电气安全监测方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种电气安全监测方法、装置、计算机设备和存储介质。


背景技术：

2.电气安全监测是智慧建筑建设的重要组成部分，为了保证建筑内部的用电安全及各用电设备能够正常运行，需要对建筑内部电气安全进行监测。
3.目前，建筑内部电气安全监测主要采用以下两种方式：第一种是传统保险丝，当电流过大产生高温保险丝熔断，能够自动切断电源，以防止火灾事故的发生；第二种是采用为用电设备配置空气开关，只要电路中电流超过额定电流就会自动断开，从而关闭用电设备。
4.上述两种方式只能强硬地、直接地关闭用电设备的运行，不仅影响建筑内电力系统的正常运行，还会给用户带来极大不便，比如导致数据丢失等等。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够智能化地对建筑内部的电气运行状态进行监测从而在异常发生时动态调整用电设备的运行情况的电气安全监测方法、装置、计算机设备和存储介质。
6.获取建筑对应的三维空间模型，所述三维空间模型是根据所述建筑内电气设备的部署位置及各所述电气设备之间的线路连接关系生成的，所述电气设备包括线路监测仪和用电设备；
7.接收目标线路监测仪采集的目标线路数据；
8.通过训练好的基于神经网络的电气安全监测模型，根据所述三维空间模型和所述目标线路数据获得所述目标线路监测仪所在目标线路的运行状态检测结果；
9.当所述运行状态检测结果指示所述目标线路处于异常运行状态时，确定所述目标线路相关的目标用电设备，生成用于关闭所述目标用电设备的控制指令。
10.在一个实施例中，所述获取建筑对应的三维空间模型，包括：
11.获取建筑对应的建筑信息模型；
12.将所述建筑内电气设备的部署位置及各所述电气设备之间的线路连接关系映射至所述建筑信息模型，获得所述建筑对应的三维空间模型。
13.在一个实施例中，所述方法还包括：
14.接收样本线路监测仪上报的样本线路数据；
15.获取所述建筑内电气设备对应的额定电参数；
16.根据所述样本线路数据计算所述样本线路监测仪所在线路的实际电参数；
17.当所述实际电参数与所述样本线路监测仪所在线路的额定电参数的差异在预设时长内超出阈值时，则确定所述样本线路监测仪所在线路的运行状态标注数据为异常。
18.在一个实施例中，所述根据所述样本线路数据计算所述样本线路监测仪所在线路
的实际电参数，包括：
19.当所述样本线路监测仪位于监测用电设备的线路时，所述样本线路数据包括实际电压、实际电流和实际温度中的至少一种，根据所述实际电压与所述实际电流计算监测的所述用电设备的实际工作功率；
20.所述当所述实际电参数与所述样本线路监测仪所在线路的额定电参数的差异在预设时长内超出阈值时，则确定所述样本线路监测仪所在线路的运行状态标注数据为异常，包括：
21.当所述实际电压与所述用电设备的额定电压之间的差异、所述实际电流与所述用电设备的额定电流之间的差异、所述实际工作功率与所述用电设备的额定功率之间的差异、所述实际温度与正常工作温度之间的差异中的至少一种在预设时长内超出阈值时，则确定所述用电设备的运行状态标注数据为异常。
22.在一个实施例中，所述根据所述样本线路数据计算所述样本线路监测仪所在线路的实际电参数，包括：
23.当所述样本线路监测仪用于监测线路时，所述样本线路数据包括实际电压、实际电流和实际温度中的至少一种，根据监测的所述线路在所述实际温度下的电阻率、所述实际电流和所述实际电压计算监测的所述线路的实际线路损耗；
24.所述当所述实际电参数与所述样本线路监测仪所在线路的额定电参数的差异在预设时长内超出阈值时，则确定所述样本线路监测仪所在线路的运行状态标注数据为异常，包括：
25.当所述实际线路损耗与标准线路耗损之间的差异在预设时长内超出阈值时，则确定监测的所述线路的运行状态标注数据为异常。
26.在一个实施例中，所述电气安全监测模型的训练步骤包括：
27.获取训练样本，所述训练样本包括所述建筑内的样本线路监测仪监测到的样本线路数据和对应的运行状态标注数据；
28.将所述样本线路数据和所述三维空间模型输入至初始神经网络模型，通过所述初始神经网络模型的输入层与隐藏层之间当前的第一连接权重，对所述三维空间模型和所述样本线路数据进行变换处理，获得隐藏层特征；
29.通过所述初始神经网络模型的隐藏层与输出层之间当前的第二连接权重，对各所述隐藏层特征进行变换处理后融合，获得预测运行状态；
30.根据所述运行状态标注数据与所述预测运行状态构建误差函数，将所述误差函数最小化，确定更新的第一连接权重与更新的第二连接权重；
31.根据所述更新的第一连接权重与所述更新的第二连接权重对所述初始神经网络模型进行更新后，返回至所述获取训练样本的步骤继续训练，直至满足训练结束条件时，获得所述电气安全监测模型。
32.在一个实施例中，所述通过训练好的基于神经网络的电气安全监测模型，根据所述三维空间模型和所述目标线路数据获得所述目标线路监测仪所在目标线路的运行状态检测结果，包括：
33.将所述三维空间模型和所述目标线路数据输入训练好的基于神经网络的电气安全监测模型；
34.通过所述电气安全监测模型的输入层与隐藏层之间的第一连接权重，对所述三维空间模型和所述目标线路数据进行变换处理，获得隐藏层特征；
35.通过所述电气安全监测模型的隐藏层与输出层之间的第二连接权重，对各所述隐藏层特征进行变换处理后融合，获得所述目标线路监测仪所在目标线路的运行状态检测结果。
36.在一个实施例中，所述通过训练好的基于神经网络的电气安全监测模型，根据所述三维空间模型和所述目标线路数据获得所述目标线路监测仪所在目标线路的运行状态检测结果，包括：
37.确定所述目标线路数据时采集时间；
38.将所述采集时间、所述三维空间模型和所述目标线路数据输入训练好的基于神经网络的电气安全监测模型，通过所述电气安全监测模型输出所述目标线路监测仪所在目标线路的运行状态检测结果；
39.所述方法还包括：
40.当所述运行状态检测结果指示所述目标线路处于正常运行状态，且所述采集时间属于高峰用电时间段时，确定所述目标线路相关的目标用电设备，生成关于所述目标用电设备的错峰运行信息。
41.在一个实施例中，所述确定所述目标线路相关的目标用电设备，包括：
42.获取所述目标线路监测仪在所述三维空间模型中的部署位置；
43.根据所述部署位置确定与所述目标线路相关的目标用电设备。
44.在一个实施例中，所述根据所述部署位置确定与所述目标线路相关的目标用电设备，包括：
45.根据所述部署位置确定与所述目标线路相关的多个用电设备；
46.获取预设的与设备类型对应的用电优先级别；
47.根据所述多个用电设备中每个用电设备的设备类型确定用电优先级别；
48.将所述多个用电设备中用电优先级别最低的用电设备作为目标用电设备。
49.在一个实施例中，所述方法还包括：
50.当关于所述建筑的输电线路的动态调整功能已启动时，则
51.执行所述生成用于关闭所述目标用电设备的控制指令的步骤，并将所述控制指令发送至所述目标用电设备，以使所述目标用电设备停止运行；
52.当关于所述建筑的输电线路的动态调整功能未启动时，则
53.生成断开所述目标线路的控制指令；或者
54.基于所述运行状态检测结果，确定所述目标用电设备的异常类型；
55.根据所述异常类型和所述目标用电设备的部署位置生成异常预警信息。
56.在一个实施例中，所述方法还包括：
57.当所述运行状态检测结果指示在所述目标线路相关的目标用电设备停止运行后，所述目标线路处于异常运行状态，则
58.生成用于断开所述目标线路的控制指令。
59.在一个实施例中，所述方法还包括：
60.持久化所述目标线路数据及所述运行状态检测结果；
61.将所述目标线路数据和所述运行状态检测结果作为训练样本数据；
62.利用所述训练样本数据和所述三维空间模型对所述电气安全监测模型进行离线训练。
63.一种电气安全监测装置，所述装置包括：
64.获取模块，用于获取建筑对应的三维空间模型，所述三维空间模型是根据所述建筑内电气设备的部署位置及各所述电气设备之间的线路连接关系生成的，所述电气设备包括线路监测仪和用电设备；
65.接收模块，用于接收目标线路监测仪采集的目标线路数据；
66.预测模块，用于通过训练好的基于神经网络的电气安全监测模型，根据所述三维空间模型和所述目标线路数据获得所述目标线路监测仪所在目标线路的运行状态检测结果；
67.控制模块，用于当所述运行状态检测结果指示所述目标线路处于异常运行状态时，确定所述目标线路相关的目标用电设备，生成用于关闭所述目标用电设备的控制指令。
68.一种电气安全监测系统，包括目标线路监测仪、目标用电设备和服务器，其中：
69.所述服务器用于获取建筑对应的三维空间模型，所述三维空间模型是根据所述建筑内电气设备的部署位置及各所述电气设备之间的线路连接关系生成的，所述电气设备包括线路监测仪和用电设备；
70.目标线路监测仪用于采集目标用电设备所在目标线路的目标线路数据，并将所述目标线路数据上报至所述服务器；
71.所述服务器用于接收所述目标线路监测仪采集的目标线路数据；通过训练好的基于神经网络的电气安全监测模型，根据所述三维空间模型和所述目标线路数据获得所述目标线路监测仪所在目标线路的运行状态检测结果；
72.所述服务器还用于当所述运行状态检测结果指示所述目标线路处于异常运行状态时，确定所述目标线路相关的目标用电设备，生成用于关闭所述目标用电设备的控制指令；
73.所述目标用电设备用于在接收所述服务器下发的控制指令后停止运行。
74.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
75.获取建筑对应的三维空间模型，所述三维空间模型是根据所述建筑内电气设备的部署位置及各所述电气设备之间的线路连接关系生成的，所述电气设备包括线路监测仪和用电设备；
76.接收目标线路监测仪采集的目标线路数据；
77.通过训练好的基于神经网络的电气安全监测模型，根据所述三维空间模型和所述目标线路数据获得所述目标线路监测仪所在目标线路的运行状态检测结果；
78.当所述运行状态检测结果指示所述目标线路处于异常运行状态时，确定所述目标线路相关的目标用电设备，生成用于关闭所述目标用电设备的控制指令。
79.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
80.获取建筑对应的三维空间模型，所述三维空间模型是根据所述建筑内电气设备的
部署位置及各所述电气设备之间的线路连接关系生成的，所述电气设备包括线路监测仪和用电设备；
81.接收目标线路监测仪采集的目标线路数据；
82.通过训练好的基于神经网络的电气安全监测模型，根据所述三维空间模型和所述目标线路数据获得所述目标线路监测仪所在目标线路的运行状态检测结果；
83.当所述运行状态检测结果指示所述目标线路处于异常运行状态时，确定所述目标线路相关的目标用电设备，生成用于关闭所述目标用电设备的控制指令。
84.一种计算机程序，所述计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中，计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令，所述处理器执行所述计算机指令，使得所述计算机设备执行上述电气安全监测方法的步骤。
85.上述电气安全监测方法、系统、装置、计算机设备和存储介质，一方面，根据建筑内电气设备的部署位置及各电气设备之间复杂的线路连接关系，生成建筑的三维空间模型，能够辅助对建筑内部的电气安全进行监测；另一方面，通过训练好的基于神经网络的电气安全监测模型来智能地预测输电线路的运行状态，能够实时的了解整个建筑的电气运行状态和安全隐患情况，并且在预测的运行状态检测结果指示输电线路处于异常时，能够确定异常发生的具体位置和与该异常相关的目标用电设备，在保证安全的前提下，生成关闭目标用电设备的控制指令，能够自动调节用电设备的运行情况，减少因异常导致整个区域断电带来的损失。
附图说明
86.图1为一个实施例中电气安全监测方法的应用环境图；
87.图2为一个实施例中电气安全监测方法的流程示意图；
88.图3为一个实施例中在输电线路上部署线路监测仪的示意图；
89.图4为一个实施例中生成三维空间模型的示意图；
90.图5为一个实施例中获得电气安全监测模型的示意图；
91.图6为一个实施例中获得运行状态检测结果的流程示意图；
92.图7为另一个实施例中电气安全监测方法的流程示意图；
93.图8为一个实施例中电气安全监测方法的流程框图；
94.图9为一个实施例中电气安全监测装置的结构框图；
95.图10为一个实施例中计算机设备的内部结构图。
具体实施方式
96.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
97.本技术提供的电气安全监测方法，涉及人工智能(artificial intelligence，ai)技术，人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人
工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
98.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习、深度学习等几大方向。
99.机器学习(machine learning,ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
100.图1为一个实施例中电气安全监测方法的应用环境图。参照图1，本技术提供的电气安全监测方法，可以应用于如图1所示的应用环境中。其中，建筑内部的电气设备通过网络与服务器进行通信，电气设备包括线路监测仪102和用电设备104，线路监测仪102和用电设备104通过网络与服务器106进行通信。
101.建筑内部的输电线路上部署了线路监测仪，线路监测仪可以部署在每个用电设备的支路上，用于监测每个用电设备的运行状况；线路监测仪也可以部署在多个用电设备的支路上，用于监测该支路的运行状态。
102.服务器106需要先根据多个训练样本对初始神经网络进行训练，每个训练样本包括包括建筑内的样本线路监测仪监测到的样本线路数据和对应的运行状态标注数据，训练好后获得电气安全监测模型。之后，计算机设备就可以根据建筑内电气设备的部署位置及各电气设备之间的线路连接关系生成建筑对应的三维空间模型，并在接收到该建筑内目标线路监测仪采集的目标线路数据后，服务器106通过训练好的基于神经网络的电气安全监测模型，根据三维空间模型和目标线路数据获得目标线路监测仪102线路的运行状态检测结果；当运行状态检测结果指示目标线路处于异常运行状态时，确定目标线路相关的目标用电设备104，生成用于关闭目标用电设备104的控制指令。
103.其中，线路监测仪102可以但不限于是各种传感器，比如霍尔电压传感器、霍尔电流传感器、电阻传感器、温度传感器，等等。用电设备104可以但不限于是各种计算机设备、家居设备、服务器集群、机械设备等等。服务器106可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络、以及大数据和人工智能平台等基础云计算服务的云服务器。线路监测仪102、用电设备104可以与服务器106通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。
104.在一个实施例中，如图2所示，提供了一种电气安全监测方法，以该方法应用于图1中的服务器106为例进行说明，包括以下步骤：
105.步骤202，获取建筑对应的三维空间模型，三维空间模型是根据建筑内电气设备的部署位置及各电气设备之间的线路连接关系生成的，电气设备包括线路监测仪和用电设
备。
106.其中，建筑是具有电气监控需求的建筑物，比如写字楼、工厂、工地、学校、体育场等等。建筑的三维空间模型是表示建筑内部结构与输电线路的布局的3d模型。建筑内的电气设备是需要通电使用的设备的统称，可以按照是否消耗电能划分为用电设备和线路监测仪。用电设备可以包括家居设备、服务器集群、机械设备，等等。线路监测仪是用于监测输电线路的运行状况的装置，可以是霍尔电压传感器、霍尔电流传感器、电阻传感器、温度传感器，等等。
107.为了能够监测建筑内用电设备及输电线路的运行状况，需要在输电线路上预先部署线路监测仪。如图3所示，为一个实施例中在输电线路上部署线路监测仪的示意图，参照图3，线路监测仪a位于多个用电设备的支路302上，可以用于监测该线路的运行状态，线路监测仪b位于用电设备4和用电设备5所在的支路304上，可以用于监测用电设备4和用电设备5的运行状态。此外，线路监测仪还具备与外部服务器进行通信的能力，以便于将监测到的线路数据实时上报至服务器。
108.具体地，服务器可以预先根据建筑内部电气设备的部署位置和各个电气设备之间的线路连接关系，生成该建筑对应的三维空间模型，该三维空间模型可以用辅助对该建筑内部输电线路的运行状态进行预测。
109.在一个实施例中，电气设备的部署位置可以用电气设备所处的地理坐标和室内空间坐标中的至少一种来表示。其中，地理坐标表示电气设备在地球表面的地理位置信息，即经纬度坐标，不同电气设备的经纬度坐标，可以反映出电气设备在该建筑内部的布局，使得该经纬度坐标可作为监测电气安全的特征之一。室内空间坐标表示的是电气设备在室内的空间布局，例5楼a区a101，能够反应出该电气设备在室内空间的具体位置及标号，该室内空间坐标可作为监测电气安全后确定异常发生的位置的特征之一。因此，服务器可以根据电气设备的地理坐标或室内空间坐标、以及这些坐标之间的线路连接关系生成关于该建筑的三维空间模型，并使用该三维空间模型辅助整个建筑的电气安全的监测。
110.在一个实施例中，步骤202，获取建筑对应的三维空间模型，包括：获取建筑对应的建筑信息模型；将建筑内电气设备的部署位置及各电气设备之间的线路连接关系映射至建筑信息模型，获得建筑对应的三维空间模型。
111.其中，建筑信息模型(building information modeling)表示的建筑内部结构的三维设计模型，能够可视化、逼真地展示建筑的内部结构。服务器可以在该建筑信息模型的基础上，将建筑内的电气设备及输电线路的部署位置与该建筑信息模型进行绑定，从而获得建筑对应的三维空间模型。具体地，服务器需要获取建筑内部每个电气设备的部署位置及线路连接关系，将该部署位置及线路连接关系绑定到建筑信息模型中，也就是将每个电器设备的部署位置及线路连接关系映射到建筑信息模型中，获得该建筑的三维空间模型。
112.如图4所示，为一个实施例中生成三维空间模型的示意图。参照图4，服务器可以先获取建筑的建筑信息模型，并根据建筑内每个电气设备、线路的地理坐标和室内空间坐标获得三维空间模型。
113.在一个实施例中，还可以通过显示屏向负责建筑内部电力安全维护的工作人员展示该三维空间模型，并在接收到服务器反馈的异常的结果时，根据异常所发生的位置，在该三维空间模型的对应位置处可视化展示该异常，能够帮助工作人员及时地发现异常发生的
位置，并采取相应的措施，提升电气安全监测效果。
114.步骤204，接收目标线路监测仪采集的目标线路数据。
115.其中，目标线路监测仪可以是建筑内部部署的任意一个线路监测仪。每个线路监测仪可以将采集的线路数据实时上报至服务器，也可以按预设时间间隔，周期性的将一段时间内的采集的线路数据上报至服务器。线路数据可以包括电压、电阻、电流、温度等等。
116.在一个实施例中，为了保证建筑内部信息安全，目标线路监测仪还可以采用安全加密算法对该目标线路数据进行加密后，再上报至服务器，服务器接收加密的目标线路数据后进行解密，得到解密后的目标线路数据。
117.步骤206，通过训练好的基于神经网络的电气安全监测模型，根据三维空间模型和目标线路数据获得目标线路监测仪所在目标线路的运行状态检测结果。
118.其中，电气安全监测模型为使用多个训练样本训练初始神经网络获得的模型，多个训练样本中的每个训练样本包括建筑内的样本线路监测仪监测到的样本线路数据和对应的运行状态标注数据。电气安全监测模型是具备对输电线路的运行状态进行预测的能力的神经网络模型。服务器可以事先基于神经网络的模型结构，得到初始神经网络模型，再通过多个训练样本对初始神经网络模型进行训练，得到电气安全监测模型的模型参数。每个训练样本包括建筑内的样本线路监测仪监测到的样本线路数据和对应的运行状态标注数据，还包括反应建筑内部结构和电气布局的三维空间模型，通过训练样本数据进行训练获得的模型就具备对输电线路的运行状态进行预测的能力。在需要对输电线路的运行状态进行预测时，可以获取训练得到的模型参数，再将该模型参数导入初始神经网络模型，得到电气安全监测模型。
119.具体地，对建筑内的电气安全进行监测时，可以将获取的反应建筑内部结构与电气布局的三维空间模型，和目标线路监测仪采集的目标线路数据输入至事先训练好的电气安全监测模型，继而通过该电气安全监测模型基于上述信息进行预测，获得目标线路监测仪所在目标线路的运行状态检测结果。
120.服务器获得的运行状态检测结果包括各种运行状态类别对应的概率。运行状态类别可以包括过热、过压、过流和正常，其中过热、过压、过流属于异常状态。异常状态还可以是线路老化、线路接触不良等等，可以根据实际情况训练电气安全监测模型从而使得该模型具备监测这些异常的能力。由于三维空间模型中的电气设备的部署位置、线路连接关系能够反映与该目标线路连接的电气设备和线路，目标线路数据能够反映该目标线路当前的运行状况，这二者就可以作为预测目标线路的运行状态的特征，预测到目标线路是处于正常运行状态或异常运行状态。
121.步骤208，当运行状态检测结果指示目标线路处于异常运行状态时，确定目标线路相关的目标用电设备，生成用于关闭目标用电设备的控制指令。
122.具体地，目标监测仪是预埋在目标线路上的，当服务器通过电气安全监测模型输出的运行状态检测结果，指示目标线路处于异常运行状态时，服务器可以根据三维空间模型中每个用电设备以及线路的部署位置，确定与该目标线路相关的目标用电设备，生成用于关闭该目标用电设备的控制指令，并下发该控制指令至该目标用电设备，从而能够自动调节目标用电设备及该目标线路的运行情况，避免因异常导致直接断开整个目标线路而带来的损失。
123.在一个实施例中，确定目标线路相关的目标用电设备，包括：获取目标线路监测仪在三维空间模型中的部署位置；根据部署位置确定与目标线路相关的目标用电设备。
124.在一个实施例中，根据部署位置确定与目标线路相关的目标用电设备，包括：根据部署位置确定与目标线路相关的多个用电设备；获取预设的与设备类型对应的用电优先级别；根据多个用电设备中每个用电设备的设备类型确定用电优先级别；将多个用电设备中用电优先级别最低的用电设备作为目标用电设备。
125.本实施例中，服务器还可以获取工作人员事先设置的设备优先级，对于不同类别的设备，或是不同用途的设备，设置不同的优先级别，从而在出现异常时，根据用电优先级别从多个用电设备中确定目标用电设备，优先关闭目标用电设备。例如，当目标线路出现过载状态时，与目标线路相关的用电设备包括服务器机房和空调机房，为避免数据丢失带来的损失，可以根据优先级优先关闭空调机房，从而避免了直接断开整个目标线路带来的损失。
126.在一个实施例中，上述方法还包括：当关于建筑的输电线路的动态调整功能已启动时，则执行生成用于关闭目标用电设备的控制指令的步骤，并将控制指令发送至目标用电设备，以使目标用电设备停止运行；当关于建筑的输电线路的动态调整功能未启动时，则生成断开目标线路的控制指令；或者基于运行状态检测结果，确定目标用电设备的异常类型；根据异常类型和目标用电设备的部署位置生成异常预警信息。
127.具体地，建筑负责电气安全管理的工作人员可以在统一的管理平台管理建筑内的所有电气设备，当工作人员开启线路的自动调节功能时，则服务器直接将控制指令下发至目标用电设备。当工作人员没有开启线路的自动调节功能时，则服务器可以直接生成断开该目标线路的控制指令，目标线路上部署的目标线路监测仪可以接收该控制指令，根据该控制指令断开整个目标线路；服务器还可以根据异常类型和目标用电设备的部署位置生成异常预警信息，并向工作人员报告，工作人员可以自行处理该异常状态。
128.在一个实施例中，上述方法还包括：当运行状态检测结果指示在目标线路相关的目标用电设备停止运行后，目标线路处于异常运行状态，则生成用于断开目标线路的控制指令。
129.在本实施例中，当服务器确定无法通过动态调节也就是关闭目标线路相关的某个目标用电设备来避免异常状态发生时，就可以直接生成断开整个目标线路的控制指令。目标线路上部署的目标线路监测仪可以接收该控制指令，根据该控制指令断开整个目标线路。
130.在一个实施例中，通过训练好的基于神经网络的电气安全监测模型，根据三维空间模型和目标线路数据获得目标线路监测仪所在目标线路的运行状态检测结果，包括：确定目标线路数据时采集时间；将采集时间、三维空间模型和目标线路数据输入训练好的基于神经网络的电气安全监测模型，通过电气安全监测模型输出目标线路监测仪所在目标线路的运行状态检测结果；上述方法还包括：当运行状态检测结果指示目标线路处于正常运行状态，且采集时间属于高峰用电时间段时，确定目标线路相关的目标用电设备，生成关于目标用电设备的错峰运行信息。
131.在本实施例中，将采集时间和采集温度作为用于预测目标线路的运行状态的特征，还可以在运行状况正常的情况下，生成关于目标用电设备的预警信息，例如，18楼a区a1
线路出现短暂的过流现象，建议将不要将空调和冰箱同时开启。
132.在一个实施例中，目标线路数据还包括输电线路的使用时长，通过训练好的基于神经网络的电气安全监测模型，根据三维空间模型和目标线路数据获得目标线路监测仪所在目标线路的运行状态检测结果，包括：确定目标线路的使用时长；将使用时长、三维空间模型和目标线路数据输入电气安全监测模型，通过电气安全监测模型输出目标线路监测仪所在目标线路的运行状态检测结果。当运行状态检测结果指示目标线路处于老化运行状态时，则生成需要维护或更换目标线路的预警信息。
133.上述电气安全监测方法中，一方面，根据建筑内电气设备的部署位置及各电气设备之间复杂的线路连接关系，生成建筑的三维空间模型，能够辅助对建筑内部的电气安全进行监测；另一方面，通过训练好的基于神经网络的电气安全监测模型来智能地预测输电线路的运行状态，能够实时的了解整个建筑的电气运行状态和安全隐患情况，并且在预测的运行状态检测结果指示输电线路处于异常时，能够确定异常发生的具体位置和与该异常相关的目标用电设备，在保证安全的前提下，生成关闭目标用电设备的控制指令，能够自动调节用电设备的运行情况，减少因异常导致整个区域断电带来的损失。
134.在一个实施例中，服务器需要事先对初始神经网络模型进行训练，得到电气安全监测模型。上述方法还包括获取训练样本的步骤：接收样本线路监测仪上报的样本线路数据；获取建筑内电气设备对应的额定电参数；根据样本线路数据计算样本线路监测仪所在线路的实际电参数；当实际电参数与样本线路监测仪所在线路的额定电参数的差异在预设时长内超出阈值时，则确定样本线路监测仪所在线路的运行状态标注数据为异常。
135.具体地，为了获得训练电气安全监测模型的样本数据，服务器需要事先基于一些实例获得知识。服务器可以先将建筑内的一些线路监测仪作为样本线路监测仪，这些样本线路监测仪上报的线路数据作为样本线路数据，服务器还需要获取建筑内每个电气设备对应的额定电参数，根据接收到的样本线路数据及特定的电路知识计算该样本线路监测仪所在线路的实际电参数，当实际电参数与额定电参数的差异持续超过阈值时，则样本线路监测仪所在线路的运行状态标注数据为异常。这样，根据样本线路数据及对应的检测结果，服务器就有了训练模型的样本数据。
136.在一个实施例中，根据样本线路数据计算样本线路监测仪所在线路的实际电参数，包括：当样本线路监测仪位于监测用电设备的线路时，样本线路数据包括实际电压、实际电流和实际温度中的至少一种，根据实际电压与实际电流计算监测的用电设备的实际工作功率；当实际电参数与样本线路监测仪所在线路的额定电参数的差异在预设时长内超出阈值时，则确定样本线路监测仪所在线路的运行状态标注数据为异常，包括：当实际电压与用电设备的额定电压之间的差异、实际电流与用电设备的额定电流之间的差异、实际工作功率与用电设备的额定功率之间的差异、实际温度与正常工作温度之间的差异中的至少一种在预设时长内超出阈值时，则确定用电设备的运行状态标注数据为异常。
137.可以理解，本实施例中，样本线路检测仪用于监测用电设备，当用电设备的实际电压与用电设备的额定电压之间的差异在预设时间段内超过阈值时，则对应的运行状态标注数据为过压，当实际电流与用电设备的额定电流之间的差异在预设时间段内超过阈值时，则对应的运行状态标注数据为过流，当实际工作功率与用电设备的额定功率之间的差异在预设时间段内超过阈值时，则对应的运行状态标注数据为过载，当实际温度与正常工作温
度之间的差异在预设时间段内超过阈值时，则对应的运行状态标注数据为过热。
138.在本实施例中，通过样本线路监测仪反馈的监测到的用电设备的样本线路数据确定对应的检测结果，就有了训练模型的样本数据。
139.在一个实施例中，根据样本线路数据计算样本线路监测仪所在线路的实际电参数，包括：当样本线路监测仪用于监测线路时，样本线路数据包括实际电压、实际电流和实际温度中的至少一种，根据监测的线路在实际温度下的电阻率、实际电流和实际电压计算监测的线路的实际线路损耗；当实际电参数与样本线路监测仪所在线路的额定电参数的差异在预设时长内超出阈值时，则确定样本线路监测仪所在线路的运行状态标注数据为异常，包括：当实际线路损耗与标准线路耗损之间的差异在预设时长内超出阈值时，则确定监测的线路的运行状态标注数据为异常。
140.可以理解，本实施例中，样本线路检测仪用于监测线路，当线路的实际线路损耗与标准线路耗损之间的差异在预设时长内超出阈值时，则确定监测的线路的运行状态标注数据为过损，从而获得真实的样本数据。
141.如图5所示，为一个实施例中获得电气安全监测模型的示意图。参照图5，服务器先根据建筑内部的实例获得训练样本数据，对训练样本数据进行预处理、特征选择和提取后，对初始的神经网络模型进行训练，使得该模型学习到具备对根据实时线路数据预测运行状态的能力，从而获得电气安全监测模型。当服务器接收到目标线路监测仪上报的需要检测的目标线路数据时，就可以按同样的方式对目标线路数据进行预处理、特征选择和提取后，利用该电气安全监测模型获得对应的运行状态检测结果。
142.在一个实施例中，为了使电气安全监测模型获得在监测到异常时提供解决该异常的能力，服务器还可以将解决该异常的真实解决方式作为监督信息，对该模型进行训练，也就是说，每个训练样本包括样本线路数据、运行状态标注数据，以及当运行状态标注数据为异常时对应的解决方式。这样，经过训练后的电气安全监测模型可以直接在监测到异常时提供解决方式，实现了自动化、智能化地对建筑内部的电气运行状态进行监测从而在异常发生时动态调节用电设备的运行情况。
143.在一些实施例中，服务器还可以根据线路监测仪上报的目标线路数据和对应的运行状态检测结果，提取出新的训练样本数据，对电气安全监测模型进行离线训练。具体地，服务器可以持久化目标线路数据及运行状态检测结果；将目标线路数据和运行状态检测结果作为训练样本数据；利用训练样本数据和三维空间模型对电气安全监测模型进行离线训练。可以理解，随着训练样本数据量越来越多，电气安全监测模型的准确性也就越来越高，能够为建筑内负责电气安全管理的工作人员提供更加合理的电气安全监测信息。
144.在一个实施例中，服务器获得训练样本数据后，电气安全监测模型的训练步骤包括：获取训练样本，训练样本包括建筑对应的三维空间模型、建筑内的样本线路监测仪监测到的样本线路数据和对应的运行状态标注数据；将训练样本输入至初始神经网络模型；通过初始神经网络模型的输入层与隐藏层之间当前的第一连接权重，对三维空间模型和样本线路数据进行变换处理，获得隐藏层特征；通过初始神经网络模型的隐藏层与输出层之间当前的第二连接权重，对各隐藏层特征进行变换处理后融合，获得预测运行状态；根据运行状态标注数据与预测运行状态构建误差函数，将误差函数最小化，确定更新的第一连接权重与更新的第二连接权重；根据更新的第一连接权重与更新的第二连接权重对初始神经网
络模型进行更新后，返回至获取训练样本的步骤继续训练，直至满足训练结束条件时，获得电气安全监测模型。
145.搭建的初始神经网络模型包括输入层、隐藏层和输出层，输入层与隐藏层之间的连接可以是全连接，连接权重为第一连接权重，隐藏层与输出层之间的连接也可以是全连接，连接权重为第二连接权重。在训练的过程中，对于每一个训练样本都会基于模型当前的第一连接权重与第二连接权重进行运算后获得预测运行状态，此时的预测运行状态是基于当前的模型参数确定的，在训练完成之前，预测运行状态与运行状态标注数据之间的差异较大，但随着训练过程的深入，模型参数的不断调整，训练样本的预测运行状态与运行状态标注数据之间的差异会逐渐减小。
146.误差函数用于评估模型根据当前的训练样本输出的预测运行状态与运行状态标注数据之间的差异程度，可以基于构建的差异函数来确定模型参数即第一连接权重与第二连接权重的调整方向。误差函数可以是均方误差函数、交叉熵损失函数。对于每个训练样本或每一批训练样本对应的误差函数，取损失最小时获得的模型参数作为更新的模型参数，然后在更新的模型参数的基础上对下一个训练样本进行预测，以对模型参数继续进行训练，直至得到的模型参数使得模型是稳定的或是训练次数达到预设次数时，就结束训练。
147.在本实施例中，通过训练样本对模型进行训练，使得获得的电气安全监测模型可直接用于对用电设备的运行状态进行预测，准确性较高，具有较强的参考性。
148.如图6所示，在一个实施例中，步骤206，通过训练好的基于神经网络的电气安全监测模型，根据三维空间模型和目标线路数据获得目标线路监测仪所在目标线路的运行状态检测结果，具体包括：
149.步骤602，将三维空间模型和目标线路数据输入训练好的基于神经网络的电气安全监测模型。
150.步骤604，通过电气安全监测模型的输入层与隐藏层之间的第一连接权重，对三维空间模型和目标线路数据进行变换处理，获得隐藏层特征。
151.步骤606，通过电气安全监测模型的隐藏层与输出层之间的第二连接权重，对各隐藏层特征进行变换处理后融合，获得目标线路监测仪所在目标线路的运行状态检测结果。
152.其中，电气安全监测模型包括输入层、隐藏层和输出层，输入层与隐藏层之间的连接可以是全连接，隐藏层与输出层之间的连接也可以是全连接，输入层与隐藏层之间的连接权重为第一连接权重，隐藏层与输出层之间的连接权重为第二连接权重。将输入层获取的三维空间模型和目标线路数据与第一连接权重进行矩阵相乘处理，从而得到对应的隐藏层特征，再将隐藏层特征与第二连接权重进行矩阵相乘处理后融合，获得目标线路监测仪所在目标线路的运行状态检测结果。
153.在本实施例中，相对于通过人工方式去监测电气安全而言，通过事先训练好的电气安全监测模型根据线路监测仪上报的线路监测数据和建筑内部的三维空间模型预测输电线路的运行状态，不仅实现了自动化监测，而且准确率较高。
154.如图7所示，为一个实施例中电气安全监测方法的流程示意图。参照图7，目标线路监测仪将实时监测的目标线路数据上报至服务器，服务器实时存储该目标线路数据，同时，利用训练好的电气安全监测模型，根据三维空间模型和上报的目标线路数据预测目标线路监测仪所在目标线路的运行状态检测结果，并当运行状态检测结果指示目标线路处于异常
运行状态时判断是否可以通过动态调节解决该异常，若否则生成断开该目标线路的控制指令，若是，进一步判断工作人员是否开启自动调节功能，若否则生成断开该目标线路的控制指令，若是则确定目标线路相关的多个用电设备，根据设备优先级确定目标用电设备，生成用于关闭目标用电设备的控制指令。
155.如图8所示，为一个实施例中电气安全监测方法的流程框图。参照图8，线路监测仪采集线路数据，经过安全加密算法进行加密后，将加密的线路数据发送至服务器，服务器基于该线路数据和建筑的三维空间模型进行预测，获得目标线路监测仪所在目标线路的运行状态检测结果，同时服务器存储该线路数据用于生成训练样本数据对电气安全监测模型进行离线训练，当运行状态检测结果指示目标线路处于异常运行状态时，服务器确定目标线路相关的目标用电设备，生成用于关闭目标用电设备的控制指令，并将控制指令加密后下发至目标用电设备。
156.在一个具体的实施例中，电气安全监测方法包括以下步骤：
157.1、接收样本线路监测仪上报的样本线路数据。
158.2、获取建筑内电气设备对应的额定电参数。
159.3、根据样本线路数据计算样本线路监测仪所在线路的实际电参数。
160.4、当实际电参数与样本线路监测仪所在线路的额定电参数的差异在预设时长内超出阈值时，则确定样本线路监测仪所在线路的运行状态标注数据为异常。
161.5、获取建筑对应的建筑信息模型。
162.6、将建筑内电气设备的部署位置及各电气设备之间的线路连接关系映射至建筑信息模型，获得建筑对应的三维空间模型；电气设备包括线路监测仪和用电设备。
163.7、根据样本线路数据、对应的运行状态标注数据和三维空间模型作为训练样本数据，对初始的初始神经网络模型进行模型训练，获得电气安全监测模型。
164.8、接收目标线路监测仪采集的目标线路数据。
165.9、将三维空间模型和目标线路数据输入电气安全监测模型。
166.10、通过电气安全监测模型的输入层与隐藏层之间的第一连接权重，对三维空间模型和目标线路数据进行变换处理，获得隐藏层特征。
167.11、通过电气安全监测模型的隐藏层与输出层之间的第二连接权重，对各隐藏层特征进行变换处理后融合，获得目标线路监测仪所在目标线路的运行状态检测结果。
168.12、当运行状态检测结果指示目标线路处于异常运行状态时，获取目标线路监测仪在三维空间模型中的部署位置。
169.13、根据部署位置确定与目标线路相关的多个用电设备。
170.14、获取预设的与设备类型对应的用电优先级别。
171.15、根据多个用电设备中每个用电设备的设备类型确定用电优先级别；将多个用电设备中用电优先级别最低的用电设备作为目标用电设备。
172.16、当关于建筑的输电线路的动态调整功能已启动时，则生成用于关闭目标用电设备的控制指令，并将控制指令发送至目标用电设备，以使目标用电设备停止运行。
173.17、当关于建筑的输电线路的动态调整功能未启动时，则生成断开目标线路的控制指令；或者基于运行状态检测结果，确定目标用电设备的异常类型；根据异常类型和目标用电设备的部署位置生成异常预警信息。
174.上述电气安全监测方法，一方面，根据建筑内电气设备的部署位置及各电气设备之间复杂的线路连接关系，生成建筑的三维空间模型，能够辅助对建筑内部的电气安全进行监测；另一方面，通过电气安全监测模型来智能地预测输电线路的运行状态，能够实时的了解整个建筑的电气运行状态和安全隐患情况，并且在预测的运行状态检测结果指示输电线路处于异常时，能够确定异常发生的具体位置和与该异常相关的目标用电设备，在保证安全的前提下，生成关闭目标用电设备的控制指令，能够自动调节用电设备的运行情况，减少因异常导致整个区域断电带来的损失。
175.本技术实施例提供的方法，可以对高层建筑的复杂的布线和电气设备与三维空间模型绑定后，智能控制输电线路的安全运行，能够实时的了解整个建筑的电气运行状态和安全隐患情况；当输电线路异常发生的时候，在保证安全的前提下，能够自动调节设备的运行情况，减少因电路异常导致整个区域断电带来的损失，同时能够有效预防隐蔽性输电线路工作异常导致火灾发生。此外，生成的电气安全监测模型，可以为整个建筑内部的线路和电气设备管理做出长期的管理建议，随着长期的监测，可以预测线路随着时间的推移寿命发生变化，能够预计在未来哪个时间需要维修或更换的输电线路，及时给管理员预警并做出合理的、有建设性的建议。
176.本方案描述的是基于建筑的三维空间模型的智能化电气监测方法，三维空间模型表示的是建筑内部结构与电气设备、输电线路的布局。该方法可以扩展到建筑内部的天然气线路智能化监测、自来水管道智能化监测等等。
177.应该理解的是，虽然图2、图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
178.在一个实施例中，提供了一种电气安全监测系统，可以如图1所示，该电气安全监测系统包括目标线路监测仪102、目标用电设备104和服务器106，其中：
179.服务器106用于获取建筑对应的三维空间模型，三维空间模型是根据建筑内电气设备的部署位置及各电气设备之间的线路连接关系生成的，电气设备包括线路监测仪和用电设备；
180.目标线路监测仪102用于采集目标用电设备104所在目标线路的目标线路数据，并将目标线路数据上报至服务器106；
181.服务器106用于接收目标线路监测仪102采集的目标线路数据；通过训练好的基于神经网络的电气安全监测模型，根据三维空间模型和目标线路数据获得目标线路监测仪102所在目标线路的运行状态检测结果；
182.服务器106还用于当运行状态检测结果指示目标线路处于异常运行状态时，确定目标线路相关的目标用电设备104，生成用于关闭目标用电设备104的控制指令；
183.目标用电设备104用于在接收服务器106下发的控制指令后停止运行。关于电气安全监测系统的具体限定可以参见上文中对于电气安全监测方法的限定，在此不再赘述。
184.在一个实施例中，如图9所示，提供了一种电气安全监测装置900，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：获取模块902、接收模块904、预测模块906和控制模块908，其中：
185.获取模块902，用于获取建筑对应的三维空间模型，三维空间模型是根据建筑内电气设备的部署位置及各电气设备之间的线路连接关系生成的，电气设备包括线路监测仪和用电设备；
186.接收模块904，用于接收目标线路监测仪采集的目标线路数据；
187.预测模块906，用于通过训练好的基于神经网络的电气安全监测模型，根据三维空间模型和目标线路数据获得目标线路监测仪所在目标线路的运行状态检测结果；
188.控制模块908，用于当运行状态检测结果指示目标线路处于异常运行状态时，确定目标线路相关的目标用电设备，生成用于关闭目标用电设备的控制指令。在一个实施例中，电气安全监测模型为使用多个训练样本训练初始神经网络获得的模型，多个训练样本中的每个训练样本包括建筑内的样本线路监测仪监测到的样本线路数据和对应的运行状态标注数据。
189.在一个实施例中，获取模块902还用于获取建筑对应的建筑信息模型；将建筑内电气设备的部署位置及各电气设备之间的线路连接关系映射至建筑信息模型，获得建筑对应的三维空间模型。
190.在一个实施例中，装置还包括训练样本数据获取模块，用于接收样本线路监测仪上报的样本线路数据；获取建筑内电气设备对应的额定电参数；根据样本线路数据计算样本线路监测仪所在线路的实际电参数；当实际电参数与样本线路监测仪所在线路的额定电参数的差异在预设时长内超出阈值时，则确定样本线路监测仪所在线路的运行状态标注数据为异常。
191.在一个实施例中，训练样本数据获取模块还用于当样本线路监测仪位于监测用电设备的线路时，样本线路数据包括实际电压、实际电流和实际温度中的至少一种，根据实际电压与实际电流计算监测的用电设备的实际工作功率；当实际电压与用电设备的额定电压之间的差异、实际电流与用电设备的额定电流之间的差异、实际工作功率与用电设备的额定功率之间的差异、实际温度与正常工作温度之间的差异中的至少一种在预设时长内超出阈值时，则确定用电设备的运行状态标注数据为异常。
192.在一个实施例中，训练样本数据获取模块还用于当样本线路监测仪用于监测线路时，样本线路数据包括实际电压、实际电流和实际温度中的至少一种，根据监测的线路在实际温度下的电阻率、实际电流和实际电压计算监测的线路的实际线路损耗；当实际线路损耗与标准线路耗损之间的差异在预设时长内超出阈值时，则确定监测的线路的运行状态标注数据为异常。
193.在一个实施例中，上述装置还包括模型训练模块，用于获取训练样本，所述训练样本包括所述建筑内的样本线路监测仪监测到的样本线路数据和对应的运行状态标注数据；将所述样本线路数据和所述三维空间模型输入至初始神经网络模型，通过所述初始神经网络模型的输入层与隐藏层之间当前的第一连接权重，对所述三维空间模型和所述样本线路数据进行变换处理，获得隐藏层特征；通过所述初始神经网络模型的隐藏层与输出层之间当前的第二连接权重，对各所述隐藏层特征进行变换处理后融合，获得预测运行状态；根据
所述运行状态标注数据与所述预测运行状态构建误差函数，将所述误差函数最小化，确定更新的第一连接权重与更新的第二连接权重；根据所述更新的第一连接权重与所述更新的第二连接权重对所述初始神经网络模型进行更新后，返回至所述获取训练样本的步骤继续训练，直至满足训练结束条件时，获得所述电气安全监测模型。
194.在一个实施例中，预测模块906还用于将三维空间模型和目标线路数据输入训练好的基于神经网络的电气安全监测模型；通过电气安全监测模型的输入层与隐藏层之间的第一连接权重，对三维空间模型和目标线路数据进行变换处理，获得隐藏层特征；通过电气安全监测模型的隐藏层与输出层之间的第二连接权重，对各隐藏层特征进行变换处理后融合，获得目标线路监测仪所在目标线路的运行状态检测结果。
195.在一个实施例中，预测模块906还用于确定目标线路数据时采集时间；将采集时间、三维空间模型和目标线路数据输入训练好的基于神经网络的电气安全监测模型，通过电气安全监测模型输出目标线路监测仪所在目标线路的运行状态检测结果；控制模块还用于当运行状态检测结果指示目标线路处于正常运行状态，且采集时间属于高峰用电时间段时，确定目标线路相关的目标用电设备，生成关于目标用电设备的错峰运行信息。
196.在一个实施例中，控制模块908还用于获取目标线路监测仪在三维空间模型中的部署位置；根据部署位置确定与目标线路相关的目标用电设备。
197.在一个实施例中，控制模块908还用于根据部署位置确定与目标线路相关的多个用电设备；获取预设的与设备类型对应的用电优先级别；根据多个用电设备中每个用电设备的设备类型确定用电优先级别；将多个用电设备中用电优先级别最低的用电设备作为目标用电设备。
198.在一个实施例中，控制模块908还用于当关于建筑的输电线路的动态调整功能已启动时，则生成用于关闭目标用电设备的控制指令，并将控制指令发送至目标用电设备，以使目标用电设备停止运行；当关于建筑的输电线路的动态调整功能未启动时，则生成断开目标线路的控制指令；或者基于运行状态检测结果，确定目标用电设备的异常类型；根据异常类型和目标用电设备的部署位置生成异常预警信息。
199.在一个实施例中，控制模块908还用于当运行状态检测结果指示在目标线路相关的目标用电设备停止运行后，目标线路处于异常运行状态，则生成用于断开目标线路的控制指令。
200.在一个实施例中，装置还包括存储模块，用于持久化目标线路数据及运行状态检测结果；将目标线路数据和运行状态检测结果作为训练样本数据；利用训练样本数据和三维空间模型对电气安全监测模型进行离线训练。
201.上述电气安全监测装置900，一方面，根据建筑内电气设备的部署位置及各电气设备之间复杂的线路连接关系，生成建筑的三维空间模型，能够辅助对建筑内部的电气安全进行监测；另一方面，通过电气安全监测模型来智能地预测输电线路的运行状态，能够实时的了解整个建筑的电气运行状态和安全隐患情况，并且在预测的运行状态检测结果指示输电线路处于异常时，能够确定异常发生的具体位置和与该异常相关的目标用电设备，在保证安全的前提下，生成关闭目标用电设备的控制指令，能够自动调节用电设备的运行情况，减少因异常导致整个区域断电带来的损失。
202.关于电气安全监测装置900的具体限定可以参见上文中对于电气安全监测方法的
限定，在此不再赘述。上述电气安全监测装置900中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
203.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电气安全监测方法。
204.本领域技术人员可以理解，图10中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
205.在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
206.在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
207.在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
208.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
209.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
210.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。