CN117633611A - 一种危险用电器及用电行为识别方法及系统 - Google Patents
一种危险用电器及用电行为识别方法及系统 Download PDFInfo
- Publication number
- CN117633611A CN117633611A CN202311376897.3A CN202311376897A CN117633611A CN 117633611 A CN117633611 A CN 117633611A CN 202311376897 A CN202311376897 A CN 202311376897A CN 117633611 A CN117633611 A CN 117633611A
- Authority
- CN
- China
- Prior art keywords
- current
- occupancy
- harmonic
- occupancy rate
- odd
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000005611 electricity Effects 0.000 title description 10
- 230000006399 behavior Effects 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003466 welding Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000006698 induction Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种危险用电器及用电行为识别方法、系统、设备及介质，所述方法包括：获取市电入户线的电压、电流全波、电流基波、剩余电流、功率因数、有功功率、电流波形缓存数据；获取市电入户线的线路的温度；对滤波处理后的电压、电流全波、电流基波、剩余电流、功率因数、有功功率，以及温度进行数据归一化处理，分别计算归一化后的系数Rr；对滤波处理后的电流波形进行频谱特征提取，计算电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh；将上述计算后的数据输入训练好的BP神经网络报警识别模型进行识别，以识别出潜在危险用电器、故障电弧或危险用电行为，减少安全隐患。
Description
技术领域
本发明涉及电气监控领域，特别是涉及一种危险用电器及用电行为识别方法及系统。
背景技术
自建住宅火灾形势仍较严峻，电气火灾风险最大。从初步调查的自建住宅火灾起火原因看，因电气故障引发的火灾占总数42.8％，明显高于各类场所火灾中电气占30.9％和非自建住宅火灾中电气占32.9％的比重，表明电气线路原始设计敷设不规范、私拉乱接电线、超负荷用电等电气类问题是自建住房存在的最大火灾隐患，加之违规用作生产、储存、经营等现象也较普遍，又进一步放大了火灾风险。
目前，一些传统方法和设备可以用于检测电器设备的电气特性，例如电流、电压等，以及一些基本的用电行为，如过载检测等。然而，这些方法往往无法全面、准确地识别危险用电器及复杂的用电行为。
由此可见，现有技术在处理复杂的用电行为识别、危险电器预警等方面存在局限性，需要更加智能化和精确的解决方案。如何能创设一种新的危险用电器及用电行为识别方法及系统，使其能够实时监测电器设备的状态、电气参数，并通过智能分析算法来判断是否存在危险隐患。同时，还能够识别复杂的用电行为模式，如电器设备的长时间过载、异常的线路连接等，以提前预警用户并采取相应的安全措施，成为当前业界极需改进的目标。
发明内容
本发明要解决的技术问题是提供一种新的危险用电器及用电行为识别方法及系统，使其能够实时监测电器设备的状态、电气参数，并通过智能分析算法来判断是否存在危险隐患。同时，还能够识别复杂的用电行为模式，如电器设备的长时间过载、异常的线路连接等，以提前预警用户并采取相应的安全措施，从而克服现有技术存在的不足。
为解决上述技术问题，本发明采用如下技术方案：
第一方面，本发明提供了一种危险用电器及用电行为识别方法，包括如下步骤：
S110:获取市电入户线的电压、电流全波、电流基波、剩余电流、功率因数、有功功率、电流波形缓存等数据，电流波形为主要识别数据；
获取市电入户线的线路的温度；
S120:对滤波处理后的电压、电流全波、电流基波、剩余电流、功率因数、有功功率，以及温度进行数据归一化处理，分别计算归一化后的系数Rr；
对滤波处理后的电流波形进行频谱特征提取，计算电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh；所述占有率＝各谐波值/谐波总和；
S130:将计算的电压、电流全波、电流基波、剩余电流、功率因数、有功功率及温度归一化后的系数Rr、电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh输入训练好的BP神经网络报警识别模型进行识别，以识别出潜在危险用电器、故障电弧或危险用电行为。
进一步地，所述潜在危险用电器及危险用电行为包括长时间超负荷使用电器、频繁开关电器、电焊作业、电动车充电、电器故障、线路过载、不当的用电连接。
进一步地，所述S110中，通过计量芯片采集的市电入户线的电压、电流全波、电流基波、剩余电流、功率因数、有功功率、电流波形缓存等数据；通过NTC温度传感器获取市电入户线的线路的温度。
进一步地，所述S120中：对滤波处理后的电流波形进行频谱特征提取，计算电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh包括：
对滤波处理后的电流波形进行频谱特征提取，电流波形采样速率Fs＝6.4K,采样点数N＝2^8＝256,进行快速傅里叶变换FFT,得到频谱Fn＝(n-1)*Fs/N,再计算出对应频率点的模值S(n),n为对应的频率点，因为频谱的对称特性所以取M＝N/2，并将模值计算总和Sum；
求出对应频率点的含量值SQ(n)＝S(n)/Sum,n为对应的频率点；
取出频谱Fn＝[0,25,50,75,100,125,150,175,200,225,250,275,...,2500]的含量值记作Xn,n取值为[0,1,2,...,100]，对应频谱Fn＝(n-1)*Fs/N；
X0表示：直流分量的电流含量值，X1表示：25HZ的电流含量值，X2表示：基波50HZ的电流含量值，Xn表示：n次谐波的电流含量值，Xn(n＝100)表示:50次谐波的电流含量值；
奇次谐波占有率Oh为Fn中频率为(150、250、350、...2450)的占有率总和；
偶次谐波占有率Eh为Fn中频率为(100、200、300、...2500)的占有率总和；
非基非偶次谐波占有率Nh为Fn中频率为(150、250、350、...2475)的占有率总和。
进一步地，所述BP神经网络报警识别模型为3层BP神经网络报警识别模型，其中：
输入层为之前计算的电压、电流全波、电流基波、剩余电流、功率因数、有功功率及温度归一化后的系数Rr、电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh；
和/或，输入层记作矩阵XD(20,111)，每次用20组数据进行损失函数计算；
和/或，隐藏层为三层，第一层记作Affier1,神经元个数为50个,第二层记作Affier2,神经元个数为20个，第三层记作Affier3,神经元个数为10个；
和/或，输出层采用softMax函数计算对应的报警识别类别，模型为分类问题；
和/或，Affier1激活函数采用Relu,Affier2和Affier3激活函数采用Sigmoid。
进一步地，识别后及时发出警报和建议。
第二方面，本发明还提供了一种危险用电器及用电行为识别系统，包括:
数据获取模块:用于获取市电入户线的电压、电流全波、电流基波、剩余电流、功率因数、有功功率、电流波形缓存等数据；获取市电入户线的线路的温度；
数据处理模块：用于对滤波处理后的所述电压、电流全波、电流基波、剩余电流、功率因数、有功功率，以及温度进行数据归一化处理，分别计算归一化后的系数Rr；对滤波处理后的电流波形进行频谱特征提取，计算电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh；所述占有率＝各谐波值/谐波总和；
模型识别模块：用于将计算的电压、电流全波、电流基波、剩余电流、功率因数、有功功率及温度归一化后的系数Rr、电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh输入训练好的BP神经网络报警识别模型进行识别，以识别出潜在危险用电器、故障电弧或危险用电行为。
进一步地，所述数据处理模块或数据处理模块与模型识别模块位于云服务器端；
和/或，还包括用户终端，在模型识别后接受警报和建议。
第三方面，本发明还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有能够被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行时，使所述至少一个处理器执行上述的危险用电器及用电行为识别方法。
第四方面，本发明还提供了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，所述计算机指令当由至少一个处理器执行时使所述至少一个处理器执行上述的危险用电器及用电行为识别方法。
通过采用上述技术方案，本发明至少具有以下优点：
(1)本发明将采集的电压、电流、剩余电流、有功功率、无功功率、电流波形，及功率因数、温度等数据作为特征数据归一化，对潜在危险用电器使用时的电流电压变化规律及其电流波形时频特征训练全连接网络模型(BP神经网络报警识别模型)进行负载识别，能够更加有效地检测可能导致火灾的电器或故障电弧或用电行为，从而减少电器引发火灾的风险。
(2)基于数据分析技术，监测用户的用电行为模式，识别异常或危险行为，如长时间超负荷使用电器、频繁开关电器、电焊作业、电动车充电等。通过智能监测前端设备进行报警推送，可以帮助用户更好地了解风险的程度和潜在的威胁，从而更好地做出决策，采取措施来减少风险。
(3)该技术可以收集大量用户的用电数据，通过分析这些数据，了解用电模式的趋势和变化，为能源规划和政策制定提供参考。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明一实施例提供的危险用电器及用电行为识别方法流程图；
图2是本发明一实施例提供的训练次数10000次后的损失函数图；
图3是本发明一实施例提供的电磁炉与吹风机正常波形及频谱图；
图4是本发明一实施例提供的电磁炉与吹风机异常波形及频谱图；
图5是本发明一实施例提供的电热水壶和微波炉正常波形及频谱图；
图6是本发明一实施例提供的电热水壶和微波炉故障波形及频谱图。
图7是本发明一实施例提供的危险用电器及用电行为识别系统整体结构示意图；
图8是本发明一实施例提供的电子设备图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。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。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其他方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其他结构及/或功能性实施此设备及/或实践此方法。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本发明提出了一种危险用电器及用电行为识别方法，通过结合先进的传感器技术、智能分析算法和实时监测手段，将采集的电压、电流、剩余电流、有功功率、无功功率、电流波形及功率因数等数据作为特征数据归一化，实现了对电器设备状态和潜在危险用电行为的全面、准确的识别。该技术能够识别多种危险隐患，包括电器故障、线路过载、故障电弧、不当的用电连接等，并能够向用户发出及时的警报和建议，从而大大降低电气事故的发生概率。
图1是本发明一实施例提供的危险用电器及用电行为识别方法流程图。
如图1所示，在步骤S110处，获取市电入户线的电压、电流全波、电流基波、剩余电流、功率因数、有功功率、电流波形缓存数据；获取市电入户线的线路的温度,电流波形数据作为主要数据。
此处，优选通过计量芯片采集的市电入户线的电压、电流全波、电流基波、剩余电流、功率因数、有功功率、电流波形缓存等数据；通过NTC温度传感器获取市电入户线的线路的温度。
在步骤S120处，对滤波处理后的所述电压、电流全波、电流基波、剩余电流、功率因数、有功功率，以及温度进行数据归一化处理，分别计算归一化后的系数Rr。
更具体地，r为实际采集的值，Rmin为最小监测值，Rmax为最大监测值，计算的归一化后的系数Rr限制为[-1,1]区间
对滤波处理后的电流波形进行频谱特征提取，计算电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh，占有率＝各谐波值/谐波总和。
更具体地，电流波形采样速率Fs＝6.4K,采样点数N＝2^8＝256,进行快速傅里叶变换FFT,得到频谱Fn＝(n-1)*Fs/N,再计算出对应频率点的模值S(n),n为对应的频率点，因为频谱的对称特性所以取M＝N/2，并将模值计算总和Sum；
求出对应频率点的含量值SQ(n)＝S(n)/Sum,n为对应的频率点；
取出频谱Fn＝[0,25,50,75,100,125,150,175,200,225,250,275,...,2500]的含量值记作Xn,n取值为[0,1,2,...,100]，对应频谱Fn＝(n-1)*Fs/N；
X0表示：直流分量的电流含量值，X1表示：25HZ的电流含量值，X2表示：基波50HZ的电流含量值，Xn表示：n次谐波的电流含量值，Xn(n＝100)表示:50次谐波的电流含量值；
奇次谐波占有率Oh为Fn中频率为(150、250、350、...2450)的占有率总和；
偶次谐波占有率Eh为Fn中频率为(100、200、300、...2500)的占有率总和；
非基非偶次谐波占有率Nh为Fn中频率为(150、250、350、...2475)的占有率总和。
在步骤S130处，将计算的电压、电流全波、电流基波、剩余电流、功率因数、有功功率及温度归一化后的系数Rr、电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh输入训练好的BP神经网络报警识别模型进行识别，神经网络输出层对应各个危险用电器、故障电弧或危险用电行为。
其中，BP神经网络报警识别模型选择3层BP神经网络进行报警识别模型，输入层为之前计算的电压、电流全波、电流基波、剩余电流、功率因数、有功功率及温度归一化后的系数Rr、电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh；输入层记作矩阵XD(20,111)，每次用20组数据进行损失函数计算；隐藏层为三层，第一层记作Affier1,神经元个数为50个,第二层记作Affier2,神经元个数为20个，第三层记作Affier3,神经元个数为10个；输出层采用softMax函数计算对应的报警识别类别，模型为分类问题；Affier1激活函数采用Relu,Affier2和Affier3激活函数采用Sigmoid。训练次数10000次后的损失函数如图2所示。
relu函数公式如下：
sigmoid函数公式如下：
使用故障电弧发生装置模拟产生电弧，接入用电器电动车，热水壶，吹风机，电磁炉，微波炉，并采集数据审核后进行模型训练；
模型经数据集测试正确率≥96％，可以应用区分异常电弧及其特殊电器的识别如微波炉吹风机等特殊设备。
电流谐波可作为负载异常报警识别并列出部分负载异常和正常的频谱图。
如图3是本发明一实施例提供的电磁炉与吹风机正常波形及频谱图；
图4是本发明一实施例提供的电磁炉与吹风机异常波形及频谱图；
图5是本发明一实施例提供的电热水壶和微波炉正常波形及频谱图；
图6是本发明一实施例提供的电热水壶和微波炉故障波形及频谱图。
通过对比可识别出危险用电器及故障电弧或危险用电行为。
本实施例的报警(预警)功能分为故障电弧预警,及危险用电器，如电动车，热水壶，吹风机，电磁炉，微波炉接入预警等。
图7示出了本发明一实施例提供的危险用电器及用电行为识别系统模块1000，包括数据获取模块1010、数据处理模块1020、模型识别模块1030。
数据获取模块1010用于获取市电入户线的电压、电流全波、电流基波、剩余电流、功率因数、有功功率、电流波形缓存等数据；获取市电入户线的线路的温度。
数据处理模块1020用于对滤波处理后的所述电压、电流全波、电流基波、剩余电流、功率因数、有功功率，以及温度进行数据归一化处理，分别计算归一化后的系数Rr；对滤波处理后的电流波形进行频谱特征提取，计算电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh；所述占有率＝各谐波值/谐波总和。
模型识别模块1030用于将计算的电压、电流全波、电流基波、剩余电流、功率因数、有功功率及温度归一化后的系数Rr、电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh输入训练好的BP神经网络报警识别模型进行识别，以识别出潜在危险用电器及异常或危险用电行为。
本发明一实施例提供的危险用电器及用电行为识别系统整体结构，其还包括云服务器端及用户终端，前述的数据处理模块，或这数据处理模块与模型识别模块可以位于云服务器端；在模型识别后发出警报和建议给用户终端。
参见图8，本发明一实施例还提供了一种电子设备110，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的危险用电器及用电行为识别方法。
本发明实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的危险用电器及用电行为识别方法。
本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的危险用电器及用电行为识别方法。
如图8所示，电子设备110可以包括处理装置(例如中央处理器、图形处理器等)1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储装置1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有电子设备110操作所需的各种程序和数据。处理装置1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
通常，以下装置可以连接至I/O接口1105：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1106；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1107；包括例如磁带、硬盘等的存储装置1108；以及通信装置1109。通信装置1109可以允许电子设备110与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备110，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。
Claims (10)
1.一种危险用电器及用电行为识别方法，其特征在于，包括如下步骤：
S110:获取市电入户线的电压、电流全波、电流基波、剩余电流、功率因数、有功功率、电流波形缓存数据；
获取市电入户线的线路的温度；
S120:对滤波处理后的所述电压、电流全波、电流基波、剩余电流、功率因数、有功功率，以及温度进行数据归一化处理，分别计算归一化后的系数Rr；
对滤波处理后的电流波形进行频谱特征提取，计算电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh；所述占有率＝各谐波值/谐波总和；
S130:将计算的电压、电流全波、电流基波、剩余电流、功率因数、有功功率及温度归一化后的系数Rr、电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh输入训练好的BP神经网络报警识别模型进行识别，以识别出潜在危险用电器、故障电弧或危险用电行为。
2.根据权利要求1所述的危险用电器及用电行为识别方法，其特征在于，所述潜在危险用电器或危险用电行为包括长时间超负荷使用电器、频繁开关电器、电焊作业、电动车充电、电器故障、线路过载、不当的用电连接。
3.根据权利要求1所述的危险用电器及用电行为识别方法，其特征在于，所述S110中，通过计量芯片采集的市电入户线的电压、电流全波、电流基波、剩余电流、功率因数、有功功率、电流波形缓存数据；通过NTC温度传感器获取市电入户线的线路的温度。
4.根据权利要求1所述的危险用电器及用电行为识别方法，其特征在于，所述S120中：对滤波处理后的电流波形进行频谱特征提取，计算电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh包括：
对滤波处理后的电流波形进行频谱特征提取，电流波形采样速率Fs＝6.4K,采样点数N＝2^8＝256,进行快速傅里叶变换FFT,得到频谱Fn＝(n-1)*Fs/N,再计算出对应频率点的模值S(n),n为对应的频率点，因为频谱的对称特性所以取M＝N/2，并将模值计算总和Sum；
求出对应频率点的含量值SQ(n)＝S(n)/Sum,n为对应频率点；
取出频谱Fn＝[0,25,50,75,100,125,150,175,200,225,250,275,...,2500]的含量值，记作Xn，n取值为[0,1,2,...,100]，对应频谱Fn＝(n-1)*Fs/N；
X0表示：直流分量的电流含量值，X1表示：25HZ的电流含量值，X2表示：基波50HZ的电流含量值，Xn表示：n次谐波的电流含量值，Xn(n＝100)表示:50次谐波的电流含量值；
奇次谐波占有率Oh为Fn中频率为(150、250、350、...2450)的占有率总和；
偶次谐波占有率Eh为Fn中频率为(100、200、300、...2500)的占有率总和；
非基非偶次谐波占有率Nh为Fn中频率为(150、250、350、...2475)的占有率总和。
5.根据权利要求1-4任一项所述的危险用电器及用电行为识别方法，其特征在于，所述BP神经网络报警识别模型为3层BP神经网络报警识别模型，其中：
输入层为之前计算的电压、电流全波、电流基波、剩余电流、功率因数、有功功率及温度归一化后的系数Rr、电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh；
和/或，输入层记作矩阵XD(20,111)，每次用20组数据进行损失函数计算；
和/或，隐藏层为三层，第一层记作Affier1,神经元个数为50个,第二层记作Affier2,神经元个数为20个，第三层记作Affier3,神经元个数为10个；
和/或，输出层采用softMax函数计算对应的报警识别类别，模型为分类问题；
和/或，Affier1激活函数采用Relu,Affier2和Affier3激活函数采用Sigmoid。
6.根据权利要求1-4任一项所述的危险用电器及用电行为识别方法，其特征在于，识别后及时发出警报和建议。
7.一种危险用电器及用电行为识别系统，其特征在于，包括:
数据获取模块:用于获取市电入户线的电压、电流全波、电流基波、剩余电流、功率因数、有功功率、电流波形缓存数据；获取市电入户线的线路的温度；
数据处理模块：用于对滤波处理后的电压、电流全波、电流基波、剩余电流、功率因数、有功功率，以及温度进行数据归一化处理，分别计算归一化后的系数Rr；对滤波处理后的电流波形进行频谱特征提取，计算电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh；所述占有率＝各谐波值/谐波总和；
模型识别模块：用于将计算的电压、电流全波、电流基波、剩余电流、功率因数、有功功率及温度归一化后的系数Rr、电流各谐波点的占有率以及奇次谐波占有率Oh、偶次谐波占有率Eh及非奇非偶谐波占有率Nh输入训练好的BP神经网络报警识别模型进行识别，以识别出潜在危险用电器、故障电弧或危险用电行为。
8.根据权利要求7所述的危险用电器及用电行为识别系统，其特征在于，
所述数据处理模块或数据处理模块与模型识别模块位于云服务器端；
和/或，还包括用户终端，在模型识别后接受警报和建议。
9.一种电子设备，其特征在于，该电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有能够被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行时，使所述至少一个处理器执行如权利要求1-6任一项所述的危险用电器及用电行为识别方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令当由至少一个处理器执行时使所述至少一个处理器执行如权利要求1至6中的任一项所述的危险用电器及用电行为识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311376897.3A CN117633611B (zh) | 2023-10-23 | 2023-10-23 | 一种危险用电器及用电行为识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311376897.3A CN117633611B (zh) | 2023-10-23 | 2023-10-23 | 一种危险用电器及用电行为识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117633611A true CN117633611A (zh) | 2024-03-01 |
| CN117633611B CN117633611B (zh) | 2024-05-24 |
Family
ID=90032893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311376897.3A Active CN117633611B (zh) | 2023-10-23 | 2023-10-23 | 一种危险用电器及用电行为识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117633611B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040087036A (ko) * | 2003-04-04 | 2004-10-13 | 서효성 | 전력용 설비의 이상신호 진단시스템 및 그 방법 그리고이상신호의 위험상태 진단방법 |
| US20160282416A1 (en) * | 2015-03-26 | 2016-09-29 | The University Of Akron | System and method for iterative condition monitoring and fault diagnosis of electric machines |
| WO2019017568A1 (ko) * | 2017-07-19 | 2019-01-24 | 이현창 | 누전 탐사 정확도 향상을 위한 장치 및 방법 |
| CN109299134A (zh) * | 2018-09-18 | 2019-02-01 | 四川长虹电器股份有限公司 | 一种非侵入式监测系统下电器的识别方法 |
| CN110084158A (zh) * | 2019-04-15 | 2019-08-02 | 杭州拓深科技有限公司 | 一种基于智能算法的用电设备识别方法 |
| WO2020044495A1 (en) * | 2018-08-30 | 2020-03-05 | Nec Corporation | Anomaly detection apparatus, method and computer-readable medium |
| CN111091141A (zh) * | 2019-11-21 | 2020-05-01 | 浙江大学 | 一种基于分层Softmax的光伏背板故障诊断方法 |
| CN112396098A (zh) * | 2020-11-12 | 2021-02-23 | 天津天大求实电力新技术股份有限公司 | 非嵌入式公寓电器负荷识别分析方法、系统及应用 |
| CN113408341A (zh) * | 2021-05-10 | 2021-09-17 | 深圳供电局有限公司 | 负荷识别方法、装置、计算机设备和存储介质 |
| CN114236234A (zh) * | 2021-11-17 | 2022-03-25 | 国网天津市电力公司 | 一种基于基波和谐波混合判据的电器特征辨识方法 |
| WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
| CN114677009A (zh) * | 2022-03-26 | 2022-06-28 | 常州大学 | 一种基于igep-cnn算法的电力数据评估方法 |
| CN115618230A (zh) * | 2022-10-24 | 2023-01-17 | 贵州电网有限责任公司 | 一种结合图半监督学习算法的串联故障电弧识别方法 |
| CN115861671A (zh) * | 2022-12-02 | 2023-03-28 | 国网辽宁省电力有限公司葫芦岛供电公司 | 一种考虑负荷特性与可调节潜力的双层自适应聚类方法 |
-
2023
- 2023-10-23 CN CN202311376897.3A patent/CN117633611B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040087036A (ko) * | 2003-04-04 | 2004-10-13 | 서효성 | 전력용 설비의 이상신호 진단시스템 및 그 방법 그리고이상신호의 위험상태 진단방법 |
| US20160282416A1 (en) * | 2015-03-26 | 2016-09-29 | The University Of Akron | System and method for iterative condition monitoring and fault diagnosis of electric machines |
| WO2019017568A1 (ko) * | 2017-07-19 | 2019-01-24 | 이현창 | 누전 탐사 정확도 향상을 위한 장치 및 방법 |
| WO2020044495A1 (en) * | 2018-08-30 | 2020-03-05 | Nec Corporation | Anomaly detection apparatus, method and computer-readable medium |
| CN109299134A (zh) * | 2018-09-18 | 2019-02-01 | 四川长虹电器股份有限公司 | 一种非侵入式监测系统下电器的识别方法 |
| CN110084158A (zh) * | 2019-04-15 | 2019-08-02 | 杭州拓深科技有限公司 | 一种基于智能算法的用电设备识别方法 |
| CN111091141A (zh) * | 2019-11-21 | 2020-05-01 | 浙江大学 | 一种基于分层Softmax的光伏背板故障诊断方法 |
| WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
| CN112396098A (zh) * | 2020-11-12 | 2021-02-23 | 天津天大求实电力新技术股份有限公司 | 非嵌入式公寓电器负荷识别分析方法、系统及应用 |
| CN113408341A (zh) * | 2021-05-10 | 2021-09-17 | 深圳供电局有限公司 | 负荷识别方法、装置、计算机设备和存储介质 |
| CN114236234A (zh) * | 2021-11-17 | 2022-03-25 | 国网天津市电力公司 | 一种基于基波和谐波混合判据的电器特征辨识方法 |
| CN114677009A (zh) * | 2022-03-26 | 2022-06-28 | 常州大学 | 一种基于igep-cnn算法的电力数据评估方法 |
| CN115618230A (zh) * | 2022-10-24 | 2023-01-17 | 贵州电网有限责任公司 | 一种结合图半监督学习算法的串联故障电弧识别方法 |
| CN115861671A (zh) * | 2022-12-02 | 2023-03-28 | 国网辽宁省电力有限公司葫芦岛供电公司 | 一种考虑负荷特性与可调节潜力的双层自适应聚类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吕银华 等: "基于非侵入式负荷监测的家庭电气火灾防控系统", 《物联网技术》, vol. 13, no. 5, 20 May 2023 (2023-05-20), pages 8 - 11 * |
| 李晋国 等: "基于NWPSO BP 神经网络的异常用电行为检测算法", 《上海电力大学学报》, vol. 36, no. 4, 31 August 2020 (2020-08-31), pages 357 - 363 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117633611B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105067966B (zh) | 基于特征模态分量能量分析的低压交流故障电弧检测方法 | |
| CN103915818B (zh) | 串联故障电弧检测方法及其专用装置 | |
| CN103576059B (zh) | 一种变压器匝间放电综合故障诊断方法及系统 | |
| CN104614608B (zh) | 一种低压并联电弧故障检测装置及方法 | |
| CN104678265A (zh) | 一种串联故障电弧检测装置及检测方法 | |
| JP2021148778A (ja) | 非接地配電システムのための過渡状態に基づいた故障位置特定方法 | |
| CN110007197B (zh) | 串联电弧故障检测系统及检测方法 | |
| CN205941736U (zh) | 故障电弧检测装置 | |
| CN105629112B (zh) | 一种故障电弧检测装置及方法 | |
| CN109299134B (zh) | 一种非侵入式监测系统下电器的识别方法 | |
| CN106549366B (zh) | 用电安全检测防护电路、开关设备或插座 | |
| CN103234576A (zh) | 一种用于智能变电站中电力设备的状态监测系统 | |
| CN108872728A (zh) | 利用智能插座的电气设备的故障诊断装置 | |
| CN110596447A (zh) | 一种基于电场测量的带电设备周围安全检测装置及其检测方法 | |
| Gong et al. | Series arc fault identification method based on wavelet transform and feature values decomposition fusion DNN | |
| CN117633611B (zh) | 一种危险用电器及用电行为识别方法及系统 | |
| CN111796205B (zh) | Ac220v回路电气安全管控方法及系统 | |
| CN113625133A (zh) | 一种配电设备局部放电的在线监测反馈系统及方法 | |
| CN106324329B (zh) | 一种基于D-dot原理的过电压自适应识别方法及系统 | |
| CN205353294U (zh) | 一种故障电弧探测装置的测试设备 | |
| CN109948937B (zh) | 人工智能自学习的安全隐患检测方法、系统、设备及介质 | |
| CN110954772A (zh) | 一种基于电气量的电动车识别方法及装置 | |
| CN115343579A (zh) | 一种电网故障分析方法、装置及电子设备 | |
| CN115420336A (zh) | 一种基于数据分析的800v交直流汇流箱安全运行管理系统 | |
| Gong et al. | A severity assessment method for multiple voltage sag |
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 |