CN113903165A - 一种漏电预警方法、***、装置和火灾预警*** - Google Patents
一种漏电预警方法、***、装置和火灾预警*** Download PDFInfo
- Publication number
- CN113903165A CN113903165A CN202110949353.6A CN202110949353A CN113903165A CN 113903165 A CN113903165 A CN 113903165A CN 202110949353 A CN202110949353 A CN 202110949353A CN 113903165 A CN113903165 A CN 113903165A
- Authority
- CN
- China
- Prior art keywords
- leakage
- electric leakage
- data
- current
- variable quantity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000005070 sampling Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 description 16
- 238000012216 screening Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
- G01R19/16571—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing AC or DC current with one threshold, e.g. load current, over-current, surge current or fault current
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明涉及一种漏电预警方法、***、装置和火灾预警***。一种漏电预警方法,包括:获取电流数据,提取得到电流特征数据;将电流特征数据投入到固有漏电算法模型中得到固有漏电变化量;获取漏电数据变化量,剔除漏电数据变化量中的固有漏电变化量得到异常漏电变化量;将所述异常漏电变化量累加到异常漏电数据中,进而基于累加后的异常漏电数据执行漏电预警操作。使用本发明提供的漏电预警方法,只要电网中的电流数据发生变化,即电网中有负载设备加入或移出时,就计算一下在此种变化的情况下,具体的固有漏电变化量,进而得到精准的异常漏电变化量,从而得到准确的异常漏电数据,进而使用该准确的异常漏电数据进行漏电预警操作,可以准确知道异常漏电的具体情况,防止异常漏电的误报情况发生。
Description
技术领域
本发明涉及电子设备,尤其涉及一种漏电预警方法、***、装置和火灾预警***。
背景技术
近年来,随着我国经济建设的飞速发展、人们防火意识的增强以及国家有关法律法规的健全和完善,越来越多的公共场所、高层建筑都安装了电气火灾监控***,这在发现电气火灾隐患、预防电气火灾方面发挥了重要作用。目前市面上的剩余电流式火灾监控探测器,在实际运行中主要采用实时监测剩余电流有效值,与预先设定的报警阈值(一般设为300mA)进行比较的方式来进行电气火灾预警,但由于设备本身固有漏电流的存在(无火灾隐患,属正常漏电),会导致我们的实测漏电流远大于我们的真实漏电流,从而导致漏电误报频发。
发明内容
鉴于上述现有技术的不足之处,本发明的目的之一在于提供一种漏电预警方法,针对现有的固有阈值电气火灾预警误报频发问题,通过对相电流、剩余电流的关联分析,提供一种能够识别负载加载过程中的固有漏电,重新统计负载端异常漏电的预警方法,消除了监测***中大量的虚假预警,有效提高了预警的准确性。
本发明的目的之二在于提供一种漏电预警***。
本发明的目的之三在于提供一种漏电预警装置。
本发明的目的之三在于提供一种火灾预警***。
为了达到上述目的,本发明采取了以下技术方案:
一方面,本发明提供一种漏电预警方法,包括:
获取电流数据,提取得到电流特征数据;
将电流特征数据投入到固有漏电算法模型中得到固有漏电变化量;
获取漏电数据变化量,剔除漏电数据变化量中的固有漏电变化量得到异常漏电变化量;
将所述异常漏电变化量累加到异常漏电数据中,进而基于累加后的异常漏电数据执行漏电预警操作。
进一步的,所述的漏电预警方法,所述电流特征数据包括相电流变化量、剩余电流变化量;
所述电流特征数据的获取步骤为:
实时获取电流采样数据;所述电流采样数据包括相电流数据和剩余电流数据;
根据当前采样点的电流采样数据以及前一采样点的电流采样数据计算得到相电流变化量和剩余电流变化量。
进一步的,所述的漏电预警方法,将电流特征数据投入到固有漏电算法模型中后,所述固有漏电算法模型首先执行步骤:
判定剩余电流变化量是否大于固有漏电阈值,若是,则执行固有漏电变化量计算,进而得到所述异常漏电变化量;若否,则判定无异常漏电产生。
进一步的,所述的漏电预警方法,所述固有漏电阈值通过所述固有漏电算法模型初步预测得到。
进一步的,所述的漏电预警方法,所述漏电预警操作具体包括:
判定所述异常漏电数据是否大于异常漏电阈值,若是则对外发出漏电预警;若否,则不发出漏电预警。
进一步的,所述的漏电预警方法,所述固有漏电算法模型为通过使用历史电流数据对多项式拟合模型进行训练得到;
所述训练具体包括以下步骤:
获取若干电流数据样本形成训练集,并得到每一电流数据样本对应的电流变化量和漏电流变化量;所述电流数据样本包括电流数据和漏电流数据;
使用所述训练集针对初始化的多项式拟合模型进行训练得到所述固有漏电算法模型。
进一步的,所述的漏电预警方法,针对初始化的多项式拟合模型进行训练具体包括:
将若干电流数据样本按照预定方式分组得到多个区间组,确定每一区间组内的所有电流数据样本的剩余电流的密度分布数据以及累计分布数据;
根据所述密度分布数据和所述累计分布数据投入到初始化的多项式拟合模型中得到固有漏电预测值;
基于每个区间组的预测值以及真实值通过残差平方公式得到每个区间组的残差均值;
查找所有区间组的残差均值中的第一突变点,进而确定正常漏电比例;
根据所述正常漏电比例得到各个区间组内电流变化量的最大固有漏电流变化量;
根据每个区间组中的真实值以及所述最大固有漏电流变化量对所述多项式拟合模型进行多项式拟合。
另一方面,本发明提供一种使用所述的漏电预警方法的漏电预警***,包括:
获取模块,用于获取电流数据,提取得到电流特征数据;
处理模块,与所述获取模块连接,用于将电流特征数据投入到固有漏电算法模型中得到固有漏电变化量;获取漏电数据变化量,剔除漏电数据变化量中的固有漏电变化量得到异常漏电变化量;将所述异常漏电变化量累加到异常漏电数据中,进而基于累加后的异常漏电数据执行漏电预警操作。
另一方面,本发明提供一种漏电预警装置,使用所述的漏电预警***。
另一方面,本发明提供一种火灾预警***,包括:控制中心、分别所述控制中心连接的如所述的漏电预警装置;
所述控制中心接收到所述漏电预警装置的漏电预警后对外发出火灾预警。
相较于现有技术,本发明提供的一种漏电预警方法、***、装置和火灾预警***,具有以下有益效果:
使用本发明提供的漏电预警方法,只要电网中的电流数据发生变化,即电网中有负载设备加入或移出时,就计算一下在此种变化的情况下,具体的固有漏电变化量,进而得到精准的异常漏电变化量,从而得到准确的异常漏电数据,进而使用该准确的异常漏电数据进行漏电预警操作,可以准确知道异常漏电的具体情况,防止异常漏电的误报情况发生。
附图说明
图1是本发明提供的漏电预警方法流程图;
图2是本发明提供的漏电预警***结构框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本领域技术人员应当理解,前面的一般描述和下面的详细描述是本发明的示例性和说明性的具体实施例,不意图限制本发明。
本文中术语“包括”,“包含”或其任何其他变体旨在覆盖非排他性包括,使得包括步骤列表的过程或方法不仅包括那些步骤,而且可以包括未明确列出或此类过程或方法固有的其他步骤。同样,在没有更多限制的情况下,以“包含...一个”开头的一个或多个设备或子***,元素或结构或组件也不会没有更多限制,排除存在其他设备或其他子***或其他元素或其他结构或其他组件或其他设备或其他子***或其他元素或其他结构或其他组件。在整个说明书中,短语“在一个实施例中”,“在另一个实施例中”的出现和类似的语言可以但不一定都指相同的实施例。
除非另有定义,否则本文中使用的所有技术和科学术语具有与本发明所属领域的普通技术人员通常所理解的相同含义。
请参阅图1和图2,本发明提供一种漏电预警方法,应用于电网中的检测节点装置,此处所述电网包括单相电网和多相电网,所述多相电网一般以三相电网为主。使用本发明提供的漏电预警方法,所述检测节点装置能够在检测电网的异常漏电数据时,剔除用电设备的固有漏电数据,以确保得到的异常漏电数据的准确性,防止误报漏电险情的发生。
所述漏电预警方法包括:
S1、获取电流数据,提取得到电流特征数据;一般的,所述电流数据可以通过本领域常用的电流检测装置检测得到,进而发送到所述检测节点装置中,还可以通过检测节点装置直接检测得到。
进一步的,在获得所述电流数据后,首先对于电流进行预处理。所述预处理优选为空缺值填补和/或异常值的修改或者删除当然,若是电流数据出现极大的异常变化,则进行电流数据的重新获取,以此确定是电流检测单元的异常还是电网供电的异常。判定是电网供电异常还是电流检测单元异常的方法使用的本领域的常用技术手段即可。
进一步的,所述电流特征数据为用于表征电流变化的特征数据,在本实施例中优选为电流变化量,例如在单相电网中电流特征数据包括相电流变化量和剩余电流变化量,在多相电网中,以三相电网为例,所述电流特征数据包括A相电流变化量、B相电流变化量、C相电流变化量和剩余电流变化量。当热,所述电流特征数据还可以是其他能够表征电流变化的数据,只要能够实现将电流特征数据投入到固有漏电算法模型中,即可得到对应的固有漏电变化量即可。
进一步的,在本实施例中,所述检测节点装置内载漏电预警***,所述漏电预警***包括:获取模块,用于获取电流数据,提取得到电流特征数据。一般的,当所述检测节点装置获取到的所述电流数据通过其他的电流检测装置提供,则所述获取模块可以为通信器件,所述通信器件为本领域常用的无线或有线通信器件即可;当所述检测节点装置获取到的电流数据为自身直接检测得到,则所述获取模块包括电流传感器。所述获取模块还将得到的电流数据进行电流特征数据提取。
进一步的,所述获取模块还包括滤波单元,所述滤波单元用于对电流数据进行预处理,所述滤波单元包括本领域常用的滤波电路。
S2、将电流特征数据投入到固有漏电算法模型中得到固有漏电变化量;一般的,所述固有漏电算法模型为本领域常用的自动处理模型通过训练得到。在具体实施中,所述自动处理模型包括线性回归模型、决策树模型、随机森林模型、深度神经网络模型。
进一步的,所述固有漏电算法模型是通过针对电网的历史电流数据进行数据选取,提取训练集中的历史电流数据中的电流特征数据以及对应的固有漏电变化量生成训练集,使用训练集对初始化的自动处理模型进行训练得到所述固有漏电算法模型。
进一步的,所述检测节点装置还包括处理模块,与所述获取模块连接,用于将电流特征数据投入到固有漏电算法模型中得到固有漏电变化量;更进一步的,所述固有漏电算法模型存储在检测节点装置的存储单元中,所述处理模块可以直接或间接调用所述固有漏电算法模型。
进一步的,漏电的变化量存在正变化量和负变化量两种情况,所述正变化量是在电网有负载加入的情况下发生,所述负变化量是在电网有负载移出的情况下发生。
S3、获取漏电数据变化量,剔除漏电数据变化量中的固有漏电变化量得到异常漏电变化量;一般的,所述漏电数据变化量为当前采样时间点的漏电数据减去上一采样时间点的漏电数据得到,所述漏电数据通过相应的漏电检测单元即可检测得到。进一步的,本实施例中,所述漏电数据为漏电电流数据,相应的,所述漏电数据变化量为漏电电流变化量。
进一步的,所述获取模块还包括漏电数据检测单元,用于获取漏电数据;当然,在得到每一采样时间点的漏电数据后,即可得到对应的漏电数据变化量,此处漏电数据变化为当前采样时间点相比于上一采样时间点总的漏电数据变化量。
进一步的,所述处理模块还用于获取得到所述漏电数据变化量,并将所述固有漏电变化量从所述漏电数据变化量中剔除,以得到所述异常漏电变化量。
S4、将所述异常漏电变化量累加到异常漏电数据中,进而基于累加后的异常漏电数据执行漏电预警操作。
使用本发明提供的漏电预警方法,只要电网中的电流数据发生变化,即电网中有负载设备加入或移出时,就计算一下在此种变化的情况下,具体的固有漏电变化量,进而得到精准的异常漏电变化量,从而得到准确的异常漏电数据,进而使用该准确的异常漏电数据进行漏电预警操作,可以准确知道异常漏电的具体情况,防止误报情况发生。
进一步的,当电网为多相电网时,本实施例中,为了能够更方便所述端固有漏电算法模型进行处理,对于每一时刻新增的电流数据(包括漏电流、A相电流、B相电流、C相电流),先计算总的相电流:Itotal=IA+IB+IC,其中,Itotal为相电流,IA为A相电流、IB为B相电流、IC为C相电流;然后和前一个时刻的历史电流数据进行对比,可以得到相电流变化量即电流特征数据;将相电流变化量输入到固有漏电算法模型中,得到相应的固有漏电变化量,然后可得实测漏电流变化量与固有漏电流变化量的差值最后对历史的异常漏电流变化量进行累加,可以得到真实漏电为:
进一步的,作为优选方案,本实施例中,所述电流特征数据包括相电流变化量、剩余电流变化量;一般的,在单相电网中,所述相电流变化量为火线电流变化量;在多相电网中,所述相电流变化量包括多个相线线路的电流变化量,例如三相电网中为A相电流变化量、B相电流变化量、C相电流变化量;剩余电流为三相电网的电流数据通过矢量计算得到,在正常情况下,A相电流+B相电流+C相电流+零线电流=0;当这部分不等于0时,A相电流+B相电流+C相电流+零线电流的计算值为剩余电流进而计算得到剩余电流变化量。
所述电流特征数据的获取步骤为:
实时获取电流采样数据;所述电流采样数据包括相电流数据和剩余电流数据;
根据当前采样点的电流采样数据以及前一采样点的电流采样数据计算得到相电流变化量和剩余电流变化量。在本实施例中,根据实时获取到的电流采样数据,针对t时刻的数据,对比t-1时刻的数据,提取得到A相电流的变化量、B相电流的变化量、C相电流的变化量、剩余电流的变化量作为电流特征数据,进而将所述电流特征数据发送到固有漏电算法模型中进行固有漏电变化量计算。
进一步的,作为优选方案,本实施例中,将电流特征数据投入到固有漏电算法模型中后,所述固有漏电算法模型首先执行步骤:
判定剩余电流变化量是否大于固有漏电阈值,若是,则执行固有漏电变化量计算,进而得到所述异常漏电变化量;若否,则判定无异常漏电产生。在本实施例中,使用固有漏电阈值与剩余电流变化量进行比对,判定是否会有异常漏电发生,可以进一步节省***的运算资源。
进一步的,因所述剩余电流变化量的值的不固定,因此所述固有漏电阈值也不固定,所述固有漏电阈值可以根据所述相电流变化量进行线性调整,例如,根据大数据分析以及历史数据分析得到相电流变化量与固有漏电变化量之间的线性关系公式为I1=a*I2+b,其中,I1为固有漏电量变化量,I2为相电流变化量,a为系数,b为常数,则可以根据线性关系公式得到浮动的固有漏电阈值,保证提前比对的恰当性。
使用本实施例的技术方案,可以在进行固有漏电变化量的计算之前,进行初步比对,进行第一步筛选,只有在出现可能存在异常电流的情况下才会进入精准固有漏电变化量的计算,节省***运算资源。
进一步的,基于前述实施例,作为优选方案,本实施例中,所述固有漏电阈值通过所述固有漏电算法模型初步预测得到。
具体的,实施本实施例后,则进行初筛,判定是否需要进行固有漏电变化量的剔除操作,若是剩余电流变化量大于固有漏电阈值,则需要,否则不需要。在本实施例中,实施固有漏电阈值为所述固有漏电变化量。
进一步的,作为优选方案,本实施例中,所述漏电预警操作具体包括:
判定所述异常漏电数据是否大于异常漏电阈值,若是则对外发出漏电预警;若否,则不发出漏电预警。
实施本实施例,在计算电网异常漏电数据时,针对负载端的固有漏电数据进行剔除,从而保证重新统计的真实漏电远小于测量漏电(即漏电数据检测装置测量到的实测漏电数据),有效降低电气火灾预警的误报率,防止使用测量漏电数据直接进行累加导致的电气火灾预警误报。
应当说明的是,在前述任意实施例中,涉及到大小比对的操作时优选为使用两个数值的绝对值进行大小比对。
进一步的,作为优选方案,本实施例中,所述固有漏电算法模型为通过使用历史电流数据对多项式拟合模型进行训练得到;
所述训练具体包括以下步骤:
获取若干电流数据样本形成训练集,并得到每一电流数据样本对应的电流变化量和漏电流变化量;所述电流数据样本包括电流数据和漏电流数据;
使用所述训练集针对初始化的多项式拟合模型进行训练得到所述固有漏电算法模型。
更进一步的,针对初始化的多项式拟合模型进行训练具体包括:
将若干电流数据样本按照预定方式分组得到多个区间组,确定每一区间组内的所有电流数据样本的剩余电流的密度分布数据以及累计分布数据;
根据所述密度分布数据和所述累计分布数据投入到初始化的多项式拟合模型中得到固有漏电预测值;
基于每个区间组的预测值以及真实值通过残差平方公式得到每个区间组的残差均值;
查找所有区间组的残差均值中的第一突变点,进而确定正常漏电比例;
根据所述正常漏电比例得到各个区间组内电流变化量的最大固有漏电流变化量;
根据每个区间组中的真实值以及所述最大固有漏电流变化量对所述多项式拟合模型进行多项式拟合。
在具体实施中,所述固有漏电算法模型的训练过程主要分为以下3步骤:
步骤一:首先通过平台实时上传的电流数据(也可以是平台存储的历史电流数据)筛选得到训练集,训练集中包含有若干个有效的采样间隔数据(每个所述采样间隔数据为两次采样时间点数据),获取采样间隔内电流变化量和漏电流变化量;其中有效的采样间隔数据为所述电流变化量的绝对值大于筛选阈值,所述筛选阈值根据需求设定,当然所述有效的采样间隔数据可以选择所述电流变化量为正且大于所述筛选阈值的采样间隔数据。在本实施例中,所述有效的采样间隔数据的选取电流变化量正负均进行选择;并识别负载加载过程,电流变化量大于0,代表负载的接入,电流变化量小于0时,代表负载的移除。
步骤二:判定负载的加载与移除后,根据电流变化量将训练集划分为n个区间组,例如:区间组1区间组2区间组3……,每个区间组的范围区间值优选为1-5,进一步优选为1-3,本实施例中为1;即在本实施例中,将电流变化量为0-1之间的分为一组,以此类推。然后确定对应区间组内的剩余电流的密度分布以及累计分布,进而将所述密度分布和累计分布数据投入到初始化的多项式拟合模型中,得到固有漏电预测值。将训练集中每个采样间隔数据中的漏电测量值以及所述固有漏电预测值通过残差平方和的均值分析,在进行差平方和公式进行计算前,将采样间隔数据按照漏电测量值从小到大排序,在进行残差平方和均值公式进行计算后,查找到第一个异常值,该异常值之前的为正常漏电,该异常值之后的是异常漏电,确定正常漏电所占的第一比例;然后根据所述第一比例求出各个区间组内的电流变化量所对应的最大固有漏电流变化量;所述最大固有漏电流变化量的计算过程为:获取区间组内的采样间隔数据的总个数,以所述总个数乘以所述第一比例得到第一个数,以电流变化量从小到大排序后,查找到所述第一个数对应的电流变化量对应的采样间隔数据的漏电变化量作为所述最大固有漏电流变化量。
步骤三:最后使用每个采样间隔数据中的电流特征数据和所述最大固有漏电流变化量对初始化的多项式拟合模型进行训练可以得到所述固有漏电算法模型。
进一步的,所述残差平方和均值公式为:
其中,S为平方和;yi为漏电测量值;yl为漏电预测值;m为漏电测量值代表的采样间隔数据的排序位数。
本发明还提供一种使用上述实施例中任一所述的漏电预警方法的漏电预警***,包括:
获取模块,用于获取电流数据,提取得到电流特征数据;
处理模块,与所述获取模块连接,用于将电流特征数据投入到固有漏电算法模型中得到固有漏电变化量;获取漏电数据变化量,剔除漏电数据变化量中的固有漏电变化量得到异常漏电变化量;将所述异常漏电变化量累加到异常漏电数据中,进而基于累加后的异常漏电数据执行漏电预警操作。
本发明还提供一种漏电预警装置,使用上述实施例所述的漏电预警***。具体的,所述漏电预警装置包括:
一个或多个存储器,内部存储有计算机程序或指令;所述计算机程序或指令构建形成所述漏电预警***;
一个或多个处理器;
所述计算机程序或指令在被一个或多个处理器执行时,实现上述实施例中任一所述的漏电预警方法。
本发明还提供一种火灾预警***,包括:控制中心、分别所述控制中心连接的如上述实施例所述的漏电预警装置;
所述控制中心接收到所述漏电预警装置的漏电预警后对外发出火灾预警。
进一步的,所述控制中心对所述漏电预警装置上报的实时统计的异常漏电数据(即异常漏电流值)与根据火灾自动报警***设计规范GB50116-2013要求设置异常漏电阈值对比大小,若超过阈值则进行电气火灾预警,否则不进行火灾预警。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种漏电预警方法,其特征在于,包括:
获取电流数据,提取得到电流特征数据;
将电流特征数据投入到固有漏电算法模型中得到固有漏电变化量;
获取漏电数据变化量,剔除漏电数据变化量中的固有漏电变化量得到异常漏电变化量;
将所述异常漏电变化量累加到异常漏电数据中,进而基于累加后的异常漏电数据执行漏电预警操作。
2.根据权利要求1所述的漏电预警方法,其特征在于,所述电流特征数据包括相电流变化量、剩余电流变化量;
所述电流特征数据的获取步骤为:
实时获取电流采样数据;所述电流采样数据包括相电流数据和剩余电流数据;
根据当前采样点的电流采样数据以及前一采样点的电流采样数据计算得到相电流变化量和剩余电流变化量。
3.根据权利要求2所述的漏电预警方法,其特征在于,将电流特征数据投入到固有漏电算法模型中后,所述固有漏电算法模型首先执行步骤:
判定剩余电流变化量是否大于固有漏电阈值,若是,则执行固有漏电变化量计算,进而得到所述异常漏电变化量;若否,则判定无异常漏电产生。
4.根据权利要求3所述的漏电预警方法,其特征在于,所述固有漏电阈值通过所述固有漏电算法模型初步预测得到。
5.根据权利要求1所述的漏电预警方法,其特征在于,所述漏电预警操作具体包括:
判定所述异常漏电数据是否大于异常漏电阈值,若是则对外发出漏电预警;若否,则不发出漏电预警。
6.根据权利要求1所述的漏电预警方法,其特征在于,所述固有漏电算法模型为通过使用历史电流数据对多项式拟合模型进行训练得到;
所述训练具体包括以下步骤:
获取若干电流数据样本形成训练集,并得到每一电流数据样本对应的电流变化量和漏电流变化量;所述电流数据样本包括电流数据和漏电流数据;
使用所述训练集针对初始化的多项式拟合模型进行训练得到所述固有漏电算法模型。
7.根据权利要求6所述的漏电预警方法,其特征在于,针对初始化的多项式拟合模型进行训练具体包括:
将若干电流数据样本按照预定方式分组得到多个区间组,确定每一区间组内的所有电流数据样本的剩余电流的密度分布数据以及累计分布数据;
根据所述密度分布数据和所述累计分布数据投入到初始化的多项式拟合模型中得到固有漏电预测值;
基于每个区间组的预测值以及真实值通过残差平方公式得到每个区间组的残差均值;
查找所有区间组的残差均值中的第一突变点,进而确定正常漏电比例;
根据所述正常漏电比例得到各个区间组内电流变化量的最大固有漏电流变化量;
根据每个区间组中的真实值以及所述最大固有漏电流变化量对所述多项式拟合模型进行多项式拟合。
8.一种使用权利要求1-7任一所述的漏电预警方法的漏电预警***,其特征在于,包括:
获取模块,用于获取电流数据,提取得到电流特征数据;
处理模块,与所述获取模块连接,用于将电流特征数据投入到固有漏电算法模型中得到固有漏电变化量;获取漏电数据变化量,剔除漏电数据变化量中的固有漏电变化量得到异常漏电变化量;将所述异常漏电变化量累加到异常漏电数据中,进而基于累加后的异常漏电数据执行漏电预警操作。
9.一种漏电预警装置,其特征在于,使用权利要求8所述的漏电预警***。
10.一种火灾预警***,其特征在于,包括:控制中心、分别所述控制中心连接的如权利要求9所述的漏电预警装置;
所述控制中心接收到所述漏电预警装置的漏电预警后对外发出火灾预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949353.6A CN113903165B (zh) | 2021-08-18 | 2021-08-18 | 一种漏电预警方法、***、装置和火灾预警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949353.6A CN113903165B (zh) | 2021-08-18 | 2021-08-18 | 一种漏电预警方法、***、装置和火灾预警*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113903165A true CN113903165A (zh) | 2022-01-07 |
CN113903165B CN113903165B (zh) | 2023-10-27 |
Family
ID=79187600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110949353.6A Active CN113903165B (zh) | 2021-08-18 | 2021-08-18 | 一种漏电预警方法、***、装置和火灾预警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113903165B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115833034A (zh) * | 2022-12-21 | 2023-03-21 | 重庆峰极智能科技研究院有限公司 | 一种网络式带预警的漏电保护***及方法 |
CN115877268A (zh) * | 2023-02-13 | 2023-03-31 | 中节能晶和照明(江西)有限公司 | 一种智慧照明***中l-n间漏电点定位监测和告警方法 |
CN117849662A (zh) * | 2024-03-07 | 2024-04-09 | 广东佰林电气设备厂有限公司 | 一种具备漏电监测预警***的电表箱 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101958528A (zh) * | 2010-10-18 | 2011-01-26 | 吕纪文 | 一种漏电保护方法和装置 |
CN102904209A (zh) * | 2012-11-01 | 2013-01-30 | 四川省电力公司资阳公司 | 一种基于dsp的电流分离动作型漏电保护装置及其方法 |
WO2018221619A1 (ja) * | 2017-05-30 | 2018-12-06 | 株式会社 シーディエヌ | 漏電検出方法 |
CN111426909A (zh) * | 2020-04-02 | 2020-07-17 | 江苏能电科技有限公司 | 电缆老化检测方法、装置、计算机设备及存储介质 |
CN112072609A (zh) * | 2020-09-28 | 2020-12-11 | 国网山东省电力公司莱芜供电公司 | 一种漏电保护器动作电流的调整方法 |
CN113112035A (zh) * | 2021-03-15 | 2021-07-13 | 国网湖北省电力有限公司电力科学研究院 | 一种基于交叉自编码网络的故障漏电电流分离方法及装置 |
-
2021
- 2021-08-18 CN CN202110949353.6A patent/CN113903165B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101958528A (zh) * | 2010-10-18 | 2011-01-26 | 吕纪文 | 一种漏电保护方法和装置 |
CN102904209A (zh) * | 2012-11-01 | 2013-01-30 | 四川省电力公司资阳公司 | 一种基于dsp的电流分离动作型漏电保护装置及其方法 |
WO2018221619A1 (ja) * | 2017-05-30 | 2018-12-06 | 株式会社 シーディエヌ | 漏電検出方法 |
CN111426909A (zh) * | 2020-04-02 | 2020-07-17 | 江苏能电科技有限公司 | 电缆老化检测方法、装置、计算机设备及存储介质 |
CN112072609A (zh) * | 2020-09-28 | 2020-12-11 | 国网山东省电力公司莱芜供电公司 | 一种漏电保护器动作电流的调整方法 |
CN113112035A (zh) * | 2021-03-15 | 2021-07-13 | 国网湖北省电力有限公司电力科学研究院 | 一种基于交叉自编码网络的故障漏电电流分离方法及装置 |
Non-Patent Citations (1)
Title |
---|
武一;李奎;岳大为;迟长春;李志华;: "消除剩余电流保护动作死区的理论与方法", 电工技术学报, no. 06, pages 44 - 49 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115833034A (zh) * | 2022-12-21 | 2023-03-21 | 重庆峰极智能科技研究院有限公司 | 一种网络式带预警的漏电保护***及方法 |
CN115833034B (zh) * | 2022-12-21 | 2023-08-18 | 重庆峰极智能科技研究院有限公司 | 一种网络式带预警的漏电保护***及方法 |
CN115877268A (zh) * | 2023-02-13 | 2023-03-31 | 中节能晶和照明(江西)有限公司 | 一种智慧照明***中l-n间漏电点定位监测和告警方法 |
CN115877268B (zh) * | 2023-02-13 | 2023-06-23 | 中节能晶和照明(江西)有限公司 | 一种智慧照明***中l-n间漏电点定位监测和告警方法 |
CN117849662A (zh) * | 2024-03-07 | 2024-04-09 | 广东佰林电气设备厂有限公司 | 一种具备漏电监测预警***的电表箱 |
CN117849662B (zh) * | 2024-03-07 | 2024-05-28 | 广东佰林电气设备厂有限公司 | 一种具备漏电监测预警***的电表箱 |
Also Published As
Publication number | Publication date |
---|---|
CN113903165B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113903165B (zh) | 一种漏电预警方法、***、装置和火灾预警*** | |
CN103728429B (zh) | 水质在线监测方法及监测*** | |
CN112378445A (zh) | 一种基于大数据分析的建筑施工环境智能实时监测*** | |
CN116304766B (zh) | 基于多传感器的开关柜状态快速评估方法 | |
CN115115282B (zh) | 一种高电压台区电力***数据分析方法 | |
AU2021100365A4 (en) | A multi-sensor-based intelligent monitoring and early warning system and method for dam safety | |
CN113391164A (zh) | 一种配电网单相接地故障智能化识别方法及装置 | |
CN115936428B (zh) | 增量配电网防外破定值优化*** | |
CN108053095B (zh) | 一种电能质量扰动事件特征提取方法及*** | |
CN117411918B (zh) | 一种基于iot物联网的监控报警方法及*** | |
CN113922412B (zh) | 一种新能源多场站短路比全景化评估方法、***、存储介质及计算设备 | |
CN113591393A (zh) | 智能变电站的故障诊断方法、装置、设备和存储介质 | |
CN111047169A (zh) | 一种电网调度用故障分析检测*** | |
CN109798935A (zh) | 一种用于幕墙的多源传感器协同监测预警方法及*** | |
CN112417763A (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
CN114814420A (zh) | 一种基于冻结数据的低压配电网拓扑识别方法及*** | |
CN112200998A (zh) | 应用于电力设备的早期火灾预警方法、***及其存储介质 | |
CN116050599A (zh) | 一种线路覆冰故障预测方法、***、存储介质及设备 | |
CN114965309A (zh) | 水质在线监测***浊度补偿方法、***、装置及存储介质 | |
CN115128345A (zh) | 一种基于谐波监测的电网安全预警方法及*** | |
CN113091832B (zh) | 基于大数据可视化的变配电站智能监控方法及云监控平台 | |
CN113486535A (zh) | 一种基于环境信息的电网信息检测分析方法 | |
CN112016206A (zh) | 判定塔架失稳状态的方法、***、计算机设备及应用 | |
CN109946640B (zh) | 基于计量自动化***数据的专变终端失压失流判断方法 | |
CN116049098A (zh) | 一种适用于配电网运行状态判断的运行数据特征分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |