[0001] 本发明涉及电气火灾预测及家庭用电安全技术领域，尤其涉及一种基于高低频循环神经网络的电气火灾预警方法。

[0002] 电气火灾在所有火灾中的占比最高，给人民的生命财产安全带来了巨大威胁。电气火灾的成因复杂多样，包括设备老化、线路故障、过载使用等多种因素，且其发生过程往往具有隐蔽性和突发性，前期特征难以被准确捕捉和量化，这增加了火灾预防和控制的难度。

[0003] 传统的电气火灾预警系统主要依赖于固定的阈值判断，即当监测到的电气参数如电流、功率、温度等超过预设的阈值时触发报警。然而，这种方法存在明显的局限性。一方面，固定的阈值无法适应电气参数随时间变化的动态特性，可能导致长期接近阈值的高风险状态被忽视；另一方面，环境因素或短暂的设备异常可能导致电气参数短暂超过阈值，从而引发误报，增加了不必要的恐慌和资源浪费。因此，亟需提供一种方案改善上述问题。

[0016] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。除非另外定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“包括”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

[0017] 本发明实施例提供了一种基于高低频循环神经网络的电气火灾预警方法，参见图1，包括：
S1、当线路温度处于故障升温状态时，基于1s/次的采样频率收集线路中的电流、功率及温度数据，获得高频电气参数数据，反之基于3min/次的采样频率收集线路中的电流、功率及温度数据，获得低频电气参数数据；
S2、基于高频电气参数数据训练循环神经网络获得高频电气参数循环神经网络，基于低频电气参数数据训练循环神经网络获得低频电气参数循环神经网络；
S3、将高频电气参数数据输入到高频电气参数循环神经网络获得高频预测结果，将低频电气参数数据输入到低频电气参数循环神经网络获得低频预测结果，基于高频预测结果及低频预测结果获得线路预测温度；
S4、基于线路预测温度的预测误差与概率分布获得温度预警分位，基于线路预测温度实时监测真实温度并对比温度预警分位选择是否报警。

[0018] 一些实施例中，在执行步骤S1的过程中，包括：S1.1、收集高频电气参数；
S1.2、收集低频电气参数。

[0019] 具体的，在执行步骤S1.1，收集高频电气参数时，包括：当线路温度处于故障升温状态时，基于1s/次的采样频率收集线路中的电流、功率及温度数据，获取高频电气参数数据。

[0020] 进一步的，所述故障升温状态为连续两次采集的实际温度上升幅度超过设定的百分比阈值。

[0021] 实际上，所述百分比阈值为：当温度位于20度至30度之间，百分比阈值为30％，当温度位于30度至40度之间，百分比阈值为20％，当温度位于40度至50度之间，百分比阈值为15％，当温度超过50度时，百分比阈值为10％。

[0022] 具体的，在执行步骤S1.2，收集低频电气参数时，包括：当线路温度处于非故障升温状态时，基于3min/次的采样频率收集线路中的电流、功率及温度数据，获取低频电气参数数据。

[0023] 一些实施例中，在执行步骤S2的过程中，包括：S2.1、基于高频电气参数数据训练循环神经网络获得高频电气参数循环神经网络；
S2.2、基于低频电气参数数据训练循环神经网络获得低频电气参数循环神经网络。

[0024] 具体的，在执行步骤S2.1，基于高频电气参数数据训练循环神经网络获得高频电气参数循环神经网络时，包括：将1s/次的采样频率收集的高频电流、功率及温度数据作为输入特征送入循环神经网络，训练得到高频电气参数循环神经网络。

[0025] 实际上，将高频采集的电流、功率及温度电气参数数据作为输入所训练出来的模型，能够探究线路温升与电气参数的关系，用于提前预测线路高风险状态。

[0026] 具体的，在执行步骤S2.2，基于低频电气参数数据训练循环神经网络获得低频电气参数循环神经网络时，包括：将3min/次的采样频率收集的低频电流、功率及温度数据作为输入特征送入循环神经网络，训练得到低频电气参数循环神经网络。

[0027] 实际上，将低频采集的电流、功率及温度电气参数数据作为输入所训练出来的模型，能够监测长期用电器的使用状态和预测整个用电规律。

[0028] 一些实施例中，在执行步骤S3的过程中，包括：S3.1、将高频电气参数数据输入到高频电气参数循环神经网络获得高频预测结果；
S3.2、将低频电气参数数据输入到低频电气参数循环神经网络获得低频预测结果；
S3.3、基于高频预测结果及低频预测结果获得线路预测温度。

[0029] 具体的，在执行步骤S3.1，将高频电气参数数据输入到高频电气参数循环神经网络获得高频预测结果时，包括：将1s/次的采样频率收集的高频电流、功率及温度数据输入高频电气参数循环神经网络获取高频预测结果。

[0030] 具体的，在执行步骤S3.2，基于低频电气参数循环神经网络实时监测线路电气参数并输出低频预测结果时，包括：将3min/次的采样频率收集的低频电流、功率及温度数据输入低频电气参数循环神经网络获取低频预测结果。

[0031] 具体的，在执行步骤S3.3，基于所述高频预测结果及低频预测结果获得线路预测温度时，包括：基于高频预测结果及低频预测结果加权计算得到线路预测温度；
计算公式如下：
；
其中，为线路预测温度， 为高频预测结果， 为高频预测结果的权重， 为低频预测结果， 为低频预测结果的权重。

[0032] 进一步的，高频预测结果的权重和低频预测结果的权重计算方式如下：；
；
其中， 为高频预测结果的权重， 为 时刻真实温度值， 为时刻之
前连续k个时间步内的历史真实温度最大值， 为低频预测结果的权重。

[0033] 实际上，当T在增大时说明线路的火灾风险也随之增大，而高频预测结果能够更准确的预测临灾前的数据，所以需要增大高频预测结果所对应的权重。

[0034] 一些实施例中，在执行步骤S4的过程中，包括：S4.1、基于线路预测温度的预测误差与概率分布获得温度预警分位；
S4.2、基于线路预测温度实时监测真实温度并对比温度预警分位选择是否报警。

[0035] 具体的，在执行步骤S4.1，基于线路预测温度的预测误差与概率分布获得温度预警分位时，包括：基于线路预测温度的预测误差的标准方差以及概率分布计算真实温度落入区间的置信水平，并将预警分位划分为70％分位，80％分位，90％分位，99％分位；所述概率分布为t分布。

[0036] 进一步的，基于线路预测温度的预测误差的标准方差以及概率分布计算真实温度落入区间的置信水平，计算公式如下：；
其中， 为温度预警 分位，为线路预测温度， 为 分
位所处的临界值， 为为线路预测温度的预测误差的标准方差。

[0037] 进一步的，计算线路预测温度的预测误差的标准方差的过程中，包括：设定大小为3个时刻的m个时间窗口，分别计算所述3个时刻实际值与预测值之间的差值，将得到差值的平方进行求和，并除以m‑1个时间窗口数获得差值的方差，对所述方差取平方根，获得线路预测温度的预测误差的标准方差。

[0038] 具体的，在执行步骤S4.2，基于真实温度与温度预警分位选择是否报警时，包括：S4.2.1、基于线路预测温度实时监测真实温度；
S4.2.2、基于真实温度与温度预警分为选择是否报警。

[0039] 具体的，在执行步骤S4.2.1，基于线路预测温度实时监测真实温度时，基于3min/次的采样频率进行采样，当连续两次采集的实际温度超过预测温度的百分比阈值时，基于1s/次的采样频率进行采样。

[0040] 进一步的，当温度位于20度至30度之间，连续两次采集的实际温度超过预测温度的30％，视为故障升温；温度位于30度至40度之间，连续两次采集的实际温度超过预测温度的20％，视为故障升温，温度位于40度至50度之间，连续两次采集的实际温度超过预测温度的15％，视为故障升温，温度超过50度时，连续两次采集的实际温度超过预测温度的10％，视为故障升温。

[0041] 实际上，由于线路温度越高越危险，采样频率越高越安全，所以采用动态百分比作为阈值，百分比随着温度的提升呈递减的趋势，以此更有效的追踪线路真实温度。

[0042] 具体的，在执行步骤S4.2.2，基于真实温度与温度预警分为选择是否报警时，包括：当采样获得的真实温度处于70％分位以下线路火灾安全系数为优，处于70％分位至80％分位之间线路火灾安全系数为良，处于80％分位至90％分位之间为线路火灾安全系数为合格，处于90％分位至99％分位之间线路火灾安全系数为差，超过99％分位则报警。

[0043] 实际上，在执行整个方案的过程中，会将实时监测到的线路电气参数进行日志记录，并定期基于日志记录中的线路电气参数更新所述高频电气参数循环神经网络及低频电气参数循环神经网络，以及调整相应的预警分位，从而使整个方案更适配于应用的电气线路。

[0044] 虽然在上文中详细说明了本发明的实施方式，但是对于本领域的技术人员来说显而易见的是，能够对这些实施方式进行各种修改和变化。但是，应理解，这种修改和变化都属于权利要求书中所述的本发明的范围和精神之内。而且，在此说明的本发明可有其它的实施方式，并且可通过多种方式实施或实现。