一种低压线路火灾隐患识别模型的训练方法及系统

摘要

本发明提供一种低压线路火灾隐患识别模型的训练方法及系统，包括：获取训练样本，所述训练样本包括多个低压线路的线路参数；根据所述多个低压线路的线路参数确定所述多个低压线路的隐患预警等级，并将确定的隐患预警等级记录为所述多个低压线路的正确分类结果；其中，所述隐患预警等级包括健康、隐患及损坏，所述多个低压线路包括健康、隐患和损坏的线路；依次将多个低压线路的线路参数输入SVM基础模型进行分类处理输出当前分类结果；根据所述当前分类结果与对应的正确分类结果进行比较，并根据比较结果确定是否继续训练或结束训练。本发明克服了传统分类模型需要大量数据的缺点，并且在实际应用过程中不断完善模型，提高最终分类准确率。

说明书

技术领域

本发明涉及电力系统自动化技术领域，特别是涉及一种低压线路火灾隐患识别模型的训练方法及系统。

背景技术

低压线路是额定电压为1kV及以下的电力线路。低压线路包括低压架空线路、低压架空绝缘线路、低压电缆线路和室内配电线路，用于直接向低压用电设备输送电能，是低压配电系统(见低压配电)的重要组成部分。低压线路可以从公用低压配电网接入，通过低压配电室引出；也可以由用户自备的变配电室的低压配电装置引出。低压线路可以从公用低压配电网接入，通过低压配电室引出；也可以由用户自备的变配电室的低压配电装置引出。在一定的容量范围内，因此用户中低压用电设备数量较多，使用频繁，相应低压线路也比较多，分布较广。但低压线路的额定电压比较低，功率损耗和电压损失都比较大，故只能用于短距离、小容量的低压配电。

近年，随着人民生活水平的不断提高，电气产品越来越普及，走进人们的日常工作与生活中，同时因为电气产品引发的低压电路火灾事故越来越多，因此低压电路电气火灾越来越得到大家的关注。但是目前的低压电路电气火灾预警技术尚不成熟，多数技术只关注一个参数，使得预警效果较差；由于实际中难以获得大量的低压电气火灾隐患的线路参数，使用分类器识别火灾隐患识别率较低。

发明内容

本发明的目的在于，提出一种低压线路火灾隐患识别模型的训练方法及系统，解决现有难以获得大量的低压电气火灾隐患的线路参数，使用分类器识别火灾隐患识别率较低的技术问题。

本发明的一方面，提供一种低压线路火灾隐患识别模型的训练方法，包括以下步骤：

步骤S1，获取训练样本，所述训练样本包括多个低压线路的线路参数；

步骤S2，根据所述多个低压线路的线路参数确定所述多个低压线路的隐患预警等级，并将确定的隐患预警等级记录为所述多个低压线路的正确分类结果；其中，所述隐患预警等级包括健康、隐患及损坏，所述多个低压线路包括健康、隐患和损坏的线路；

步骤S3，获取第i个低压线路的线路参数，将第i个低压线路的线路参数输入SVM基础模型进行分类处理输出当前分类结果；

步骤S4、将所述当前分类结果与对应的正确分类结果进行比较；若比较结果为两者一致，则进入步骤S5；若比较结果为两者不一致，则调整所述SVM基础模型的模型参数，并返回步骤S3；

步骤S5、判断i是否大于等于n，n为所述训练样本的低压线路数量；若是，则结束训练，输出SVM基础模型作为低压线路火灾隐患识别模型；若否，则令i＝i+1，并返回步骤S3。

优选地，所述调整所述SVM基础模型的模型参数，包括：将该低压线路的线路参数作为SVM基础模型的一个新的支持向量，并使用所述新的支持向量和原有的支持向量重新计算SVM基础模型的分类超平面参数与支持向量。

优选地，所述低压线路的线路参数包括稳态电流峰值、累计电荷量、电压降落、电压相位差和每次电流脉冲的峰值。

优选地，所述步骤S2包括：根据所述稳态电流峰值、所述累计电荷量、所述电压降落、所述电压相位差及所述每次电流脉冲的峰值与对应预设阈值的比较结果确定每一低压线路的隐患预警等级。

本发明还提供一种低压线路火灾隐患识别模型的训练系统，用以实现所述的低压线路火灾隐患识别模型的训练方法，包括：

样本采集模块，用以获取训练样本，所述训练样本包括多个低压线路的线路参数；

预警等级评估模块，用以根据所述多个低压线路的线路参数确定所述多个低压线路的隐患预警等级，并将确定的隐患预警等级记录为所述多个低压线路的正确分类结果；其中，所述隐患预警等级包括健康、隐患及损坏，所述多个低压线路包括健康、隐患和损坏的线路；

训练模块，用以获取第i个低压线路的线路参数，将第i个低压线路的线路参数输入SVM基础模型进行分类处理输出当前分类结果；将所述当前分类结果与对应的正确分类结果进行比较；若比较结果为两者一致，则判断i是否大于等于n，n为所述训练样本的低压线路数量；若是，则结束训练，输出SVM基础模型作为低压线路火灾隐患识别模型；若否，则令i＝i+1，并重新获取第i个低压线路的线路参数输入SVM基础模型进行分类处理；若比较结果为两者不一致，则调整所述SVM基础模型的模型参数，并重新获取第i个低压线路的线路参数输入SVM基础模型进行分类处理。

优选地，所述训练模块将该低压线路的线路参数作为SVM基础模型的一个新的支持向量，并使用所述新的支持向量和原有的支持向量重新计算SVM基础模型的分类超平面参数与支持向量。

优选地，所述预警等级评估模块分别根据所述稳态电流峰值、所述累计电荷量、所述电压降落、所述电压相位差及所述每次电流脉冲的峰值与对应预设阈值的比较结果确定每一低压线路的隐患预警等级。

优选地，所述样本采集模块获取的低压线路的线路参数包括稳态电流峰值、累计电荷量、电压降落、电压相位差和每次电流脉冲的峰值。

综上，实施本发明的实施例，具有如下的有益效果：

本发明提供的低压线路火灾隐患识别模型的训练方法及系统，利用实际应用过程中判断错误的数据不断更新支持向量并重新计算分类超平面，可以在数据较少的情况下获得更好的分类效果；克服了传统分类模型需要大量数据的缺点，并且在实际应用过程中不断完善模型，提高最终分类的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例中一种低压线路火灾隐患识别模型的训练方法的主流程示意图。

图2为本发明实施例中一种低压线路火灾隐患识别模型的训练方法的逻辑示意图。

图3为本发明实施例中一种低压线路火灾隐患识别模型的训练系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1和图2所示，为本发明提供的一种低压线路火灾隐患识别模型的训练方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：

步骤S1，获取训练样本，所述训练样本包括多个低压线路的线路参数；可以理解的是，通过安装在电网中的监测设备收集电网中的线路数据，可以采集电缆中的相关数据。所述低压线路的电力参数包括稳态电流峰值、累计电荷量、电压降落、电压相位差和每次电流脉冲的峰值。

步骤S2，根据所述多个低压线路的线路参数确定所述多个低压线路的隐患预警等级，并将确定的隐患预警等级记录为所述多个低压线路的正确分类结果；其中，所述隐患预警等级包括健康、隐患及损坏，所述多个低压线路包括健康、隐患和损坏的线路；具体实施例中，根据所述稳态电流峰值、所述累计电荷量、所述电压降落、所述电压相位差及所述每次电流脉冲的峰值与对应预设阈值的比较结果确定每一低压线路的隐患预警等级。

步骤S3，获取第i个低压线路的线路参数，将第i个低压线路的线路参数输入SVM基础模型进行分类处理输出当前分类结果；可以理解的是，将实际的火灾相关数据加入到模型，观测分类的结果。

步骤S4、将所述当前分类结果与对应的正确分类结果进行比较；若比较结果为两者一致，则进入步骤S5；若比较结果为两者不一致，则调整所述SVM基础模型的模型参数，并返回步骤S3；可以理解的是，支持向量机(support vector machine)，简称SVM，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。在这个二维的平面中，用一条直线将上面的点分成两类，分界线其两边有尽可能大的间隙，这样的好处之一就是能在使用中有利于预测。这是在二维上的，则找的是线，如果是三维，则找的是面。总的来说是寻找区分两类的超平面(hyper plane)，使边界(margin)最大。在一个n维空间中，超平面的方程定义为:a

其中，点到超平面的距离计算如下：

在二维平面中，计算点(x0,y0)到线ax+by+c＝0的距离是:

在n维空间中，点到超平面的距离：

将点的坐标和系数都向量化表示，距离公式可以视为:

其中，w＝{w0,w1,w2,...,wn}；

寻找的超平面，是先寻找各分类到超平面的距离最小，在寻找距离之和最大的超平面，在N个训练点，点的坐标记为x

因为SVM是仅支持二分类的模型，因此y

进一步地，再从超平面推导：

在(x

w

在超平面的上方的点满足：

ω

在超平面下面的点则满足:

ω

因为yi只有两种取值1和-1。因此就满足：

整合这两个等式(左右都乘以yi，当yi是负值时，不等号要改方向)得：

所有坐落在边界的边缘上的点被称作是“支持向量”。分界边缘上的任意一点到超平面的距离为:

其中，||w||是向量的范数(norm)，或者说是向量的模，它的计算方式为：

所以，最大边界距离为:

找出最大边界的超平面，利用一些数学推导，把yi(w

其中，l为支持向量点的个数；y

SVM算法有这几个特性：训练好的模型的算法复杂度是由支持向量的个数决定的，而不是由数据的维度决定的。所以SVM不太容易产生过拟合(overfitting)的情况；SVM训练出来的模型完全依赖于支持向量，即使训练集里所有非支持向量的点都被去除，重新训练，结果仍然会得到完全一样的模型；一个SVM如果训练得出的支持向量个数比较小，那训练出的模型比较容易被泛化。

步骤S5、判断i是否大于等于n，n为所述训练样本的低压线路数量；若是，则结束训练，输出SVM基础模型作为低压线路火灾隐患识别模型；若否，则令i＝i+1，并返回步骤S3。可以理解的是，根据标记火灾隐患等级的电路数据训练SVM模型，将实际的火灾相关数据加入到模型，观测分类的结果；在实际使用过程中，如果出现训练结果与隐患预警等级输出不一致的情况时，记录此时的线路参数，并将该参数与作为SVM的一个新支持向量；使用新的支持向量和原有的支持向量重新计算SVM的分类超平面参数与支持向量。

具体实施例中，所述调整所述SVM基础模型的模型参数具体为，将该低压线路的线路参数作为SVM基础模型的一个新的支持向量，并使用所述新的支持向量和原有的支持向量重新计算SVM基础模型的分类超平面参数与支持向量。

如图3所示，为本发明提供的一种低压线路火灾隐患识别模型的训练系统的一个实施例的示意图。在该实施例中，所述系统用于实现所述的低压线路火灾隐患识别模型的训练方法，包括：

采集模块，用以采集待评估的低压线路的电力参数，并从多个数据源获取低压线路的火灾相关数据；具体地，所述采集模块采集的低压线路的电力参数包括稳态电流峰值、累计电荷量、电压降落、电压相位差和每次电流脉冲的峰值。

预警等级评估模块，用以根据所述低压线路的电力参数按照预设阈值标记低压线路的电力参数中每项参数对应的隐患预警等级；其中，所述隐患预警等级包括健康、隐患及损坏；具体地，所述预警等级评估模块分别根据预设识别规则识别所述低压线路的电力参数内的稳态电流峰值、累计电荷量、电压降落、电压相位差及每次电流脉冲的峰值，获取所述稳态电流峰值、所述累计电荷量、所述电压降落、所述电压相位差及所述每次电流脉冲的峰值的参数值，并根据预设阈值标记各参数值对应的隐患预警等级。

训练模块，用以根据预设的支持向量机对所述隐患预警等级及所述火灾相关数据进行训练，获得第一训练结果；将所述第一训练结果与所述隐患预警等级比较，生成比较结果；根据比较结果确定则获取当前时刻的待评估的低压线路的电力参数并重新进行比较，直到得到所有低压线路的电力参数值相应的评估结果，或者输出第一训练结果作为最终评估结果；其中，所述比较结果包括一致或不一致。具体地，所述训练模块用于当生成的比较结果为不一致时，则获取当前时刻的待评估的低压线路的电力参数，将所述当前时刻的待评估的低压线路的电力参数作为所述支持向量机的新支持向量重新计算第二训练结果，并将所述第二训练结果与所述隐患预警等级对比，重新判断对比结果是否一致。还用于将所述当前时刻的待评估的低压线路的电力参数作为所述支持向量机的新支持向量，根据新支持向量和所述隐患预警等级及所述火灾相关数据计算第二训练结果。

综上，实施本发明的实施例，具有如下的有益效果：

本发明提供的低压线路火灾隐患识别模型的训练方法及系统，利用实际应用过程中判断错误的数据不断更新支持向量并重新计算分类超平面，可以在数据较少的情况下获得更好的分类效果；克服了传统分类模型需要大量数据的缺点，并且在实际应用过程中不断完善模型，提高最终分类的准确率。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。