CN114299683B - 一种电气火灾智能监控方法、系统、装置及云平台 - Google Patents
一种电气火灾智能监控方法、系统、装置及云平台 Download PDFInfo
- Publication number
- CN114299683B CN114299683B CN202210226573.0A CN202210226573A CN114299683B CN 114299683 B CN114299683 B CN 114299683B CN 202210226573 A CN202210226573 A CN 202210226573A CN 114299683 B CN114299683 B CN 114299683B
- Authority
- CN
- China
- Prior art keywords
- fire
- fire variable
- variable
- characteristic
- variable characteristic
- 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
Images
Landscapes
- Alarm Systems (AREA)
Abstract
本申请实施例提供的电气火灾智能监控方法、系统、装置及云平台，可以基于构建的状态描述拓扑和若干火灾变量特征集，构建携带威胁标识的电气设备状态数据对应的第一火灾变量特征网，由于第一火灾变量特征网中包括状态描述拓扑和火灾变量特征集中的量化内容，而状态描述拓扑可以表示出携带威胁标识的电气设备状态数据中不同目标电气设备之间的电连接情况，从而可以对第一火灾变量特征网进行对应关联信息的调整处理，得到每个目标电气设备的火灾变量特征数据，能够精准高效地对不同目标电气设备的火灾变量特征进行差异处理，从而提高火灾变量特征识别的时效性，以便于通过火灾变量特征数据实现对目标电气设备的快速准确的火灾智能监控。
Description
技术领域
本申请涉及电气火灾监控技术领域，特别涉及一种电气火灾智能监控方法、系统、装置及云平台。
背景技术
电气火灾（Electrical fire）一般是指由于电气线路、用电设备、器具以及供配电设备出现故障性释放的热能：如高温、电弧、电火花以及非故障性释放的能量。比如电热器具的炽热表面，在具备燃烧条件下引燃本体或其他可燃物而造成的火灾，也包括由雷电和静电引起的火灾。电气火灾给人们的生命财产安全带来了不同程度的危害，针对电气火灾的监控预警是现目前关注的重点。然而在实际应用过程中发明人发现，相关的电气火灾监控技术存在延时和低准确性等缺陷。
发明内容
为改善相关技术中存在的技术问题，本申请提供了一种电气火灾智能监控方法、系统、装置及云平台。
第一方面，本申请提供了一种电气火灾智能监控方法，应用于电气火灾智能监控云平台，所述方法至少：采集携带威胁标识的电气设备状态数据；依据所述携带威胁标识的电气设备状态数据，构建状态描述拓扑和若干火灾变量特征集；所述状态描述拓扑指示所述携带威胁标识的电气设备状态数据中每个目标电气设备之间的电连接情况；每个所述火灾变量特征集中涵盖所述携带威胁标识的电气设备状态数据的一种场景的火灾变量特征，不同场景的火灾变量特征对应所述目标电气设备的不同电气信号；依据所述状态描述拓扑和若干所述火灾变量特征集，构建第一火灾变量特征网；所述第一火灾变量特征网中涵盖所述携带威胁标识的电气设备状态数据中不同场景的火灾变量特征的量化内容以及关联信息的量化内容，每个关联信息为两个不同场景的火灾变量特征之间的连接关系；反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，得到分别属于每个目标电气设备的火灾变量特征数据。
应用于本申请，可以基于构建的状态描述拓扑和若干火灾变量特征集，构建携带威胁标识的电气设备状态数据对应的第一火灾变量特征网，由于第一火灾变量特征网中包括状态描述拓扑和火灾变量特征集中的量化内容，而状态描述拓扑可以表示出携带威胁标识的电气设备状态数据中不同目标电气设备之间的电连接情况，从而可以对第一火灾变量特征网进行对应关联信息的调整处理，得到每个目标电气设备的火灾变量特征数据，能够精准高效地对不同目标电气设备的火灾变量特征进行差异处理，从而提高火灾变量特征识别的时效性，以便于通过火灾变量特征数据实现对目标电气设备的快速准确的火灾智能监控。
对于一些可独立实施的技术方案而言，所述火灾变量特征的量化内容包括空间描述信息、场景信息和电气变量信息；通过如下内容确定所述第一火灾变量特征网中每个火灾变量特征的量化内容：依据所述火灾变量特征集，确定每个火灾变量特征的空间描述信息；结合每个所述火灾变量特征的空间描述信息，从所述状态描述拓扑中挖掘所述火灾变量特征的电气变量信息，并依据所述火灾变量特征所属火灾变量特征集的场景关键词，确定所述火灾变量特征对应的场景信息。
对于一些可独立实施的技术方案而言，所述方法还包括：对于所述第一火灾变量特征网中的每个所述火灾变量特征，依据所述火灾变量特征的量化内容和所述第一火灾变量特征网中与所述火灾变量特征之间存在关联信息的其他火灾变量特征的量化内容，确定所述火灾变量特征的全局性预警表达；所述反复对所述第一火灾变量特征网进行关联信息的调整处理，包括：依据所述第一火灾变量特征网中涵盖的每个所述火灾变量特征的全局性预警表达，反复对所述第一火灾变量特征网进行关联信息的调整处理。
应用于本申请，通过针对每个火灾变量特征，基于该火灾变量特征的量化内容和与该火灾变量特征之间存在关联信息的其他火灾变量特征的量化内容，构建该火灾变量特征对应的全局性预警表达，这样，该火灾变量特征的全局性预警表达不仅可以表示该火灾变量特征的详细内容，还可以表示该火灾变量特征与其他火灾变量特征之间的互相联系，使得结合每个火灾变量特征分别对应的全局性预警表达，可以尽可能精准可靠地对第一火灾变量特征网进行多轮关联信息的调整处理，进而可以尽可能精准可靠地确定每个目标电气设备对应的火灾变量特征数据。
对于一些可独立实施的技术方案而言，所述反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，包括：针对当前第一火灾变量特征网启用第一设定步骤：依据所述当前第一火灾变量特征网中的每组关联信息对应的两个火灾变量特征的全局性预警表达，对所述当前第一火灾变量特征网涵盖的若干火灾变量特征中上下游火灾变量特征进行相同目标电气设备的火灾变量特征识别，得到不少于一个群体变量特征；其中，所述群体变量特征中包括识别后的若干上下游火灾变量特征；并结合每个所述群体变量特征中涵盖的火灾变量特征的全局性预警表达，确定所述群体变量特征的全局性预警表达；根据所得的不少于一个所述群体变量特征和所述当前第一火灾变量特征网，对所述当前第一火灾变量特征网进行当前轮所述关联信息的调整处理，并得到当前轮调整得到的第二火灾变量特征网；在实施完当前轮的所述第一设定步骤之后，将当前轮调整得到的第二火灾变量特征网作为当前第一火灾变量特征网，将当前轮确定的所述群体变量特征以及所述群体变量特征的全局性预警表达作为所述当前第一火灾变量特征网中的火灾变量特征以及火灾变量特征的全局性预警表达，并继续实施所述第一设定步骤，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列。
应用于本申请，在每一轮第一设定步骤中，对上下游火灾变量特征进行一次识别，得到不少于一个群体变量特征，每个群体变量特征中涵盖的若干火灾变量特征为相同目标电气设备的火灾变量特征，通过对第一火灾变量特征网进行多轮第一设定步骤，一直到得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，得到了每个目标电气设备的火灾变量特征数据，使得所获取的每个目标电气设备对应的火灾变量特征数据较为完整丰富。
对于一些可独立实施的技术方案而言，所述依据所述当前第一火灾变量特征网中的每组关联信息对应的两个火灾变量特征的全局性预警表达，对所述当前第一火灾变量特征网涵盖的若干火灾变量特征中上下游火灾变量特征进行相同目标电气设备的火灾变量特征识别，得到不少于一个群体变量特征，包括：依据所述关联信息对应的两个火灾变量特征的全局性预警表达，确定所述关联信息的评价数据，所述评价数据表示所述关联信息对应的两个火灾变量特征属于相同目标电气设备的可能性；依据所述当前第一火灾变量特征网中涵盖的每组关联信息的评价数据，对所述当前第一火灾变量特征网涵盖的若干火灾变量特征中上下游火灾变量特征进行相同目标电气设备的火灾变量特征识别，得到不少于一个群体变量特征。
应用于本申请，通过确定每组关联信息的评价数据，该评价数据表示关联信息对应的两个火灾变量特征属于相同目标电气设备的可能性，再可以基于每组关联信息的评价数据，对当前第一火灾变量特征网涵盖的若干火灾变量特征中上下游火灾变量特征进行相同目标电气设备的火灾变量特征识别，得到不少于一个群体变量特征，例如将对应评价数据较大的两个火灾变量特征识别在一起，得到一个群体变量特征，从而保障群体变量特征的完整性和丰富性。
对于一些可独立实施的技术方案而言，所述根据所得的不少于一个所述群体变量特征和所述当前第一火灾变量特征网，对所述当前第一火灾变量特征网进行当前轮所述关联信息的调整处理，并得到当前轮调整得到的第二火灾变量特征网，包括：根据所得的不少于一个所述群体变量特征和所述当前第一火灾变量特征网，确定待过滤关联信息，并从所述当前第一火灾变量特征网中将所述待过滤关联信息隐藏；将不少于一个所述群体变量特征以及所述当前第一火灾变量特征网中除所述群体变量特征中涵盖的火灾变量特征之外的其他火灾变量特征作为调整处理后的火灾变量特征，将隐藏后保留的关联信息作为调整处理后的关联信息，得到当前轮调整得到的第二火灾变量特征网。
对于一些可独立实施的技术方案而言，所述根据所得的不少于一个群体变量特征和所述当前第一火灾变量特征网，确定待过滤关联信息，包括：基于不少于一个群体变量特征中涵盖的每个火灾变量特征的场景信息和所述当前第一火灾变量特征网中除不少于一个群体变量特征中涵盖的火灾变量特征之外的其他火灾变量特征的场景信息，确定所述待过滤关联信息。
对于一些可独立实施的技术方案而言，基于不少于一个群体变量特征中涵盖的每个火灾变量特征的场景信息和所述当前第一火灾变量特征网中除不少于一个群体变量特征中涵盖的火灾变量特征之外的其他火灾变量特征的场景信息，确定所述待过滤关联信息，包括：对于所述当前第一火灾变量特征网中的任意一关联信息，如果该任意一关联信息对应的两个火灾变量特征为不同群体变量特征中的火灾变量特征，且该任意一关联信息对应的两个群体变量特征中存在场景信息相同的火灾变量特征时，则确定该任意一关联信息为所述待过滤关联信息；如果该任意一关联信息对应的两个火灾变量特征为相同群体变量特征中的火灾变量特征时，则确定该任意一关联信息为所述待过滤关联信息；如果该任意一关联信息对应的两个火灾变量特征中一个火灾变量特征为群体变量特征中的火灾变量特征、另一个火灾变量特征不是群体变量特征中的火灾变量特征，且该任意一关联信息对应的所述群体变量特征中存在与另一个火灾变量特征的场景信息相同的火灾变量特征时，则确定该任意一关联信息为所述待过滤关联信息。
应用于本申请，鉴于每个目标电气设备的火灾变量特征数据中同场景的火灾变量特征仅包括一个，比如每个目标电气设备的火灾变量特征数据中包括一个电流火灾变量特征、一个电压火灾变量特征、一个功率火灾变量特征等，因此，这里可以基于关联信息对应的两个火灾变量特征的场景，确定待过滤关联信息，并构建调整后的第一火灾变量特征网，进而可以进行下一轮第一设定步骤，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列。
对于一些可独立实施的技术方案而言，所述每个目标电气设备的火灾变量特征数据通过事先完成调试的目标AI线程构建；其中，所述目标AI线程通过包含分类子线程的待调试AI线程调试得到的，所述分类子线程用于分析每个群体变量特征中涵盖的若干火灾变量特征是否属于相同目标电气设备。
应用于本申请，通过对涵盖分类子线程的待调试AI线程进行调试，得到目标AI线程，其中，分类子线程用于分析每个群体变量特征中涵盖的若干火灾变量特征是否属于相同目标电气设备，可以使得调试得到的目标AI线程具有较高的分类准确度和可信度。
对于一些可独立实施的技术方案而言，基于下述方式对所述待调试AI线程进行调试，得到事先完成调试的目标AI线程：采集范例电气设备状态数据；依据所述范例电气设备状态数据，对包含所述分类子线程的待调试AI线程进行调试，得到事先完成调试的目标AI线程。
对于一些可独立实施的技术方案而言，依据所述范例电气设备状态数据，对包含所述分类子线程的待调试AI线程进行调试，得到事先完成调试的目标AI线程，包括：依据所述范例电气设备状态数据，对所述待调试AI线程进行调试，得到解析信息，所述解析信息包含所述分类子线程的分析结果、每个火灾变量特征的解析场景和每个火灾变量特征的解析空间描述信息；依据所述分类子线程的分析结果，确定第一线程质量指标；以及依据所述每个火灾变量特征的解析场景、所述每个火灾变量特征的解析空间描述信息，和所述范例电气设备状态数据中添加的指示结果，确定第二线程质量指标；其中，所述指示结果包括每个火灾变量特征属于对应目标电气设备的指示场景，以及每个火灾变量特征的指示空间描述信息；依据所述第一线程质量指标和所述第二线程质量指标，对所述待调试AI线程进行调试，得到事先完成调试的目标AI线程。
对于一些可独立实施的技术方案而言，在得到所述携带威胁标识的电气设备状态数据中的每个目标电气设备的火灾变量特征数据之后，还包括：结合每个目标电气设备对应的所述火灾变量特征数据，确定该目标电气设备的用电操作类别。
对于一些可独立实施的技术方案而言，在得到所述携带威胁标识的电气设备状态数据中的每个目标电气设备的火灾变量特征数据之后，还包括：结合每个目标电气设备对应的所述火灾变量特征数据，确定该目标电气设备的不少于一个目标电气信号的空间描述信息，并根据所述不少于一个目标电气信号的空间描述信息，生成对于所述不少于一个目标电气信号的故障指示。
第二方面，本申请还提供了一种电气火灾智能监控系统，包括互相之间通信的电气火灾智能监控云平台和电气设备；
所述电气火灾智能监控云平台用于：
采集携带威胁标识的电气设备状态数据；依据所述携带威胁标识的电气设备状态数据，构建状态描述拓扑和若干火灾变量特征集；所述状态描述拓扑指示所述携带威胁标识的电气设备状态数据中每个目标电气设备之间的电连接情况；每个所述火灾变量特征集中涵盖所述携带威胁标识的电气设备状态数据的一种场景的火灾变量特征，不同场景的火灾变量特征对应所述目标电气设备的不同电气信号；
依据所述状态描述拓扑和若干所述火灾变量特征集，构建第一火灾变量特征网；反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，得到分别属于每个目标电气设备的火灾变量特征数据；其中，所述第一火灾变量特征网中涵盖所述携带威胁标识的电气设备状态数据中不同场景的火灾变量特征的量化内容以及关联信息的量化内容，每个关联信息为两个不同场景的火灾变量特征之间的连接关系。
第三方面，本申请还提供了一种电气火灾智能监控装置，包括：数据采集模块，用于采集携带威胁标识的电气设备状态数据；依据所述携带威胁标识的电气设备状态数据，构建状态描述拓扑和若干火灾变量特征集；所述状态描述拓扑指示所述携带威胁标识的电气设备状态数据中每个目标电气设备之间的电连接情况；每个所述火灾变量特征集中涵盖所述携带威胁标识的电气设备状态数据的一种场景的火灾变量特征，不同场景的火灾变量特征对应所述目标电气设备的不同电气信号；特征处理模块，用于依据所述状态描述拓扑和若干所述火灾变量特征集，构建第一火灾变量特征网；反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，得到分别属于每个目标电气设备的火灾变量特征数据；其中，所述第一火灾变量特征网中涵盖所述携带威胁标识的电气设备状态数据中不同场景的火灾变量特征的量化内容以及关联信息的量化内容，每个关联信息为两个不同场景的火灾变量特征之间的连接关系。
第四方面，本申请还提供了一种电气火灾智能监控云平台，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果。
本申请实施例提供一种电气火灾智能监控方法、系统、装置及云平台，可以基于构建的状态描述拓扑和若干火灾变量特征集，构建携带威胁标识的电气设备状态数据对应的第一火灾变量特征网，由于第一火灾变量特征网中包括状态描述拓扑和火灾变量特征集中的量化内容，而状态描述拓扑可以表示出携带威胁标识的电气设备状态数据中不同目标电气设备之间的电连接情况，从而可以对第一火灾变量特征网进行对应关联信息的调整处理，得到每个目标电气设备的火灾变量特征数据，能够精准高效地对不同目标电气设备的火灾变量特征进行差异处理，从而提高火灾变量特征识别的时效性，以便于通过火灾变量特征数据实现对目标电气设备的快速准确的火灾智能监控。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并于说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种电气火灾智能监控云平台的硬件结构示意图。
图2是本申请实施例提供的一种电气火灾智能监控方法的流程示意图。
图3是本申请实施例提供的一种电气火灾智能监控系统的通信架构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在电气火灾智能监控云平台、计算机设备或者类似的运算装置中执行。以运行在电气火灾智能监控云平台上为例，图1是本申请实施例的实施一种电气火灾智能监控方法的电气火灾智能监控云平台的硬件结构框图。如图1所示，电气火灾智能监控云平台10可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述电气火灾智能监控云平台还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电气火灾智能监控云平台的结构造成限定。例如，电气火灾智能监控云平台10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的一种电气火灾智能监控方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至电气火灾智能监控云平台10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电气火灾智能监控云平台10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（RadioFrequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
基于此，请参阅图2，图2是本发明实施例所提供的一种电气火灾智能监控方法的流程示意图，该方法应用于电气火灾智能监控云平台，进一步可以包括以下内容描述的技术方案。
步骤100、采集携带威胁标识的电气设备状态数据；依据所述携带威胁标识的电气设备状态数据，构建状态描述拓扑和若干火灾变量特征集。
在本申请实施例中，所述状态描述拓扑指示所述携带威胁标识的电气设备状态数据中每个目标电气设备之间的电连接情况；每个所述火灾变量特征集中涵盖所述携带威胁标识的电气设备状态数据的一种场景的火灾变量特征，不同场景的火灾变量特征对应所述目标电气设备的不同电气信号。
举例而言，携带威胁标识的电气设备状态数据可以理解为待处理的电气设备状态数据，威胁标识可以用于表征触发火灾监控的标识，比如字母标识或者数字标识，本申请实施例不作限制。进一步地，电气设备状态数据包括相关电气设备（比如家电设备或者工业设备）在运行过程中的状态信息，比如交变电流电压数据、脉冲数据、相位数据、谐波数据、负序数据等，本申请实施例亦不作限制。进一步地，状态描述拓扑可以理解为特征图，火灾变量特征所对应的电气信号可以对应于上述的交变电流电压数据、脉冲数据、相位数据、谐波数据、负序数据等信号。
在一些可能的实施例中，所述火灾变量特征的量化内容包括空间描述信息、场景信息和电气变量信息，基于此，可以通过如下内容确定所述第一火灾变量特征网中每个火灾变量特征的量化内容：依据所述火灾变量特征集，确定每个火灾变量特征的空间描述信息；结合每个所述火灾变量特征的空间描述信息，从所述状态描述拓扑中挖掘所述火灾变量特征的电气变量信息，并依据所述火灾变量特征所属火灾变量特征集的场景关键词，确定所述火灾变量特征对应的场景信息。例如，空间描述信息可以连接为对应电气设备的位置信息。
步骤200、依据所述状态描述拓扑和若干所述火灾变量特征集，构建第一火灾变量特征网；反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，得到分别属于每个目标电气设备的火灾变量特征数据。
在本申请实施例中，所述第一火灾变量特征网中涵盖所述携带威胁标识的电气设备状态数据中不同场景的火灾变量特征的量化内容以及关联信息的量化内容，每个关联信息为两个不同场景的火灾变量特征之间的连接关系。
举例而言，量化内容可以通过数值信息进行表达，从而提高针对电气设备火灾监测的精度和时效性。不同的场景可以理解为不同的类别，关联信息用于连接不同火灾变量特征或者实现不同火灾变量特征之间的传递。进一步地，针对关联信息的调整处理可以连接为针对关联信息的简化处理，从而提高目标电气设备的火灾变量特征数据的特征识别度，这样可以将火灾变量特征数据作为火灾监测的准确可靠依据。
在上述内容的基础上，所述方法还包括：对于所述第一火灾变量特征网中的每个所述火灾变量特征，依据所述火灾变量特征的量化内容和所述第一火灾变量特征网中与所述火灾变量特征之间存在关联信息的其他火灾变量特征的量化内容，确定所述火灾变量特征的全局性预警表达。例如，全局性预警表达可以理解为融合预警特征。基于此，所述反复对所述第一火灾变量特征网进行关联信息的调整处理，包括：依据所述第一火灾变量特征网中涵盖的每个所述火灾变量特征的全局性预警表达，反复对所述第一火灾变量特征网进行关联信息的调整处理。
在一些可能的实施例中，步骤200所描述的反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，可以包括以下内容，针对当前第一火灾变量特征网启用第一设定步骤（包括步骤210-步骤240）。
步骤210、依据所述当前第一火灾变量特征网中的每组关联信息对应的两个火灾变量特征的全局性预警表达，对所述当前第一火灾变量特征网涵盖的若干火灾变量特征中上下游火灾变量特征进行相同目标电气设备的火灾变量特征识别，得到不少于一个群体变量特征；其中，所述群体变量特征中包括识别后的若干上下游火灾变量特征。
对于一些可能的实施例而言，步骤210所描述的依据所述当前第一火灾变量特征网中的每组关联信息对应的两个火灾变量特征的全局性预警表达，对所述当前第一火灾变量特征网涵盖的若干火灾变量特征中上下游火灾变量特征进行相同目标电气设备的火灾变量特征识别，得到不少于一个群体变量特征，可以包括步骤2101和步骤2102所描述的技术方案。
步骤2101、依据所述关联信息对应的两个火灾变量特征的全局性预警表达，确定所述关联信息的评价数据，所述评价数据表示所述关联信息对应的两个火灾变量特征属于相同目标电气设备的可能性。
举例而言，评价数据可以是权重系数，可能性可以连接为概率，可能性的取值范围可以是0~1。
步骤2102、依据所述当前第一火灾变量特征网中涵盖的每组关联信息的评价数据，对所述当前第一火灾变量特征网涵盖的若干火灾变量特征中上下游火灾变量特征进行相同目标电气设备的火灾变量特征识别，得到不少于一个群体变量特征。
步骤220、结合每个所述群体变量特征中涵盖的火灾变量特征的全局性预警表达，确定所述群体变量特征的全局性预警表达。
步骤230、根据所得的不少于一个所述群体变量特征和所述当前第一火灾变量特征网，对所述当前第一火灾变量特征网进行当前轮所述关联信息的调整处理，并得到当前轮调整得到的第二火灾变量特征网。
在一些可能的实施例中，步骤230所描述的根据所得的不少于一个所述群体变量特征和所述当前第一火灾变量特征网，对所述当前第一火灾变量特征网进行当前轮所述关联信息的调整处理，并得到当前轮调整得到的第二火灾变量特征网，可以包括步骤2301和步骤2302所描述的技术方案。
步骤2301、根据所得的不少于一个所述群体变量特征和所述当前第一火灾变量特征网，确定待过滤关联信息，并从所述当前第一火灾变量特征网中将所述待过滤关联信息隐藏。
例如，隐藏待过滤关联信息可以理解为将待过滤关联信息删除，从而实现关联信息的精简，以实现火灾变量特征网的优化和特征识别度强化。
进一步地，步骤2301中的述根据所得的不少于一个群体变量特征和所述当前第一火灾变量特征网，确定待过滤关联信息，可以包括以下内容：基于不少于一个群体变量特征中涵盖的每个火灾变量特征的场景信息和所述当前第一火灾变量特征网中除不少于一个群体变量特征中涵盖的火灾变量特征之外的其他火灾变量特征的场景信息，确定所述待过滤关联信息。
在上述内容的基础上，基于不少于一个群体变量特征中涵盖的每个火灾变量特征的场景信息和所述当前第一火灾变量特征网中除不少于一个群体变量特征中涵盖的火灾变量特征之外的其他火灾变量特征的场景信息，确定所述待过滤关联信息，包括：对于所述当前第一火灾变量特征网中的任意一关联信息：如果该任意一关联信息对应的两个火灾变量特征为不同群体变量特征中的火灾变量特征，且该任意一关联信息对应的两个群体变量特征中存在场景信息相同的火灾变量特征时，则确定该任意一关联信息为所述待过滤关联信息；如果该任意一关联信息对应的两个火灾变量特征为相同群体变量特征中的火灾变量特征时，则确定该任意一关联信息为所述待过滤关联信息；如果该任意一关联信息对应的两个火灾变量特征中一个火灾变量特征为群体变量特征中的火灾变量特征、另一个火灾变量特征不是群体变量特征中的火灾变量特征，且该任意一关联信息对应的所述群体变量特征中存在与另一个火灾变量特征的场景信息相同的火灾变量特征时，则确定该任意一关联信息为所述待过滤关联信息。
步骤2302、将不少于一个所述群体变量特征以及所述当前第一火灾变量特征网中除所述群体变量特征中涵盖的火灾变量特征之外的其他火灾变量特征作为调整处理后的火灾变量特征，将隐藏后保留的关联信息作为调整处理后的关联信息，得到当前轮调整得到的第二火灾变量特征网。
步骤240、在实施完当前轮的所述第一设定步骤之后，将当前轮调整得到的第二火灾变量特征网作为当前第一火灾变量特征网，将当前轮确定的所述群体变量特征以及所述群体变量特征的全局性预警表达作为所述当前第一火灾变量特征网中的火灾变量特征以及火灾变量特征的全局性预警表达，并继续实施所述第一设定步骤，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列。
在一些可独立实施的技术方案下，所述每个目标电气设备的火灾变量特征数据通过事先完成调试的目标AI线程构建。AI线程可以理解为机器学习模型或者神经网络，进一步地，所述目标AI线程通过包含分类子线程的待调试AI线程调试得到的，所述分类子线程用于分析每个群体变量特征中涵盖的若干火灾变量特征是否属于相同目标电气设备。
在实际实施过程中，可以基于下述方式对所述待调试AI线程进行调试，得到事先完成调试的目标AI线程：采集范例电气设备状态数据；依据所述范例电气设备状态数据，对包含所述分类子线程的待调试AI线程进行调试，得到事先完成调试的目标AI线程。
在上述内容的基础上，依据所述范例电气设备状态数据，对包含所述分类子线程的待调试AI线程进行调试，得到事先完成调试的目标AI线程，包括：依据所述范例电气设备状态数据，对所述待调试AI线程进行调试，得到解析信息，所述解析信息包含所述分类子线程的分析结果、每个火灾变量特征的解析场景和每个火灾变量特征的解析空间描述信息；依据所述分类子线程的分析结果，确定第一线程质量指标；依据所述每个火灾变量特征的解析场景、所述每个火灾变量特征的解析空间描述信息，和所述范例电气设备状态数据中添加的指示结果，确定第二线程质量指标；其中，所述指示结果包括每个火灾变量特征属于对应目标电气设备的指示场景，以及每个火灾变量特征的指示空间描述信息；依据所述第一线程质量指标和所述第二线程质量指标，对所述待调试AI线程进行调试，得到事先完成调试的目标AI线程。如此设计，可以保障目标AI线程应对不同电气设备状态数据的能力，同时提高目标AI线程的鲁棒性。
在一些可能的实施例中，在得到所述携带威胁标识的电气设备状态数据中的每个目标电气设备的火灾变量特征数据之后，该方法还可以包括以下内容：结合每个目标电气设备对应的所述火灾变量特征数据，确定该目标电气设备的用电操作类别。可以理解的是，该用电操作类别可以为后续的电气火灾预防提供决策依据。
在一些可能的实施例中，在得到所述携带威胁标识的电气设备状态数据中的每个目标电气设备的火灾变量特征数据之后，还可以包括：结合每个目标电气设备对应的所述火灾变量特征数据，确定该目标电气设备的不少于一个目标电气信号的空间描述信息，并根据所述不少于一个目标电气信号的空间描述信息，生成对于所述不少于一个目标电气信号的故障指示。在本申请实施例中，电气信号的故障指示可以是声光信息也可以是文本信息，本申请实施例不作限制。
综上，本申请实施例提供一种电气火灾智能监控方法、系统、装置及云平台，可以基于构建的状态描述拓扑和若干火灾变量特征集，构建携带威胁标识的电气设备状态数据对应的第一火灾变量特征网，由于第一火灾变量特征网中包括状态描述拓扑和火灾变量特征集中的量化内容，而状态描述拓扑可以表示出携带威胁标识的电气设备状态数据中不同目标电气设备之间的电连接情况，从而可以对第一火灾变量特征网进行对应关联信息的调整处理，得到每个目标电气设备的火灾变量特征数据，能够精准高效地对不同目标电气设备的火灾变量特征进行差异处理，从而提高火灾变量特征识别的时效性，以便于通过火灾变量特征数据实现对目标电气设备的快速准确的火灾智能监控。
在上述基础上，请结合图3，基于上述同样的发明构思，本申请还提供了一种电气火灾智能监控系统30，所述系统包括相互通信的电气火灾智能监控云平台10和电气设备20。所述电气火灾智能监控云平台10用于：采集携带威胁标识的电气设备状态数据；依据所述携带威胁标识的电气设备状态数据，构建状态描述拓扑和若干火灾变量特征集；所述状态描述拓扑指示所述携带威胁标识的电气设备状态数据中每个目标电气设备之间的电连接情况；每个所述火灾变量特征集中涵盖所述携带威胁标识的电气设备状态数据的一种场景的火灾变量特征，不同场景的火灾变量特征对应所述目标电气设备的不同电气信号；依据所述状态描述拓扑和若干所述火灾变量特征集，构建第一火灾变量特征网；反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，得到分别属于每个目标电气设备的火灾变量特征数据；其中，所述第一火灾变量特征网中涵盖所述携带威胁标识的电气设备状态数据中不同场景的火灾变量特征的量化内容以及关联信息的量化内容，每个关联信息为两个不同场景的火灾变量特征之间的连接关系。
基于上述同样的发明构思，本申请还提供了一种电气火灾智能监控装置，包括：数据采集模块，用于采集携带威胁标识的电气设备状态数据；依据所述携带威胁标识的电气设备状态数据，构建状态描述拓扑和若干火灾变量特征集；所述状态描述拓扑指示所述携带威胁标识的电气设备状态数据中每个目标电气设备之间的电连接情况；每个所述火灾变量特征集中涵盖所述携带威胁标识的电气设备状态数据的一种场景的火灾变量特征，不同场景的火灾变量特征对应所述目标电气设备的不同电气信号；特征处理模块，用于依据所述状态描述拓扑和若干所述火灾变量特征集，构建第一火灾变量特征网；反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，得到分别属于每个目标电气设备的火灾变量特征数据；其中，所述第一火灾变量特征网中涵盖所述携带威胁标识的电气设备状态数据中不同场景的火灾变量特征的量化内容以及关联信息的量化内容，每个关联信息为两个不同场景的火灾变量特征之间的连接关系。
进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请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，媒体业务服务器10，或者网络设备等）执行本申请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。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (8)
1.一种电气火灾智能监控方法，其特征在于，应用于电气火灾智能监控云平台，所述方法至少包括：
采集携带威胁标识的电气设备状态数据；依据所述携带威胁标识的电气设备状态数据，构建状态描述拓扑和若干火灾变量特征集；所述状态描述拓扑指示所述携带威胁标识的电气设备状态数据中每个目标电气设备之间的电连接情况；每个所述火灾变量特征集中涵盖所述携带威胁标识的电气设备状态数据的一种场景的火灾变量特征，不同场景的火灾变量特征对应所述目标电气设备的不同电气信号；
依据所述状态描述拓扑和若干所述火灾变量特征集，构建第一火灾变量特征网；反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，得到分别属于每个目标电气设备的火灾变量特征数据；其中，所述第一火灾变量特征网中涵盖所述携带威胁标识的电气设备状态数据中不同场景的火灾变量特征的量化内容以及关联信息的量化内容，每个关联信息为两个不同场景的火灾变量特征之间的连接关系；
所述方法还包括：对于所述第一火灾变量特征网中的每个所述火灾变量特征，依据所述火灾变量特征的量化内容和所述第一火灾变量特征网中与所述火灾变量特征之间存在关联信息的其他火灾变量特征的量化内容，确定所述火灾变量特征的全局性预警表达；
所述反复对所述第一火灾变量特征网进行关联信息的调整处理，包括：依据所述第一火灾变量特征网中涵盖的每个所述火灾变量特征的全局性预警表达，反复对所述第一火灾变量特征网进行关联信息的调整处理；所述反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，包括：针对当前第一火灾变量特征网启用第一设定步骤：
依据所述当前第一火灾变量特征网中的每组关联信息对应的两个火灾变量特征的全局性预警表达，对所述当前第一火灾变量特征网涵盖的若干火灾变量特征中上下游火灾变量特征进行相同目标电气设备的火灾变量特征识别，得到不少于一个群体变量特征；其中，所述群体变量特征中包括识别后的若干上下游火灾变量特征；
结合每个所述群体变量特征中涵盖的火灾变量特征的全局性预警表达，确定所述群体变量特征的全局性预警表达；
根据所得的不少于一个所述群体变量特征和所述当前第一火灾变量特征网，对所述当前第一火灾变量特征网进行当前轮所述关联信息的调整处理，并得到当前轮调整得到的第二火灾变量特征网；
在实施完当前轮的所述第一设定步骤之后，将当前轮调整得到的第二火灾变量特征网作为当前第一火灾变量特征网，将当前轮确定的所述群体变量特征以及所述群体变量特征的全局性预警表达作为所述当前第一火灾变量特征网中的火灾变量特征以及火灾变量特征的全局性预警表达，并继续实施所述第一设定步骤，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列。
2.如权利要求1所述的方法，其特征在于，在得到所述携带威胁标识的电气设备状态数据中的每个目标电气设备的火灾变量特征数据之后，还包括：结合每个目标电气设备对应的所述火灾变量特征数据，确定该目标电气设备的用电操作类别；
其中，在得到所述携带威胁标识的电气设备状态数据中的每个目标电气设备的火灾变量特征数据之后，还包括：结合每个目标电气设备对应的所述火灾变量特征数据，确定该目标电气设备的不少于一个目标电气信号的空间描述信息，并根据所述不少于一个目标电气信号的空间描述信息，生成对于所述不少于一个目标电气信号的故障指示。
3.如权利要求1所述的方法，其特征在于，所述火灾变量特征的量化内容包括空间描述信息、场景信息和电气变量信息；通过如下内容确定所述第一火灾变量特征网中每个火灾变量特征的量化内容：
依据所述火灾变量特征集，确定每个火灾变量特征的空间描述信息；结合每个所述火灾变量特征的空间描述信息，从所述状态描述拓扑中挖掘所述火灾变量特征的电气变量信息，并依据所述火灾变量特征所属火灾变量特征集的场景关键词，确定所述火灾变量特征对应的场景信息。
4.如权利要求1所述的方法，其特征在于，所述依据所述当前第一火灾变量特征网中的每组关联信息对应的两个火灾变量特征的全局性预警表达，对所述当前第一火灾变量特征网涵盖的若干火灾变量特征中上下游火灾变量特征进行相同目标电气设备的火灾变量特征识别，得到不少于一个群体变量特征，包括：
依据所述关联信息对应的两个火灾变量特征的全局性预警表达，确定所述关联信息的评价数据，所述评价数据表示所述关联信息对应的两个火灾变量特征属于相同目标电气设备的可能性；
依据所述当前第一火灾变量特征网中涵盖的每组关联信息的评价数据，对所述当前第一火灾变量特征网涵盖的若干火灾变量特征中上下游火灾变量特征进行相同目标电气设备的火灾变量特征识别，得到不少于一个群体变量特征；
其中，所述根据所得的不少于一个所述群体变量特征和所述当前第一火灾变量特征网，对所述当前第一火灾变量特征网进行当前轮所述关联信息的调整处理，并得到当前轮调整得到的第二火灾变量特征网，包括：根据所得的不少于一个所述群体变量特征和所述当前第一火灾变量特征网，确定待过滤关联信息，并从所述当前第一火灾变量特征网中将所述待过滤关联信息隐藏；将不少于一个所述群体变量特征以及所述当前第一火灾变量特征网中除所述群体变量特征中涵盖的火灾变量特征之外的其他火灾变量特征作为调整处理后的火灾变量特征，将隐藏后保留的关联信息作为调整处理后的关联信息，得到当前轮调整得到的第二火灾变量特征网；
其中，所述根据所得的不少于一个群体变量特征和所述当前第一火灾变量特征网，确定待过滤关联信息，包括：基于不少于一个群体变量特征中涵盖的每个火灾变量特征的场景信息和所述当前第一火灾变量特征网中除不少于一个群体变量特征中涵盖的火灾变量特征之外的其他火灾变量特征的场景信息，确定所述待过滤关联信息；
其中，基于不少于一个群体变量特征中涵盖的每个火灾变量特征的场景信息和所述当前第一火灾变量特征网中除不少于一个群体变量特征中涵盖的火灾变量特征之外的其他火灾变量特征的场景信息，确定所述待过滤关联信息，包括：对于所述当前第一火灾变量特征网中的任意一关联信息：如果该任意一关联信息对应的两个火灾变量特征为不同群体变量特征中的火灾变量特征，且该任意一关联信息对应的两个群体变量特征中存在场景信息相同的火灾变量特征时，则确定该任意一关联信息为所述待过滤关联信息；如果该任意一关联信息对应的两个火灾变量特征为相同群体变量特征中的火灾变量特征时，则确定该任意一关联信息为所述待过滤关联信息；如果该任意一关联信息对应的两个火灾变量特征中一个火灾变量特征为群体变量特征中的火灾变量特征、另一个火灾变量特征不是群体变量特征中的火灾变量特征，且该任意一关联信息对应的所述群体变量特征中存在与另一个火灾变量特征的场景信息相同的火灾变量特征时，则确定该任意一关联信息为所述待过滤关联信息。
5.如权利要求1所述的方法，其特征在于，所述每个目标电气设备的火灾变量特征数据通过事先完成调试的目标AI线程构建；其中，所述目标AI线程通过包含分类子线程的待调试AI线程调试得到的，所述分类子线程用于分析每个群体变量特征中涵盖的若干火灾变量特征是否属于相同目标电气设备；
其中，基于下述方式对所述待调试AI线程进行调试，得到事先完成调试的目标AI线程：采集范例电气设备状态数据；依据所述范例电气设备状态数据，对包含所述分类子线程的待调试AI线程进行调试，得到事先完成调试的目标AI线程；
其中，依据所述范例电气设备状态数据，对包含所述分类子线程的待调试AI线程进行调试，得到事先完成调试的目标AI线程，包括：依据所述范例电气设备状态数据，对所述待调试AI线程进行调试，得到解析信息，所述解析信息包含所述分类子线程的分析结果、每个火灾变量特征的解析场景和每个火灾变量特征的解析空间描述信息；依据所述分类子线程的分析结果，确定第一线程质量指标；依据所述每个火灾变量特征的解析场景、所述每个火灾变量特征的解析空间描述信息，和所述范例电气设备状态数据中添加的指示结果，确定第二线程质量指标；其中，所述指示结果包括每个火灾变量特征属于对应目标电气设备的指示场景，以及每个火灾变量特征的指示空间描述信息；依据所述第一线程质量指标和所述第二线程质量指标，对所述待调试AI线程进行调试，得到事先完成调试的目标AI线程。
6.一种电气火灾智能监控系统，其特征在于，包括互相之间通信的电气火灾智能监控云平台和电气设备；
所述电气火灾智能监控云平台用于：
采集携带威胁标识的电气设备状态数据；依据所述携带威胁标识的电气设备状态数据，构建状态描述拓扑和若干火灾变量特征集；所述状态描述拓扑指示所述携带威胁标识的电气设备状态数据中每个目标电气设备之间的电连接情况；每个所述火灾变量特征集中涵盖所述携带威胁标识的电气设备状态数据的一种场景的火灾变量特征，不同场景的火灾变量特征对应所述目标电气设备的不同电气信号；
依据所述状态描述拓扑和若干所述火灾变量特征集，构建第一火灾变量特征网；反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，得到分别属于每个目标电气设备的火灾变量特征数据；其中，所述第一火灾变量特征网中涵盖所述携带威胁标识的电气设备状态数据中不同场景的火灾变量特征的量化内容以及关联信息的量化内容，每个关联信息为两个不同场景的火灾变量特征之间的连接关系；
还包括：对于所述第一火灾变量特征网中的每个所述火灾变量特征，依据所述火灾变量特征的量化内容和所述第一火灾变量特征网中与所述火灾变量特征之间存在关联信息的其他火灾变量特征的量化内容，确定所述火灾变量特征的全局性预警表达；
所述反复对所述第一火灾变量特征网进行关联信息的调整处理，包括：依据所述第一火灾变量特征网中涵盖的每个所述火灾变量特征的全局性预警表达，反复对所述第一火灾变量特征网进行关联信息的调整处理；所述反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，包括：针对当前第一火灾变量特征网启用第一设定步骤：
依据所述当前第一火灾变量特征网中的每组关联信息对应的两个火灾变量特征的全局性预警表达，对所述当前第一火灾变量特征网涵盖的若干火灾变量特征中上下游火灾变量特征进行相同目标电气设备的火灾变量特征识别，得到不少于一个群体变量特征；其中，所述群体变量特征中包括识别后的若干上下游火灾变量特征；
结合每个所述群体变量特征中涵盖的火灾变量特征的全局性预警表达，确定所述群体变量特征的全局性预警表达；
根据所得的不少于一个所述群体变量特征和所述当前第一火灾变量特征网，对所述当前第一火灾变量特征网进行当前轮所述关联信息的调整处理，并得到当前轮调整得到的第二火灾变量特征网；
在实施完当前轮的所述第一设定步骤之后，将当前轮调整得到的第二火灾变量特征网作为当前第一火灾变量特征网，将当前轮确定的所述群体变量特征以及所述群体变量特征的全局性预警表达作为所述当前第一火灾变量特征网中的火灾变量特征以及火灾变量特征的全局性预警表达，并继续实施所述第一设定步骤，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列。
7.一种电气火灾智能监控装置，其特征在于，包括：
数据采集模块，用于采集携带威胁标识的电气设备状态数据；依据所述携带威胁标识的电气设备状态数据，构建状态描述拓扑和若干火灾变量特征集；所述状态描述拓扑指示所述携带威胁标识的电气设备状态数据中每个目标电气设备之间的电连接情况；每个所述火灾变量特征集中涵盖所述携带威胁标识的电气设备状态数据的一种场景的火灾变量特征，不同场景的火灾变量特征对应所述目标电气设备的不同电气信号；
特征处理模块，用于依据所述状态描述拓扑和若干所述火灾变量特征集，构建第一火灾变量特征网；反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，得到分别属于每个目标电气设备的火灾变量特征数据；其中，所述第一火灾变量特征网中涵盖所述携带威胁标识的电气设备状态数据中不同场景的火灾变量特征的量化内容以及关联信息的量化内容，每个关联信息为两个不同场景的火灾变量特征之间的连接关系；
还包括：对于所述第一火灾变量特征网中的每个所述火灾变量特征，依据所述火灾变量特征的量化内容和所述第一火灾变量特征网中与所述火灾变量特征之间存在关联信息的其他火灾变量特征的量化内容，确定所述火灾变量特征的全局性预警表达；
所述反复对所述第一火灾变量特征网进行关联信息的调整处理，包括：依据所述第一火灾变量特征网中涵盖的每个所述火灾变量特征的全局性预警表达，反复对所述第一火灾变量特征网进行关联信息的调整处理；所述反复对所述第一火灾变量特征网进行关联信息的调整处理，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列，包括：针对当前第一火灾变量特征网启用第一设定步骤：
依据所述当前第一火灾变量特征网中的每组关联信息对应的两个火灾变量特征的全局性预警表达，对所述当前第一火灾变量特征网涵盖的若干火灾变量特征中上下游火灾变量特征进行相同目标电气设备的火灾变量特征识别，得到不少于一个群体变量特征；其中，所述群体变量特征中包括识别后的若干上下游火灾变量特征；
结合每个所述群体变量特征中涵盖的火灾变量特征的全局性预警表达，确定所述群体变量特征的全局性预警表达；
根据所得的不少于一个所述群体变量特征和所述当前第一火灾变量特征网，对所述当前第一火灾变量特征网进行当前轮所述关联信息的调整处理，并得到当前轮调整得到的第二火灾变量特征网；
在实施完当前轮的所述第一设定步骤之后，将当前轮调整得到的第二火灾变量特征网作为当前第一火灾变量特征网，将当前轮确定的所述群体变量特征以及所述群体变量特征的全局性预警表达作为所述当前第一火灾变量特征网中的火灾变量特征以及火灾变量特征的全局性预警表达，并继续实施所述第一设定步骤，直至得到的第二火灾变量特征网中的若干火灾变量特征被识别为若干特征序列。
8.一种电气火灾智能监控云平台，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210226573.0A CN114299683B (zh) | 2022-03-09 | 2022-03-09 | 一种电气火灾智能监控方法、系统、装置及云平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210226573.0A CN114299683B (zh) | 2022-03-09 | 2022-03-09 | 一种电气火灾智能监控方法、系统、装置及云平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114299683A CN114299683A (zh) | 2022-04-08 |
| CN114299683B true CN114299683B (zh) | 2022-08-05 |
Family
ID=80978567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210226573.0A Active CN114299683B (zh) | 2022-03-09 | 2022-03-09 | 一种电气火灾智能监控方法、系统、装置及云平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114299683B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114445998B (zh) * | 2022-04-11 | 2022-06-07 | 广州联客信息科技有限公司 | 一种基于ai的火灾报警监测方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102005052777A1 (de) * | 2005-11-04 | 2007-05-24 | Amrona Ag | Vorrichtung zur Branderkennung in Schaltschränken |
| KR20180019979A (ko) * | 2016-08-17 | 2018-02-27 | 박종덕 | 조명이 구비된 비상유도장치 |
| CN109920193B (zh) * | 2019-03-25 | 2021-09-10 | 软通智慧科技有限公司 | 一种电气火灾隐患智能检测方法、系统、设备及介质 |
| CN112950880A (zh) * | 2021-01-26 | 2021-06-11 | 特斯联科技集团有限公司 | 一种基于大数据的火灾预警方法及系统 |
| CN113608882B (zh) * | 2021-10-11 | 2022-01-28 | 广州紫麦科技股份有限公司 | 基于人工智能和大数据的信息处理方法、系统及云平台 |
| CN114025249B (zh) * | 2021-10-29 | 2024-03-19 | 国家电网公司东北分部 | 一种基于物联网技术的变电站海量数据监测设备及方法 |
-
2022
- 2022-03-09 CN CN202210226573.0A patent/CN114299683B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114299683A (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107797998B (zh) | 含谣言用户生成内容识别方法和装置 | |
| EP4024062B1 (en) | Direct-current arc detection method, apparatus, device and system and storage medium | |
| CN105022960A (zh) | 基于网络流量的多特征移动终端恶意软件检测方法及系统 | |
| CN114299683B (zh) | 一种电气火灾智能监控方法、系统、装置及云平台 | |
| CN108229170B (zh) | 利用大数据和神经网络的软件分析方法和装置 | |
| CN110798426A (zh) | 一种洪水类DoS攻击行为的检测方法、系统及相关组件 | |
| CN110648172B (zh) | 一种融合多种移动设备的身份识别方法和系统 | |
| CN116500385B (zh) | 输电网监测校验方法、装置、设备和介质 | |
| CN110365534A (zh) | 一种智能变电站通讯系统自动斩断及恢复方法 | |
| Chopade et al. | Structural and functional vulnerability analysis for survivability of Smart Grid and SCADA network under severe emergencies and WMD attacks | |
| CN116432190B (zh) | 接口未授权访问检测方法、装置、计算机设备及存储介质 | |
| CN111769987B (zh) | 基于大数据管理模型的网络信息安全测试系统及方法 | |
| CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
| Zali et al. | Real-time intrusion detection alert correlation and attack scenario extraction based on the prerequisite-consequence approach | |
| Neto et al. | External equivalent for electric power distribution networks with radial topology | |
| US10120953B2 (en) | System data compression system and method thereof | |
| CN113992371B (zh) | 一种流量日志的威胁标签生成方法、装置及电子设备 | |
| Liew et al. | IMPROVEMENT OF CLASSIFICATION FEATURES TO INCREASE PHISHING TWEETS DETECTION ACCURACY. | |
| CN109241354B (zh) | 电网的技术标准数据的存储方法、装置、设备及存储介质 | |
| CN111143296A (zh) | 变电站scd文件分类方法、装置、终端及存储介质 | |
| CN115757793B (zh) | 基于人工智能的话题分析预警方法、系统及云平台 | |
| Albalushi et al. | Ontology-based approach for malicious behaviour detection in synchrophasor networks | |
| Li et al. | Fire detecting for dense bus ducts based on data fusion | |
| Howden et al. | Moments in time: A forensic view of twitter | |
| CN112149128B (zh) | 自定义流程的漏洞处理方法、装置、电子装置及介质 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method, system, device, and cloud platform for intelligent monitoring of electrical fires Effective date of registration: 20230425 Granted publication date: 20220805 Pledgee: Agricultural Bank of China Limited Guangzhou South China Sub branch Pledgor: GUANGDONG MINGCHANG FIRE ELECTRICAL AND MECHANICAL ENGINEERING CO.,LTD. Registration number: Y2023980039108 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |