CN111638649B - 电器运行安全监测方法及装置 - Google Patents

电器运行安全监测方法及装置 Download PDF

Info

Publication number
CN111638649B
CN111638649B CN202010402857.1A CN202010402857A CN111638649B CN 111638649 B CN111638649 B CN 111638649B CN 202010402857 A CN202010402857 A CN 202010402857A CN 111638649 B CN111638649 B CN 111638649B
Authority
CN
China
Prior art keywords
current data
current
characteristic value
electric appliance
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010402857.1A
Other languages
English (en)
Other versions
CN111638649A (zh
Inventor
李斌
杨柳
杨军
官剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Panruisi Intelligent Technology Co ltd
Original Assignee
Jiangsu Panruisi Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Panruisi Intelligent Technology Co ltd filed Critical Jiangsu Panruisi Intelligent Technology Co ltd
Priority to CN202010402857.1A priority Critical patent/CN111638649B/zh
Publication of CN111638649A publication Critical patent/CN111638649A/zh
Application granted granted Critical
Publication of CN111638649B publication Critical patent/CN111638649B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2642—Domotique, domestic, home control, automation, smart house

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Alarm Systems (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明实施例提供一种电器运行安全监测方法及装置，方法包括：获取目标电器所接入的电路中每一时刻的电流数据，根据所述电路中所有时刻的电流数据构建所述电流数据的直方图；将所述直方图中每个子电流区间的电流数据个数作为人工神经网络的输入，输出所述电流数据的特征值；确定所述特征值所属的预设特征值范围，根据所述特征值所属的预设特征值范围确定所述预设特征值范围对应的电器运行状态；其中，所述电器运行状态与所述预设特征值范围预先关联存储；所述人工神经网络通过电器样本的电流数据和电器运行状态进行训练获取。本发明实施例实现对电器的运行状态进行监测，保证电器的运行安全。

Description

电器运行安全监测方法及装置
技术领域
本发明属于智能家居技术领域，尤其涉及一种电器运行安全监测方法及装置。
背景技术
家用电器的种类越来越多，各种电器的使用为人们的日常生活带来了方便。然而，各种家用电器的接入给电路带来了很大的负担，尤其是高功率电器的使用导致的安全问题也越来越突出，如人为触电、电气火灾等。因此家用电器带来的用电安全成为人们关注和研究的重点。
由于家用电器同一时间内接入的用户侧电器较多，对其中某一种电器，如高功率用电器的运行安全进行监测变得更加困难，监测精度也不够高。现有的电器运行安全监测方法仅仅能够监测流过电器接入电路的功率情况，只能监测出电路的功率异常，保证电路的功率不超载。但是难以定位接入电路中的哪一台电器运行状态异常，对电器的运行安全监测精准度低。
发明内容
为克服上述现有的电器运行安全监测方法监测的精准度低的问题或者至少部分地解决上述问题，本发明实施例提供一种电器运行安全监测方法及装置。
根据本发明实施例的第一方面，提供一种电器运行安全监测方法，包括：
获取目标电器所接入的电路中每一时刻的电流数据，根据所述电路中所有时刻的电流数据构建所述电流数据的直方图；
将所述直方图中每个子电流区间的电流数据个数作为人工神经网络的输入，输出所述电流数据的特征值；
确定所述特征值所属的预设特征值范围，根据所述特征值所属的预设特征值范围确定所述预设特征值范围对应的电器运行状态；
其中，所述电器运行状态与所述预设特征值范围预先关联存储；
所述人工神经网络通过电器样本的电流数据和电器运行状态进行训练获取。
具体地，构建所述电流数据的直方图的步骤包括：
对所述电路中所有时刻的电流数据每隔预设时长进行采样；
按照采样的电流数据的时间先后顺序，将采样的每第一预设个数的电流数据作为一组；
根据每组电流数据构建所述每组电流数据的直方图。
具体地，根据每组电流数据构建所述每组电流数据的直方图的步骤包括：
将预设总电流区间等分为第二预设个数的子电流区间；
将每个子电流区间作为横坐标，统计每组电流数据中位于每个子电流区间内的电流数据的个数，将所述电流数据的个数作为纵坐标，构建每组电流数据的直方图。
具体地，所述人工神经网络包括输入层、隐藏层和输出层；
其中，所述输入层为单层，所述输入层的神经元个数与所述子电流区间的个数相同；
所述输入层中每个神经元的输入为所述直方图中相应子电流区间的电流数据个数；
所述隐藏层为单层或多层；
所述输出层为单层，且所述输出层中神经元只有一个。
具体地，所述输入层与第一层所述隐藏层之间、相邻两个所述隐藏层之间，以及最后一层所述隐藏层与所述输出层之间的连接方式为全连接。
具体地，电器运行状态包括运行状态、待机状态和未接入状态；
所述运行状态包括正常运行状态和异常运行状态。
根据本发明实施例第二方面提供一种电器运行安全监测装置，包括：
构建模块，用于获取目标电器所接入的电路中每一时刻的电流数据，根据所述电路中所有时刻的电流数据构建所述电流数据的直方图；
处理模块，用于将所述直方图中每个子电流区间的电流数据个数作为人工神经网络的输入，输出所述电流数据的特征值；
确定模块，用于确定所述特征值所属的预设特征值范围，根据所述特征值所属的预设特征值范围确定所述预设特征值范围对应的电器运行状态；
其中，所述电器运行状态与所述预设特征值范围预先关联存储；
所述人工神经网络通过电器样本的电流数据和电器运行状态进行训练获取。
具体地，所述人工神经网络包括输入层、隐藏层和输出层；
其中，所述输入层为单层，所述输入层的神经元个数与所述子电流区间的个数相同；
所述输入层中每个神经元的输入为所述直方图中相应子电流区间的电流数据个数；
所述隐藏层为单层或多层；
所述输出层为单层，且所述输出层中神经元只有一个。
根据本发明实施例的第三个方面，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的电器运行安全监测方法。
根据本发明实施例的第四个方面，还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的电器运行安全监测方法。
本发明实施例提供一种电器运行安全监测方法及装置，该方法通过获取电器接入电路中的电流数据，根据不同的电流数据得到不同的电流直方图，电流直方图与电器的工作状态，甚至非正常工作状态直接相关，从而使用电流直方图监测电器的工作状态；将电流直方图经过人工神经网络进行放大，提取其中的有用信息，将提取的特征值与各种工作状态的特征值范围进行比较，从而得出电器的运行状态，保证电器的运行安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的电器运行安全监测方法整体流程示意图；
图2为本发明实施例提供的电器运行安全监测方法中电流数据的直方图构建流程示意图；
图3为本发明实施例提供的电器运行安全监测方法中人工神经网络架构示意图；
图4为本发明实施例提供的电器运行安全监测装置整体结构示意图；
图5为本发明实施例提供的电子设备整体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的一个实施例中提供一种电器运行安全监测方法，图1为本发明实施例提供的电器运行安全监测方法整体流程示意图，该方法包括：S101，获取目标电器所接入的电路中每一时刻的电流数据，根据所述电路中所有时刻的电流数据构建所述电流数据的直方图；
其中，目标电器为需要监测运行状态的电器，可以为高功率家用电器。目标电器所接入的电路中每一时刻的电流数据可以通过入户电表中不断记录的通过电表的电流数据获取。然后根据电流数据的时间序列构建直方图。其中，直方图的横坐标为子电流区间，纵坐标表为位于每个子电流区间内电流数据的个数。子电流区间通过将预设总电流区间进行等分获取。预设总电流区间根据用户侧电路的一般电流大小，包括异常情况下的电流大小进行确定。
S102，将所述直方图中每个子电流区间的电流数据个数作为人工神经网络的输入，输出所述电流数据的特征值；
将电流数据的直方图输入人工神经网络进行处理，将直方图中每个子电流区间对应的电流数据个数作为人工神经网络的输入，实现对电流数据进行特征提取，最终输出电流数据的特征值。
S103，确定所述特征值所属的预设特征值范围，根据所述特征值所属的预设特征值范围确定所述预设特征值范围对应的电器运行状态；其中，所述电器运行状态与所述预设特征值范围预先关联存储；所述人工神经网络通过电器样本的电流数据和电器运行状态进行训练获取。
电器运行状态包括运行状态、待机状态和未接入状态。运行状态包括正常运行状态和异常运行状态。本实施例不仅可以确定电器是否运行，还可以获知电器是否处于正常运行状态。本实施例将每种电器运行状态及其对应的预设特征值范围存储在表格中，如以表格的形式存储在本地寄存器中。根据人工神经网络的输出进行查表比较，从表格中找出人工神经网络输出的特征值所在的预设特征值范围，找出的预设特征值范围对应的电器运行状态即为目标电器的电器运行状态。如果目标电器的电器运行状态为异常运行状态，则及时、精准地输出反馈信息进行预警。
在使用人工神经网络之前对人工神经网络进行训练，从而实现人工神经网络中参数的优化，使得监测结果更加准确。
本实施例通过获取电器接入电路中的电流数据，根据不同的电流数据得到不同的电流直方图，电流直方图与电器的工作状态，甚至非正常工作状态直接相关，从而使用电流直方图监测电器的工作状态；将电流直方图经过人工神经网络进行放大，提取其中的有用信息，将提取的特征值与各种工作状态的特征值范围进行比较，从而得出电器的运行状态，保证电器的运行安全。
在上述实施例的基础上，本实施例中构建所述电流数据的直方图的步骤包括：对所述电路中所有时刻的电流数据每隔预设时长进行采样；按照采样的电流数据的时间先后顺序，将采样的每第一预设个数的电流数据作为一组；根据每组电流数据构建所述每组电流数据的直方图。
对电流数据的时间序列进行采样，得到离散采样的电路数据，采样的时间间隔为预设时长t。按时序将每N个电流数据作为一组。每组电流数据构建一个直方图。
在上述实施例的基础上，本实施例中根据每组电流数据构建所述每组电流数据的直方图的步骤包括：将预设总电流区间等分为第二预设个数的子电流区间；将每个子电流区间作为横坐标，统计每组电流数据中位于每个子电流区间内的电流数据的个数，将所述电流数据的个数作为纵坐标，构建每组电流数据的直方图。
具体地，将预先设定的一个总的电流区间等分为M个子电流区间。统计N个电流数据中位于每个子电流区间内的电流数据个数。将统计结果作为直方图的纵坐标，将子电流区间1、子电流区间2…子电流区间M作为直方图的横坐标，从而构建每组电流数据的直方图。直方图的构建如图2所示。
在上述各实施例的基础上，如图3所示，本实施例中所述人工神经网络包括输入层、隐藏层和输出层；其中，所述输入层为单层，所述输入层的神经元个数与所述子电流区间的个数M相同；
所述输入层中每个神经元的输入为所述直方图中相应子电流区间的电流数据个数，即输入层中第i个神经元的输入为直方图中第i个子电流区间的纵坐标，也就是第i个子电流区间的电路数据个数；所述隐藏层为单层或多层；所述输出层为单层，且所述输出层中神经元只有一个，输出目标电器的电流数据的特征值。
在上述实施例的基础上，本实施例中所述输入层与第一层所述隐藏层之间、相邻两个所述隐藏层之间，以及最后一层所述隐藏层与所述输出层之间的连接方式为全连接。
其中，全连接的定义为该层的每一个神经元的数值定义与上一层都有关系。例如计算隐藏层第一层Y1的与上一层，即输入层R的关系，其中Y1中第j个神经元的计算值为:
Figure BDA0002490150940000071
其中，DY1,j为隐藏层Y第1层中第j个神经元的计算值，DR,i为输入层R的第i个神经元的输入，AR→Y1,i→j为两个神经元间的连接常数，bR→Y1,i→j为两个神经元间的偏置常数，两个常数通过训练后获取。
同理，中间隐藏层的计算值为：
Figure BDA0002490150940000081
其中，DYl,j为当前中间隐藏层Yl的第j个神经元的计算值，P为上一层隐藏层的神经元个数，DYl-1,i为上一层隐藏层Yl-1的第i个神经元的计算值。
输出层的神经元个数是1，与最后一层隐藏层之间也是全连接方式，因此，输出层的输出为：
Figure BDA0002490150940000082
其中，DC,1为输出层C的第一个神经元的计算值，P为最后一层隐藏层的神经元个数，DY,i为最后一层隐藏层Y的第i个神经元的计算值。
例如，本实施例中每组有100个电流数据，即N＝100，M为3。对于某一组电流数据，位于第一个子电流区间的电流数据个数为25，位于第二个子电流区间的电流数据个数为50，位于第三个子电流区间的电流数据个数为25，从而可以构建出该组电流数据的直方图。
将25、50和25输入人工神经网络。输入层的神经元为3个，3个神经元的输入分别为25、50和25，即DR,1＝25，DR,2＝50，DR,3＝25。隐藏层为2层，每层神经元为P＝4个。
根据公式
Figure BDA0002490150940000083
计算第一层隐藏层的神经元的计算值。假设AR→Y1,i→1＝(1,2,1)，括号里的每一个元素对应于i为1、2和3时的数值，下同。偏置常数都为0，此时计算后可以得到DY1,1＝150。AR→Y1,i→2＝(2,2,1)，此时DY1,2＝175。AR→Y1,i→3＝(0,1,1)，此时DY1,3＝75。AR→Y1,i→4＝(0,0,1)，此时DY1,4＝25。
根据公式
Figure BDA0002490150940000091
计算第二层隐藏层的神经元的计算值。假设AY1→Y2,i→1＝(1,0,0,0)，偏置常数都为0，此时计算后可以得到DY2,1＝150。AY1→Y2,i→2＝(0,1,0,0)，此时DY2,2＝175。AY1→Y2,i→3＝(0,0,1,0)，此时DY2,3＝75。AY1→Y2,i→4＝(0,0,0,1)，此时DY2,4＝25。至此，隐藏层的神经元计算完毕。
然后根据公式
Figure BDA0002490150940000092
计算输出层的计算值，输出层仅有一个神经元，与最后一层隐藏层的神经元全连接。假设AY→C,i→1＝(0.01，0.1,0.2,0.3)，偏置仍然为0，此时计算后DC,1＝41.5。
将41.5与本地寄存器的表格中的预设特征值范围进行查找比较，得到电器的运行状态。如果41.5位于异常运行状态对应的预设特征值范围，则输出反馈信息进行报警。
在本发明的另一个实施例中提供一种电器运行安全监测装置，该装置用于实现前述各实施例中的方法。因此，在前述电器运行安全监测方法的各实施例中的描述和定义，可以用于本发明实施例中各个执行模块的理解。图4为本发明实施例提供的电器运行安全监测装置整体结构示意图，该装置包括构建模块401、处理模块402和确定模块403；其中：
构建模块401用于获取目标电器所接入的电路中每一时刻的电流数据，根据所述电路中所有时刻的电流数据构建所述电流数据的直方图；
其中，目标电器为需要监测运行状态的电器，可以为高功率家用电器。目标电器所接入的电路中每一时刻的电流数据可以通过入户电表中不断记录的通过电表的电流数据获取。然后根据电流数据的时间序列构建直方图。其中，直方图的横坐标为子电流区间，纵坐标表为位于每个子电流区间内电流数据的个数。子电流区间通过将预设总电流区间进行等分获取。预设总电流区间根据用户侧电路的一般电流大小，包括异常情况下的电流大小进行确定。
处理模块402用于将所述直方图中每个子电流区间的电流数据个数作为人工神经网络的输入，输出所述电流数据的特征值；
处理模块402将电流数据的直方图输入人工神经网络进行处理，将直方图中每个子电流区间对应的电流数据个数作为人工神经网络的输入，实现对电流数据进行特征提取，最终输出电流数据的特征值。
确定模块403用于确定所述特征值所属的预设特征值范围，根据所述特征值所属的预设特征值范围确定所述预设特征值范围对应的电器运行状态；
其中，所述电器运行状态与所述预设特征值范围预先关联存储；所述人工神经网络通过电器样本的电流数据和电器运行状态进行训练获取。
电器运行状态包括运行状态、待机状态和未接入状态。运行状态包括正常运行状态和异常运行状态。本实施例不仅可以确定电器是否运行，还可以获知电器是否处于正常运行状态。本实施例将每种电器运行状态及其对应的预设特征值范围存储在表格中，如以表格的形式存储在本地寄存器中。确定模块403根据人工神经网络的输出进行查表比较，从表格中找出人工神经网络输出的特征值所在的预设特征值范围，找出的预设特征值范围对应的电器运行状态即为目标电器的电器运行状态。如果目标电器的电器运行状态为异常运行状态，则及时、精准地输出反馈信息进行预警。
在使用人工神经网络之前对人工神经网络进行训练，从而实现人工神经网络中参数的优化，使得监测结果更加准确。
本实施例通过获取电器接入电路中的电流数据，根据不同的电流数据得到不同的电流直方图，电流直方图与电器的工作状态，甚至非正常工作状态直接相关，从而使用电流直方图监测电器的工作状态；将电流直方图经过人工神经网络进行放大，提取其中的有用信息，将提取的特征值与各种工作状态的特征值范围进行比较，从而得出电器的运行状态，保证电器的运行安全。
在上述实施例的基础上，本实施例中构建模块具体用于：对所述电路中所有时刻的电流数据每隔预设时长进行采样；按照采样的电流数据的时间先后顺序，将采样的每第一预设个数的电流数据作为一组；根据每组电流数据构建所述每组电流数据的直方图。
在上述实施例的基础上，本实施例中构建模块具体用于：将预设总电流区间等分为第二预设个数的子电流区间；将每个子电流区间作为横坐标，统计每组电流数据中位于每个子电流区间内的电流数据的个数，将所述电流数据的个数作为纵坐标，构建每组电流数据的直方图。
在上述实施例的基础上，本实施例中所述人工神经网络包括输入层、隐藏层和输出层；其中，所述输入层为单层，所述输入层的神经元个数与所述子电流区间的个数相同；所述输入层中每个神经元的输入为所述直方图中相应子电流区间的电流数据个数；所述隐藏层为单层或多层；所述输出层为单层，且所述输出层中神经元只有一个。
在上述实施例的基础上，本实施例中所述输入层与第一层所述隐藏层之间、相邻两个所述隐藏层之间，以及最后一层所述隐藏层与所述输出层之间的连接方式为全连接。
在上述各实施例的基础上，本实施例中电器运行状态包括运行状态、待机状态和未接入状态；所述运行状态包括正常运行状态和异常运行状态。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行如下方法：获取目标电器所接入的电路中每一时刻的电流数据，根据所述电路中所有时刻的电流数据构建所述电流数据的直方图；将所述直方图中每个子电流区间的电流数据个数作为人工神经网络的输入，输出所述电流数据的特征值；确定所述特征值所属的预设特征值范围，根据所述特征值所属的预设特征值范围确定所述预设特征值范围对应的电器运行状态；其中，所述电器运行状态与所述预设特征值范围预先关联存储；所述人工神经网络通过电器样本的电流数据和电器运行状态进行训练获取。
此外，上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：获取目标电器所接入的电路中每一时刻的电流数据，根据所述电路中所有时刻的电流数据构建所述电流数据的直方图；将所述直方图中每个子电流区间的电流数据个数作为人工神经网络的输入，输出所述电流数据的特征值；确定所述特征值所属的预设特征值范围，根据所述特征值所属的预设特征值范围确定所述预设特征值范围对应的电器运行状态；其中，所述电器运行状态与所述预设特征值范围预先关联存储；所述人工神经网络通过电器样本的电流数据和电器运行状态进行训练获取。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种电器运行安全监测方法，其特征在于，包括：
获取目标电器所接入的电路中每一时刻的电流数据，根据所述电路中所有时刻的电流数据构建所述电流数据的直方图；
将所述直方图中每个子电流区间的电流数据个数作为人工神经网络的输入，输出所述电流数据的特征值；
确定所述特征值所属的预设特征值范围，根据所述特征值所属的预设特征值范围确定所述预设特征值范围对应的电器运行状态；
其中，所述电器运行状态与所述预设特征值范围预先关联存储；
所述人工神经网络通过电器样本的电流数据和电器运行状态进行训练获取；
所述人工神经网络包括输入层、隐藏层和输出层；
其中，所述输入层为单层，所述输入层的神经元个数与所述子电流区间的个数相同；
所述输入层中每个神经元的输入为所述直方图中相应子电流区间的电流数据个数；
所述隐藏层为单层或多层；
所述输出层为单层，且所述输出层中神经元只有一个；
所述直方图的横坐标为子电流区间，纵坐标表为位于每个子电流区间内电流数据的个数。
2.根据权利要求1所述的电器运行安全监测方法，其特征在于，构建所述电流数据的直方图的步骤包括：
对所述电路中所有时刻的电流数据每隔预设时长进行采样；
按照采样的电流数据的时间先后顺序，将采样的每第一预设个数的电流数据作为一组；
根据每组电流数据构建所述每组电流数据的直方图。
3.根据权利要求2所述的电器运行安全监测方法，其特征在于，根据每组电流数据构建所述每组电流数据的直方图的步骤包括：
将预设总电流区间等分为第二预设个数的子电流区间；
将每个子电流区间作为横坐标，统计每组电流数据中位于每个子电流区间内的电流数据的个数，将所述电流数据的个数作为纵坐标，构建每组电流数据的直方图。
4.根据权利要求1所述的电器运行安全监测方法，其特征在于，所述输入层与第一层所述隐藏层之间、相邻两个所述隐藏层之间，以及最后一层所述隐藏层与所述输出层之间的连接方式为全连接。
5.根据权利要求1-3任一所述的电器运行安全监测方法，其特征在于，电器运行状态包括运行状态、待机状态和未接入状态；
所述运行状态包括正常运行状态和异常运行状态。
6.一种电器运行安全监测装置，其特征在于，包括：
构建模块，用于获取目标电器所接入的电路中每一时刻的电流数据，根据所述电路中所有时刻的电流数据构建所述电流数据的直方图；
处理模块，用于将所述直方图中每个子电流区间的电流数据个数作为人工神经网络的输入，输出所述电流数据的特征值；
确定模块，用于确定所述特征值所属的预设特征值范围，根据所述特征值所属的预设特征值范围确定所述预设特征值范围对应的电器运行状态；
其中，所述电器运行状态与所述预设特征值范围预先关联存储；
所述人工神经网络通过电器样本的电流数据和电器运行状态进行训练获取；所述人工神经网络包括输入层、隐藏层和输出层；
其中，所述输入层为单层，所述输入层的神经元个数与所述子电流区间的个数相同；
所述输入层中每个神经元的输入为所述直方图中相应子电流区间的电流数据个数；
所述隐藏层为单层或多层；
所述输出层为单层，且所述输出层中神经元只有一个；
所述直方图的横坐标为子电流区间，纵坐标表为位于每个子电流区间内电流数据的个数。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述电器运行安全监测方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述电器运行安全监测方法的步骤。
CN202010402857.1A 2020-05-13 2020-05-13 电器运行安全监测方法及装置 Active CN111638649B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010402857.1A CN111638649B (zh) 2020-05-13 2020-05-13 电器运行安全监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010402857.1A CN111638649B (zh) 2020-05-13 2020-05-13 电器运行安全监测方法及装置

Publications (2)

Publication Number Publication Date
CN111638649A CN111638649A (zh) 2020-09-08
CN111638649B true CN111638649B (zh) 2022-11-22

Family

ID=72332023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010402857.1A Active CN111638649B (zh) 2020-05-13 2020-05-13 电器运行安全监测方法及装置

Country Status (1)

Country Link
CN (1) CN111638649B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102221651B (zh) * 2011-03-11 2015-05-27 太原理工大学 一种矿用隔爆型干式变压器故障在线诊断及预警方法
CN106291351B (zh) * 2016-09-20 2019-01-18 西安工程大学 基于卷积神经网络算法的高压断路器故障检测方法
CN107870286A (zh) * 2017-11-06 2018-04-03 福州大学 一种直流故障电弧检测方法及装置
CN108957261A (zh) * 2018-07-12 2018-12-07 上海交通大学 一种直流电缆典型缺陷局部放电识别方法
CN110221200B (zh) * 2019-06-10 2021-06-29 河北工业大学 一种基于深度学习的万能式断路器附件故障诊断方法

Also Published As

Publication number Publication date
CN111638649A (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN112946484B (zh) 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质
CN111833583B (zh) 电力数据异常检测模型的训练方法、装置、设备和介质
CN111190067A (zh) 基于物联网的餐饮消毒设备使用监控方法、服务器及系统
CN114290960A (zh) 获取动力电池的电池健康度的方法、装置和车辆
CN113408341A (zh) 负荷识别方法、装置、计算机设备和存储介质
CN116094837A (zh) 基于网络大数据的网终应用采集分析方法、系统及介质
CN111291328B (zh) 一种基于精细斜率的暂态事件识别方法、系统以及设备
CN109377052B (zh) 一种电力负荷匹配方法、装置、设备及可读存储介质
CN114240035B (zh) 一种基于业务感知的转接设备低功耗控制方法及转接装置
CN111638649B (zh) 电器运行安全监测方法及装置
CN113487086B (zh) 设备剩余使用寿命预测方法、装置、计算机设备和介质
CN112398226A (zh) 一种供电系统反窃电方法、系统、终端及存储介质
CN116595395A (zh) 一种基于深度学习的逆变器输出电流预测方法及系统
CN115018011B (zh) 电力负荷类型识别方法、装置、设备及存储介质
CN116936966A (zh) 电池温度监控方法、装置及储能系统
CN117171608A (zh) 基于双维特征挖掘权重自适应CLK-Means的负荷分类方法
CN116127447A (zh) 虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质
CN117056842A (zh) 构建设备异常监测模型的方法、装置、设备、介质及产品
CN115420988A (zh) 异常用电用户的识别方法、装置、设备及存储介质
CN108537415A (zh) 一种在线式安全用电的配电方法、装置及系统
CN115204487A (zh) 一种设备状态监控方法、装置、设备及存储介质
CN112229435A (zh) 基于规范变量分析的船舶主机偶发性故障检测方法及系统
CN111563078A (zh) 基于时序数据的数据质量检测方法、检测装置及存储装置
CN117234251B (zh) 一种基于人工智能的电器压力控制方法及系统
CN115877269B (zh) 基于智慧母线的配电预警方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant