[go: up one dir, main page]

CN117633611B - 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 PDF

Info

Publication number
CN117633611B
CN117633611B CN202311376897.3A CN202311376897A CN117633611B CN 117633611 B CN117633611 B CN 117633611B CN 202311376897 A CN202311376897 A CN 202311376897A CN 117633611 B CN117633611 B CN 117633611B
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.)
Active
Application number
CN202311376897.3A
Other languages
English (en)
Other versions
CN117633611A (zh
Inventor
李敏
高宵
赵海龙
赵天
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.)
Beijing Hangtian Changxing S&t Development Co ltd
Original Assignee
Beijing Hangtian Changxing S&t Development 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 Beijing Hangtian Changxing S&t Development Co ltd filed Critical Beijing Hangtian Changxing S&t Development Co ltd
Priority to CN202311376897.3A priority Critical patent/CN117633611B/zh
Publication of CN117633611A publication Critical patent/CN117633611A/zh
Application granted granted Critical
Publication of CN117633611B publication Critical patent/CN117633611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Mathematical Optimization (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Discrete Mathematics (AREA)
  • Public Health (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (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

一种危险用电器及用电行为识别方法及系统
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
据国家消防救援局统计，2022年共接报火灾82.5万起，死亡2053人、受伤2122人，直接财产损失71.6亿元。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(25、75、125、...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(25、75、125、...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 (8)

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；
所述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(25、75、125、...2475)的占有率总和；
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；
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；
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。
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1-3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。
5.一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；
所述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(25、75、125、...2475)的占有率总和；
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；
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；
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。
6.根据权利要求5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。
7.一种电子设备，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1-4任一项所述的危险用电器及用电行为识别方法。
8.一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4中的任一项所述的危险用电器及用电行为识别方法。
CN202311376897.3A 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 Active CN117633611B (zh)

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 CN117633611A (zh) 2024-03-01
CN117633611B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118677106A (zh) * 2024-06-24 2024-09-20 北京莱卡电子科技有限公司 一种新型智慧安全用电装置

Citations (13)

* Cited by examiner, † Cited by third party
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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10429419B2 (en) * 2015-03-26 2019-10-01 The University Of Akron System and method for iterative condition monitoring and fault diagnosis of electric machines

Patent Citations (13)

* Cited by examiner, † Cited by third party
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
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)

* Cited by examiner, † Cited by third party
Title
基于NWPSO BP 神经网络的异常用电行为检测算法;李晋国 等;《上海电力大学学报》;20200831;第36卷(第4期);第357-363页 *
基于非侵入式负荷监测的家庭电气火灾防控系统;吕银华 等;《物联网技术》;20230520;第13卷(第5期);第8-11, 16页 *

Also Published As

Publication number Publication date
CN117633611A (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN103913663B (zh) 一种直流系统电弧故障在线检测方法和保护装置
CN103915818A (zh) 串联故障电弧检测方法及其专用装置
CN105629112B (zh) 一种故障电弧检测装置及方法
CN205941736U (zh) 故障电弧检测装置
CN105067966A (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
CN102788931A (zh) 用于电力变压器绕组故障的诊断方法
CN117633611B (zh) 一种危险用电器及用电行为识别方法及系统
CN115166393A (zh) 一种变压器的智能诊断及状态评估方法
CN110398669A (zh) 电弧故障检测方法
CN109932053A (zh) 一种用于高压并联电抗器的状态监测装置及方法
CN117214780B (zh) 变压器故障检测方法及装置
CN116449256A (zh) 一种基于声纹传感的变压器状态故障诊断系统及其方法
CN116819250A (zh) 一种对于光伏系统中故障电弧的探测方法
Gong et al. Series arc fault identification method based on wavelet transform and feature values decomposition fusion DNN
CN117110794A (zh) 一种电缆故障智能诊断系统及方法
CN204064351U (zh) 一种电力变压器的监测诊断装置
CN104501873B (zh) 一种环网柜的集成信息监控系统
CN111157045B (zh) 一种人工智能电气线路异常风险程度监测方法及系统
CN106570644A (zh) 一种基于统计工具的输变电设备量化评估方法
CN118486153B (zh) 一种消防安全管理智能预警方法及系统
CN112881835B (zh) 一种基于电气特征序列分析的电瓶车充电状态分析方法
Niazazari et al. Event cause analysis in distribution networks using synchro waveform measurements
CN111796205B (zh) Ac220v回路电气安全管控方法及系统
CN119132312A (zh) 一种变电站高压设备异常声音识别检测装置
CN108519526A (zh) 一种判断变压器谐波负载运行状态的方法及系统

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