CN112233360B - 基于数据建模的电气火灾预警方法和服务器 - Google Patents
基于数据建模的电气火灾预警方法和服务器 Download PDFInfo
- Publication number
- CN112233360B CN112233360B CN202011030439.0A CN202011030439A CN112233360B CN 112233360 B CN112233360 B CN 112233360B CN 202011030439 A CN202011030439 A CN 202011030439A CN 112233360 B CN112233360 B CN 112233360B
- Authority
- CN
- China
- Prior art keywords
- early warning
- fire
- fire early
- probability
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000002265 prevention Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 102000005877 Peptide Initiation Factors Human genes 0.000 description 1
- 108010044843 Peptide Initiation Factors Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本申请实施例提供一种基于数据建模的电气火灾预警方法和服务器，涉及电气安全技术领域，其中方法包括：获取终端采集的电气回路中的火灾预警参数，将火灾预警参数与云数据中预建的火灾预警模型进行对比，当对比结果符合预警条件时，将火灾预警参数输入预建的神经网络模型中进行训练，得到电气回路的火灾概率信息，根据火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率，向目标终端推送包含火灾预警概率的火灾预警信息。本申请可实现高水平监控，提高火灾预警准确性。
Description
技术领域
本申请涉及电气安全技术领域，尤其涉及一种基于数据建模的电气火灾预警方法和服务器。
背景技术
随着我国城镇水平、轨道交通和电力电网等配套建设不断增加，社会消费安全意识、智慧消防的监管力度和市场需求的不断提升，智慧消防系统已成为该领域的发展趋势。
现有的电气火灾监控、预防等技术，通常监测负载电流、温度等电气参数，算法简单，普遍存在准确率低和效率低的问题，导致监控水平低、防控不及时、报警不准确、信息不共享等问题。
发明内容
本申请实施例提供一种基于数据建模的电气火灾预警方法和服务器，可解决现有电气火灾监控工技术中存在的监控水平低、防控不及时、报警不准确、信息不共享等问题。
本申请实施例一方面提供了一种基于数据建模的电气火灾预警方法，包括：
获取终端采集的电气回路中的火灾预警参数；
将所述火灾预警参数与云数据中预建的火灾预警模型进行对比；
当对比结果符合预警条件时，将所述火灾预警参数输入预建的神经网络模型中进行训练，得到所述电气回路的火灾概率信息；
根据所述火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率；
向目标终端推送包含所述火灾预警概率的火灾预警信息。
本申请实施例另一方面还提供了一种基于数据建模的电气火灾预警方法，包括：
多个终端分别采集当前监测现场的电气回路中的火灾预警参数；
服务器获取所述多个终端采集的所述火灾预警参数；
将所述火灾预警参数与云数据中预建的火灾预警模型进行对比；
当对比结果符合预警条件时，将所述火灾预警参数输入预建的神经网络模型中进行训练，得到所述电气回路的火灾概率信息；
根据所述火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率；
向目标终端推送包含所述火灾预警概率的火灾预警信息。
本申请实施例另一方面还提供了一种服务器，包括：
获取模块，用于获取终端采集的电气回路中的火灾预警参数；
对比模块，用于将所述火灾预警参数与云数据中预建的火灾预警模型进行对比；
训练模块，用于当对比结果符合所述火灾预警模型中的预警条件时，将所述火灾预警参数输入预建的神经网络模型中进行训练，得到所述电气回路的火灾概率信息；
模糊模块，用于根据所述火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率；
推送模块，用于向目标终端推送包含所述火灾预警概率的火灾预警信息。
本申请实施例另一方面还提供了一种服务器，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如前所述的基于数据建模的电气火灾预警方法。
上述各实施例，获取终端采集的电气回路中的火灾预警参数，将火灾预警参数与云数据中预建的火灾预警模型进行对比，当对比结果符合预警条件时，将火灾预警参数输入预建的神经网络模型中进行训练，得到电气回路的火灾概率信息，根据火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率，向目标终端推送包含该火灾预警概率的火灾预警信息，实现快速、便捷地读取数据中的关键信息，从而掌握数据的发展走向，做出较为准确有效的决策判断，提高火灾预警的准确性和智能性。
附图说明
图1为本申请一实施例提供的基于数据建模的电气火灾预警方法的应用场景示意图；
图2为本申请一实施例提供的基于数据建模的电气火灾预警方法的流程示意图；
图3为本申请另一实施例提供的基于数据建模的电气火灾预警方法中训练火灾预警参数的神经网络模型示意图；
图4为本申请另一实施例提供的基于数据建模的电气火灾预警方法的流程示意图；
图5为本申请一实施例提供的服务器的结构示意图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参见图1，图1为本申请实施例提供的基于数据建模的电气火灾预警方法的应用场景示意图，该电气火灾预警方法可以应用在电气火灾预警系统中，该电气火灾预警系统包括终端10和服务器20，终端10具体为PC机、笔记本电脑等智能电子装置，服务器20具体为物理服务器、服务器集群或云服务器等大型数据处理设备，构成数据处理中心，本实施例中优选云服务器。终端10可以为多个，图1以3个为示例，不同终端10放置在不同的被监测现场，分别监测不同被监测现场的电气回路，进行火灾预警。
其中，终端10包括综合监测模块和数据通讯模块，服务器20中设置远程监控中心，远程监控中心包括主控模块和数据库，远程监控中心具有可视的监控中心界面。具体地，综合监测模块采集被监测的电气回路中的火灾预警参数，通过数据通讯模块将采集的信息上传给云端的远程监控中心，主控模块对该火灾预警参数进行分析处理，根据分析处理结果进行火灾概率计算和火灾预警等任务调度，并将该火灾预警参数、分析处理结果和任务调度等信息集中储存在数据库中，以及，将火灾预警信息输出至监控中心界面，实现对多个终端10采集的火灾预警参数进行集中综合监测，同时将火灾预警参数进行分析处理后的数据存入数据库中，分析处理过程即通过云服务器进行火灾预警参数的数据统计、数据对比及数据分析，得出发生火灾的概率信息，并根据火灾概率信息将火灾预警参数进行分组，对符合预设的推送条件的组别执行推送预警信息，在推送之前，对推送的预警信息进行二次过滤，输出告警信息。以下结合方法实施例对上述技术内容进行详细描述。
请参见图2，为本申请一实施例提供的基于数据建模的电气火灾预警方法流程示意图。该方法可以应用在服务器20中，基于数据建模的电气火灾预警方法包括如下步骤：
S101、获取终端采集的电气回路中的火灾预警参数；
多个终端分别设置在被监测火灾的多个现场，每个终端均与现场中被监测的电气回路连接，可以采集该电气回路中的火灾预警参数，服务器与该多个终端通过无线连接方式传递数据，可主动获取此多个终端采集的火灾预警参数，或接收此多个终端主动发送的所采集的火灾预警参数。
该火灾预警参数包括：电气回路中的漏电电流、回路电压、弧光信号和现场温度。具体地，漏电电流：电力线漏电有可能导致线路电流电压、线路有限范围内温度的变化，进而导致出现弧光或者线路烧毁，是导致电气火灾发生的主要因素之一；回路电压：线路漏电直接导致线路出现过压或者欠压现象，这将会是用户电器断路或故障，进而引起火灾；弧光信号：当线路所出现断路或脉冲式过流时，会出现电火花，进而引燃电气设备和线路；现场温度：当电力线路出现异常时，通常会出现电能转换成热能，使得现场环境温度快速升高。
S102、将该火灾预警参数与云数据中预建的火灾预警建模进行对比；
具体地，在对比之前，根据存储的历史火灾预警参数、历史火灾预警概率与实际发生火灾信息，建立该火灾预警模型，该火灾预警模型包括该历史火灾预警参数、该历史火灾预警概率与该实际发生火灾信息的对应关系。
历史火灾预警参数、该历史火灾预警概率与该实际发生火灾信息，分别指以往采集的火灾预警参数、计算得到的历史火灾预警概率和当时实际发生火灾的类型、时间、地点等信息。
将当前采集的火灾预警参数与该火灾预警模型进行对比，可以快速得知当前的火灾预警概率以及实际发生火灾的可能性等结果。
S103、当对比结果符合预警条件时，将该火灾预警参数输入预建的神经网络模型中进行训练，得到该电气回路的火灾概率信息；
当对比结果符合预警条件时，例如，当前采集的火灾预警参数与该火灾预警模型进行对比后，确认本次发生火灾的预警概率高于一定阈值，例如高于40％，即开启训练本次采集的火警预警参数的步骤。可以提高进行数据训练的启动条件，降低无效数据处理的次数，提高处理效率。
进一步地，参见图3，该预建的神经网络模型为一个3层前馈误差反向传播的神经网络模型。
该电气回路的火灾概率信息主要包括：电气回路无火概率P1、电气回路阴燃火概率P2和电气回路有火概率P3。
将本次获取的火灾预警参数输入到该3层前馈误差反向传播的神经网络模型中，利用预设的梯度下降(gradient descent)算法，并设置计算约束条件：令该神经网络模型实际输出值与期望输出值的误差均方值最小，训练过程中通过调整网络权值、阈值，得到该火警预警参数对应的电气回路的火灾概率信息：电气回路无火概率P1、电气回路阴燃火概率P2和电气回路有火概率P3。该神经网络模型的输入层是本次获取的火灾预警参数：漏电电流、回路电压、弧光信号和现场温度；输出层是P1、P2和P3。
基于神经网络模型的数据分析是得出火灾概率列表，P1表示被监测的线路无损的概率、P2表示被监测的线路有损但是没有着火的概率，P3表示线路着火的概率，一般可以直接由门限判决输出。例如，当P2或P3大于0.7时，此时电气线路很不安全，当P2或P3小于0.3时，线路比较安全，不易发生电气火灾。
S104、根据该火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率；
为了提高对是否会出现火灾的判断准确度以及提高系统抗干扰性能，建立模糊推理专家系统，辅助电气火灾预测和预判。即，建立模糊推理模型，包括输入和输出量的模糊和标定、模糊逻辑、推理准则、精确化过程等处理过程。其中，输入、输出的规范化是指将规范化的输入、输出限制在规定的范围内，以便于辨识的设计和实现。因为辨识系统的输入值一般都不是模糊数，因此模糊化过程就是将输入值转化为模糊量。模糊逻辑推理决定输出量的一个分布函数。清晰化过程将输出量的分布函数转换成规范化的输出量。具体如下：
第一步，输入、输出量的模糊化和标定；
将电气回路无火概率P1、电气回路阴燃火概率P2和电气回路有火概率P3各自划分为大(L)、中(M)和小(S)三个模糊化等级生成第一模糊集，并将该第一模糊集的数据设置为该模糊推理模型的输入量；
将该最终的火灾预警概率P0划分为大(L)和小(S)两个模糊化等级生成第二模糊集，并设置为该模糊推理模型的输出量；
其中，该第一模糊集和该第二模糊集的隶属函数采用偏大型正态分布函数：
A(x)＝exp(-(x-a)2/b),
a＝(0,0.5,1)，分别对应第一模糊集中的大、中和小三个模糊化等级，其中，a的值是根据电气回路无火概率P1、电气回路阴燃火概率P2和电气回路有火概率P3取的，火灾预警概率P0以及，大(L)和小(S)两个模糊化等级是该模糊推理模型的输出结果；b＝0.2，b按照一般的电气线路特征值取值，b也可以是其他值，可根据电路特性调整；
经过模糊化计算得到一个模糊集合，从该模糊集合中采用最大隶属度函数法选取一个代表上述模糊推理结果可能性的精确值作为该火灾预警概率P0。
S105、向目标终端推送包含该火灾预警概率的火灾预警信息。
向预先设置的移动终端(如手机)发起火灾预警呼叫和发送火灾预警信息，以及，向预先设置的应用(app)中推送火灾预警消息，该火灾预警呼叫、该火灾预警信息和该火灾预警消息中可包含该火灾预警概率P0、火灾预警的发生地和火灾引发因素。
进一步地，将该火灾预警信息以及该电气回路的剩余电流，回路电流，回路电压，弧光信号和温度信号缓存为历史预警数据，当接收到查询指令时，响应于该查询指令，在该历史预警数据中查询符合该查询指令的数据，并对查询到的数据进行分析，得到火灾防范区域和防范时间段，并向预设的具有权限的移动终端发出提醒信息，用于提醒用户在该火灾防范区域和该防范时间段中存在火灾风险。进一步提高火灾预警的智能性和前瞻性。
需要说明的是，该火灾预警参数、该火灾预警参数与该火灾预警模型对比的结果、火灾概率信息、最终的火灾预警概率、向目标终端推送的火灾预警信息以及查询的历史预警数据等，均可在远程监控中心的监控中心界面上进行可视化展示，实现信息共享。
本实施例中，获取终端采集的电气回路中的火灾预警参数，将火灾预警参数与云数据中预建的火灾预警模型进行对比，当对比结果符合预警条件时，将火灾预警参数输入预建的神经网络模型中进行训练，得到电气回路的火灾概率信息，根据火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率，向目标终端推送包含该火灾预警概率的火灾预警信息，实现快速、便捷地读取数据中的关键信息，从而掌握数据的发展走向，做出较为准确有效的决策判断，提高火灾预警的准确性和智能性。
请参见图4，图4提供了另一个基于数据建模的电气火灾预警方法的流程示意图。该方法的执行主体为终端和服务器，该方法为终端和服务器之间的交互步骤，具体步骤包括：
S201、采集火灾预警参数；
多个终端分别采集当前监测现场的电气回路中的火灾预警参数，该火警预警参数包括：电气回路中的漏电电流、回路电压、弧光信号和现场温度。
S202、获取火灾预警参数；
服务器获取多个终端采集的该火灾预警参数。
S203、与火灾预警模型进行对比；
将该火灾预警参数与云数据中预建的火灾预警模型进行对比。
S204、通过神经网络模型训练得到火灾概率信息；
当对比结果符合预警条件时，将所述火灾预警参数输入预建的神经网络模型中进行训练，得到所述电气回路的火灾概率信息。
S205、模糊推理得到最终火灾预警概率；
根据该火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率。
S206、推送火灾预警信息。
向目标终端推送包含该火灾预警概率的火灾预警信息。
其中，目标终端包括与该火灾预警信息对应的采集终端，也包括预先设置的移动终端。
其他技术细节，参见前述图1-图2所示实施例的描述。
本实施例中，终端采集火灾预警参数，服务器获取该火灾预警参数，将火灾预警参数与云数据中预建的火灾预警模型进行对比，当对比结果符合预警条件时，将火灾预警参数输入预建的神经网络模型中进行训练，得到电气回路的火灾概率信息，根据火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率，向目标终端推送包含该火灾预警概率的火灾预警信息，实现快速、便捷地读取数据中的关键信息，从而掌握数据的发展走向，做出较为准确有效的决策判断，提高火灾预警的准确性和智能性。
请参见图5，图5提供了一种服务器的结构示意图。该服务器可以是实现上述图2所示方法的服务器20，该服务器包括：
获取模块301，用于获取终端采集的电气回路中的火灾预警参数；
具体获取采集的电气回路中的漏电电流、回路电压、弧光信号和现场温度。
对比模块302，用于将火灾预警参数与云数据中预建的火灾预警模型进行对比；
训练模块303，用于当对比结果符合火灾预警模型中的预警条件时，将火灾预警参数输入预建的神经网络模型中进行训练，得到电气回路的火灾概率信息；
模糊模块304，用于根据火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率；
推送模块305，用于向目标终端推送包含火灾预警概率的火灾预警信息。
进一步地，还包括建立模块，用于根据存储的历史火灾预警参数、历史火灾预警概率与实际发生火灾信息，建立所述火灾预警模型，所述火灾预警模型包括所述历史火灾预警参数、所述历史火灾预警概率与所述实际发生火灾信息的对应关系。
训练模块303，还用于将所述火灾预警参数输入到预建的3层前馈误差反向传播的神经网络模型中，利用预设的梯度下降算法，并设置所述神经网络模型实际输出值与期望输出值的误差均方值最小的计算约束条件，训练得到所述火警预警参数对应的电气回路无火概率、电气回路阴燃火概率和电气回路有火概率。
模糊模块304，还用于将所述电气回路无火概率、电气回路阴燃火概率和电气回路有火概率各自划分为大、中和小三个模糊化等级生成第一模糊集，并设置为所述模糊推理模型的输入量；
将所述最终的火灾预警概率划分为大和小两个模糊化等级生成第二模糊集，并设置为所述模糊推理模型的输出量；
其中，所述第一模糊集和所述第二模糊集的隶属函数采用偏大型正态分布函数：
A(x)＝exp(-(x-a)2/b),
a＝(0,0.5,1)，分别对应所述大、中和小三个模糊化等级；b＝0.2；
经过模糊化计算得到模糊集合，采用最大隶属度函数法从所述模糊集合中选取结果值作为所述火灾预警概率。
进一步地，该服务器还包括历史数据处理模块(图中未标示)，用于将所述火灾预警信息以及所述电气回路的剩余电流、回路电流，回路电压，弧光信号和温度信号缓存为历史预警数据；响应于查询指令，在所述历史预警数据中查询符合所述查询指令的数据，并对查询到的数据进行分析得到火灾防范区域和防范时间段；向预设的具有权限的移动终端发出提醒信息，用于提醒用户在所述火灾防范区域和所述防范时间段中存在火灾风险。
推送模块305，还用于向预先设置的移动终端发起火灾预警呼叫和发送火灾预警信息，以及，向预先设置的应用中推送火灾预警消息，所述火灾预警呼叫、所述火灾预警信息和所述火灾预警消息中包含所述火灾预警概率、火灾预警的发生地和火灾引发因素。
其相关具体描述，参见前述图1-图4所示实施例的描述。
本实施例中，该服务器获取终端采集的电气回路中的火灾预警参数，将火灾预警参数与云数据中预建的火灾预警模型进行对比，当对比结果符合预警条件时，将火灾预警参数输入预建的神经网络模型中进行训练，得到电气回路的火灾概率信息，根据火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率，向目标终端推送包含该火灾预警概率的火灾预警信息，实现快速、便捷地读取数据中的关键信息，从而掌握数据的发展走向，做出较为准确有效的决策判断，提高火灾预警的准确性和智能性。
进一步的，本申请实施例的服务器的硬件结构可包括：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，处理器执行该计算机程序时，实现前述图2所示实施例中描述的基于数据建模的电气火灾预警方法。
存储器可以是高速随机存取记忆体(RAM，Random Access Memory)存储器，也可为非不稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器用于存储一组可执行程序代码，处理器与存储器耦合。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的服务器中，该计算机可读存储介质可以是上述各实施例中设置在主控芯片和数据采集芯片中的存储单元。该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现前述图2所示实施例中描述的基于数据建模的电气火灾预警方法。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上为对本申请所提供的基于数据建模的电气火灾预警方法和服务器的描述，对于本领域的技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种基于数据建模的电气火灾预警方法，其特征在于，包括：
获取终端采集的电气回路中的火灾预警参数；
将所述火灾预警参数与云数据中预建的火灾预警模型进行对比；
当对比结果符合预警条件时，将所述火灾预警参数输入预建的神经网络模型中进行训练，得到所述电气回路的火灾概率信息，其中当所述对比结果为本次发生火灾的预警概率高于阈值时，确定所述对比结果符合所述预警条件；
根据所述火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率；
向目标终端推送包含所述火灾预警概率的火灾预警信息；
其中，所述将所述火灾预警参数与云数据中预建的火灾预警模型进行对比之前还包括：
根据存储的历史火灾预警参数、历史火灾预警概率与实际发生火灾信息，建立所述火灾预警模型，所述火灾预警模型包括所述历史火灾预警参数、所述历史火灾预警概率与所述实际发生火灾信息的对应关系。
2.根据权利要求1所述的方法，其特征在于，所述获取终端采集的电气回路中的火灾预警参数包括：
云端服务器获取多个终端分别采集的电气回路中的漏电电流、回路电压、弧光信号和现场温度。
3.根据权利要求2所述的方法，其特征在于，所述将所述火灾预警参数输入预建的神经网络模型中进行训练，得到所述电气回路的火灾概率信息包括：
将所述火灾预警参数输入到预建的3层前馈误差反向传播的神经网络模型中，利用预设的梯度下降算法，并设置所述神经网络模型实际输出值与期望输出值的误差均方值最小的计算约束条件，训练得到所述火灾预警参数对应的电气回路无火概率、电气回路阴燃火概率和电气回路有火概率。
4.根据权利要求3所述的方法，其特征在于，所述根据所述火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率包括：
将所述电气回路无火概率、电气回路阴燃火概率和电气回路有火概率各自划分为大、中和小三个模糊化等级生成第一模糊集，并设置为所述模糊推理模型的输入量；
将所述最终的火灾预警概率划分为大和小两个模糊化等级生成第二模糊集，并设置为所述模糊推理模型的输出量；
其中，所述第一模糊集和所述第二模糊集的隶属函数采用偏大型正态分布函数：
A(x)＝exp(-(x-a)2/b),
a＝(0,0.5,1)，分别对应所述大、中和小三个模糊化等级；b＝0.2；
经过模糊化计算得到模糊集合，采用最大隶属度函数法从所述模糊集合中选取结果值作为所述火灾预警概率。
5.根据权利要求4所述的方法，其特征在于，所述向目标终端推送包含所述火灾预警概率的火灾预警信息之后包括：
将所述火灾预警信息以及所述电气回路的剩余电流、回路电流，回路电压，弧光信号和温度信号缓存为历史预警数据；
响应于查询指令，在所述历史预警数据中查询符合所述查询指令的数据，并对查询到的数据进行分析得到火灾防范区域和防范时间段；
向预设的具有权限的移动终端发出提醒信息，用于提醒用户在所述火灾防范区域和所述防范时间段中存在火灾风险。
6.根据权利要求1～5任一项所述的方法，其特征在于，所述向目标终端推送包含所述火灾预警概率的火灾预警信息包括：
向预先设置的移动终端发起火灾预警呼叫和发送火灾预警信息，以及，向预先设置的应用中推送火灾预警消息，所述火灾预警呼叫、所述火灾预警信息和所述火灾预警消息中包含所述火灾预警概率、火灾预警的发生地和火灾引发因素。
7.一种基于数据建模的电气火灾预警方法，其特征在于，包括：
多个终端分别采集当前监测现场的电气回路中的火灾预警参数；
服务器获取所述多个终端采集的所述火灾预警参数；
将所述火灾预警参数与云数据中预建的火灾预警模型进行对比；
当对比结果符合预警条件时，将所述火灾预警参数输入预建的神经网络模型中进行训练，得到所述电气回路的火灾概率信息，其中当所述对比结果为本次发生火灾的预警概率高于阈值时，确定所述对比结果符合所述预警条件；
根据所述火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率；
向目标终端推送包含所述火灾预警概率的火灾预警信息；
其中，所述将所述火灾预警参数与云数据中预建的火灾预警模型进行对比之前还包括：
根据存储的历史火灾预警参数、历史火灾预警概率与实际发生火灾信息，建立所述火灾预警模型，所述火灾预警模型包括所述历史火灾预警参数、所述历史火灾预警概率与所述实际发生火灾信息的对应关系。
8.一种服务器，其特征在于，包括：
获取模块，用于获取终端采集的电气回路中的火灾预警参数；
对比模块，用于将所述火灾预警参数与云数据中预建的火灾预警模型进行对比；
训练模块，用于当对比结果符合所述火灾预警模型中的预警条件时，将所述火灾预警参数输入预建的神经网络模型中进行训练，得到所述电气回路的火灾概率信息，其中当所述对比结果为本次发生火灾的预警概率高于阈值时，确定所述对比结果符合所述预警条件；
模糊模块，用于根据所述火灾概率信息和预建的模糊推理模型，得到最终的火灾预警概率；
推送模块，用于向目标终端推送包含所述火灾预警概率的火灾预警信息；
建立模块，用于根据存储的历史火灾预警参数、历史火灾预警概率与实际发生火灾信息，建立所述火灾预警模型，所述火灾预警模型包括所述历史火灾预警参数、所述历史火灾预警概率与所述实际发生火灾信息的对应关系。
9.一种服务器，包括：存储器、处理器及存储在所述存储器上并可在所述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计算机程序时，实现如权利要求1至6中的任意一项所述的基于数据建模的电气火灾预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011030439.0A CN112233360B (zh) | 2020-09-27 | 2020-09-27 | 基于数据建模的电气火灾预警方法和服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011030439.0A CN112233360B (zh) | 2020-09-27 | 2020-09-27 | 基于数据建模的电气火灾预警方法和服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112233360A CN112233360A (zh) | 2021-01-15 |
| CN112233360B true CN112233360B (zh) | 2022-05-17 |
Family
ID=74107841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011030439.0A Active CN112233360B (zh) | 2020-09-27 | 2020-09-27 | 基于数据建模的电气火灾预警方法和服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112233360B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673748A (zh) * | 2021-07-26 | 2021-11-19 | 浙江大华技术股份有限公司 | 火灾预测方法、XGBoost模型的训练方法及相关设备 |
| CN115085384B (zh) * | 2022-07-25 | 2022-11-18 | 深圳市朝阳辉电气设备有限公司 | 一种智能用电监测终端装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003003324A1 (en) * | 2001-06-27 | 2003-01-09 | Saturn Information & Communication Corporation | Electrical fire indication detector |
| CN101986358A (zh) * | 2010-08-31 | 2011-03-16 | 彭浩明 | 一种融合神经网络和模糊控制的电气火灾智能报警方法 |
| CN202210332U (zh) * | 2011-08-22 | 2012-05-02 | 彭浩明 | 一种电气火灾网络智能报警系统 |
| CN108230602A (zh) * | 2018-03-06 | 2018-06-29 | 林春旭 | 基于Labview的电气火灾预警系统 |
| CN108648124A (zh) * | 2018-04-03 | 2018-10-12 | 成都恒华光讯科技有限公司 | 一种智慧城市消防物联网大数据管理系统 |
| CN108538038A (zh) * | 2018-05-31 | 2018-09-14 | 京东方科技集团股份有限公司 | 火灾告警方法和装置 |
| CN108765840A (zh) * | 2018-06-20 | 2018-11-06 | 橙子软件南通有限公司 | 一种森林防火预警系统的布置方法 |
| CN109345755A (zh) * | 2018-09-25 | 2019-02-15 | 武汉华天世纪科技发展有限公司 | 一种电气火灾探测系统 |
-
2020
- 2020-09-27 CN CN202011030439.0A patent/CN112233360B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112233360A (zh) | 2021-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112233360B (zh) | 基于数据建模的电气火灾预警方法和服务器 | |
| CN101986358A (zh) | 一种融合神经网络和模糊控制的电气火灾智能报警方法 | |
| CN102231521A (zh) | 一种配电网自愈控制中的电网运行状态辨识方法 | |
| CN209676004U (zh) | 一种输配电线路安全运行的无线监控探测器及系统 | |
| CN114821946A (zh) | 变电站交流电源火灾预警方法、监控终端及系统 | |
| CN110148937A (zh) | 一种基于贝叶斯网络的大面积停电事件智能推演方法 | |
| CN111784020A (zh) | 一种智能变电站继电保护装置寿命预测方法 | |
| CN115730749A (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
| KR102296568B1 (ko) | 머신러닝 기반 배전반 관제시스템 | |
| CN113326585A (zh) | 燃气锅炉的能效异常预警方法、装置和计算机设备 | |
| CN109193947A (zh) | 配电房监控方法、装置、服务器及计算机可读存储介质 | |
| CN114186876B (zh) | 一种智慧式用电安全监管与电能管理方法及系统 | |
| CN116093497A (zh) | 一种电池热失控概率预测方法、装置、设备及存储介质 | |
| CN115273394A (zh) | 一种特殊应用场景下的智能断路器 | |
| CN117172369B (zh) | 一种电气火灾预测方法、系统、设备及存储介质 | |
| CN116546054B (zh) | 去中心强韧性电力系统实时动态监测网络装置 | |
| CN103440728A (zh) | 分布智能控制船舶消防系统连锁性失效测评方法 | |
| Yin et al. | Analysis of Campus Fire Based on Bayes Network in the Background of Big Data | |
| CN116935598B (zh) | 一种基于建筑智能配电的监控方法及系统 | |
| CN117792279B (zh) | 基于神经网络的分布式光伏监控系统 | |
| CN117691752B (zh) | 一种具有通讯功能的低压台区停电自动报警装置 | |
| CN113780755B (zh) | 测点调度方法、装置和电力管理系统 | |
| CN117094852B (zh) | 一种工商业储能的能源监控系统及方法 | |
| CN116880279A (zh) | 一种智慧用电控制管理系统 | |
| CN116968559A (zh) | 一种用于新能源汽车的动力电池热失控预警方法及系统 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Electrical Fire Warning Method and Server Based on Data Modeling Effective date of registration: 20231008 Granted publication date: 20220517 Pledgee: Bank of China Limited Beihai branch Pledgor: Guangxi Anxin Technology Co.,Ltd. Registration number: Y2023980060267 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |