CN113792477A - 一种用电异常识别方法、系统、装置和火灾预警系统 - Google Patents

Abstract

本发明涉及一种用电异常识别方法、系统、装置和火灾预警系统。一种用电异常识别方法，包括：获取用电特征数据以及日温差；所述用电特征数据包括电流变化量、线缆温度变化量；将所述电流变化量和所述线缆温度变化量的相关系数以及所述日温差使用用电异常识别模型进行识别处理，确定用电状态是否异常。使用本发明提供的用电异常识别方法，通过实时捕捉电网的用电特征数据以及日温差，进而将用电特征数据和日温差投入到所述用电异常识别模型中，判定电网线路是否存在线路过载、线路老化以及线路不规整的情况发生；使用用电异常识别模型确定线缆的温度是否会随着过载电流攀升，进而综合分析具体的温升状况确定是否存在用电异常，并对外发出预警。

Description

一种用电异常识别方法、系统、装置和火灾预警系统

技术领域

本发明涉及用电分析领域，尤其涉及一种用电异常识别方法、系统、装置和火灾预警系统。

背景技术

随着科学技术的发展，生活水平的稳步提高，各种电子和电气设备的使用也愈发普及，电气系统也愈发复杂，因此线路过载、线路老化等成为现今电气火灾发生的主要原因，这引发社会各界对其的关注。目前，有效预防线路过载、线路老化、线路不规整等原因引发电气火灾的方法，就是在建筑中各个角落安装各种火灾探测器进行温度预警、过载预警。目前的温度预警、过载预警都是基于专业人员设定的固定的温度阈值、电流阈值进行预警；但是由于环境不同，而火灾探测器安装的位置较为固定，为了防止误判，各项阈值一般设定偏大，往往不能及时发现问题，不能达到真正的“预警”目的。

发明内容

鉴于上述现有技术的不足之处，本发明的目的之一在于提供一种用电异常识别方法、系统、装置和火灾预警系统，利用聚类算法和分类算法模型，提供一种实时且更为有效的方法对线路过载、线路老化、线路不规整等所引发的温度随电流攀升现象进行识别和预警。

本发明的目的之二在于提供一种用电异常识别系统。

本发明的目的之三在于提供一种用电异常识别装置。

本发明的目的之四在于提供一种火灾预警系统。

为了达到上述目的，本发明采取了以下技术方案：

一方面，本发明提供一种用电异常识别方法，包括：

获取用电特征数据以及日温差；所述用电特征数据包括电流变化量、线缆温度变化量；

将所述电流变化量和所述线缆温度变化量的相关系数以及所述日温差使用用电异常识别模型进行识别处理，确定用电状态是否异常。

进一步的，所述的用电异常识别方法，在获取所述用电特征数据前，还包括筛选异常用电预选区操作；

所述筛选异常用电预选区操作包括：

获取前一天的用电数据；所述用电数据包括电流数据和线缆温度数据；

使用聚类算法划分异常用电预选区。

进一步的，所述的用电异常识别方法，在划分所述异常用电预选区之前，还包括步骤：

使用平滑滤波算法对所述用电数据进行平滑处理。

进一步的，所述的用电异常识别方法，所述平滑滤波算法具体为：

确定滤波滑动窗；

使用所述滤波滑动窗在所述用电数据上按照采样顺序平滑移动；在平滑移动过程中，通过多项式拟合所述滤波滑动窗内的用电数据。

进一步的，所述的用电异常识别方法，获取用电特征数据以及日温差具体为获取所述异常用电预选区内的电流变化量、线缆温度变化量和日温差。

进一步的，所述的用电异常识别方法，所述用电异常识别模型的获取步骤为：

获取训练集；所述训练集中包括多个通过针对历史用电数据使用自助法采样得到的训练数据以及每个所述训练数据的基尼系数；

使用训练集训练初始化的分类决策模型得到所述用电异常识别模型；所述分类决策模型包括多个弱分类器。

进一步的，所述的用电异常识别方法，所述弱分类器使用分类算法进行数据处理；所述分类算法包括RandomForest分类算法、SVM算法、CatBoost算法、XGBoost算法。

另一方面，本发明还提供一种使用前述任一所述的用电异常识别方法的用电异常识别系统，包括：

特征提取模块，用于获取用电特征数据以及日温差；所述用电特征数据包括电流变化量、线缆温度变化量；

用电异常识别模块，用于将所述电流变化量和所述线缆温度变化量的相关系数以及所述日温差使用用电异常识别模型进行识别处理，确定用电状态是否异常。

另一方面，本发明还提供一种用电异常识别装置，使用前述用电异常识别系统。

另一方面，本发明还提供一种火灾预警系统，包括控制中心以及多个分别与所述控制中心连接的如前述中所述的用电异常识别装置；

所述控制中心在收到所述用电异常识别装置发送的用电状态异常的信息后，对外发出火灾预警信息。

相较于现有技术，本发明提供的一种用电异常识别方法、系统、装置和火灾预警系统，具有以下有益效果：

使用本发明提供的用电异常识别方法，通过实时捕捉电网的用电特征数据以及日温差，进而将用电特征数据和日温差投入到所述用电异常识别模型中，判定电网线路是否存在线路过载、线路老化以及线路不规整的情况发生；使用用电异常识别模型确定线缆的温度是否会随着过载电流攀升，进而综合分析具体的温升状况确定是否存在用电异常，并对外发出预警。

附图说明

图1是本发明提供的用电异常识别方法流程图；

图2是本发明提供的用电异常识别系统结构框图。

具体实施方式

为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本领域技术人员应当理解，前面的一般描述和下面的详细描述是本发明的示例性和说明性的具体实施例，不意图限制本发明。

本文中术语“包括”，“包含”或其任何其他变体旨在覆盖非排他性包括，使得包括步骤列表的过程或方法不仅包括那些步骤，而且可以包括未明确列出或此类过程或方法固有的其他步骤。同样，在没有更多限制的情况下，以“包含...一个”开头的一个或多个设备或子系统，元素或结构或组件也不会没有更多限制，排除存在其他设备或其他子系统或其他元素或其他结构或其他组件或其他设备或其他子系统或其他元素或其他结构或其他组件。在整个说明书中，短语“在一个实施例中”，“在另一个实施例中”的出现和类似的语言可以但不一定都指相同的实施例。

除非另有定义，否则本文中使用的所有技术和科学术语具有与本发明所属领域的普通技术人员通常所理解的相同含义。

请参阅图1和图2，本发明提供一种用电异常识别方法，应用于用电异常识别装置，所述用电异常识别装置用于识别电网的用电情况是否异常，其中，电网包括单相电网和多相电网，所述多相电网一般以三相电网为主。所述用电异常识别装置能够根据电网中线缆的温度随电网电流的变化进行判定，电网是否异常，是否会出现异常险情，以用于后续进行预警。

所述用电异常识别方法包括：

S1、获取用电特征数据以及日温差；所述用电特征数据包括电流变化量、线缆温度变化量；具体的，所述用电特征数据主要为表征当前电网运行状态与之前电网运行状态的电流变化量(若是电网为单相电网，则所述电流变化量为单相线缆的电流变化量，若为多相电网，则电流变化量为每相线缆的电流变化量)以及对应的线缆温度变化量(在单相电网和多相电网的数据采集与电流变化量相同)，能够准确展示当前电网的用电的特性。在本实施例中，所述用电特征数据的获取使用本领域常用的获取方式，本发明不做限定。

S2、将所述电流变化量和所述线缆温度变化量的相关系数以及所述日温差使用用电异常识别模型进行识别处理，确定用电状态是否异常。

进一步的，所述用电异常识别装置内载用电异常识别系统；所述用电异常识别系统包括：

特征提取模块，用于获取用电特征数据以及日温差；所述用电特征数据包括电流变化量、线缆温度变化量；

用电异常识别模块，用于将所述电流变化量和所述线缆温度变化量的相关系数以及所述日温差使用用电异常识别模型进行识别处理，确定用电状态是否异常。

使用本发明提供的用电异常识别方法，通过实时捕捉电网的用电特征数据以及日温差，进而将用电特征数据和日温差投入到所述用电异常识别模型中，判定电网线路是否存在线路过载、线路老化以及线路不规整的情况发生；使用用电异常识别模型确定线缆的温度是否会随着过载电流攀升，进而综合分析具体的温升状况确定是否存在用电异常，并对外发出预警，可以及时通知用户整改线路，预防火灾的发生。

所述用电特征数据通过所述特征提取模块提取得到，为后续的用电异常识别模块进行判定提供特征数据基础。特征提取模块在提取所述用电特征数据时，获取过程包括：

进一步的，考虑到电力系统的数据量较为庞大，在正常实施时需要节约系统运算资源，同时根据异常用电的历史情况分析，每天的用电异常情况发生与前一天的用电异常情况较为相近，因此作为优选方案，本实施例中，在获取所述用电特征数据前，还包括筛选异常用电预选区操作；

所述筛选异常用电预选区操作包括：

S11、获取前一天的用电数据；所述用电数据包括电流数据和线缆温度数据；

S12、使用聚类算法划分异常用电预选区。本步骤中使用的聚类算法优选为KMeans聚类算法，划分可能存在异常用电的区间。

一般的，当线路中电流较小时，此时的线缆温度主要受环境温度的影响；只有线路电流过载时，线缆温度会随着电流变化，因此电流与温度的相关系数的是本算法的最重要的特征数据之一，本发明通过Kmeans聚类算法划分可能存在用电异常现象的区间。具体的Kmeans聚类算法的使用过程不做聚具体限定，使用本领域Kmeans聚类算法常用处理过程即可。

进一步的，本实施例中，在得到前一天的异常用电预选区后，在每次获取当前时间的用电特征数据时，优选获取所述异常用电预选区内的电流变化量和线缆温度变化量。本步骤主要用于针对用电特征数据的提取。对电流I平移后，计算异常用电预选区内deta_I(电流的变化量)、deta_T(温度的变化量)的值，并求出其对应的Spearman相关系数。

在本实施例中，所述电流变化量优选为内异常用电预选区中最高电流与最低电流之间的差值，所述日温差优选为异常用电预选区中最高温度与最低温度之间的差值。

进一步的，作为优选方案，本实施例中，在划分所述异常用电预选区之前，还包括步骤：

使用平滑滤波算法对所述用电数据进行平滑处理。本步骤主要用于对用电数据进行平滑滤波，更好地提取电流I，温度T的趋势特征。

进一步的，作为优选方案，本实施例中，所述平滑滤波算法具体为：

确定滤波滑动窗；

使用所述滤波滑动窗在所述用电数据上按照采样顺序平滑移动；在平滑移动过程中，通过多项式拟合所述滤波滑动窗内的用电数据。

在本实施例中，平滑滤波是通过多项式来拟合滑动窗内的数据，从而剔除信号中的“突刺”，保留信号的基本形状，有利于后续计算deta_I(电流的变化量)、deta_T(温度的变化量)的相关系数。

进一步的，作为优选方案，本实施例中，所述聚类算法包括Kmeans聚类算法、DBSCAN聚类算法、均值漂移聚类算法、EM聚类算法。

进一步的，作为优选方案，本实施例中，所述用电异常识别模型的获取步骤为：

获取训练集；所述训练集中包括多个通过针对历史用电数据使用自助法采样得到的训练数据以及每个所述训练数据的基尼系数；

使用训练集训练初始化的分类决策模型得到所述用电异常识别模型；所述分类决策模型包括多个弱分类器。

进一步的，作为优选方案，本实施例中，所述弱分类器使用分类算法进行数据处理；所述分类算法包括RandomForest分类算法、SVM算法、CatBoost算法、XGBoost算法。

具体的，本发明提供的用电异常识别方法的一种实施例为基于K-means聚类划分用电预选区以及通过基于RandomForest分类算法的用电异常识别模型的用电异常识别方法，通过对相电流以及对应的线缆温度进行关联分析后，基于KMeans聚类提取出能够描述用电异常的特征数据，最后再利用RandomForest算法模型对用电识别数据进行异常识别并进行相应预警。具体步骤包括：

从云平台获取监测点前一天所测量的A相电流、B相电流、C相电流以及对应的A相线缆温度、B相线缆温度、C相线缆温度。

1、对上述所选取的电参量分布通过滑动窗进行多项式拟合，进行平滑处理。

2、通过KMeans聚类将相似样本自动聚成簇后，查找出可能存在异常用电预选区(时间段)。

3、提取每日温差和电流变化量、温度变化量的相关系数作为特征。

4、通过对监测点的历史数据进行自助法重采样，训练好相应的RandomForests算法模型，然后将特征数据输入模型，对用户的用电状况进行判定，若判定为用电异常，则用电异常识别装置会通过预警提醒用户处理问题。)

进一步的，作为优选方案，本实施例中，所述用电异常方法还包括预警步骤，当异常用电情况发生时，对外发出预警通知，当没有异常用电情况发生时就不对外发出预警通知。其中预警通知的形式包括声音、图像、震动等；所述用电异常识别装置在检测到异常用电情况发生时，就向相关人员所持有的移动终端发送预警数据，所述移动终端在得到所述预警数据后对外发出预警通知。

本发明还提供一种使用前述任一实施例所述的用电异常识别方法的用电异常识别系统，包括：

特征提取模块，用于获取用电特征数据以及日温差；所述用电特征数据包括电流变化量、线缆温度变化量；

用电异常识别模块，用于将所述电流变化量和所述线缆温度变化量的相关系数以及所述日温差使用用电异常识别模型进行识别处理，确定用电状态是否异常。

本发明还提供一种用电异常识别装置，使用前述实施例所述的用电异常识别系统。

一般的，所述用电异常识别装置包括：

一个或多个存储器，用于存储计算机程序或指令；所述计算机程序或指令架构形成所述用电异常识别系统；

一个或多个处理器，所述计算机程序或指令在被一个或多个所述处理器执行时实现前述实施例中任一所述的用电异常识别方法。

本发明还提供一种火灾预警系统，应用于电网火灾预警工作，包括控制中心以及多个分别与所述控制中心连接的如前述实施例所述的用电异常识别装置；

所述控制中心在收到所述用电异常识别装置发送的用电状态异常的信息后，对外发出火灾预警信息。

具体的，本发明提供的基于聚类算法和分类算法模型的用电异常识别方法，通过聚类查找算法可能存在用电异常的时间段并提取相对应的特征数据，然后利用分类算法模型及时地进行用电异常识别并提醒用户，从而能实现实时预警预防因用电异常导致的火灾发生。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种用电异常识别方法，其特征在于，包括：

获取用电特征数据以及日温差；所述用电特征数据包括电流变化量、线缆温度变化量；

将所述电流变化量和所述线缆温度变化量的相关系数以及所述日温差使用用电异常识别模型进行识别处理，确定用电状态是否异常。

2.根据权利要求1所述的用电异常识别方法，其特征在于，在获取所述用电特征数据前，还包括筛选异常用电预选区操作；

所述筛选异常用电预选区操作包括：

获取前一天的用电数据；所述用电数据包括电流数据和线缆温度数据；

使用聚类算法划分异常用电预选区。

3.根据权利要求2所述的用电异常识别方法，其特征在于，在划分所述异常用电预选区之前，还包括步骤：

使用平滑滤波算法对所述用电数据进行平滑处理。

4.根据权利要求3所述的用电异常识别方法，其特征在于，所述平滑滤波算法具体为：

确定滤波滑动窗；

使用所述滤波滑动窗在所述用电数据上按照采样顺序平滑移动；在平滑移动过程中，通过多项式拟合所述滤波滑动窗内的用电数据。

5.根据权利要求2所述的用电异常识别方法，其特征在于，获取用电特征数据以及日温差具体为获取所述异常用电预选区内的电流变化量、线缆温度变化量和日温差。

6.根据权利要求1所述的用电异常识别方法，其特征在于，所述用电异常识别模型的获取步骤为：

获取训练集；所述训练集中包括多个通过针对历史用电数据使用自助法采样得到的训练数据以及每个所述训练数据的基尼系数；

使用训练集训练初始化的分类决策模型得到所述用电异常识别模型；所述分类决策模型包括多个弱分类器。

7.根据权利要求6所述的用电异常识别方法，其特征在于，所述弱分类器使用分类算法进行数据处理；所述分类算法包括RandomForest分类算法、SVM算法、CatBoost算法、XGBoost算法。

8.一种使用权利要求1-7任一所述的用电异常识别方法的用电异常识别系统，其特征在于，包括：

特征提取模块，用于获取用电特征数据以及日温差；所述用电特征数据包括电流变化量、线缆温度变化量；

用电异常识别模块，用于将所述电流变化量和所述线缆温度变化量的相关系数以及所述日温差使用用电异常识别模型进行识别处理，确定用电状态是否异常。

9.一种用电异常识别装置，其特征在于，使用权利要求8所述的用电异常识别系统。

10.一种火灾预警系统，其特征在于，包括控制中心以及多个分别与所述控制中心连接的如权利要求9所述的用电异常识别装置；

所述控制中心在收到所述用电异常识别装置发送的用电状态异常的信息后，对外发出火灾预警信息。

Images