【技术实现步骤摘要】
本专利技术涉及电网供电安全，尤其涉及一种基于dtw算法的漏电预警方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
2、漏电是指电流从电气系统中未经过预期路径流出的情况，可能导致电路故障、设备损坏甚至是人身安全受到威胁。现有漏电预警领域的技术涵盖了传感器技术、数据采集与处理技术、人工智能技术等多个方面，随着智能化、网络化的发展，漏电预警系统也越来越趋向于集成化、智能化和远程监控。
3、然而现有的漏电预警方法多采用机器学习方法和深度学习方法进行漏电数据的模式识别，但其模型的训练和识别的精度需要大量的数据支持，针对性模型的训练成本高，更适用于大规模数据和复杂的场景，而对于单一或少数建筑物的智能化漏电预警系统无法有效保证识别模型的识别效果和精度，容易出现误报警问题。频繁的误报警问题容易导致检修人员的忽视，严重的会导致电气事故的发生。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供了一种基于dtw算法的漏电预警方法及系统，采用dtw算法比较不同时间点下采集判断出的漏电数据序列，直接对漏电数据序列进行匹配识别，可以快速识别出漏电情况的类型，能够有效处理漏电数据之间长度不同、时间点不同的情况。
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、第一方面，本专利技术提供一种基于dtw算法的漏电预警方法，包括：
4、获取当前时刻的前预设时段的时序计量数据
5、将所述时序计量数据输入至预先训练的筛选模型进行计算，得到异常值时序计量数据；
6、将所述异常值时序计量数据输入至预先训练的预测模型进行预测，得到当前时刻的预测计量数据，将所述预测计量数据与当前时刻的真实计量数据进行比对，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据，是则得到漏电电流数据；
7、对所述漏电电流数据进行特征提取，得到漏电电流数据的特征矢量；
8、基于参考类型库利用动态时间规整匹配对所述特征矢量进行识别，识别漏电类型。
9、进一步的技术方案，所述时序计量数据包括零线电流时序数据以及火线电流时序数据。
10、进一步的技术方案，所述筛选模型为k-means聚类模型。
11、进一步的技术方案，得到异常值时序计量数据具体步骤为：
12、对零线电流时序数据以及火线电流时序数据进行清洗，剔除无效电流数据；
13、根据零线电流时序数据以及火线电流时序数据，确定剩余电流值；
14、对剩余电流值进行归一化处理，确定归一化结果；
15、利用欧式距离公式对归一化结果与筛选模型中的聚类中心进行计算，确定异常值时序计量数据。
16、进一步的技术方案，所述预测模型为改进的长短期记忆神经网络模型。
17、进一步的技术方案，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据，具体为：当误差值超过预先设置的误差阈值的情况下，确定当前时刻的真实计量数据为漏电电流数据。
18、进一步的技术方案，利用动态时间规整匹配对所述特征矢量进行识别，具体步骤为：
19、初始化一个距离矩阵，用于存储每个时间点之间的距离；
20、计算特征矢量序列与参考类型库中某一序列中每个时间点之间的局部距离；
21、基于局部距离，使用动态规划算法计算两个序列之间的最小累积距离；
22、根据动态规划过程中计算的累积距离，回溯出最佳的对齐路径，从而找到最佳的匹配方案；
23、根据最佳的对齐路径计算出两个序列之间的相似度，进而计算出当前漏电电流数据特征矢量与参考类型库内全部序列的相似度，匹配得到最相似的参考对象，识别出当前漏电电流数据的漏电类型。
24、第二方面，本专利技术提供一种基于dtw算法的漏电预警系统，包括：
25、数据获取模块：获取当前时刻的前预设时段的时序计量数据；
26、异常筛选模块：将所述时序计量数据输入至预先训练的筛选模型进行计算，得到异常值时序计量数据；
27、预测判定模块：将所述异常值时序计量数据输入至预先训练的预测模型进行预测，得到当前时刻的预测计量数据，将所述预测计量数据与当前时刻的真实计量数据进行比对，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据，是则得到漏电电流数据；
28、特征提取模块：对所述漏电电流数据进行特征提取，得到漏电电流数据的特征矢量；
29、匹配识别模块：基于参考类型库利用动态时间规整匹配对所述特征矢量进行识别，识别漏电类型。
30、第三方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面提供的一种基于dtw算法的漏电预警方法中的步骤。
31、第四方面，本专利技术提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面提供的一种基于dtw算法的漏电预警方法中的步骤。
32、以上一个或多个技术方案存在以下有益效果：
33、本专利技术先对建筑内实时采集的电流数据进行异常判断，筛选出异常数据，并判断是否为漏电电流数据，若是则进行下一步漏电电流数据的识别，以便及时发现漏电情况并快速判定问题所在，预防潜在的危险事件发生。
34、本专利技术提出一维卷积化的长短期记忆神经网络conv1d-lstm，采用一维卷积操作进行特征映射，以反映输入序列的局部特征，构建conv1d-lstm在捕捉时序序列样本的时域特征的同时，还提取其局部特征，深刻学习了序列样本特征，实现以少量时序序列样本训练得到较高准确性的目的；同时通过动态自适应布谷鸟搜索pscs对conv1d-lstm网络进行超参数寻优，进一步弥补少量时序序列样本训练的不足。
35、本专利技术利用dtw算法进行漏电类型的识别，无需大量漏电电流数据的支持，可以直接对判定的漏电电流数据与历史漏电数据库中的序列进行匹配识别，以识别出漏电类型。
36、本专利技术利用dtw算法进行漏电类型的识别，能够克服电流数据序列之间存在的噪声、局部形变或偏移的问题，具有较强的鲁棒性。
本文档来自技高网...【技术保护点】
1.一种基于DTW算法的漏电预警方法，其特征是，包括：
2.如权利要求1所述的一种基于DTW算法的漏电预警方法，其特征是，所述时序计量数据包括零线电流时序数据以及火线电流时序数据。
3.如权利要求1所述的一种基于DTW算法的漏电预警方法，其特征是，所述筛选模型为K-means聚类模型。
4.如权利要求1所述的一种基于DTW算法的漏电预警方法，其特征是，得到异常值时序计量数据具体步骤为：
5.如权利要求1所述的一种基于DTW算法的漏电预警方法，其特征是，所述预测模型为改进的长短期记忆神经网络模型。
6.如权利要求1所述的一种基于DTW算法的漏电预警方法，其特征是，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据，具体为：当误差值超过预先设置的误差阈值的情况下，确定当前时刻的真实计量数据为漏电电流数据。
7.如权利要求1所述的一种基于DTW算法的漏电预警方法，其特征是，利用动态时间规整匹配对所述特征矢量进行识别，具体步骤为：
8.一种基于DTW算法的漏电预警系统，其特征是，包括：
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于DTW算法的漏电预警方法中的步骤。
...【技术特征摘要】
1.一种基于dtw算法的漏电预警方法，其特征是，包括：
2.如权利要求1所述的一种基于dtw算法的漏电预警方法，其特征是，所述时序计量数据包括零线电流时序数据以及火线电流时序数据。
3.如权利要求1所述的一种基于dtw算法的漏电预警方法，其特征是，所述筛选模型为k-means聚类模型。
4.如权利要求1所述的一种基于dtw算法的漏电预警方法，其特征是，得到异常值时序计量数据具体步骤为：
5.如权利要求1所述的一种基于dtw算法的漏电预警方法，其特征是，所述预测模型为改进的长短期记忆神经网络模型。
6.如权利要求1所述的一种基于dtw算法的漏电预警方法，其特征是，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据...
【专利技术属性】
技术研发人员：刘波，魏传祺，张伟，孔祥龙，孔峰，张贵洋，赵岩，顾灏，
申请(专利权)人：国网山东省电力公司曲阜市供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。