CN113589105A - 基于物联网的建筑电气火灾串联故障电弧识别方法及*** - Google Patents

Abstract

本公开提供了一种基于物联网的建筑电气火灾串联故障电弧识别方法及***，获取待检测线路的电流有效值、高频周期电流和电流谐波；对获取的数据进行预处理；一阶特征提取，包括：当预处理后的电流有效值大于第一预设阈值时，根据预处理后的电流谐波确定负载类型；二阶特征提取，包括：对一阶提取后的疑似异常数据的高频周期电流进行互补集合经验模态分解，结合负载类型，根据分解结果与预设故障本征模态函数的对比得到串联故障电弧结果；本公开针对高频电气参数，通过一阶特征提取和二阶特征提取，实现了线路串联故障电弧的准确和高效识别。

Description

基于物联网的建筑电气火灾串联故障电弧识别方法及***

技术领域

本公开涉及物联网智慧建筑技术领域，特别涉及一种基于物联网的建筑电气火灾串联故障电弧识别方法及***。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

随着工业电气设备和家用电器种类不断增多，功能不断强大，随之而来的建筑电气火灾事故发生率也始终占据高位，多项标准中明确规定了应设置电气火灾监控***的场所，相比其他火灾诱因，串联故障电弧的隐蔽性极强，故障状态下线路电流不会发生剧烈变化，断路器、熔断器等保护设备无法发挥保护作用，故障持续发生时，集聚大量热量，从而引发电气火灾，造成重大事故。

目前，物联技术已经在智能家居、安防、建筑设备监控、电子配线架、一卡通、远传抄表、专业应用等一系列***中实现了广泛的应用，而针对电气参数的实时或者定时采集也已成为物联网技术在智慧建筑中应用的重点。

发明人发现，传统的电气火灾监测主要是以单一的表观信息为特征量，通过线缆温度、烟雾浓度等进行识别，往往火灾已经发生或最佳扑救机会失去后，相应***才会后知后觉，而且随着用电设备种类的增加，导致传统的检测方法漏报、误报概率大幅增加。

发明内容

为了解决现有技术的不足，本公开提供了一种基于物联网的建筑电气火灾串联故障电弧识别方法及***，针对高频电气参数，通过一阶特征提取和二阶特征提取，实现了线路串联故障电弧的准确和高效识别。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种基于物联网的建筑电气火灾串联故障电弧识别方法。

一种基于物联网的建筑电气火灾串联故障电弧识别方法，包括以下过程：

获取待检测线路的电流有效值、高频周期电流和电流谐波；

对获取的数据进行预处理；

一阶特征提取，包括：当预处理后的电流有效值大于第一预设阈值时，根据预处理后的电流谐波确定负载类型；

二阶特征提取，包括：对一阶提取后的疑似异常数据的高频周期电流进行互补集合经验模态分解，结合负载类型，根据分解结果与预设故障本征模态函数的对比得到串联故障电弧结果。

进一步的，预处理包括：对获取的电流有效值、高频周期电流和电流谐波分别进行巴氏滤波和归一化处理。

进一步的，一阶特征提取过程中：当预处理后的电流有效值大于第一预设阈值时，根据第一周波数据，将识别到的特征数据通过高斯函数进行数据拟合，得到负载类型，所述负载类型为阻性或者阻感或者非线性。

进一步的，二阶特征提取过程中：一阶特征识别通过后，持续捕捉此后连续多个周波电气参数，对一阶特征提取后的疑似异常数据的高频周期电流进行互补集合经验模态分解；

根据数据自身时间尺度特征获取多个本征模态函数，根据本征模态函数与故障本征模态函数的对比，得到串联故障电弧结果。

更进一步的，故障本征模态函数为S₁＝[x₁，x₂，x₃...x_m]，待识别本征模态函数为S₂＝[y₁，y₂，y₃...y_n]，两序列间的最优路径为：

ξ(S₁，S₂)＝D(x_m，y_n)+min[ξ(x_m-1，x_n)，ξ(x_m-1，x_n-1)，ξ(x_m，x_n-1)]

其中，D(x_m，y_n)为S₁和S₂对应元素组成的距离代价矩阵，ξ(S₁，S₂)越小，故障本征模态函数与待识别本征模态函数的相似度越高。

进一步的，互补集合经验模态分解，包括：

在原始信号中加入p对的高斯白噪声信号，每对白噪声幅值相同但极性相反；

对p个正噪声混合信号进行经验模态分解，并进行集成平均，得到一组IMF+函数；

对p个负噪声混合信号进行经验模态分解，并进行集成平均，得到一组IMF-函数；

对两组集成的IMF+函数和IMF-函数求平均值，得到最终的IMF分量。

更进一步的，第k+1个分解结果IMF_k+1，具体为：

其中，R_k(t)＝R_k-1(t)-IMF_k，E₁和E_k均为算子期望，ωⁱ(t)为均值是零的典型高斯白噪声信号，εk为系数，I为均值是零的典型高斯白噪声信号数量。

本公开第二方面提供了一种基于物联网的建筑电气火灾串联故障电弧识别***。

一种基于物联网的建筑电气火灾串联故障电弧识别***，包括：

数据获取模块，被配置为：获取待检测线路的电流有效值、高频周期电流和电流谐波；

预处理模块，被配置为：对获取的数据进行预处理；

一阶特征提取模块，被配置为：当预处理后的电流有效值大于第一预设阈值时，根据预处理后的电流谐波确定负载类型；

二阶特征提取模块，被配置为：对一阶提取后的疑似异常数据的高频周期电流进行互补集合经验模态分解，结合负载类型，根据分解结果与预设故障本征模态函数的对比得到串联故障电弧结果。

本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于物联网的建筑电气火灾串联故障电弧识别方法中的步骤。

本公开第四方面提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于物联网的建筑电气火灾串联故障电弧识别方法中的步骤。

与现有技术相比，本公开的有益效果是：

1、本公开所述的方法、***、介质或电子设备，针对高频电气参数，通过一阶特征提取和二阶特征提取，一阶为粗提取，通过电流有效值和谐波的双重阈值实现初步判定(较为充分的利用了表象特征，即直接能够获取的电气参数)；二阶提取则对高频周期电流进行了进行深入挖掘，实现了线路串联故障电弧的更准确和高效识别。

2、本公开所述的方法、***、介质或电子设备，一阶特征识别通过后，持续捕捉此后连续多个周波电气参数，对一阶提取后的疑似异常数据的高频周期电流进行互补集合经验模态分解，实现了串联故障电弧的更准确识别。

3、串联故障电弧发生时，电弧发生点的起始时刻是随机的，可能会出现上下半波或前后半周期干扰，本公开所述的方法、***、介质或电子设备，通过CEEMD方法，最大程度降低了电弧发生点随机性对识别结果的影响。

4、本公开所述的方法、***、介质或电子设备，在一阶特征提取后巧妙利用第一周波数据实现了负载类型的区分，在负载类型分类的基础上进一步进行电弧识别，进一步的提高了电弧识别的准确性。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例1提供的基于物联网的建筑电气火灾串联故障电弧识别方法的流程示意图。

图2为本公开实施例1提供的对p个正噪声混合信号进行EMD分解的流程示意图。

图3为本公开实施例1提供的对p个负噪声混合信号进行EMD分解的流程示意图。

图4为本公开实施例1提供的识别结果雷达分布图。

图5为本公开实施例1提供的识别结果准确度示意图。

图6为本公开实施例1提供的实验电路连接示意图。

图7为本公开实施例1提供的阻性负载串联电弧电流波形和正常电流波形示意图。

图8为本公开实施例1提供的阻感负载串联电弧电流波形和正常电流波形示意图。

图9为本公开实施例1提供的非线性负载串联电弧电流波形和正常电流波形示意图。

图10为本公开实施例1提供的阻性负载电路正常工作与串联故障电弧CEEMD分解图。

图11为本公开实施例1提供的阻感负载电路正常工作与串联故障电弧CEEMD分解图。

图12为本公开实施例1提供的非线性负载电路正常工作与串联故障电弧CEEMD分解图。

图13为本公开实施例5提供的基于物联网的建筑电气火灾串联故障电弧识别***的结构示意图。

图14为本公开实施例5提供的基于物联网的建筑电气火灾串联故障电弧识别***的工作流程示意图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例1：

如图1所示，本公开实施例1提供了一种基于物联网的建筑电气火灾串联故障电弧识别方法，包括以下过程：

获取待检测线路的电流有效值、高频周期电流和电流谐波；

对获取的数据进行预处理；

一阶特征提取，包括：当预处理后的电流有效值大于第一预设阈值时，根据预处理后的电流谐波确定负载类型；

二阶特征提取，包括：对一阶提取后的疑似异常数据的高频周期电流进行互补集合经验模态分解，结合负载类型，根据分解结果与预设故障本征模态函数的对比得到串联故障电弧结果。

具体的，包括以下内容：

S1：数据预处理。高频电气参数监测器实时采集被测线路电气参数，经巴氏滤波后，进行归一化处理，排除干扰信号对串联电弧和接触电阻异常识别的干扰，实现标准化，消除同种类型负载下不同功率的影响，提高识别的准确度。

S2：一阶特征提取识别。一阶提取为粗提取，以相对宽泛的阈值将可能的串联故障电弧纳入二阶提取范围，同时确定负载类型。

根据模拟实验获取不同类型负载正常状态下运行的高频周期电流数据，一阶提取识别机制阈值1触发后，将上报第一周波数据按识别特征通过高斯函数进行数据拟合，拟合产生3种输出结果：阻性、阻感、非线性，确定负载类型。

其中，一阶提取为双阈值判定，阈值1为预处理后电流有效值变化≥0.15A，阈值2为电流谐波中各次谐波占比，详见表1。

表1：

由于一般建筑常规用电器功率为几十到几百瓦不等，正常工作电流有效值一般在0.2A以上，故阈值1取为0.15A，阈值2谐波占比数值由模拟实验得出。

其中，n次谐波占比计算方法：

其中，P_n为n次谐波占比，N_n为n次谐波数值，

为除基波外2～13次谐波数值的总和(①排除基波：基波数值较高，影响高次谐波占比数值；②13次以上谐波基本以0形式存在，与整体识别关联性不大)。

S3：二阶特征提取识别。

二阶提取针对具体故障类型连续提取多周波电气参数信息，进一步确认、核实，同时与步骤4数据融合理念，多方数据互为验证。

一阶特征识别通过后，持续捕捉此后连续多个周波电气参数，对一阶提取后的疑似异常数据的高频周期电流进行互补集合经验模态分解(CEEMD，具体分解流程附后)，根据数据自身时间尺度特征获取多个本征模态函数IMFx，经模拟实验，由皮尔逊相关系数确定本征模态函数IMF3与串联电弧故障关联性最强。

互补集合经验模态分解，包括以下过程：

S3.1：在原始信号中加入p对的高斯白噪声信号，每对白噪声幅值相同但极性相反；

S3.2：对p个正噪声混合信号进行EMD分解(如图2所示)，并进行集成平均，得到一组IMF+函数；

S3.3：对p个负噪声混合信号进行EMD分解(如图3所示)，并进行集成平均，得到一组IMF-函数；

S3.4：对两组集成的IMF(土)求平均值，得到最终的IMF分量。

设x(t)为原周期电流序列，互补集合经验模态分量IMF₁的计算方法为：

求第一重R₁(t)：

R₁(t)＝x(t)-IMF₁

IMF₂的计算方法为：

求第k重R_k(t)：

R_k(t)＝R_k-1(t)-IMF_k

IMF_k+1的计算方法为：

重复直至达到人为限定的分解次数终止条件。

上述算式中，E_k即为算子期望，ωⁱ(t)为均值是零的典型高斯白噪声信号，ε_k为系数允许在每个阶段选择信噪比，x(t)为原高频周期电流序列。

S4：匹配识别过程：

S4.1：针对训练集：对三种不同负载类型下的串联电弧故障数据分别进行一阶、二阶特征提取，获取本征模态函数，并作为电弧特征训练集标准数据，用于实际识别时做计算的对比量。

S4.2：针对测试集：进行二阶特征提取，获取本征模态函数后，与对应负载类型的电弧特征训练集标准数据一同输入DTW(Dynamic Time Warping，动态时间规整)。

DTW不受时间序列长度、频率等条件的约束，通过动态匹配最优路径，以距离作为衡量标准表征任意两个时许信号的相似性。

将电弧特征训练集标准数据作为S₁：

S₁＝[x₁，x₂，x₃...x_m]

将待识别的本征模态函数作为S₂：

S₂＝[y₁，y₂，y₃...y_n]

以上述两时间序列对应元素组成距离代价矩阵D：

其中，d(x_m，y_n)为此两序列的欧氏距离：

两序列间的最优路径ξ(S₁，S₂)：

ξ(S₁，S₂)＝D(x_m，y_n)+min[ξ(x_m-1，x_n)，ξ(x_m-1，x_n-1)，ξ(x_m，x_n-1)]

其中，

两时间序列“相似度”越高，ξ(S₁，S₂)的数值越接近零，反之越大。

两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商：

S4.3：相似度判别：DTW的输出结果决定了电弧识别的结果，相似度判别条件见下表：

识别结果的雷达图如图4所示，识别结果的准确度如图5所示。

S5：数据融合核实。串联故障电弧或接触电阻异常都会出现线路温度升高，故障点附近闪光、气压异常等表现。为进一步验证S4的识别结果，考虑非侵入式识别的特性，精确实现故障点定位投入成本过高，同时也非必要，因此选择线路温升作为辅助识别特征，但由于温度的延展受时间尺度影响明显，且外界干扰影响大，故辅助识别特征在本识别方法中未设置置信因数。

如图6所示，为具体的实验电路示意图，图7、图8和图9分别为阻性负载、阻感负载和非线性负载串联电弧电流波形和正常电流波形示意图。

图10、图11和图12分别为阻性负载电路、阻感负载和非线性负载正常工作与串联故障电弧CEEMD分解图，根据得到的负载类型，结合负载对应的正常和故障状态的CEEMD分解结果，可以得到最终的故障识别结果。

实施例2：

本公开实施例2提供了一种基于物联网的建筑电气火灾串联故障电弧识别***，包括：

数据获取模块，被配置为：获取待检测线路的电流有效值、高频周期电流和电流谐波；

预处理模块，被配置为：对获取的数据进行预处理；

一阶特征提取模块，被配置为：当预处理后的电流有效值大于第一预设阈值时，根据预处理后的电流谐波确定负载类型；

二阶特征提取模块，被配置为：对一阶提取后的疑似异常数据的高频周期电流进行互补集合经验模态分解，结合负载类型，根据分解结果与预设故障本征模态函数的对比得到串联故障电弧结果。

所述***的工作方法与实施例1提供的基于物联网的建筑电气火灾串联故障电弧识别方法相同，这里不再赘述。

实施例3：

本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的基于物联网的建筑电气火灾串联故障电弧识别方法中的步骤。

实施例4：

本公开实施例4提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本公开实施例1所述的基于物联网的建筑电气火灾串联故障电弧识别方法中的步骤。

实施例5：

如图13和14所示，本公开实施例5提供了一种基于物联网的建筑电气火灾串联故障电弧识别***，包括：高频电气参数采集器、上位机和智能断路器。

高频电气参数采集器是基于物联网技术的新型末端设备，具备数据采集、数据通信等功能，采集器安装使用方便，以物理方式安装于配电箱内，以二次侧线圈感应的方式24小时检测线路的电流有效值、高频周期电流和电流谐波，每个周波采样128个点，采样频率6400Hz，基于事件触发机制实现数据向上位机的上报。

所述上位机根据获取到的数据执行实施例1所述的基于物联网的建筑电气火灾串联故障电弧识别方法中的步骤，这里不再赘述。

对于一栋完整建筑而言，每个房间或每几个房间都会设置配电箱，楼层会单独设置楼层配电箱，楼宇总进线处会设置楼宇配电箱。在多栋建筑的多个关键配电箱位置都设立电气火灾监测装置，每个装置直接与云端服务器连接，上位机程序部署在云端，就可以实现对多栋建筑电气火灾的实时监测与火灾隐患定位。

***的检测目标为整栋建筑，采用的监测模块体积小，可安装在配电箱内，无需改动已有线路。采用实施例1所述的识别算法可有效的实现线路串联故障电弧的识别，为消防安全人员、楼宇运维人员、用户等及时发现火灾隐患提供真实有效的技术支撑。

作为可选的实施方式，一阶特征提取识别在本地嵌入式设备中实现，二阶特征提取识别在云端服务器实现，本领域技术人员可以根据具体工况进行一阶和二阶提取的设备选择，这里不再赘述。

本领域内的技术人员应明白，本公开的实施例可提供为方法、***、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于物联网的建筑电气火灾串联故障电弧识别方法，其特征在于：包括以下过程：

获取待检测线路的电流有效值、高频周期电流和电流谐波；

对获取的数据进行预处理；

一阶特征提取，包括：当预处理后的电流有效值大于第一预设阈值时，根据预处理后的电流谐波确定负载类型；

二阶特征提取，包括：对一阶提取后的疑似异常数据的高频周期电流进行互补集合经验模态分解，结合负载类型，根据分解结果与预设故障本征模态函数的对比得到串联故障电弧结果。

2.如权利要求1所述的基于物联网的建筑电气火灾串联故障电弧识别方法，其特征在于：

预处理包括：对获取的电流有效值、高频周期电流和电流谐波分别进行巴氏滤波和归一化处理。

3.如权利要求1所述的基于物联网的建筑电气火灾串联故障电弧识别方法，其特征在于：

一阶特征提取过程中：当预处理后的电流有效值大于第一预设阈值时，根据第一周波数据，将识别到的特征数据通过高斯函数进行数据拟合，得到负载类型，所述负载类型为阻性或者阻感或者非线性。

4.如权利要求1所述的基于物联网的建筑电气火灾串联故障电弧识别方法，其特征在于：

二阶特征提取过程中：一阶特征识别通过后，持续捕捉此后连续多个周波电气参数，对一阶特征提取后的疑似异常数据的高频周期电流进行互补集合经验模态分解；

根据数据自身时间尺度特征获取多个本征模态函数，根据本征模态函数与故障本征模态函数的对比，得到串联故障电弧结果。

5.如权利要求4所述的基于物联网的建筑电气火灾串联故障电弧识别方法，其特征在于：

故障本征模态函数为S₁＝[x₁，x₂，x₃...x_m]，待识别本征模态函数为S₂＝[y₁，y₂，y₃...y_n]，两序列间的最优路径为：

ξ(S₁，S₂)＝D(x_m，y_n)+min[ξ(x_m-1，x_n)，ξ(x_m-1，x_n-1)，ξ(x_m，x_n-1)]

其中，D(x_m，y_n)为S₁和S₂对应元素组成的距离代价矩阵，ξ(S₁，S₂)越小，故障本征模态函数与待识别本征模态函数的相似度越高。

6.如权利要求1所述的基于物联网的建筑电气火灾串联故障电弧识别方法，其特征在于：

互补集合经验模态分解，包括：

在原始信号中加入p对的高斯白噪声信号，每对白噪声幅值相同但极性相反；

对p个正噪声混合信号进行经验模态分解，并进行集成平均，得到一组IMF+函数；

对p个负噪声混合信号进行经验模态分解，并进行集成平均，得到一组IMF-函数；

对两组集成的IMF+函数和IMF-函数求平均值，得到最终的IMF分量。

7.如权利要求6所述的基于物联网的建筑电气火灾串联故障电弧识别方法，其特征在于：

第k+1个分解结果IMF_k+1，具体为：

其中，R_k(t)＝R_k-1(t)-IMF_k，E₁和E_k均为算子期望，ωⁱ(t)为均值是零的典型高斯白噪声信号，ε_k为系数，I为均值是零的典型高斯白噪声信号数量。

8.一种基于物联网的建筑电气火灾串联故障电弧识别***，其特征在于：包括：

数据获取模块，被配置为：获取待检测线路的电流有效值、高频周期电流和电流谐波；

预处理模块，被配置为：对获取的数据进行预处理；

一阶特征提取模块，被配置为：当预处理后的电流有效值大于第一预设阈值时，根据预处理后的电流谐波确定负载类型；

二阶特征提取模块，被配置为：对一阶提取后的疑似异常数据的高频周期电流进行互补集合经验模态分解，结合负载类型，根据分解结果与预设故障本征模态函数的对比得到串联故障电弧结果。

9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于物联网的建筑电气火灾串联故障电弧识别方法中的步骤。

10.一种电子设备，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任一项所述的基于物联网的建筑电气火灾串联故障电弧识别方法中的步骤。

Images