一种用户用电安全隐患的预测方法、系统

技术领域

本发明属于用电安全预测领域，特别涉及一种用户用电安全隐患的预测方法、系统。

背景技术

随着电气化进程的全面推进，电气产品成为家家户户不可或缺的部分，但是，由于大部分用户对电气线路的检查、维护、监测缺乏重视，缺乏主动意识，电气火灾成为居民火灾中的占比最高的部分。

目前，在普遍方案中，大多通过漏电保护器、电弧探测器、剩余电流传感器与通信单元，组建成较为简单的预警系统，但是往往难以在隐患最初期及时发现异常，缺乏预警的及时性、提前性。

发明内容

本发明的目的是针对现有技术存在的上述问题，提出了一种预警及时、准确、算法资源利用高效的用户用电安全隐患的预测方法。

发明的另一目的是针对现有技术存在的上述问题，提出了一种用户用电安全隐患的预测系统。

为了实现创新本发明的目的可通过下列技术方案来实现：一种用户用电安全隐患的预测方法，包括如下步骤：

S1：基于决策树算法建立隐患预测模型和状态预测模型；

S2：采集获取用电信息数据，并进行特征提取；

S3：输入当前用电信息数据的特征数据至隐患预测模型进行分析；

S4：输出预测结果；

S5：当预测结果为异常时，输入该异常预测结果及当前用电信息数据的特征数据至状态预测模型进行分析，并输出基于该异常情况用电数据的未来发展状态；

S6：持续采集未来设定时间段内的用电数据，将步骤S5所预测的未来发展状态与实际采集到的用电数据进行比较，当吻合度高于设定阈值时即判断异常确实发生，否则判断异常未发生并输出判断结果。

本发明中，隐患预测模型常态化运行，用于预测安全隐患，隐患预测模型的预测结果为异常时使用状态预测模型进行进一步核对，并输出异常发展状态，达到高效预测目的的同时节省了算法资源。

在上述的用户用电安全隐患的预测方法中，步骤S1中隐患预测模型的建立具体包括步骤：

步骤S1中隐患预测模型和状态预测模型的建立具体包括步骤：

A1：基于决策树算法，建立初始隐患预测模型和初始状态预测模型；

A2：采集历史用电信息数据，并进行特征提取得到总体训练数据；

A3：对总体训练数据按照异常与否以及异常类型进行聚分类分析得到训练数据组，该训练数据组的标签是异常与否及异常类型；

A4：以用电信息数据的特征数据为输入，异常与否及异常类型为标签训练初始隐患预测模型直至模型收敛；

以用电信息数据的特征数据、异常与否及异常类型为输入，所输入特征数据对应时刻（对应取样末时刻，如5分钟一取样）的未来一段设定时间段（如2小时）的用电数据发展状态为标签训练状态预测模型直至模型收敛。

通过将历史用电信息数据输入至初始隐患预测模型，将历史用电信息数据和异常与否及异常类型输入初始状态预测模型中进行训练学习，建立隐患预测模型和状态预测模型，其中历史用电信息数据进行特征提取，剔除无用信息，获得需要的特征值，聚分类分析将总体训练数据根据隐患预测模型需要分成多组，利于后续的训练学习。

在上述的用户用电安全隐患的预测方法中，所述的步骤A2中，所述的历史用电信息数据包括用户用电网络正常运行时的正常数据，以及出现故障时的异常数据，对于隐患预测模型，正常数据对应的标签为无异常，异常数据对应的标签则为异常类型。

历史用电信息数据包括用电网络正常时和出现异常时的数据，隐患预测模型训练学习时可学习出可能发生隐患异常的情况，状态预测模型可学习出异常发生时的情况。

在上述的用户用电安全隐患的预测方法中，所述的异常数据包括正要发生电弧故障时、正要发生短路故障时、正要发生漏电故障时、正要发生超负荷工作过热故障时的历史用电信息数据。所述的异常数据还包括发生电弧故障时、发生短路故障时、发生漏电故障时、发生超负荷工作过热故障时的历史用电数据，以及发生电弧故障后、发生短路故障后、发生漏电故障后、发生超负荷工作过热故障后的历史用电信息数据；

所述的异常类型包括将发生、正在发生或已发生的电弧故障、短路故障、漏电故障、超负荷工作过热故障及其故障。

异常数据为电弧故障、短路故障、漏电故障、超负荷发热故障时的用电网络变化情况，通过反推，可通过出现类似用电网络变化的情况，预测出隐患发生的可能性。另外，通过将用电信息数据的实时变化数据与相应异常类型发生时的历史数据比对分析，通过吻合度可判断出异常发生的可能性及程度。

在上述的用户用电安全隐患的预测方法中，所述的用电信息数据包括入户电缆温度、用户端总电流、用户端总电压、用户端剩余电流和测点电流。

在上述的用户用电安全隐患的预测方法中，所述测点电流的测点位置设于负载与零线之间，便于出现异常时大致确定隐患位置。

测点位置设于负载和零线之间，避免长时间与火线保持连接的情况，通过测点电流的异常数据，可快速确定出现异常的大致线路位置。

在上述的用户用电安全隐患的预测方法中，所述的特征提取包括总电流、剩余电流和测点电流的平均值、峰峰值、峰值指标、成分频率、转折点、线谐波失真系数、方差值、标准差值，还包括入户电缆的平均温度。

在上述的用户用电安全隐患的预测方法中，所述的步骤S4后还包括步骤S4.1：当预测结果为存在隐患时，向客户端发送预警提示。

出现隐患问题时，通过向客户端发送预警提示，快速及时实现信息交互，便于尽早发现、处置安全隐患。

在上述的用户用电安全隐患的预测方法中，所述的步骤S5中，状态预测模型工作时，通过将预测结果为异常后的用电信息数据与状态预测模型的输出对比，当吻合度高于设定阈值时即判断异常确实发生，否则判断异常未发生，输出当前状态，该状态包括未发生、正在发生、已发生。

状态预测模型将预测结果为异常后的实时的用电信息数据及该异常预测结果与相应异常情况下的历史用电信息数据对比，通过发展的吻合度判断异常发生的可能性，如果两者相差较大，即可判断大概率预测错误，该异常不会发生；如果实时数据大体上沿着异常时的历史数据发展，即可判断确实出现异常，并得出异常已持续的时间。

在上述的用户用电安全隐患的预测方法中，所述的步骤S5还包括：将输出状态为正在发生或已发生的相应异常已持续时间与设定的该异常允许持续时间比对分析，当超过设定阈值时，发出进一步的警报。

阈值的设置通过相关异常发生后至出现较大损失的时间间隔而定，比如发生该异常10分钟后开始造成较大损失，则可设置阈值为5分钟，当然，该阈值根据具体需要而定，异常持续时间及时与管理人员交互，可帮助管理人员及时快速地做出应对，及时止损。

一种用户用电安全隐患的预测系统，适用上述用户用电安全隐患的预测方法，包括中央处理端、数据采集模块、信息交互模块，所述的中央处理端与数据采集模块和信息交互模块形成连接通信。

数据采集模块用于采集用电信息数据，发送至中央处理端，在中央处理端进行存储、计算、分析，进行隐患预测，将用电网络的状态情况通过信息交互模块实现人机交互，包括出现隐患异常时及时发送隐患提示信息，在预测出现异常时，中央处理端启动状态预测模型，对用电网络的状态情况进行监测，校核预测结果，并做出相应的交互。

在上述的用户用电安全隐患的预测系统中，所述的中央处理端包括预测模型训练更新单元、状态模型训练更新单元、数据接收处理单元、数据记忆存储单元、隐患预测分析单元、预测结果处理单元、状态预测分析单元、状态结果处理单元。

预测模型训练更新单元用于建立隐患预测模型，同时可进行学习更新；状态模型训练更新单元用于建立状态预测模型，同时可进行学习更新；数据接收处理单元用于接收用电信息数据，并进行特征提取，抓取到有用数据；数据记忆存储单元可用于存储历史用电信息数据以及历史异常发生情况，可供预测模型训练更新单元和状态模型训练更新单元调用；隐患预测分析单元在数据接收处理单元和预测模型训练更新单元的共同协作下，进行具体的隐患风险计算分析，得出预测结果；预测结果处理单元对预测结果做出反应，比如出现异常时，发送隐患提示信息至客户端，并启动状态预测分析单元；状态预测分析单元在预测结果为出现异常时启用，在数据接收处理单元和状态模型训练更新单元的共同协作下，实时监测用电网络状态，进行具体的预测结果的校核以及确定异常发生的状态；状态结果处理单元对状态预测分析单元输出的异常发生的状态进行反应，比如输出是否确实发生异常、异常持续的时间，以及在持续时间到达设定阈值时发出警报提醒。

与现有技术相比，本发明存在以下优点：

1.本用户用电安全隐患的预测方法，通过决策树算法建立隐患预测模型和状态预测模型，用历史用电信息数据对隐患预测模型进行训练学习更新，在输入用电学习数据时，可准确快速地预测出隐患结果，并进行有效的预测结果校核，帮助管理人员及时、准确、快速地做出应对；

2.本发明的隐患预测模型常态化运行，而状态预测模型仅在输出异常的预测结果时启动，高效利用了算法资源。

附图说明

图1是本发明用户用电安全隐患的预测方法的流程图；

图2是本发明用户用电安全隐患的预测方法中建立隐患预测模型和状态预测模型的流程图；

图3是本发明用户用电安全隐患系统的简易示意图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

具体实施例如图1-3所示，本用户用电安全隐患的预测方法，包括如下步骤：

S1：基于决策树算法建立隐患预测模型和状态预测模型；

S2：采集获取用电信息数据，并进行特征提取；

S3：输入当前用电信息数据的特征数据至隐患预测模型进行分析；

S4：输出预测结果；

S5：当预测结果为异常时，输入该异常预测结果及当前用电信息数据的特征数据至状态预测模型进行分析，并输出基于该异常情况用电数据的未来发展状态；

S6：持续采集未来设定时间段内的用电数据，将步骤S5所预测的未来发展状态与实际采集到的用电数据进行比较，当吻合度高于设定阈值时即判断异常确实发生，否则判断异常未发生并输出判断结果。

具体而言，本发明中，隐患预测模型常态化运行，用于预测安全隐患，隐患预测模型的预测结果为异常时使用状态预测模型进行进一步核对，并输出异常发展状态，达到高效预测目的的同时节省了算法资源。

如图2所示，步骤S1中隐患预测模型和状态预测模型的建立具体包括步骤：

A1：基于决策树算法，建立初始隐患预测模型和初始状态预测模型；

A2：采集历史用电信息数据，并进行特征提取得到总体训练数据；

A3：对总体训练数据按照异常与否以及异常类型进行聚分类分析得到训练数据组，该训练数据组的标签是异常与否及异常类型；

A4：以用电信息数据的特征数据为输入，异常与否及异常类型为标签训练初始隐患预测模型直至模型收敛；

以用电信息数据的特征数据、异常与否及异常类型为输入，所输入特征数据对应时刻（对应取样末时刻，如5分钟一取样）的未来一段设定时间段（如2小时）的用电数据发展状态为标签训练状态预测模型直至模型收敛。

具体而言，通过将历史用电信息数据输入至初始隐患预测模型，将历史用电信息数据和异常与否及异常类型输入初始状态预测模型中进行训练学习，建立隐患预测模型和状态预测模型，其中历史用电信息数据进行特征提取，剔除无用信息，获得需要的特征值，聚分类分析将总体训练数据根据隐患预测模型需要分成多组，利于后续的训练学习。

优化的，所述的步骤A2中，所述的历史用电信息数据包括用户用电网络正常运行时的正常数据，以及出现故障时的异常数据，对于隐患预测模型，正常数据对应的标签为无异常，异常数据对应的标签则为异常类型。所述的异常数据包括正要发生电弧故障时、正要发生短路故障时、正要发生漏电故障时、正要发生超负荷工作过热故障时的历史用电信息数据。所述的异常数据还包括发生电弧故障时、发生短路故障时、发生漏电故障时、发生超负荷工作过热故障时的历史用电数据，以及发生电弧故障后、发生短路故障后、发生漏电故障后、发生超负荷工作过热故障后的历史用电信息数据。所述的异常类型包括将发生、正在发生或已发生的电弧故障、短路故障、漏电故障、超负荷工作过热故障及其故障。

换句话说，历史用电信息数据包括用电网络正常时和出现异常时的数据，隐患预测模型训练学习时可学习出可能发生隐患异常的情况。异常数据为电弧故障、短路故障、漏电故障、超负荷发热故障时的用电网络变化情况，通过反推，可通过出现类似用电网络变化的情况，预测出隐患发生的可能性。另外，通过将用电信息数据的实时变化数据与相应异常类型发生时的历史数据比对分析，通过吻合度可判断出异常发生的可能性及程度。

优化的，所述的用电信息数据包括入户电缆温度、用户端总电流、用户端总电压、用户端剩余电流和测点电流。测点电流的测点位置设于负载与零线之间。

优化的，所述测点电流的测点位置设于负载与零线之间，避免长时间与火线保持连接的情况，隐患结果出现问题时，通过测点电流的异常数据，可快速确定出现异常的大致线路位置。

优化的，所述的特征提取包括总电流、剩余电流和测点电流的平均值、峰峰值、峰值指标、成分频率、转折点、线谐波失真系数、方差值、标准差值，还包括入户电缆的平均温度。

作为优化，所述的步骤S5中，状态预测模型工作时，通过将预测结果为异常后的用电信息数据与状态预测模型的输出对比，当吻合度高于设定阈值时即判断异常确实发生，否则判断异常未发生，输出当前状态，该状态包括未发生、正在发生、已发生，并将输出状态为正在发生或已发生的相应异常已持续时间与设定的该异常允许持续时间比对分析，当超过设定阈值时，发出进一步的警报。

换句话说，状态预测模型将预测结果为异常后的实时的用电信息数据及该异常预测结果与相应异常情况下的历史用电信息数据对比，通过发展的吻合度判断异常发生的可能性，如果两者相差较大，即可判断大概率预测错误，该异常不会发生；如果实时数据大体上沿着异常时的历史数据发展，即可判断确实出现异常，并得出异常已持续的时间。阈值的设置通过相关异常发生后至开始出现较大损失的时间间隔而定，比如发生该异常10分钟后造成较大损失，则可设置阈值为5分钟，当然，该阈值根据具体需要而定，异常持续时间及时与管理人员交互，可帮助管理人员及时快速地做出应对，及时止损。

一种用户用电安全隐患的预测系统，适用上述用户用电安全隐患的预测方法，包括中央处理端、数据采集模块、信息交互模块，所述的中央处理端与数据采集模块和信息交互模块形成连接通信。

具体而言，数据采集模块用于采集用电信息数据，发送至中央处理端，在中央处理端进行存储、计算、分析，进行隐患预测，将用电网络的状态情况通过信息交互模块实现人机交互，包括出现隐患异常时及时发送隐患提示信息，在预测出现异常时，中央处理端启动状态预测模型，对用电网络的状态情况进行监测，校核预测结果，并做出相应的交互。

优化的，所述的中央处理端包括预测模型训练更新单元、状态模型训练更新单元、数据接收处理单元、数据记忆存储单元、隐患预测分析单元、预测结果处理单元、状态预测分析单元、状态结果处理单元。预测模型训练更新单元用于建立隐患预测模型，同时可进行学习更新；状态模型训练更新单元用于建立状态预测模型，同时可进行学习更新；数据接收处理单元用于接收用电信息数据，并进行特征提取，抓取到有用数据；数据记忆存储单元可用于存储历史用电信息数据以及历史异常发生情况，可供预测模型训练更新单元和状态模型训练更新单元调用；隐患预测分析单元在数据接收处理单元和预测模型训练更新单元的共同协作下，进行具体的隐患风险计算分析，得出预测结果；预测结果处理单元对预测结果做出反应，比如出现异常时，发送隐患提示信息至客户端，并启动状态预测分析单元；状态预测分析单元在预测结果为出现异常时启用，在数据接收处理单元和状态模型训练更新单元的共同协作下，实时监测用电网络状态，进行具体的预测结果的校核以及确定异常发生的状态；状态结果处理单元对状态预测分析单元输出的异常发生的状态进行反应，比如输出是否确实发生异常、异常持续的时间，以及在持续时间到达设定阈值时发出警报提醒。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。