一种基于大数据的城市居民用电风险智能分析预警算法制造技术

本发明专利技术涉及居民住宅用电风险预警、城市治理技术领域，尤其为一种基于大数据的城市居民用电风险智能分析预警算法，包括以下步骤：S1，采集数据信息；S2，根据住宅线路聚集程度进行分组，根据分组特征结合环境因素，S3，使用TCN神经网络训练对住宅内线路损耗程度进行预测，预测下一时刻的住宅内线路损耗程度，以及将得到的住宅内线路损耗程度序列输入到TCN神经网络中进行训练，本发明专利技术通过对不同住宅居民的用电频率，用电功率，以及用电线路的质量损失分析，得到每户住宅居民的用电习惯，通过每户的用电习惯，得到用户在用电过程中的风险系数，同时运用TCN卷积神经网络对用户的风险系数进行预测，对该风险即将达到安全阈值时进行预警。警。

【技术实现步骤摘要】
一种基于大数据的城市居民用电风险智能分析预警算法


[0001]本专利技术涉及居民住宅用电风险预警、城市治理
，尤其涉及一种基于大数据的城市居民用电风险智能分析预警算法。

技术介绍

[0002]现有的技术，是在用电过程中功率过大，超过阈值时进行跳闸断电，防止引起火灾，此类技术对火灾防范有很大的作用，但是有时不能够提前发现问题，有时断电时已经造成线路或者用电设备损坏，给住宅安全以及群众的财产损失带来一定的影响。同时，不同居民的用电习惯不同，用电频率过高，功率使用过大，用电风险就会越高，因此每户的用电安全风险系数不同。
[0003]综上所述，本专利技术通过设计一种基于大数据的城市居民用电风险智能分析预警算法来解决存在的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于大数据的城市居民用电风险智能分析预警算法以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种基于大数据的城市居民用电风险智能分析预警算法，包括以下步骤：
[0007]S1，采集数据信息，具体步骤如下：
[0008]步骤1，采集居民用电功率数据以及用电频率，其步骤具体如下：
[0009]a)基于每户用电电器设备的不同，以及使用过程中功率大小的不同，因此对线路火灾的影响的风险系数不同，当住宅使用电器设备过多，同时功率越大的用电设备，使用频率越高的设备，大量的电流持续输出，会造成线路温度升高，本身线路在通电的情况下就会发热，当长期的负荷运行，过高的温度会加大用电风险性。当因此需要对每户居民的用电功率以及用电频率数据信息进行采集；
[0010]b)使用功率测量仪对住宅的用电功率进行采集；
[0011]步骤2，采集住宅线路在使用时空间上的温度变化,其步骤具体如下：
[0012]a)基于线路的长度对电流有一定的影响，通过对每根线路不同位置上安装温度探针，根据探针式温度传感器，对住宅内的每根线路温度数据信息进行采集，确定不同线路之间的温度差异，当每根线路温度在空间上的差异越大，说明该线路的绝缘层有着明显的损害，因此需要对该住宅线路空间上的温度数据信息进行采集；
[0013]b)同样使用探针式温度传感器对住宅内线路的温度信息进行读取，将温度探针以50cm，其中温度探针的长度根据实施者可自行设定为距离进行设定，以10段距离为长度单位，得到一个温度分布的序列H＝{H1,H2,.....,H
i
}；
[0014]c)计算住宅线路温度分布的温度差异，得到每根线路的温度分布系数；
[0015]步骤3，根据得到的线路使用功率表稳定系数，以及住宅每根线路的温度分布系
数，得到住宅内线路在通电使用过程度中的风险系数；
[0016]S2，根据住宅线路聚集程度进行分组，根据分组特征结合环境因素，其步骤具体如下：
[0017]步骤1，采集住宅内线路的聚集程度，其步骤具体如下：
[0018]a)基于住宅内内线路本身在通电时就会发热，电流的大小和电线的发热成正比，当在铺设线路时，根据实时的条件，可能需要把一些线路捆在一起，根据实施者实际情况设定捆起的长度以及数量，当线路捆在一起时，由于散热性变差，因此温度会比单根线路的温度高许多，对线路使用寿命的损害自然也就大一些。因此，当线路捆起长度越长，数量越多时，线路的风险越大；
[0019]b)因此对线路的密度进行分组，当电流稳定性波动接近时，说明线路的距离越接近同时，线路的风险系数越接近；
[0020]c)因此对线路功率电流稳定性与线路风险系数接近的分为一组，计算不同线路之间的相似程度；
[0021]步骤2，基于得到的不同线路之间的相似程度，计算各个线路之间的样本距离，根据样本距离对线路密度进行分组
[0022]步骤3，采集环境信息，根据环境信息结合风险系数，确定线路的风险系数，其步骤具体如下：
[0023]a)基于长时间的高温，例如厨房，或潮湿的空间，例如卫生间，都会加快线路绝缘体的损耗，因此需要对住宅内的环境变化因素进行采集；
[0024]b)首先对住宅内的温度进行采集，首先设置一个会对线路有影响起始温度，当温度越大，对线路的影响越大；根据步骤一第一小节的的时间单位对环境温度进行采集，得到一个环境温度变化序列,其环境温度变化序列为F＝{F1,F2,.....,F
i
}；
[0025]c)其次对住宅内的湿度信息进行采集，同样设置一个初始湿度，得到一个湿度变化序列，湿度变化序列为L＝{L1,L2,.....,L
i
}；
[0026]d)当住宅内内的环境温度越大，湿度越大时，对线路的寿命损害影响越大，具体如下：
[0027]计算住宅内环境对线路使用寿命的影响程度，其公式如下：
[0028][0029]其中S为环境因素。Fi为其中一个温度值，F
Min
为该序列中最小的温度值，F
i
‑
F
Min
为该值距离最小温度的差值，F
Max
‑
F
Min
最大温差，表示个该值占最大温差的比值，比值越大，影响程度越大；
[0030]同理，表示个任意湿度值占最大湿度差的比值，比值越大，影响程度越大，根据不同湿度和温度的影响，当住宅内内的环境温度越大，湿度越大时，对线路的寿命损害影响越大；
[0031]根据环境因素，结合线路的风险系数，得到线路的损耗程度；
[0032]计算线路的损耗程度，其公式如下：
[0033]Y＝U*S
[0034]其中Y为线路的损耗程度，线路的损耗程度，随着线路的风险系数和环境因数的变化而变化，关系呈正相关，至此，得到住宅内内线路的损耗程度。
[0035]重复上述操作，对多天的线路损耗程度进行采集，得到一个线路损耗程度的变化序列，变化序列为Y＝{Y1,Y2,.....,Y
i
}；
[0036]S3，使用TCN神经网络训练对住宅内线路损耗程度进行预测，预测下一时刻的住宅内线路损耗程度，以及将得到的住宅内线路损耗程度序列作为特征序列的前一部分，输入到TCN神经网络中进行训练，其步骤具体如下：
[0037]a)将得到的下个值作为标签，使得TCN都能够学习到当前序列的下一个预测值；
[0038]b)获得剩余住宅内线路损耗程度序列，具体如下：
[0039]b1)TCN的损失函数为均方差Loss。
[0040]b2)对于此次样本序列，使用置信度使用置信度C
i
作为质量分数，并归一化到相加为1的样本权重C＝{C1,..,C
i
}，其公式如下：
[0041][0042]其中C为归一化之后的质量分数，作为损失权重；为预测样本，y
i
为特征样本；目的是确保Loss函数收敛，通过不断训练使Loss变小，预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的城市居民用电风险智能分析预警算法，其特征在于，包括以下步骤：S1，采集数据信息，具体步骤如下：步骤1，采集居民用电功率数据以及用电频率，其步骤具体如下：a)基于每户用电电器设备的不同，以及使用过程中功率大小的不同，因此对线路火灾的影响的风险系数不同，当住宅使用电器设备过多，同时功率越大的用电设备，使用频率越高的设备，大量的电流持续输出，会造成线路温度升高，本身线路在通电的情况下就会发热，当长期的负荷运行，过高的温度会加大用电风险性。当因此需要对每户居民的用电功率以及用电频率数据信息进行采集；b)使用功率测量仪对住宅的用电功率进行采集；步骤2，采集住宅线路在使用时空间上的温度变化,其步骤具体如下：a)基于线路的长度对电流有一定的影响，通过对每根线路不同位置上安装温度探针，根据探针式温度传感器，对住宅内的每根线路温度数据信息进行采集，确定不同线路之间的温度差异，当每根线路温度在空间上的差异越大，说明该线路的绝缘层有着明显的损害，因此需要对该住宅线路空间上的温度数据信息进行采集；b)同样使用探针式温度传感器对住宅内线路的温度信息进行读取，将温度探针以50cm，其中温度探针的长度根据实施者可自行设定为距离进行设定，以10段距离为长度单位，得到一个温度分布的序列H＝{H1,H2,.....,H
i
}；c)计算住宅线路温度分布的温度差异，得到每根线路的温度分布系数；步骤3，根据得到的线路使用功率表稳定系数，以及住宅每根线路的温度分布系数，得到住宅内线路在通电使用过程度中的风险系数；S2，根据住宅线路聚集程度进行分组，根据分组特征结合环境因素，其步骤具体如下：步骤1，采集住宅内线路的聚集程度，其步骤具体如下：a)基于住宅内内线路本身在通电时就会发热，电流的大小和电线的发热成正比，当在铺设线路时，根据实时的条件，可能需要把一些线路捆在一起，根据实施者实际情况设定捆起的长度以及数量，当线路捆在一起时，由于散热性变差，因此温度会比单根线路的温度高许多，对线路使用寿命的损害自然也就大一些。因此，当线路捆起长度越长，数量越多时，线路的风险越大；b)因此对线路的密度进行分组，当电流稳定性波动接近时，说明线路的距离越接近同时，线路的风险系数越接近；c)因此对线路功率电流稳定性与线路风险系数接近的分为一组，计算不同线路之间的相似程度；步骤2，基于得到的不同线路之间的相似程度，计算各个线路之间的样本距离，根据样本距离对线路密度进行分组；步骤3，采集环境信息，根据环境信息结合风险系数，确定线路的风险系数，其步骤具体如下：a)基于长时间的高温，例如厨房，或潮湿的空间，例如卫生间，都会加快线路绝缘体的损耗，因此需要对住宅内的环境变化因素进行采集；b)首先对住宅内的温度进行采集，首先设置一个会对线路有影响起始温度，当温度越
大，对线路的影响越大；根据步骤一第一小节的的时间单位对环境温度进行采集，得到一个环境温度变化序列,其环境温度变化序列为F＝{F1,F2,.....,F
i
}；c)其次对住宅内的湿度信息进行采集，同样设置一个初始湿度，得到一个湿度变化序列，湿度变化序列为L＝{L1,L2,.....,L
i
}；d)当住宅内内的环境温度越大，湿度越大时，对线路的寿命损害影响越大，具体如下：计算住宅内环境对线路使用寿命的影响程度，其公式如下：其中S为环境因素。F
i
为其中一个温度值，F
Min
为该序列中最小的温度值，F
i
‑
F
Min
为该值距离最小温度的差值，F
Max
‑
F
Min
最大温差，表示个该值占最大温差的比值，比值越大，影响程度越大；同理，表示个任意湿度值占最大湿度差的比值，比值越大，影响程度越大，根据不同湿度和温度的影响，当住宅内内的环境温度越大，湿度越大时，对线路的寿命损害影响越大；根据环境因素，结合线路的风险系数，得到线路的损耗程度；计算线路的损耗程度，其公式如下：Y＝U*S其中Y为线路的损耗程度，线路的损耗程度，随着线路的风险系数和环境因数的变化而变化，关系呈正相关，至此，得到住宅内内线路的损耗程度；重复上述操作，对多天的线路损耗程度进行采集，得到一个线路损耗程度的变化序列，变化序列为Y＝{Y1,Y2,.....,Y
i
}；S3，使用TCN神经网络训练对住宅内线路损耗程度进行预测，预测下一时刻的住宅内线路损耗程度，以及将得到的住宅内线路损耗程度序列作为特征序列的前一部分，输入到TCN神经网络中进行训练，其步骤具体如下：a)将得到的下个值作为标签，使得TCN都能够学习到当前序列的下一个预测值；b)获得剩余住宅内线路损耗程度序列，具体如下：b1)TCN的损失函数为均方差Loss。b2)对于此次样本序列，使用置信度使用置信...

【专利技术属性】
技术研发人员：张正卿，徐冰茹，刘西洋，胡继伟，
申请(专利权)人：联通上海产业互联网有限公司，
类型：发明
国别省市：