一种危险用电设备校验与预警方法、装置、介质及产品与流程

摘要: 本技术涉及电气安全领域,具体涉及一种危险用电设备校验与预警方法、装置、介质及产品。背景技术:1、随着物联网技术和智能家居概念的普及,家庭和各类场所中的电气设备数...
一种危险用电设备校验与预警方法、装置、介质及产品与流程

本技术涉及电气安全领域,具体涉及一种危险用电设备校验与预警方法、装置、介质及产品。

背景技术:

1、随着物联网技术和智能家居概念的普及,家庭和各类场所中的电气设备数量与日俱增,设备种类也日益复杂化。电气安全作为智能楼宇和智慧家庭领域的核心议题,受到了广泛关注。利用人工智能和大数据技术对用电行为进行实时监测、分析与预警,实现对潜在电气火灾、设备故障等危险的提前感知和主动干预,已成为智能电气安全监控领域的重要发展方向。

2、目前,相关的危险用电识别技术主要存在以下缺陷:首先,在数据采集与处理的架构上,传统的解决方案难以兼顾成本与精度。完全依赖端侧设备进行高精度识别的方案,受限于端侧设备的算力与存储,难以部署和更新复杂的识别模型,导致识别准确率和可扩展性不足。而将全部高频原始电气数据持续上报至云端进行分析的方案,则会产生巨大的网络带宽压力和数据存储成本,并且数据传输的延迟可能影响危险事件处置的实时性。其次,在危险事件的确认机制上,现有技术大多依赖于对单次电气事件的特征进行判断,这种方式容易受到电力网络中的瞬时干扰或信号噪声的影响,缺乏对事件的持续性与关联性进行考证的机制,从而导致误报率较高。

技术实现思路

1、本技术提供了一种危险用电设备校验与预警方法、装置、介质及产品,提高了对危险用电事件识别的准确性。

2、在本技术的第一方面提供了一种危险用电设备校验与预警方法,该方法包括:由端侧采集终端以第一采样频率采集电气信号,在检测到预设电气事件时,提取所述电气信号的基础特征,并将所述基础特征上报至云端;所述云端基于所述基础特征,采用预设设备识别模型,生成候选设备集合,所述候选设备集合包括多个候选设备类别和各个所述候选设备类别对应的识别置信度;所述云端根据所述候选设备集合计算核验触发值,当所述核验触发值达到预设核验阈值时,生成并向所述端侧采集终端下发风险核验任务;所述端侧采集终端响应所述风险核验任务,以第二采样频率获取判别性电气片段,并将所述判别性电气片段上报至所述云端,所述第二采样频率大于所述第一采样频率;所述云端基于所述判别性电气片段构建证据单元,并在预设风险评估窗口内融合多个证据单元,计算危险事件确认度;所述云端将所述危险事件确认度与预设危险设备策略表进行比较,执行分级处置,生成处置结果,并根据所述处置结果生成更新策略回传至所述端侧采集终端。

3、通过采用上述技术方案,端侧采集终端以第一采样频率采集电气信号并在检测到预设电气事件时提取基础特征上报云端,实现了对电气设备运行状态的实时监测和异常事件的及时捕获。云端基于基础特征采用预设设备识别模型生成包含多个候选设备类别及其识别置信度的候选设备集合,实现了对潜在危险设备的初步识别与分类。通过计算核验触发值并在达到预设核验阈值时下发风险核验任务,实现了风险核验的按需触发,避免了不必要的资源消耗。端侧采集终端响应风险核验任务以更高的第二采样频率获取判别性电气片段,确保了核验阶段数据的精细度和准确性。云端基于判别性电气片段构建证据单元并在预设风险评估窗口内融合多个证据单元计算危险事件确认度,实现了多证据融合的可靠风险评估。最终通过将危险事件确认度与预设危险设备策略表比较执行分级处置并生成更新策略回传端侧,实现了危险设备的分级响应和端云协同的动态策略更新。

4、可选的,所述在检测到预设电气事件时,提取所述电气信号的基础特征,具体包括:所述端侧采集终端对所述电气信号进行多尺度时频域分解,得到多个频率分量子信号,所述频率分量子信号包括基频分量、谐波分量和高频噪声分量;所述端侧采集终端针对各个所述频率分量子信号,计算局部能量突变指数,所述局部能量突变指数表征单位时间窗口内信号能量的变化率;所述端侧采集终端当任一所述频率分量子信号的局部能量突变指数超过对应频段的事件触发阈值时,确定检测到所述预设电气事件,并记录事件触发时刻;所述端侧采集终端以所述事件触发时刻为中心,向前后各延伸预设时长,截取包含所述预设电气事件的电气信号片段;所述端侧采集终端对所述电气信号片段进行特征提取,得到所述基础特征,所述基础特征包括电压有效值序列、电流有效值序列、功率因数序列、温度序列以及开关状态序列。

5、通过采用上述技术方案,对电气信号进行多尺度时频域分解得到基频分量、谐波分量和高频噪声分量等频率分量子信号,实现了对不同频段电气特征的精细化分析。针对各频率分量子信号计算局部能量突变指数,能够准确表征单位时间窗口内信号能量的变化率,从而灵敏地捕捉电气异常。当任一频率分量子信号的局部能量突变指数超过对应频段的事件触发阈值时确定检测到预设电气事件,实现了基于多频段的精准事件触发判定。以事件触发时刻为中心向前后各延伸预设时长截取电气信号片段,确保了事件前后完整上下文信息的保留。对电气信号片段提取得到包含电压有效值序列、电流有效值序列及功率因数序列的基础特征,为后续设备识别提供了全面的电气运行参数支撑。

6、可选的,所述云端基于所述基础特征,采用预设设备识别模型,生成候选设备集合,具体包括:所述云端对所述基础特征进行归一化处理,并按照预设特征维度顺序,将归一化后的基础特征映射为特征向量;所述云端将所述特征向量输入至所述预设候选设备识别模型中包含的多个子分类器,得到每个所述子分类器输出的类别得分,其中,各个所述子分类器对应不同的设备类别体系;所述云端对多个所述子分类器输出的类别得分进行加权融合,得到融合得分,并按照所述融合得分从大到小的顺序对设备类别进行排序,选取排序靠前的预设数量的设备类别作为候选设备类别;所述云端根据各所述候选设备类别对应的融合得分,计算得到各所述候选设备类别对应的识别置信度,得到所述候选设备集合。

7、通过采用上述技术方案,对基础特征进行归一化处理并按预设特征维度顺序映射为特征向量,消除了不同特征量纲差异的影响,确保了特征输入的规范性。将特征向量输入至预设候选设备识别模型中包含的多个子分类器,各子分类器对应不同的设备类别体系,实现了多维度多体系的设备分类识别。通过对多个子分类器输出的类别得分进行加权融合得到融合得分,综合了不同分类器的判断结果,提高了识别的鲁棒性。按照融合得分从大到小排序选取预设数量的设备类别作为候选设备类别,并计算各候选设备类别对应的识别置信度得到候选设备集合,实现了候选设备的有序筛选和可信度量化评估。

8、可选的,在所述云端基于所述基础特征,采用预设设备识别模型,生成候选设备集合之后,所述方法还包括:所述云端判断所述候选设备集合中识别置信度排名在预设排名内的候选设备类别的置信度标准差是否小于预设混合负载判定阈值;所述云端若确定所述置信度标准差小于所述预设混合负载判定阈值,则判定当前回路为混合负载状态;所述云端针对所述混合负载状态,从预设设备行为知识库中提取各个所述候选设备类别对应的设备行为特征参数,所述设备行为特征参数包括典型启停事件的电流波形特征、功率阶跃幅度范围以及周期性运行的时间间隔分布;基于所述设备行为特征参数,构建并采用多设备时序行为仿真模型,分析在混合负载总信号中,各个候选设备类别单独发生状态变化时的信号可辨识度;根据所述信号可辨识度,筛选出信号可辨识度大于预设可辨识度阈值的设备行为,生成可分离事件时间窗口集合;当所述可分离事件时间窗口集合为非空时,生成包含所述可分离事件时间窗口集合的定向补采指令并下发至所述端侧采集终端;当所述可分离事件时间窗口集合为空时,判定当前为持续叠加状态,并将所述危险事件确认度设定为低置信度风险事件级别,并根据所述预设危险设备策略表执行对应的处置策略,所述处置策略包括禁用自动断电操作、生成人工复核任务请求以及延长所述预设风险评估窗口。

9、通过采用上述技术方案,计算识别置信度的标准差来判断混合负载状态,实现了对多设备同时运行这一复杂电气场景的准确识别。该方法能够有效区分单一设备事件与多设备信号叠加的模糊情况,为后续采取针对性分析策略提供了可靠依据,避免了将混合负载误判为未知或单一异常设备而导致的分析偏差。通过构建多设备时序行为仿真模型并分析信号可辨识度,实现了在不进行实际物理分离的情况下,预判从混合信号中分离出特定设备行为事件的可能性。这种仿真分析能力使得系统能够深入理解混合负载的内部构成和动态行为,量化评估在特定时间窗口内采集特定设备状态变化信号的有效性,从而将盲目的数据采集转变为有目标的、可预期的信息获取。基于信号可辨识度的分析结果,生成定向补采指令或判定为持续叠加状态,实现了差异化的闭环处置策略。当识别出存在可分离事件时,系统能够主动引导端侧采集终端进行精准、高效的数据补采,极大地提升了在混合负载下成功分解并确认单个设备状态的概率,优化了系统资源。当判定为无法分离的持续叠加状态时,系统能够启动预设的安全处置策略,例如将事件定义为低置信度风险,并转为人工复核及延长监控,这种做法在确保安全底线的同时,有效避免了因信息不充分而执行错误的自动断电等激烈操作,保证了系统的可靠性和运行的连续性。

10、可选的,所述云端根据所述候选设备集合计算核验触发值,具体包括:所述云端提取所述候选设备集合中识别置信度最高的候选设备类别作为主候选类别,并提取所述主候选类别对应的识别置信度作为主置信度;所述云端计算所述候选设备集合中各所述候选设备类别对应的识别置信度的分布离散度,所述分布离散度用于表征所述候选设备集合中不同候选设备类别之间的区分程度;所述云端根据所述主候选类别,获取与所述主候选类别对应的历史危险等级参数;所述云端获取用于表征当前运行状态与历史行为基线偏离程度的行为偏离度和用于表征当前运行状态违背预设策略程度的策略违背度;所述云端根据所述主候选类别对应的主置信度、所述分布离散度、所述历史危险等级参数、所述行为偏离度以及所述策略违背度,按照预设加权计算规则进行加权求和,计算得到所述核验触发值。

11、通过采用上述技术方案,提取候选设备集合中识别置信度最高的主候选类别及其主置信度,明确了当前最可能的设备类型及其可信程度。计算候选设备集合中各候选设备类别识别置信度的分布离散度,有效表征了不同候选设备类别之间的区分程度,当分布离散度较低时说明候选类别间难以区分需要进一步核验。根据主候选类别获取对应的历史危险等级参数,将设备的历史风险信息纳入核验决策。通过将主置信度、分布离散度及历史危险等级参数按预设加权计算规则加权求和计算核验触发值,实现了综合多维因素的智能核验触发决策,确保高风险设备和识别模糊设备能够被优先核验。

12、可选的,所述云端基于所述判别性电气片段构建证据单元,具体包括:所述云端提取所述判别性电气片段的目标特征,将所述目标特征与所述候选设备集合中各候选设备类别对应的标准特征模板进行相似度匹配,得到各所述候选设备类别对应的匹配度;所述云端根据所述匹配度以及所述候选设备类别对应的识别置信度,计算得到所述证据单元的证据权重;所述云端将匹配度最高的候选设备类别、所述匹配度、所述证据权重以及所述判别性电气片段的采集时刻进行关联,生成所述证据单元。

13、通过采用上述技术方案,提取判别性电气片段的目标特征并与候选设备集合中各候选设备类别对应的标准特征模板进行相似度匹配得到各候选设备类别对应的匹配度,实现了基于高频采样数据的精细设备类型比对。根据匹配度及候选设备类别对应的识别置信度计算证据单元的证据权重,使证据权重同时反映了特征匹配程度和初始识别可信度。将匹配度最高的候选设备类别、匹配度、证据权重及判别性电气片段的采集时刻进行关联生成证据单元,实现了证据信息的结构化组织,为后续多证据融合提供了规范化的数据基础。

14、可选的,所述在预设风险评估窗口内融合多个证据单元,计算危险事件确认度,具体包括:所述云端获取所述预设风险评估窗口内生成的多个所述证据单元;所述云端根据各所述证据单元的采集时刻与当前时刻之间的时间间隔,计算各所述证据单元对应的时间衰减系数,所述时间衰减系数与所述时间间隔负相关;所述云端根据所述时间衰减系数对所述证据权重进行修正,得到修正权重;所述云端判断所述预设风险评估窗口内的多个所述证据单元所关联的候选设备类别是否一致;若是,则将各所述证据单元对应的所述修正权重进行累加,得到所述危险事件确认度;若否,则根据所述候选设备类别对所述证据单元进行分组,分别累加各分组内的修正权重,取累加值最大的分组对应的累加值作为所述危险事件确认度。

15、通过采用上述技术方案,获取预设风险评估窗口内生成的多个证据单元,实现了时间维度上的证据聚合。根据各证据单元的采集时刻与当前时刻之间的时间间隔计算时间衰减系数,使近期证据具有更高权重,符合电气设备状态时效性特点。根据时间衰减系数对证据权重进行修正得到修正权重,实现了证据权重的时间敏感性调整。通过判断预设风险评估窗口内多个证据单元所关联的候选设备类别是否一致,针对类别一致情况直接累加修正权重,针对类别不一致情况分组累加并取最大累加值作为危险事件确认度,实现了对证据一致性和冲突性的差异化处理,确保危险事件确认度计算的合理性和准确性。

16、可选的,所述预设危险设备策略表包括多个确认度区间,各所述确认度区间对应不同的处置等级和处置动作,所述处置动作包括预警提示、限流控制以及断电控制,所述云端将所述危险事件确认度与预设危险设备策略表进行比较,执行分级处置,生成处置结果,具体包括:所述云端根据所述危险事件确认度,确定所述危险事件确认度所处的目标确认度区间,并获取所述目标确认度区间对应的目标处置等级和目标处置动作;所述云端根据所述目标处置动作生成处置指令并执行所述处置指令对应的处置操作,得到所述处置结果,所述处置结果包括所述目标处置等级和所述处置动作的执行状态。

17、通过采用上述技术方案,通过预设危险设备策略表包含多个确认度区间及其对应的不同处置等级和处置动作,建立了危险事件确认度与处置响应之间的明确映射关系。处置动作包括预警提示、限流控制及断电控制,覆盖了从轻度到严重的多级响应手段。根据危险事件确认度确定其所处的目标确认度区间并获取对应的目标处置等级和目标处置动作,实现了基于风险程度的自动处置等级判定。根据目标处置动作生成处置指令并执行对应的处置操作得到包含目标处置等级和处置动作执行状态的处置结果,实现了从风险识别到处置执行的闭环管理,确保危险设备能够得到与其风险等级相匹配的及时处置。

18、第二方面,本技术实施例提供了一种危险用电设备校验与预警装置,该危险用电设备分级校验与预警装置包括:一个或多个处理器和存储器;该存储器与该一个或多个处理器耦合,该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令,该一个或多个处理器调用该计算机指令以使得该危险用电设备分级校验与预警装置执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

19、第三方面,本技术实施例提供一种计算机可读存储介质,包括指令,当上述指令在危险用电设备分级校验与预警装置上运行时,使得上述危险用电设备分级校验与预警装置执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

20、第四方面,本技术实施例提供一种包含指令的计算机程序产品,当上述计算机程序产品在危险用电设备分级校验与预警装置上运行时,使得上述危险用电设备分级校验与预警装置执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

21、综上,本技术提供的一个或多个技术方案,至少具有如下技术效果或优点:

22、1、通过构建端侧采集终端与云端协同的校验与预警机制,解决了传统技术中识别精度、实时性与资源消耗难以平衡的问题。端侧采集终端以第一采样频率获取基础电气信号,完成事件检测与特征提取后上报云端;云端依托设备识别模型生成候选设备集合并根据核验触发值动态下发风险核验任务,引导端侧以第二采样频率采集判别性电气片段。云端基于风险评估窗口内的多个证据单元计算危险事件确认度,结合危险设备策略表实现分级处置,并将结果与优化策略回传至端侧动态调整采样和核验流程。该方案既减少了端侧计算与存储压力,又避免高频全量数据传输导致的网络负担,通过动态校验机制和多维证据融合显著降低误报率和漏报率,实现了对危险用电设备的精准识别。

23、2、结合第一采样频率与第二采样频率,优化了采集与传输架构设计。从端侧基础采样到事件触发后的高精度补采,避免全量数据上传云端的高成本问题,同时降低了端侧设备的存储和计算压力,保障了系统在多样化场景下的高效部署。基于风险核验任务的分级操作,显著提升了带宽和数据传输效率,进而提高了危险事件实时处置的能力。

24、3、利用预设设备识别模型生成候选设备集合,并基于核验触发值、证据单元和危险事件确认度,对危险事件进行动态评估和实时分级处置。通过将危险事件确认度与预设危险设备策略表相结合,系统实现了灵活的预警提示、限流控制和断电控制动作,不仅提升了危险用电场景的智能化与安全性,还适配了不同场景下对危险处置等级的个性化需求。