、样本处理模块30、故障诊断模型建立模块40、供电电路故障识别模块50；

其中，所述原始电路数据建立模块10用于提取N个周期的各种供电电路故障类型对应的供电电路输出信号，利用每种供电电路故障类型对应的供电电路输出信号构建N个样本，将样本数据作为原始数据；

所述故障特征提取模块20用于构建各样本的特征图谱，提取各样本的故障特征向量；

所述样本处理模块30用于对各样本进行数据处理，并将处理后的数据构建成对应的训练样本；

所述故障诊断模型建立模块40用于采用改进的粒子群算法优化支持向量机的参数，采用训练样本以及优化后的支持向量机的参数对支持向量机进行训练，得到供电电路的故障诊断模型；

所述供电电路故障识别模块50用于采用故障诊断模型对待识别的供电电路输出信号进行供电电路故障类型识别。

本优选实施例能够识别供电电路故障时的故障类型，从而明确供电电路的故障是否异常，从而让用户明确是否是恶意入侵断电或者大规模区域断电。

优选地，所述样本处理模块30包括样本约简单元和故障特征向量筛选单元，所述样本筛选单元用于对样本进行约简处理，所述故障特征向量筛选单元用于对约简处理后的剩余样本中的故障特征向量进行筛选处理，并将筛选出的故障特征向量构建成对应的训练样本；

其中，所述对样本进行约简处理，具体包括：

(1)计算属于同一种供电电路故障类型的样本间的马氏距离：

式中，D(x_A,x_B)表示样本x_A与样本x_B之间的马氏距离，表示样本x_A的第a个故障特征向量与样本x_B之间的马氏距离，sqrt表示开平方根，是的转置，为样本x_B的均值故障特征向量，S_B ^-1表示样本x_B的协方差矩阵，m_a表示样本x_A的故障特征向量的个数；

(2)计算出同一种供电电路故障类型的所有样本间的马氏距离的平均值若则删除样本x_A，其中ξ为设定的阈值调整因子，

本优选实施例中，由于马氏距离不受到量纲的影响，同时不会因为样本各故障特征向量的值在数量级上的差异而导致距离计算上的差异，从而能够很好的表示两样本之间的相似度，本优选实施例，通过计算样本间的马氏距离，对相似度较高的样本进行约简，能够在保证保留有效样本的前提下从整体上减少训练时间，提高效率。

优选地，按照下列筛选函数对故障特征向量进行筛选处理：

Z_i＝{Z_i(j),Z_i(j)＝1，j＝1,…,m_i}

其中

式中，Z_i表示对应第i个样本的训练样本，Z_i(j)表示第i个样本中第j个故障特征向量，m_i为第i个样本具有的故障特征向量的数目；μ_i为第i个样本的故障特征向量的期望值，σ_i为第i个样本的故障特征向量的标准差，λ₁、λ₂为设定的调整因子；f[x]为判定函数，当x≥0时，f[x]＝1，当x<0时，f[x]＝0。

本优选实施例对故障特征向量进行筛选处理，从而构建最优的训练样本对支持向量机进行训练，一方面减少了训练的时间，另一方面能够获得更精确的训练效果，从而能够相对提供对供电电路故障进行识别的精度。

优选地，所述采用改进的粒子群算法优化支持向量机的参数，具体包括：

(1)定义支持向量机的核函数为：

K＝(1-δ)x^Tx_i+δexp(g‖x-x_i‖²)

式中，δ为权重系数，x^Tx_i为线性核函数，exp(g‖x-x_i‖²)为高斯核函数，其中g为高斯核函数宽度。

(2)将支持向量回归惩罚系数C、核函数宽度g、权重系数δ三个参数作为需优化参数，将该需优化参数设定为粒子群中的粒子；

(3)采用改进的粒子群算法对该需优化参数进行优化，具体为：

1)初始化粒子群算法，设定粒子数目、迭代次数、学习因子、模拟退火系数，选定正交试验设计表，正交试验设计表列数大于粒子的维度，设定支持向量回归惩罚系数C、核函数宽度g、权重系数δ三个参数的搜索范围以及移动速度的上下限；

2)计算各粒子的速度，判断各粒子的速度是否越界，如果越界，则将该粒子的速度取为临界值；

3)更新各粒子的位置，以下列适应度函数计算出的适应度评价各粒子：

式中，m_t为训练样本总个数，y_k为训练样本实际值，y_k′为训练样本预测值；

4)根据正交试验表从最优粒子和次优粒子中选取相应维，进行正交试验，评价各试验粒子；

5)根据判断各维中的因素水平的优劣，设计最终粒子并评价该粒子；

6)从最终粒子和试验粒子中选取适应度最高的粒子，并和群历史最优粒子作比较，如果优于群历史最优粒子，则替代群历史最优粒子，并以一定概率进行模拟退火搜索；

7)若达到最大迭代次数，结束搜索，输出最优粒子和最优粒子的供电电路函数值。

本优选实施例，一方面在定义的支持向量机的核函数中，将线性核函数与高斯核函数进行相应的组合，并对其中的支持向量回归惩罚系数C、核函数宽度g、权重系数δ三个参数进行优化，能够使得在高维特征空间中更好地表达样本，并且优化的参数不多，相对于其他多核函数，支持向量机训练过程较为简单，训练的支持向量机具有较好的回归精度和泛化能力；

另一方面，采用正交试验和模拟退火搜索相结合的方式进行参数优化，解决了传统粒子群算法存在的早熟问题和收敛震荡问题，加强了群最优粒子跳出局部最优点的能力，其中正交试验时从群最优粒子和次优粒子中有效提取了有价值的信息，提升了粒子群算法在捜索结果的平均值、标准偏差、评价次数、成功率和成功表现等方面的性能，并相对于传统的正交粒子群算法，大大减少了信息抽取的运算量；

因此，本优选实施例能够获得较精确的供电电路故障诊断模型，从而能够在供电电路发生故障时对供电电路的故障类型进行精确识别，保证了基于智能家居供电电路检测系统的精度。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (7)

1.一种基于智能家居供电电路的检测系统，其特征是，包括电路检测子系统、控制预警中心和平板显示器，所述电路检测子系统用于对供电电路进行故障监测和识别，并将供电电路故障识别结果发送至控制预警中心，所述控制预警中心在供电电路发生异常故障时将故障识别结果发送至平板显示器进行显示。

2.根据权利要求1所述的一种基于智能家居供电电路的检测系统，其特征是，所述的平板显示器与所述控制预警中心的通信节点之间进行Wi-Fi协议的通讯数据传输。

3.根据权利要求2所述的一种基于智能家居供电电路的检测系统，其特征是，所述控制预警中心连接带有电异常触发功能的应急电源，所述控制预警中心在供电电路发生异常故障时控制应急电源工作。

4.根据权利要求1所述的一种基于智能家居供电电路的检测系统，其特征是，所述电路检测子系统包括原始电路数据建立模块、故障特征提取模块、样本处理模块、故障诊断模型建立模块、供电电路故障识别模块；

其中，所述原始电路数据建立模块用于提取N个周期的各种供电电路故障类型对应的供电电路输出信号，利用每种供电电路故障类型对应的供电电路输出信号构建N个样本，将样本数据作为原始数据；

所述故障特征提取模块用于构建各样本的特征图谱，提取各样本的故障特征向量；

所述样本处理模块用于对各样本进行数据处理，并将处理后的数据构建成对应的训练样本；

所述故障诊断模型建立模块用于采用改进的粒子群算法优化支持向量机的参数，采用训练样本以及优化后的支持向量机的参数对支持向量机进行训练，得到供电电路的故障诊断模型；

所述供电电路故障识别模块用于采用故障诊断模型对待识别的供电电路输出信号进行供电电路故障类型识别。

5.根据权利要求4所述的一种基于智能家居供电电路的检测系统，其特征是，所述样本处理模块包括样本约简单元和故障特征向量筛选单元，所述样本筛选单元用于对样本进行约简处理，所述故障特征向量筛选单元用于对约简处理后的剩余样本中的故障特征向量进行筛选处理，并将筛选出的故障特征向量构建成对应的训练样本。

6.根据权利要求5所述的一种基于智能家居供电电路的检测系统，其特征是，所述对样本进行约简处理，具体包括：

(1)计算属于同一种供电电路故障类型的样本间的马氏距离：

$D(x_A,x_B)=\frac{1}{m_a}\underset{a}{\overset{m_a}{\&Sigma;}}d(x_{Aa},\stackrel{\&OverBar;}{x_B}),d(x_{Aa},\stackrel{\&OverBar;}{x_B})=sqrt\&lsqb;{(x_a-\stackrel{\&OverBar;}{x_B})}^T{S_B}^{-1}(x_a-\stackrel{\&OverBar;}{x_B})\&rsqb;$

式中，D(x_A,x_B)表示样本x_A与样本x_B之间的马氏距离，表示样本x_A的第a个故障特征向量与样本x_B之间的马氏距离，sqrt表示开平方根，是的转置，为样本x_B的均值故障特征向量，S_B ^-1表示样本x_B的协方差矩阵，m_a表示样本x_A的故障特征向量的个数；

(2)计算出同一种供电电路故障类型的所有样本间的马氏距离的平均值若则删除样本x_A，其中ξ为设定的阈值调整因子，

7.根据权利要求6所述的一种基于智能家居供电电路的检测系统，其特征是，按照下列筛选函数对故障特征向量进行筛选处理：

Z_i＝{Z_i(j),Z_i(j)＝1，j＝1,…,m_i}

其中

$Z_i\left(j\right)=f\&lsqb;1-{\mathrm{\&lambda;}}_1\frac{Z_i\left(j\right)}{{\mathrm{\&mu;}}_i+3{\mathrm{\&sigma;}}_i}\&rsqb;f\&lsqb;{\mathrm{\&lambda;}}_2\frac{Z_i\left(j\right)}{{\mathrm{\&mu;}}_i-3{\mathrm{\&sigma;}}_i}-1\&rsqb;$

式中，Z_i表示对应第i个样本的训练样本，Z_i(j)表示第i个样本中第j个故障特征向量，m_i为第i个样本具有的故障特征向量的数目；μ_i为第i个样本的故障特征向量的期望值，σ_i为第i个样本的故障特征向量的标准差，λ₁、λ₂为设定的调整因子；f[x]为判定函数，当x≥0时，f[x]＝1，当x<0时，f[x]＝0。