一种基于人工智能的电气火灾隐患识别预警方法及系统与流程

本发明涉及智能火灾识别预警，尤其涉及一种基于人工智能的电气火灾隐患识别预警方法及系统。

背景技术：

1、当前各类工业厂区、交通隧道、商业建筑等场景的配电系统覆盖范围广、监测点位分散，运行工况复杂多变，重载设备启停冲击、环境温湿度周期性波动、设备长期运行老化侵蚀等因素持续作用于电气连接节点与绝缘部位，由此引发的接触松动、绝缘劣化、隐性电弧等隐性故障，是配电系统电气火灾的核心诱因。

2、传统电气火灾预警普遍采用全局统一固定阈值的判定模式，核心存在早期劣化识别精准度不足的问题：一方面负载波动、环境温变、季节更替引发的正常参数漂移易触发误报警，挤占运维资源；另一方面为压低误报率抬高报警阈值，又会漏判接触松动、绝缘老化等缓慢发展的早期劣化，预警普遍滞后至过热冒烟的危险阶段。

技术实现思路

1、本发明的目的是为了解决现有技术中存在传统电气火灾预警普遍采用全局统一固定阈值的判定模式，核心存在早期劣化识别精准度不足的问题：一方面负载波动、环境温变、季节更替引发的正常参数漂移易触发误报警，另一方面为压低误报率抬高报警阈值，又会漏判接触松动、绝缘老化等缓慢发展的早期劣化的缺点，而提出的一种基于人工智能的电气火灾隐患识别预警方法及系统。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种基于人工智能的电气火灾隐患识别预警方法，应用于配电线路及电气设备的早期火灾隐患监测预警，所述方法包括按顺序执行并形成闭环的以下步骤：

4、s1多物理场微特征原位同步感知：针对配电系统中的电气连接节点与配电线路绝缘区段，在同一物理点位原位同步采集多类隐患表征信号，对所有所述隐患表征信号执行微秒级时间戳对齐与空间位置匹配，生成同步化微特征数据集；

5、s2节点专属动态基线的渐进式偏差识别：接收所述同步化微特征数据集，为每个独立监测节点构建专属动态运行基线，持续监测各节点特征量相对于所述动态运行基线的偏移状态，识别劣化萌芽状态并输出劣化特征参数；

6、s3故障演化轨迹匹配的风险超前预判：接收所述劣化特征参数，调取预构建的故障演化轨迹样本库进行拟合匹配，推算劣化发展至危险临界值的剩余时间，量化输出火灾风险概率并生成对应等级的超前预警信号；

7、s4处置结果反哺的分级闭环迭代：根据所述超前预警信号匹配分级处置策略并执行，采集现场处置结果数据回流系统，反向更新所述故障演化轨迹样本库与所述动态运行基线，形成闭环自增强预警体系。

8、上述技术方案进一步包括：

9、具体的，步骤s1中，所述隐患表征信号包括电气微特征、温度微特征与介质微特征；所述电气微特征包括接点接触压降、亚毫安级绝缘泄漏电流、亚毫秒级间歇性电弧脉冲；

10、所述温度微特征包括节点温升速率、温度场分布偏移量；所述介质微特征包括绝缘老化析出特征气体的浓度变化率。

11、具体的，步骤s2中，所述动态运行基线包含基准值与正常波动区间，采用节点专属增量更新公式组滚动构建；

12、所述公式组输入上周期基线参数、滑动窗口实测均值、负载偏差、环境温度偏差与季节修正因子，按设定周期更新，自动适配工况变化带来的正常参数漂移；

13、所述节点专属增量更新公式组为：

14、、

15、，式中：

16、为时刻该节点对应特征量的动态基线基准值；

17、为上一更新周期的所述基线基准值；

18、为当前滑动时间窗口内特征量实测值的均值；

19、为当前负载电流与额定负载的偏差量；

20、为当前环境温度与基准温度的偏差量；

21、为季节周期修正因子；

22、为各分项的节点专属权重系数，由该节点历史数据训练得到；

23、、、分别为负载、环境温度、季节的工况补偿系数；

24、为时刻的基线正常波动区间宽度；

25、为额定工况下的基准波动宽度；

26、为负载波动放大系数；为节点额定负载电流。

27、具体的，步骤s2中，通过累积单向偏差度公式计算目标特征量的偏差程度，当所述累积单向偏差度达到预设偏差门限时，判定该节点处于劣化萌芽状态，同步输出劣化类型、偏差幅度与变化速率参数；

28、所述累积单向偏差度公式为：，式中：

29、为时刻的累积单向偏差度，为预设的监测时间窗口，为时刻的特征量实测值，为时刻对应的节点动态运行基线值，为符号函数，用于表征偏差的方向。

30、具体的，步骤s3中，所述故障演化轨迹样本库分场景、分故障类型构建，存储劣化速率、时间与风险等级的对应关系，数据来源于历史故障案例、实验室加速老化试验与现场长期监测数据。

31、具体的，步骤s3中，通过超前风险概率公式量化输出未来预设时段的火灾发生概率，再根据概率区间划分四级预警等级并生成对应等级的超前预警信号，预警等级随风险升高依次提升；

32、所述超前风险概率公式为：，式中：

33、为未来时段内的火灾发生概率，为时刻的所述累积单向偏差度，为时刻的偏差变化速率，为对应故障类型的临界偏差阈值，为场景修正系数，为预设的预测时长。

34、具体的，步骤s4中，所述分级处置策略按风险等级从低到高，依次对应自动跟踪监测、生成巡检工单推送、启动临时管控措施、切断故障回路并联动消防四级处置方式。

35、具体的，步骤s4中，回流的所述现场处置结果数据包括故障确认、误报排除、实际故障类型与处置效果，用于修正所述故障演化轨迹样本库的劣化速率参数与所述节点动态运行基线参数，实现模型自迭代。

36、具体的，步骤s2的所述偏差识别逻辑部署于边缘计算节点本地执行，步骤s3的所述风险预判逻辑部署于云端平台执行，形成边云协同的分级处理架构。

37、一种基于人工智能的电气火灾隐患识别预警系统，用于实现所述的预警方法，所述系统包括多物理场原位感知终端模块、节点基线偏差识别模块、演化轨迹风险预判模块与分级处置闭环迭代模块；

38、所述多物理场原位感知终端模块的输出端连接所述节点基线偏差识别模块的输入端，所述节点基线偏差识别模块的输出端连接所述演化轨迹风险预判模块的输入端，所述演化轨迹风险预判模块的输出端连接所述分级处置闭环迭代模块的输入端；

39、所述分级处置闭环迭代模块的反馈输出端分别连接所述演化轨迹风险预判模块与所述节点基线偏差识别模块的优化输入端，形成闭环自增强链路；

40、所述多物理场原位感知终端模块用于采集并输出同步化微特征数据集，所述节点基线偏差识别模块用于构建节点动态基线并识别劣化萌芽状态，所述演化轨迹风险预判模块用于拟合轨迹并输出分级超前预警信号，所述分级处置闭环迭代模块用于执行分级处置并反向优化前序模块参数。

41、本发明具备以下有益效果：

42、本发明中，采用节点专属动态运行基线替代全局统一阈值，结合累积单向偏差度算法，可从根源上区分负载波动、环境温变等正常工况漂移与接触松动、绝缘老化等故障劣化的单向趋势，在劣化萌芽阶段实现精准识别；配合分场景故障演化轨迹样本库与超前风险概率计算，可提前量化预判火灾风险，结合分级处置与闭环自增强机制持续优化精度，为配电系统电气火灾防控提供前置化的高可靠技术支撑。