《电子技术应用》
您所在的位置:325棋牌安卓官网 > 电源技术 > 设计应用 > 电气安全管理系统人工智能技术应用初探
电气安全管理系统人工智能技术应用初探
2018智能电网增刊
邓宏斌1,岳江水1,曾 定2
1. 国家卫星气象中心,北京100081;2.北京胜顶智控科技有限公司,北京100082
摘要: 针对传统配电系统电气安全管理存在的不足,结合大数据、云计算与移动互联网技术,设计了一款配电安全智能管理系统。通过前端探测器采集的配电系统电气运行参数送入经过训练学习好的BP神经网络电气安全评价模型,诊断配电系统存在的风险系数,评估用户用电安全等级。评价实例表明,该模型能够有效对配电系统存在的安全问题进行合理评价,为科学指导安全用电提供依据。
中图分类号: TM93
文献标识码: A
DOI:10.16157/j.issn.0258-7998.2018.S1.079
Abstract:
Key words :

0 引言

    随着我国现代化进程的推进,电的使用已经深入到各行各业生产和生活中,低压配电系统所占比例越来越大,居民用电量急剧上升。电作为一种重要的能源,对经济和生活起着巨大作用的同时也带来了电气安全隐患。据公安部消防局统计,2006年~2015年这十年内,我国每年由于电气故障引发的火灾总数占总火灾起数的比例高达30%,其带来的财产损失和人员伤亡情况在总火灾损失中占比52%[1]。

    由于影响企业电气安全性因素很多,因素之间的关联性存在非线性,长期以来电气安全评估处于一个空白区域,只能凭借人工经验观察、每月巡检的仪表测量记录、文字描述等方式确定企业的用电安全是否合格。这种方式大大取决于企业电工的经验和技术水平以及数据记录的准确性和完整性。在实际调研中,这种方式往往存在很大漏洞,给企业安全评估带来隐患。因此,基于人工智能模型的电气安全风险系数预测与诊断显得尤为重要[2]。

1 电气安全管理现状

    在我国,承担低压配电系统电气安全监测的设备主要是电气火灾监控系统设施,其发展起源于国外,主要应用在高层建筑、公共社区、文物建筑以及工况企业,通过监测漏电电流和温度等参数,判断是否超出预定阈值,达到对配电箱电气安全进行监测的目的。但从近年来国内的电气火灾数据来看,电气火灾监控系统逐年推广应用,电气火灾占比总数仍然维持在30%以上,究其原因主要有几点[3]

    (1)孤岛式电气安全管理弊端

    传统孤岛式的用电安全监控管理模式不能有效形成闭环监管。在现有运营模式下,电气火灾监控系统一般采用局域网进行集中监控,导致身处一线物业电工技术人员只有在值班室才能了解整个配电运行情况,电气安全隐患的及时处理和事后处理结果得不到反馈。电气安全隐患问题存在严重的信息不对称,上层管理人员作为企业的负责人缺乏合适的工具掌握企业配用电系统安全。

    (2)电气火灾防控技术缺乏

    现有电气火灾防控技术缺乏,大部分仅仅涉及温度和漏电测量功能。对由于用户的用电习惯、用电负载类型以及配电系统设计考虑不合理情况,导致配变出现三相不平衡,谐波过载,在三相四线制的低压配电系统中,表现出中性线存在过大电流甚至短路情况,无法进行有效识别和侦测[4]。

    (3)缺乏大数据判定电气隐患

    缺乏平台体系,无法通过数据支撑决策。传统电气火灾监控系统主要是通过报警阈值设置,一旦过限就启动报警,无法有效挖掘问题的原因所在,对后续指导排除安全隐患指导作用不明显。也无法通过共享数据平台实现事件故障诊断、评估分析和紧急预案指导[5]。

2 解决方案

2.1 设计理念

    电气安全管理系统从智能程度上划分,可分为描述型、诊断型、预测型和指导型,如图1所示。描述型侧重于报警,当探测器实时监测数据达到电气运行危险参数阈值时,发出报警信号。诊断型在描述型系统基础之上,增加了时间维度,能够对历史数据进行分析,获取故障发生时的电气参数特征,诊断电气故障类型,针对性地解决某类电气故障问题。指导型和预测型系统在诊断型系统架构上,增加了用户用电行为分析、负荷特征和类比分析、电气安全风险评估、知识决策树等功能。能够基于真实传感数据智能评估用户电气安全等级,无需人工评判,依据长期动态的监控数据自动为用户提供专业的诊断报告和应对措施[6-7]。

dhb-t1.gif

2.2 方案思路

    结合系统设计理念和现阶段行业存在的痛点问题,提出了以下四点思路:

    (1)系统能够将电气安全隐患显性化,将用户用电安全和能耗信息数据化,将应用场景用电安全风险等级化。

    (2)能够通过新型技术解决传统孤岛式电气安全管理存在的信息不对称问题,建立多方互动沟通交流。

    (3)系统能够针对多种电气安全隐患问题实现在线侦测,多维度展示隐患根本问题,建立隐患与数据之间的关联性,将人工经验逐步转变为企业用电管理知识库。

    (4)具备强大的服务功能,电气安全问题绝不仅仅停留在工具层面,而是真正打通用户侧需求,建立一套隐患监督排查治理机制。从发现问题,到诊断原因,到预测分析,再到指导行为。

2.3 系统架构

    新型电气安全智能管理系统主要分为2层,分别是感知层和应用层,系统架构如图2所示。感知层主要通过前端探测器分别对变压器侧和用户用电末端配电系统进行7×24小时实时数据监测,建立配电系统基础数据单元结构模型。在应用层上,系统分为3个版块,分别是电气安全管理、故障管理与评估预测以及辅助决策部分[8]。

dhb-t2.gif

2.4 配电系统评估模型设计步骤

    BP神经网络评价模型主要分为两大部分,后台训练学习模型和前台监督运行评价模型,如图3所示。其具体设计步骤如下[9]

    (1)设计BP神经网络结构,其结构包含中间隐层的层数、输入层、输出层和隐层的节点数。

    (2)选择并确定系统模型的评价指标,包括特征参数、状态。在这里特征参数主要为漏电、温度、电压、电流等电气参数。

    (3)提供学习样本,训练神经网络模型。在学习样本选择过程中,应该设计多组能够反映系统不同安全状态程度的向量值。

    (4)作用函数选择,通常选择非线形S型函数。

    (5)建立系统电气安全评价模型,通过网络学习确定网络输入、输出和隐节点数量以及其关联程度网络权值和偏置值。

    (6)在系统模型的安全评估过程中,对训练好的神经网络将实际评估参数样本的特征值经过处理后输入到具有推理功能的神经网络监测模型中,得到评价安全的结果参数。而这个评价结果参数反过来又可以作为新的学习样本输入到训练模型中不断迭代,调整网络权值和偏置值得到最优模型。

dhb-t3.gif

3 基于神经网络的电气安全评价案例分析

3.1 风险模型网络学习样本

    对电气火灾安全隐患因素进行分类,可以选择配电系统电压、电流、漏电电流、线缆温度、三相不平衡、谐波电流作为电气安全评价指标,现以5个配电箱的6个电气安全综合评价指标作为初始输入网络学习样本,如表1所示。在这里,设计了5组能够反映系统不同安全状态程度的向量值,分别是:[-0.5,-0.5,-1.5,0.5,-1.5,-1.5]、[0.5,-0.5,-1.0,-0.5,-1.0,-0.5]、[0.5,-0.5,0.0,0.5,-0.5,-0.5]、[1.5,1.5,0.0,0.5,-1.5,-0.5]、[1.5,1.0,1.5,0.0,0.5,0.5],对应5种不同的安全程度等级。

dhb-b1.gif

3.2 风险模型评价

    在输入量变化区间为[-1.5,1.5],学习因子为3.56,动量因子为0.17,预设误差值为10-5,网络结构为6×8×1,模型迭代28 342次,所得的网络评价结果如表2所示,表明基于深度学习后的BP神经网络的电气安全评价模型对数据处理后的指标和期望是一致的,此模型可用[10]。

dhb-b2.gif

4 结束语

    本文主要对现阶段国内电气火灾监控系统存在的问题进行分析,针对用电安全管理,提出了基于物联网、云计算、大数据结合的电气安全智能管理系统,建立基于BP神经网络的电气火灾安全隐患评估模型,实现配电系统用电安全等级评估,为避免电气安全评估中建立复杂数学模型描述非线性关系提出了新的技术手段。

参考文献

[1] GB 50045—1995,高层民用建筑设计防火规范[S].1995.

[2] 谭世立,彭浩明,杨玲.电气火灾隐患成因及解决方案[J].消防科学与技术,2014,33(9).

[3] 佟瑞鹏,马怀俭.基于神经网络理论的电气安全综合评价模型[J].哈尔滨理工大学学报,2010,10(2):84-87.

[4] 阮学峰,韩水生,熊志刚,等.电气故障诊断的系统方法[J].武汉大学学报(工学版),2002,35(2):88-90.

[5] 赵凤芝,包锋.基于人工神经网络的智能诊断系统(NNIDs)[J].计算机系统应用,2000(1):19-21.

[6] 钱刚,达庆利.基于系统安全工程工程能力成熟模型的信息系统风险评估叨[J].管理工程学报,2001,15(4):58-60.

[7] 李季,严东超.BP神经网络改进算法在电气故障诊断系统中的应用[J].电力科学与工程,2005(1):69-72.

[8] 蔡自兴,徐光佑.人工智能及其应用[M].北京:清华大学出版社,1996.

[9] YANG X S,DEB S.Engineering optimization by cuckoosearch[J].International Journal of Mathematical Modeling & Numerical Optimization,2010,1(4):330-343.

[10] TIPPING M E.Sparse Bayesian learning and the rele-vancevector machine[J].Journal of Machine Learning Research,2001,11(3):211-244.



作者信息:

邓宏斌1,岳江水1,曾  定2

(1. 国家卫星气象中心,北京100081;2.北京胜顶智控科技有限公司,北京100082)

此内容为AET网站原创,未经授权禁止转载。