CN117523808A - 一种基于物联网的可实时监测的电气火灾预警系统及方法 - Google Patents

一种基于物联网的可实时监测的电气火灾预警系统及方法 Download PDF

Info

Publication number
CN117523808A
CN117523808A CN202410011695.7A CN202410011695A CN117523808A CN 117523808 A CN117523808 A CN 117523808A CN 202410011695 A CN202410011695 A CN 202410011695A CN 117523808 A CN117523808 A CN 117523808A
Authority
CN
China
Prior art keywords
line
parameter
section
data set
early warning
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.)
Granted
Application number
CN202410011695.7A
Other languages
English (en)
Other versions
CN117523808B (zh
Inventor
苗乾坤
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.)
Zhuhai Pilot Technology Co ltd
Original Assignee
Zhuhai Pilot 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 Zhuhai Pilot Technology Co ltd filed Critical Zhuhai Pilot Technology Co ltd
Priority to CN202410011695.7A priority Critical patent/CN117523808B/zh
Publication of CN117523808A publication Critical patent/CN117523808A/zh
Application granted granted Critical
Publication of CN117523808B publication Critical patent/CN117523808B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring

Abstract

本申请公开了一种基于物联网的可实时监测的电气火灾预警系统及方法，涉及火灾预警领域，该方法包括获取第一、二和三条件特征数据集，以及第一、二和三影响特征系数集，训练第一、二和三参数变化预测器和训练后的第三参数变化预测器，获取第一、二和三信号参数数据集，基于训练后的第一、二和三参数变化预测器，得到第一、二和三参数预测信息集，将第一参数预测信息集分别与第二和三参数预测信息集进行参数比对分析处理，输出第一种线路差值判断对象集，将第一种线路差值判断对象集与预设差值预警判定区间值进行数值比较判断和标记预警处理。本发明提供的一种基于物联网的可实时监测的电气火灾预警系统及方法，提高火灾预警的实时性和精确性。

Description

一种基于物联网的可实时监测的电气火灾预警系统及方法
技术领域
本申请涉及火灾预警领域，尤其涉及一种基于物联网的可实时监测的电气火灾预警系统及方法。
背景技术
传统的大多数电气火灾预警往往对固定地点进行监测，且是对多条线路的多个参数进行是否正常的监测，虽然起到了一定的预警效果，但是对于火灾预警的及时性还较低，给予维修人员前往进行处理的时长还不充足，使得预警工作的效率不够高，且检测准确率较低。
发明内容
为了克服上述现有技术的不足，本申请提供一种基于物联网的可实时监测的电气火灾预警系统及方法。
第一方面，本申请提供的一种基于物联网的可实时监测的电气火灾预警方法，所述方法包括：
获取所有线路中第一种线路、第二种线路和第三种线路分别对应的第一条件特征数据集、第二条件特征数据集和第三条件特征数据集；
基于所述第一种线路、第二种线路和第三种线路中对应的第一区段切割线路集、第二区段切割线路集和第三区段切割线路，获取第一影响特征系数集、第二影响特征系数集和第三影响特征系数集；
基于所述第一条件特征数据集、第二条件特征数据集和第三条件特征数据集以及第一影响特征系数集、第二影响特征系数集和第三影响特征系数集，得到训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器；
获取第一信号参数数据集、第二信号参数数据集和第三信号参数数据集，基于所述训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器，得到第一参数预测信息集、第二参数预测信息集和第三参数预测信息集；
将所述第一参数预测信息集分别与第二参数预测信息集和第三参数预测信息集进行参数分析，输出第一种线路差值判断对象集；
将所述第一种线路差值判断对象集与预设差值预警判定区间值进行数值比较，以标记预警线路，并输出第一种标记故障区段线路预警结果。
通过采用上述技术方案，通过同时性的对三种线路进行区段分割和各区段所具备特征信息和数据集的提取，并根据所得到的信息进行对应三种参数变化预测器的训练，以提高后续对于各区段线路中参数在多种影响因素数据的影响下所发生的变化，提高了数据信息分析处理工作的高效便捷性，并对所预测出的三种结果进行相互的比对分析，以此增强了数据分析判断结果的可靠性，即在将三种预测结果进行相互的比对判断分析的过程就是对预测结果的校验。
优选的，获取所有不同所属类型的所有线路，从所述所有线路中随意选择出三种类型的线路，输出第一种线路、第二种线路和第三种线路；
对第一种线路、第二种线路和第三种线路分别进行等距多区段的线路切割，输出第一区段切割线路集、第二区段切割线路集和第三区段切割线路集；
获取第一区段切割线路集、第二区段切割线路集和第三区段切割线路集中每区段线路对应的线路粗细程度值、环境温湿度数据和外层绝缘程度值，将得到的三种数据信息进行集合打包处理，输出第一条件特征数据集、第二条件特征数据集和第三条件特征数据集。
通过采用上述技术方案，通过将三种线路均进行等距区段线路的切割，因传统的技术上只仅仅是对整条线路进行一系列信号参数变化特征的提取和分析，从而忽视了整条线路中的某区段线路可能会因受到外界多种因素的影响下，造成的某区段线路的加大故障发生的其他特征信息，故对整条线路进行区段的切割，以区分开的对每区段线路中所具备的特征信息进行单独性的分析，增强对线路特征信息提取和分析的有效性，并提高了所提取出特征信息的可发展研究性。
优选的，获取第一区段切割线路集、第二区段切割线路集和第三区段切割线路集中每区段线路的第一历史故障记录信息、第二历史故障记录信息和第三历史故障记录信息；
提取出第一历史故障记录信息、第二历史故障记录信息和第三历史故障记录信息各自分别对每区段线路当前火灾故障发生的影响特征系数，根据影响特征系数，输出第一影响特征系数集、第二影响特征系数集和第三影响特征系数集。
通过采用上述技术方案，通过获取所切割的每区段线路中在历史时期所发生的故障，因各中历史故障对当前线路都具有不同程度的故障复发或是引发其他故障的更高几率性，故历史故障的发生是不可忽视的一点特征信息，提高对历史资源信息的利用率。
优选的，将所述第一影响特征系数集和第一条件特征数据集均输入至第一参数变化预测器中进行训练，得到训练后的第一参数变化预测器；
将第二影响特征系数集和第二条件特征数据集均输入至第二参数变化预测器中进行训练，得到训练后的第二参数变化预测器；
将第三影响特征系数集和第三条件特征数据集均输入至第三参数变化预测器中进行训练，得到训练后的第三参数变化预测器。
通过采用上述技术方案，通过三种线路所提取出的多种条件特征系数集和影响特征系数集，训练出三种不同的参数变化预测器，通过训练多种参数变化预测器，可以从不同的角度和方式对数据进行分析和预测，这样可以提高预测的准确性。
优选的，获取第一区段切割线路集、第二区段切割线路集和第三区段切割线路集中每区段切割线路的多个实时信号参数数据，并对三个区段切割线路中每区段切割线路的多个实时信息参数数据分别进行集合打包处理，输出第一信号参数数据集、第二信号参数数据集和第三信号参数数据集；
将所述第一信号参数数据集输入至训练后的第一参数变化预测器中进行测试，输出第一参数预测信息集；
将所述第二信号参数数据集输入至训练后的第二参数变化预测器中进行测试，输出第二参数预测信息集；
将所述第三信号参数数据集输入至训练后的第三参数变化预测器中进行测试，输出第三参数预测信息集。
优选的，将所述第一参数预测信息集分别与第二参数预测信息集和第三参数预测信息集进行对应区段线路信号参数数据的求差值处理，输出第一参数差值数据集和第二参数差值数据集；
将第一参数差值数据集与第二参数差值数据集中每对应位置区段的参数差值进行求平均值处理，输出第一种线路差值判断对象集。
优选的，设定预设差值预警判定区间值；
判断所述第一种线路差值判断对象集中是否存有大于预设差值预警判定区间值的数值；
若判断所述第一种线路差值判断对象集中存有大于预设差值预警判定区间值的数值，则提取出所述数值对应的第一区段切割线路集中的一个区段线路，并输出第一种预警区段线路，若判断出所述第一种线路差值判断对象集中的数值均小于或等于预设差值预警判定区间值，则输出判断结束；
对第一种预警区段线路进行位置区段的标记和预警通知，输出第一种标记故障区段线路预警结果。
通过采用上述技术方案，通过将所预测得到的三种参数预测信息集进行相互的数据比对求差值计算和分析处理，并对所得出的第一参数差值数据集和第二参数差值数据集进行求平均值处理，以对最后得到的第一种线路差值判断对象集进行是否存在参数变化异常的判断分析，以便于对存在有参数变化异常的对应某一区段线路进行异常预警标记和及时性的预警通知，通过综合多种参数变化预测器的预测结果，可以有效地减少误差，提高预测的准确性，并提高线路火灾故障的提前及时性和有效故障线路位置的标记，进行针对性的问题处理。
第二方面，一种基于物联网的可实时监测的电气火灾预警系统，包括：
线路特征获取单元，用于获取所有线路中第一种线路、第二种线路和第三种线路分别对应的第一条件特征数据集、第二条件特征数据集和第三条件特征数据集；
故障影响分析单元，用于根据第一种线路、第二种线路和第三种线路中对应的第一区段切割线路集、第二区段切割线路集和第三区段切割线路，获取第一影响特征系数集、第二影响特征系数集和第三影响特征系数集；
参数预测器训练单元，用于根据第一条件特征数据集、第二条件特征数据集和第三条件特征数据集以及第一影响特征系数集、第二影响特征系数集和第三影响特征系数集，得到训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器；
参数变化预测单元，用于获取第一信号参数数据集、第二信号参数数据集和第三信号参数数据集，基于训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器，得到第一参数预测信息集、第二参数预测信息集和第三参数预测信息集；
预测数据分析单元，用于将第一参数预测信息集分别与第二参数预测信息集和第三参数预测信息集进行参数分析，输出第一种线路差值判断对象集；
预警线路判定单元，用于将第一种线路差值判断对象集与预设差值预警判定区间值进行数值比较，以标记预警线路，并输出第一种标记故障区段线路预警结果。
与现有技术相比，本发明具有以下特点和有益效果：
通过从所有线路中提取出三种所属类型不同的第一种、第二种线路和第三种线路，并将这三种线路均进行等距多区段的切割，以便于对线路中所具备的隐藏性特征信息进行更加精确性的提取和分析，提高后续对线路中火灾故障预警判断的准确性，并分别对所分割后的第一区段切割线路集、第二区段切割线路集和第三区段切割线路进行特征信息的提取，以及历史故障记录信息对所分割出的多区段线路的影响特征系数的提取，并将提取出的三种条件特征数据集和三种影响特征系数集分别进行三种参数变化预测器的训练，得到三种训练后的参数变化预测器，通过三种训练后的参数变化预测器进行后续三种线路的参数数据变化的预测，得到三种预测结果，提高了线路火灾故障预警判断的效率。
通过基于上述所训练得到的三种参数变化预测器对所获取的第一信号参数数据集、第二信号参数数据集和第三信号参数数据集进行预测，将预测得到的三种参数预测信息集进行比对求变化参数的差值，并将求得的多个差值进行求平均值处理，得到一个最终所需判断参数差值是否异常的对象集，通过预测出多个预测结果，并将所预测得出的多个预测结果再次进行求平均值，即进行多个预测结果的比对分析处理，以此提高数据信息分处理的准确性，通过将判断出参数差值存有异常状况的某区段线路进行异常标记，同时进行及时性的预警通知，以便于在当前的区段线路即将发生故障前进行及时性的预警和相应处理，提高火灾故障预警定位判断的精确性。
附图说明
图1是本发明实施例提供的一种基于物联网的可实时监测的电气火灾预警方法的步骤框图。
图2是本发明实施例提供的S1子步骤的步骤框图。
图3是本发明实施例提供的S2子步骤的步骤框图。
图4是本发明实施例提供的S3子步骤的步骤框图。
图5是本发明实施例提供的S4子步骤的步骤框图。
图6是本发明实施例提供的S5子步骤的步骤框图。
图7是本发明实施例提供的S6子步骤的步骤框图。
图8是本发明实施例提供的一种基于物联网的可实时监测的电气火灾预警系统的结构框图。
附图标记说明：1、线路特征获取单元；2、故障影响分析单元；3、参数预测器训练单元；4、参数变化预测单元；5、预测数据分析单元；6、预警线路判定单元。
具体实施方式
下面结合以下实施例对本发明作进一步详细描述。
参照图1，一种基于物联网的可实时监测的电气火灾预警系统及方法，该方法包括以下步骤：
S1.获取所有线路中第一种线路、第二种线路和第三种线路分别对应的第一条件特征数据集、第二条件特征数据集和第三条件特征数据集。
S2.基于第一种线路、第二种线路和第三种线路中对应的第一区段切割线路集、第二区段切割线路集和第三区段切割线路，获取第一影响特征系数集、第二影响特征系数集和第三影响特征系数集。
S3.基于第一条件特征数据集、第二条件特征数据集和第三条件特征数据集以及第一影响特征系数集、第二影响特征系数集和第三影响特征系数集，得到训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器。
S4.获取第一信号参数数据集、第二信号参数数据集和第三信号参数数据集，基于训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器，得到第一参数预测信息集、第二参数预测信息集和第三参数预测信息集。
S5.将第一参数预测信息集分别与第二参数预测信息集和第三参数预测信息集进行参数分析，输出第一种线路差值判断对象集。
S6.将第一种线路差值判断对象集与预设差值预警判定区间值进行数值比较，以标记预警线路，并输出第一种标记故障区段线路预警结果。
具体的，通过获取到三种线路，并对三种线路均进行等距多区段的线路切割，以实时监测采集到多区段线路所具备的条件特征信息以及影响特征系数，以便于根据三种线路的诸多特征信息，训练出相应的参数变化预测器，以便于后续依据三种参数变化预测器。来进行多区段线路中信号参数变化所预测出的参数数据，即得到第一参数预测信息集、第二参数预测信息集和第三参数预测信息集，将第一参数预测信息集最为分析目标数据信息，将第二参数预测信息集和第三参数预测信息集作为辅助分析数据信息，即第一参数预测信息集分别与第二参数预测信息集和第三参数预测信息集进行参数比对分析处理，以将所分析得到的第一种线路差值判断对象集与预设差值预警判定区间值进行数值比较判断和标记预警处理，以此通过多种数据信息的相互比对分析处理，提高数据分析处理工作的有效性和预测结果的精确性。
参照图2，具体的步骤S1包括以下子步骤：
S1001.获取所有不同所属类型的所有线路，从所有线路中随意选择出三种类型的线路，输出第一种线路、第二种线路和第三种线路。
S1002.对第一种线路、第二种线路和第三种线路分别进行等距多区段的线路切割，输出第一区段切割线路集、第二区段切割线路集和第三区段切割线路集。
S1003.获取第一区段切割线路集、第二区段切割线路集和第三区段切割线路集中每区段线路对应的线路粗细程度值、环境温湿度数据和外层绝缘程度值，将得到的三种数据信息进行集合打包处理，输出第一条件特征数据集、第二条件特征数据集和第三条件特征数据集。
具体的，如第一种线路是指通往厨房的线路，第一种线路是指通往浴室的线路，第三种线路是指通往卧室的线路，则这三种线路的所处环境状况信息是不相同的，且所使用的电路信号参数信息也是不相同的，以及线路的粗细程度和线路外层的绝缘程度也是大不相同的，为了提高了各种线路的参数变化状况进行更加及时性的异常预警判断和通知，则将这三种线路均进行等距多区段的切割，例如将一条线路分割成三段，每段的都具有不相同的外观特征以及功能，则采集到所分割得到的第一区段切割线路集、第二区段切割线路集和第三区段切割线路集中每区段线路所具有的线路粗细程度值、环境温湿度数据和外层绝缘程度值，因这三种因素是最直接影响线路信号参数变化的信息，且每区段所处的环境状况信息和线路受外界影响导致的粗细程度以及外层包裹的绝缘层的绝缘度也因长时间的没有维护，而发生减弱的状况，首先是将每种线路中所分割的每区段采集到的三种数据信息均进行打包，得到一个区段线路的打包信息集，再者将所分割的所有区段线路的打包信息集进行集合性的打包，得到第一条件特征数据集、第二条件特征数据集和第三条件特征数据集，这里的第一条件特征数据集、第二条件特征数据集和第三条件特征数据集，都是根据线路粗细程度值、环境温湿度数据和外层绝缘程度值的实时性监监测数据的更新，进行同步的数据信息更新。
参照图3，具体的步骤S2包括以下子步骤：
S2001.获取第一区段切割线路集、第二区段切割线路集和第三区段切割线路集中每区段线路的第一历史故障记录信息、第二历史故障记录信息和第三历史故障记录信息。
S2002.提取出第一历史故障记录信息、第二历史故障记录信息和第三历史故障记录信息各自分别对每区段线路当前火灾故障发生的影响特征系数，根据影响特征系数，输出第一影响特征系数集、第二影响特征系数集和第三影响特征系数集。
具体的，如第一区段切割线路集中的某一区段中线路的历史发生的故障是短路故障，那么根据当前某一区段中线路的环境温湿度数据、线路粗细程度值和外层绝缘程度值，可评估出当前某一区段线路的可再次发生短路故障的几率数值，此几率数值就是影响特征系数，将第一区段切割线路集中每区段中线路评估得出的几率数值进行集合，得到第一影响特征系数集，以此类推。
参照图4，具体的步骤S3包括以下子步骤：
S3001.将第一影响特征系数集和第一条件特征数据集均输入至第一参数变化预测器中进行训练，得到训练后的第一参数变化预测器。
S3002.将第二影响特征系数集和第二条件特征数据集均输入至第二参数变化预测器中进行训练，得到训练后的第二参数变化预测器。
S3003.将第三影响特征系数集和第三条件特征数据集均输入至第三参数变化预测器中进行训练，得到训练后的第三参数变化预测器。
具体的，如第一参数变化预测器是一个一元一次方程式（y=ax+b），这里的a和b是求得出的已知变量，即a为第一影响特征系数集和b为第一条件特征数据集，将a和b均代入到y=ax+b中，便得到一个求解后的一元一次方程式，即得到训练后的第一参数变化预测器，第一影响特征系数集和第一条件特征数据集对线路的信号参数变化具有较为直接性的影响，故将这两种数据集作为取决线路参数数据变化的直接影响因子。
参照图5，具体的步骤S4包括以下子步骤：
S4001.获取第一区段切割线路集、第二区段切割线路集和第三区段切割线路集中每区段切割线路的多个实时信号参数数据，并对三个区段切割线路中每区段切割线路的多个实时信息参数数据分别进行集合打包处理，输出第一信号参数数据集、第二信号参数数据集和第三信号参数数据集。
S4002.获将第一信号参数数据集输入至训练后的第一参数变化预测器中进行测试，输出第一参数预测信息集。
S4003.获将第二信号参数数据集输入至训练后的第二参数变化预测器中进行测试，输出第二参数预测信息集。
S4004.获将第三信号参数数据集输入至训练后的第三参数变化预测器中进行测试，输出第三参数预测信息集。
具体的，如以上求解得出的一元一次方程式y=ax+b，这里的x是指所实时监测到的第一区段切割线路集中，每区段线路的多个实时信号参数数据打包的第一信号参数数据集，第一信号参数数据集在上述所求得的第一影响特征系数集和第一条件特征数据集的影响下会具有一定程度的数据变化，所要求的变化数据需通过第一参数变化预测器来进行预测，所预测得出的第一参数预测信息集就是一元一次方程式y=ax+b中的y，且通过三种预测器预测出三种预测信息集，以将其他两种预测信息集作为数据比对参照对象，提高对预测结果分析的依据可靠性，提高分析结果的精确度，这里的第一信号参数数据集、第二信号参数数据集和第三信号参数数据集都是进行监测数据实时更新的，所实时更新的时段间隔是依据线路的寿命和所处环境状况信息来进行循环间隔时段的设置。
参照图6，具体的步骤S5包括以下子步骤：
S5001.将第一参数预测信息集分别与第二参数预测信息集和第三参数预测信息集进行对应区段线路信号参数数据的比对求差值处理，输出第一参数差值数据集和第二参数差值数据集。
S5002.将第一参数差值数据集与第二参数差值数据集中每对应位置区段的参数差值进行求平均值处理，输出第一种线路差值判断对象集。
具体的，如第一参数预测信息集中某一区段线路预测参数是电压190V、电阻10Ω，电流19A，第二参数预测信息集中某一区段线路预测参数是电压130 V、电阻10Ω，电流13A，第三参数预测信息集中某一区段线路预测参数是电压120 V、电阻10Ω，电流12A，则第一参数预测信息集与第二参数预测信息集中参数差值是电压60 V、电阻0Ω，电流6A，即第一参数差值数据集中的某一参数差值数据，第一参数预测信息集与第三参数预测信息集中参数差值是电压70V、电阻0Ω，电流7A，即第二参数差值数据集中的某一参数差值数据，则二者的参数差值的平均值是电压65V、电阻0Ω，电流6.5A，即第一种线路差值判断对象集中的某一差值判断对象数据。
参照图7，具体的步骤S6包括以下子步骤：
S6001.设定预设差值预警判定区间值。
S6002.判断第一种线路差值判断对象集中是否存有大于预设差值预警判定区间值的数值。
S6003.若判断第一种线路差值判断对象集中存有大于预设差值预警判定区间值的数值，则提取出数值对应的第一区段切割线路集中的一个区段线路，输出第一种预警区段线路；若判断出第一种线路差值判断对象集中的数值均小于或等于预设差值预警判定区间值，则输出判断结束。
S6004.对第一种预警区段线路进行位置区段的标记和预警通知，输出第一种标记故障区段线路预警结果。
具体的，如所设定的预设差值预警判定区间值是电压30 V -50 V，电阻0Ω-20Ω，电流2A-5A，则将上述所计算求得的第一种线路差值判断对象集中的某一差值判断对象数据电压65 V、电阻0Ω，电流6.5A与预设差值预警判定区间值（电压30 V -50 V，电阻0Ω-20Ω，电流2A-5A）分别进行数据的比较，判断结果是平均电压和电流参数差值超额，则将此判断数值所对应第一区段切割线路集中的某一区段线路进行参数异常预警标记，并将此判断结果的数据信息进行存留和预警通知，以便于后续可依据此数据信息进行有效的应对处理，并输出第一种标记故障区段线路预警结果，提高了线路火灾故障预发生的提前及时性预警通知。
一种基于物联网的可实时监测的电气火灾预警系统，通过应用如上述的一种基于物联网的可实时监测的电气火灾预警方法，包括线路特征获取单元1、故障影响分析单元2、参数预测器训练单元3、参数变化预测单元4、预测数据分析单元5和预警线路判定单元6，参照图8，通过线路特征获取单元1获取所有线路中第一种线路、第二种线路和第三种线路分别对应的第一条件特征数据集、第二条件特征数据集和第三条件特征数据集；通过故障影响分析单元2根据第一种线路、第二种线路和第三种线路中对应的第一区段切割线路集、第二区段切割线路集和第三区段切割线路，获取第一影响特征系数集、第二影响特征系数集和第三影响特征系数集；通过参数预测器训练单元3根据第一条件特征数据集、第二条件特征数据集和第三条件特征数据集以及第一影响特征系数集、第二影响特征系数集和第三影响特征系数集，得到训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器；通过参数变化预测单元4获取第一信号参数数据集、第二信号参数数据集和第三信号参数数据集，基于训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器，得到第一参数预测信息集、第二参数预测信息集和第三参数预测信息集；通过预测数据分析单元5将第一参数预测信息集分别与第二参数预测信息集和第三参数预测信息集进行参数分析，输出第一种线路差值判断对象集；通过预警线路判定单元6将第一种线路差值判断对象集与预设差值预警判定区间值进行数值比较，以标记预警线路，并输出第一种标记故障区段线路预警结果。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (8)

1.一种基于物联网的可实时监测的电气火灾预警方法，其特征在于，包括以下步骤：
获取所有线路中第一种线路、第二种线路和第三种线路分别对应的第一条件特征数据集、第二条件特征数据集和第三条件特征数据集；
基于所述第一种线路、第二种线路和第三种线路中对应的第一区段切割线路集、第二区段切割线路集和第三区段切割线路，获取第一影响特征系数集、第二影响特征系数集和第三影响特征系数集；
基于所述第一条件特征数据集、第二条件特征数据集和第三条件特征数据集以及第一影响特征系数集、第二影响特征系数集和第三影响特征系数集，得到训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器；
获取第一信号参数数据集、第二信号参数数据集和第三信号参数数据集，基于所述训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器，得到第一参数预测信息集、第二参数预测信息集和第三参数预测信息集；
将所述第一参数预测信息集分别与第二参数预测信息集和第三参数预测信息集进行参数分析，输出第一种线路差值判断对象集；
将所述第一种线路差值判断对象集与预设差值预警判定区间值进行数值比较，以标记预警线路，并输出第一种标记故障区段线路预警结果。
2.根据权利要求1所述的一种基于物联网的可实时监测的电气火灾预警方法，其特征在于，所述获取所有线路中第一种线路、第二种线路和第三种线路所对应的第一条件特征数据集、第二条件特征数据集和第三条件特征数据集的步骤，包括：
获取所有不同所属类型的所有线路，从所述所有线路中随意选择出三种类型的线路，输出第一种线路、第二种线路和第三种线路；
对第一种线路、第二种线路和第三种线路分别进行等距多区段的线路切割，输出第一区段切割线路集、第二区段切割线路集和第三区段切割线路集；
获取第一区段切割线路集、第二区段切割线路集和第三区段切割线路集中每区段线路对应的线路粗细程度值、环境温湿度数据和外层绝缘程度值，将得到的三种数据信息进行集合打包处理，输出第一条件特征数据集、第二条件特征数据集和第三条件特征数据集。
3.根据权利要求1所述的一种基于物联网的可实时监测的电气火灾预警方法，其特征在于，基于所述第一种线路、第二种线路和第三种线路中对应的第一区段切割线路集、第二区段切割线路集和第三区段切割线路，获取第一影响特征系数集、第二影响特征系数集和第三影响特征系数集的步骤，包括：
获取第一区段切割线路集、第二区段切割线路集和第三区段切割线路集中每区段线路的第一历史故障记录信息、第二历史故障记录信息和第三历史故障记录信息；
提取出第一历史故障记录信息、第二历史故障记录信息和第三历史故障记录信息各自分别对每区段线路当前火灾故障发生的影响特征系数，根据影响特征系数，输出第一影响特征系数集、第二影响特征系数集和第三影响特征系数集。
4.根据权利要求1所述的一种基于物联网的可实时监测的电气火灾预警方法，其特征在于，所述基于所述第一条件特征数据集、第二条件特征数据集和第三条件特征数据集以及第一影响特征系数集、第二影响特征系数集和第三影响特征系数集，得到训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器的步骤，包括：
将所述第一影响特征系数集和第一条件特征数据集均输入至第一参数变化预测器中进行训练，得到训练后的第一参数变化预测器；
将第二影响特征系数集和第二条件特征数据集均输入至第二参数变化预测器中进行训练，得到训练后的第二参数变化预测器；
将第三影响特征系数集和第三条件特征数据集均输入至第三参数变化预测器中进行训练，得到训练后的第三参数变化预测器。
5.根据权利要求1所述的一种基于物联网的可实时监测的电气火灾预警方法，其特征在于，所述获取第一信号参数数据集、第二信号参数数据集和第三信号参数数据集，基于所述训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器，得到第一参数预测信息集、第二参数预测信息集和第三参数预测信息集的步骤，包括：
获取第一区段切割线路集、第二区段切割线路集和第三区段切割线路集中每区段切割线路的多个实时信号参数数据，并对三个区段切割线路中每区段切割线路的多个实时信息参数数据分别进行集合打包处理，输出第一信号参数数据集、第二信号参数数据集和第三信号参数数据集；
将所述第一信号参数数据集输入至训练后的第一参数变化预测器中进行测试，输出第一参数预测信息集；
将所述第二信号参数数据集输入至训练后的第二参数变化预测器中进行测试，输出第二参数预测信息集；
将所述第三信号参数数据集输入至训练后的第三参数变化预测器中进行测试，输出第三参数预测信息集。
6.根据权利要求1所述的一种基于物联网的可实时监测的电气火灾预警方法，其特征在于，所述将所述第一参数预测信息集分别与第二参数预测信息集和第三参数预测信息集进行参数比对分析处理，输出第一种线路差值判断对象集的步骤，包括：
将所述第一参数预测信息集分别与第二参数预测信息集和第三参数预测信息集进行对应区段线路信号参数数据的求差值处理，输出第一参数差值数据集和第二参数差值数据集；
将第一参数差值数据集与第二参数差值数据集中每对应位置区段的参数差值进行求平均值处理，输出第一种线路差值判断对象集。
7.根据权利要求1所述的一种基于物联网的可实时监测的电气火灾预警方法，其特征在于，所述将所述第一种线路差值判断对象集与预设差值预警判定区间值进行数值比较判断和标记预警处理，输出第一种标记故障区段线路预警结果的步骤，包括：
设定预设差值预警判定区间值；
判断所述第一种线路差值判断对象集中是否存有大于预设差值预警判定区间值的数值；
若判断出所述第一种线路差值判断对象集中存有大于预设差值预警判定区间值的数值，则提取出所述数值对应的第一区段切割线路集中的一个区段线路，并输出第一种预警区段线路；若判断出所述第一种线路差值判断对象集中的数值均小于或等于预设差值预警判定区间值，则输出判断结束；
对第一种预警区段线路进行位置区段的标记和预警通知，输出第一种标记故障区段线路预警结果。
8.一种基于物联网的可实时监测的电气火灾预警的系统，其特征在于，所述系统用于实现权利要求1-7任意一项所述的一种基于物联网的可实时监测的电气火灾预警方法，包括：
线路特征获取单元（1），用于获取所有线路中第一种线路、第二种线路和第三种线路分别对应的第一条件特征数据集、第二条件特征数据集和第三条件特征数据集；
故障影响分析单元（2），用于根据第一种线路、第二种线路和第三种线路中对应的第一区段切割线路集、第二区段切割线路集和第三区段切割线路，获取第一影响特征系数集、第二影响特征系数集和第三影响特征系数集；
参数预测器训练单元（3），用于根据第一条件特征数据集、第二条件特征数据集和第三条件特征数据集以及第一影响特征系数集、第二影响特征系数集和第三影响特征系数集，得到训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器；
参数变化预测单元（4），用于获取第一信号参数数据集、第二信号参数数据集和第三信号参数数据集，基于训练后的第一参数变化预测器、训练后的第二参数变化预测器和训练后的第三参数变化预测器，得到第一参数预测信息集、第二参数预测信息集和第三参数预测信息集；
预测数据分析单元（5），用于将第一参数预测信息集分别与第二参数预测信息集和第三参数预测信息集进行参数分析，输出第一种线路差值判断对象集；
预警线路判定单元（6），用于将第一种线路差值判断对象集与预设差值预警判定区间值进行数值比较，以标记预警线路，并输出第一种标记故障区段线路预警结果。
CN202410011695.7A 2024-01-04 2024-01-04 一种基于物联网的可实时监测的电气火灾预警系统及方法 Active CN117523808B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410011695.7A CN117523808B (zh) 2024-01-04 2024-01-04 一种基于物联网的可实时监测的电气火灾预警系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410011695.7A CN117523808B (zh) 2024-01-04 2024-01-04 一种基于物联网的可实时监测的电气火灾预警系统及方法

Publications (2)

Publication Number Publication Date
CN117523808A true CN117523808A (zh) 2024-02-06
CN117523808B CN117523808B (zh) 2024-04-09

Family

ID=89766873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410011695.7A Active CN117523808B (zh) 2024-01-04 2024-01-04 一种基于物联网的可实时监测的电气火灾预警系统及方法

Country Status (1)

Country Link
CN (1) CN117523808B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202230166U (zh) * 2011-09-23 2012-05-23 宁波习羽电子发展有限公司 故障电弧检测模块和电气火灾监控探测器
CN202257832U (zh) * 2011-09-23 2012-05-30 宁波习羽电子发展有限公司 一种电气火灾监控探测器
CN107564231A (zh) * 2017-09-15 2018-01-09 山东建筑大学 基于物联网的建筑物火灾预警及火灾态势评估系统及方法
CN113223263A (zh) * 2021-04-25 2021-08-06 深圳市芯中芯科技有限公司 一种基于物联网的电气火灾监测系统
CN116389235A (zh) * 2023-03-20 2023-07-04 昆明时岸概为科技有限公司 一种应用于工业物联网的故障监测方法及系统
CN116611562A (zh) * 2023-05-23 2023-08-18 浙江之科智元科技有限公司 一种基于物联网的智慧园区火灾预警管理系统及方法
CN116665424A (zh) * 2023-07-27 2023-08-29 小熊电子科技秦皇岛有限公司 一种火灾自动报警消防联动系统
CN117218495A (zh) * 2023-10-08 2023-12-12 北京拓邦智达科技有限公司 一种电表箱的风险检测方法及系统
CN117275206A (zh) * 2023-10-07 2023-12-22 淮阴师范学院 一种基于物联网的电气火灾监测预警系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202230166U (zh) * 2011-09-23 2012-05-23 宁波习羽电子发展有限公司 故障电弧检测模块和电气火灾监控探测器
CN202257832U (zh) * 2011-09-23 2012-05-30 宁波习羽电子发展有限公司 一种电气火灾监控探测器
CN107564231A (zh) * 2017-09-15 2018-01-09 山东建筑大学 基于物联网的建筑物火灾预警及火灾态势评估系统及方法
CN113223263A (zh) * 2021-04-25 2021-08-06 深圳市芯中芯科技有限公司 一种基于物联网的电气火灾监测系统
CN116389235A (zh) * 2023-03-20 2023-07-04 昆明时岸概为科技有限公司 一种应用于工业物联网的故障监测方法及系统
CN116611562A (zh) * 2023-05-23 2023-08-18 浙江之科智元科技有限公司 一种基于物联网的智慧园区火灾预警管理系统及方法
CN116665424A (zh) * 2023-07-27 2023-08-29 小熊电子科技秦皇岛有限公司 一种火灾自动报警消防联动系统
CN117275206A (zh) * 2023-10-07 2023-12-22 淮阴师范学院 一种基于物联网的电气火灾监测预警系统
CN117218495A (zh) * 2023-10-08 2023-12-12 北京拓邦智达科技有限公司 一种电表箱的风险检测方法及系统

Also Published As

Publication number Publication date
CN117523808B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN108627720B (zh) 一种基于贝叶斯算法的电力设备状态监测方法
JP2000512766A (ja) 高電圧絶縁における部分放電測定の統計的パターン分析方法
CN110456234B (zh) 故障电弧的检测方法、装置和系统
CN105719094A (zh) 一种输电设备状态评估方法
CN115566804B (zh) 一种基于分布式光纤传感技术的电力监测系统
CN116520093B (zh) 一种高压母线运行故障定位方法及装置
CN112763848A (zh) 确定电力系统故障的方法及装置
CN105530456A (zh) 变电站监控方法、装置及系统
CN115687969A (zh) 一种基于声音特征分析的低压变压器故障诊断方法
CN116108402A (zh) 基于电力多源异构数据融合分析的方法、设备及存储介质
CN112417763A (zh) 输电线路的缺陷诊断方法、装置、设备及存储介质
CN115620473A (zh) 一种多场景电缆隐形火灾在线监测系统
CN117523808B (zh) 一种基于物联网的可实时监测的电气火灾预警系统及方法
CN103400308A (zh) Gis设备运行状态在线检测方法与系统
CN117031182B (zh) 配电站所终端遥测值异常检测方法及系统
CN114740306A (zh) 一种基于电网信息化的配电网线路故障在线监测预警管理系统
CN116879684B (zh) 一种异常线路判断方法及系统
CN112016739A (zh) 故障检测方法、装置、电子设备及存储介质
CN117110794A (zh) 一种电缆故障智能诊断系统及方法
CN110232769A (zh) 基于大数据统计的分布式零售终端模块化预警方法
CN115713038A (zh) 一种基于深度循环神经网络的配用电故障检测方法及系统
CN115688961A (zh) 基于深度学习的电力设备故障预测方法及系统
CN111583594B (zh) 一种配电箱预警系统及预警方法
CN106443238A (zh) 高压设备状态评估方法、在线监测装置评估方法及装置
CN117407824B (zh) 一种电力时间同步装置的健康检测方法、设备和介质

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