本發(fā)明涉及防火預(yù)警，具體是指基于智能數(shù)據(jù)分析的電源柜防火預(yù)警系統(tǒng)。

背景技術(shù)：

1、電源柜作為電力系統(tǒng)的關(guān)鍵組成部分，承擔著電能分配與傳輸?shù)闹匾蝿?wù)，由于電源柜內(nèi)部設(shè)備密集、線路復雜，且常處于高負荷運行狀態(tài)，因此存在較高的火災(zāi)風險，火災(zāi)一旦發(fā)生，不僅會對電源柜本身造成損壞，還會引發(fā)更廣泛的電力故障，對人們的生命財產(chǎn)安全構(gòu)成嚴重威脅，傳統(tǒng)的電源柜防火技術(shù)存在以下局限性：

2、1、傳統(tǒng)系統(tǒng)大多依賴于有線連接進行數(shù)據(jù)傳輸，易受布線限制，無法實現(xiàn)實時、全面的數(shù)據(jù)采集，數(shù)據(jù)傳輸過程中缺乏有效的加密措施，容易被惡意攻擊或竊取，導致數(shù)據(jù)泄露和篡改，有線連接在增加新的監(jiān)控點時，需要復雜的布線工作，不便于系統(tǒng)的擴展和升級；

3、2、傳統(tǒng)系統(tǒng)大多僅能對簡單的閾值進行監(jiān)控，無法對復雜的數(shù)據(jù)進行深度分析和挖掘，難以發(fā)現(xiàn)潛在的火災(zāi)隱患，缺乏基于機器學習和深度學習的智能分析模塊，無法實現(xiàn)對電源柜運行狀態(tài)的實時預(yù)警和預(yù)測；

4、3、在數(shù)據(jù)聚合和分析過程中，缺乏對數(shù)據(jù)隱私的有效保護措施，容易導致敏感信息的泄露，在數(shù)據(jù)傳輸和遠程監(jiān)控過程中，缺乏有效的加密和身份驗證機制，容易被惡意攻擊或入侵。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是克服以上的技術(shù)缺陷，提供基于智能數(shù)據(jù)分析的電源柜防火預(yù)警系統(tǒng)，集成了數(shù)據(jù)采集、智能數(shù)據(jù)分析、警報觸發(fā)以及通訊與監(jiān)控四大模塊，旨在實現(xiàn)對電源柜火災(zāi)隱患的實時監(jiān)測與預(yù)警，在數(shù)據(jù)采集模塊中，通過安裝在電源柜內(nèi)的各類傳感器，實時采集交流、直流、通訊及ups/inv電源的原始數(shù)據(jù)，并通過無線加密傳輸至智能數(shù)據(jù)分析模塊，確保了數(shù)據(jù)傳輸?shù)陌踩院屯暾?，智能?shù)據(jù)分析模塊是系統(tǒng)的核心，它首先對采集到的原始數(shù)據(jù)進行預(yù)處理，包括清洗、去噪、歸一化等步驟，以提高數(shù)據(jù)質(zhì)量，利用深度學習算法，包括自編碼器、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)提取特征向量，并通過深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)對特征向量進行分類和識別，以判斷電源柜是否存在火災(zāi)隱患，此外，該模塊還具備控制優(yōu)化功能，可根據(jù)識別結(jié)果實時調(diào)整電源柜的運行參數(shù)，降低火災(zāi)風險，同時，通過聯(lián)邦梯度下降算法聚合多個電源柜的識別結(jié)果進行模型訓練，實現(xiàn)對電源柜未來運行狀態(tài)的預(yù)測，警報模塊根據(jù)智能數(shù)據(jù)分析模塊的判斷結(jié)果，觸發(fā)包括聲音、燈光、短信、郵件等多種形式的警報信號，確保相關(guān)人員能夠及時收到警報信息，并采取相應(yīng)的應(yīng)對措施，通訊與監(jiān)控模塊則提供了標準的通信接口，用于連接系統(tǒng)內(nèi)的各個模塊，并實現(xiàn)與上級監(jiān)控系統(tǒng)、移動終端等設(shè)備的實時數(shù)據(jù)傳輸，該模塊采用加密技術(shù)確保數(shù)據(jù)傳輸?shù)陌踩?，同時負責處理通訊協(xié)議、數(shù)據(jù)打包和執(zhí)行遠程指令。

2、本發(fā)明提供的基于智能數(shù)據(jù)分析的電源柜防火預(yù)警系統(tǒng)，包括數(shù)據(jù)采集模塊、智能數(shù)據(jù)分析模塊、警報模塊和通訊與監(jiān)控模塊，所述數(shù)據(jù)采集模塊采集電源柜內(nèi)電源的原始數(shù)據(jù)，所述智能數(shù)據(jù)分析模塊對數(shù)據(jù)采集模塊采集到的原始數(shù)據(jù)進行處理，所述警報模塊觸發(fā)警報信號，所述通訊與監(jiān)控模塊提供標準的通信接口；

3、進一步地，所述數(shù)據(jù)采集模塊的工作流程如下所示：

4、步驟s1：數(shù)據(jù)采集：數(shù)據(jù)采集模塊通過安裝在電源柜內(nèi)的各類傳感器，實時采集交流電源、直流電源、通訊電源和ups/inv電源的原始數(shù)據(jù)；

5、步驟s2：數(shù)據(jù)傳輸：采集到的原始數(shù)據(jù)通過無線方式傳輸?shù)街悄軘?shù)據(jù)分析模塊，傳輸過程中，原始數(shù)據(jù)經(jīng)過加密處理，以確保原始數(shù)據(jù)傳輸?shù)陌踩浴?/p>

6、進一步地，所述步驟s2，具體包括以下步驟：

7、步驟s21：傳感器數(shù)據(jù)打包：數(shù)據(jù)采集模塊在采集到電源柜內(nèi)各類電源的原始數(shù)據(jù)后，首先將原始數(shù)據(jù)進行打包處理；

8、步驟s22：數(shù)據(jù)加密：為了確保原始數(shù)據(jù)在傳輸過程中的安全性，數(shù)據(jù)采集模塊會對打包后的原始數(shù)據(jù)進行加密處理，加密處理過程中的加密算法采用對稱加密aes，確保原始數(shù)據(jù)在傳輸過程中不被竊取篡改，所述對稱加密aes的加密公式如下所示：

9、；

10、其中，為密文，為加密函數(shù)，為原始數(shù)據(jù)，為密鑰；

11、所述對稱加密aes的解密公式如下所示：

12、；

13、其中，d為解密函數(shù)；

14、步驟s23：無線傳輸準備：原始數(shù)據(jù)加密完成后，數(shù)據(jù)采集模塊通過無線傳輸發(fā)送加密后的原始數(shù)據(jù)；

15、步驟s24：建立連接：數(shù)據(jù)采集模塊與智能數(shù)據(jù)分析模塊之間建立無線連接，連接過程中，雙方需要進行身份驗證，以確保數(shù)據(jù)傳輸?shù)秸_的接收端；

16、步驟s25：數(shù)據(jù)發(fā)送：在連接建立成功后，數(shù)據(jù)采集模塊將加密后的原始數(shù)據(jù)發(fā)送給智能數(shù)據(jù)分析模塊，發(fā)送過程中，模塊會實時監(jiān)控數(shù)據(jù)傳輸狀態(tài)，確保數(shù)據(jù)完整、無誤地傳輸；

17、步驟s26：數(shù)據(jù)接收確認：智能數(shù)據(jù)分析模塊在接收到數(shù)據(jù)后，會向數(shù)據(jù)采集模塊發(fā)送接收確認信號，數(shù)據(jù)采集模塊收到確認信號后，表示本次數(shù)據(jù)傳輸成功。

18、優(yōu)選的，所述智能數(shù)據(jù)分析模塊包括數(shù)據(jù)預(yù)處理單元、特征提取單元、模式識別引擎、控制優(yōu)化單元和預(yù)測分析單元，所述數(shù)據(jù)預(yù)處理單元負責對采集到的原始數(shù)據(jù)進行清洗、去噪和歸一化處理，使用深度學習算法中的自編碼器autoencoder進行數(shù)據(jù)降噪，提高數(shù)據(jù)質(zhì)量得到預(yù)處理數(shù)據(jù)，所述特征提取單元利用深度學習算法中的卷積神經(jīng)網(wǎng)絡(luò)cnn和循環(huán)神經(jīng)網(wǎng)絡(luò)rnn提取預(yù)處理數(shù)據(jù)的特征向量，這些特征向量能夠更準確地反映電源柜的運行狀態(tài)，所述模式識別引擎采用深度神經(jīng)網(wǎng)絡(luò)dnn、卷積神經(jīng)網(wǎng)絡(luò)cnn和循環(huán)神經(jīng)網(wǎng)絡(luò)rnn，對特征向量進行分類和識別，判斷電源柜是否存在火災(zāi)隱患，輸出識別結(jié)果，控制優(yōu)化單元使用深度q網(wǎng)絡(luò)dqn算法，根據(jù)模式識別引擎的識別結(jié)果，實時調(diào)整電源柜的運行，以降低火災(zāi)風險，預(yù)測分析單元采用聯(lián)邦梯度下降fedgd算法，聯(lián)合多個電源柜的識別結(jié)果進行模型訓練，通過預(yù)測分析單元，可以預(yù)測電源柜在未來一段時間內(nèi)的運行狀態(tài)，提前發(fā)現(xiàn)潛在火災(zāi)隱患；

19、進一步地，所述數(shù)據(jù)預(yù)處理單元的工作流程如下所示：

20、步驟k1：數(shù)據(jù)清洗：去除原始數(shù)據(jù)中的無效部分，確保數(shù)據(jù)的準確性和完整性；

21、步驟k2：數(shù)據(jù)去噪：使用深度學習算法中的自編碼器autoencoder對原始數(shù)據(jù)進行降噪處理，減少噪聲對數(shù)據(jù)分析的影響；

22、步驟k3：數(shù)據(jù)歸一化：將不同量級的數(shù)據(jù)轉(zhuǎn)換到同一量級，得到預(yù)處理數(shù)據(jù)，便于后續(xù)的特征提?。?/p>

23、優(yōu)選的，所述步驟k2，具體包括以下步驟：

24、步驟k21：構(gòu)建自編碼器：設(shè)計并訓練一個自編碼器網(wǎng)絡(luò)，該網(wǎng)絡(luò)包含輸入層、多個隱藏層以及輸出層；

25、步驟k22：訓練自編碼器：輸入層接收原始數(shù)據(jù)，隱藏層通過編碼過程提取原始數(shù)據(jù)的主要特征，并自動忽略噪聲，輸出層嘗試重構(gòu)數(shù)據(jù)；

26、步驟k23：降噪處理：使用訓練好的自編碼器處理原始數(shù)據(jù)，輸出降噪后的數(shù)據(jù)；

27、進一步地，步驟k3，具體包括以下步驟：

28、步驟k31：選擇歸一化方法：使用z分數(shù)標準化作為歸一化方法；

29、步驟k32：應(yīng)用歸一化：應(yīng)用z分數(shù)標準化方法，計算歸一化后的數(shù)據(jù)點所用公式如下所示：

30、；

31、其中，為歸一化后的數(shù)據(jù)點，為降噪后的數(shù)據(jù)中的單個數(shù)據(jù)點，為降噪后的數(shù)據(jù)集的均值，為降噪后的數(shù)據(jù)集的標準差；

32、步驟k33：驗證歸一化效果：確保所有數(shù)據(jù)都在預(yù)定范圍內(nèi)，并檢查歸一化是否影響了數(shù)據(jù)的分布特性，驗證后得到預(yù)處理數(shù)據(jù)。

33、優(yōu)選的，所述特征提取單元的工作流程如下所示：

34、步驟k4：初步特征提?。豪镁矸e神經(jīng)網(wǎng)絡(luò)cnn從預(yù)處理數(shù)據(jù)中提取空間特征，利用循環(huán)神經(jīng)網(wǎng)絡(luò)rnn從預(yù)處理數(shù)據(jù)中提取時間動態(tài)特征，卷積神經(jīng)網(wǎng)絡(luò)cnn中的卷積操作所用公式如下所示：

35、；

36、其中，為預(yù)處理數(shù)據(jù)，為卷積核，為卷積操作符，為離散時間一，為離散時間二；

37、步驟k5：特征選擇：使用遞歸特征消除rfe方法選擇最有影響力的特征；

38、步驟k6：特征組合：將提取的特征進行組合，形成特征向量；

39、優(yōu)選的，所述步驟k5，具體包括以下步驟：

40、步驟k51：模型訓練：使用特征訓練svm模型；

41、步驟k52：特征排序：根據(jù)模型系數(shù)的大小對特征進行排序；

42、步驟k53：特征消除：計算特征重要性，移除最不重要的特征，并重復步驟k51和步驟k52，直到達到所需數(shù)量的特征，計算特征重要性所用公式如下所示：

43、；

44、其中，為特征重要性，為特征的總數(shù)量，為拉格朗日乘子，為第個特征的標簽，為第個特征的特征向量。

45、優(yōu)選的，所述模式識別引擎的工作流程如下所示：

46、步驟k7：特征輸入：將特征提取單元輸出的特征向量輸入到模式識別引擎；

47、步驟k8：分類和識別：使用深度神經(jīng)網(wǎng)絡(luò)dnn對特征向量進行分類，使用卷積神經(jīng)網(wǎng)絡(luò)cnn和循環(huán)神經(jīng)網(wǎng)絡(luò)rnn進一步提取和識別復雜的模式；

48、步驟k9：隱患判斷：根據(jù)分類結(jié)果判斷電源柜是否存在火災(zāi)隱患，設(shè)定閾值，超過閾值則認為存在隱患，輸出識別結(jié)果；

49、進一步地，所述步驟k8，具體包括以下步驟：

50、步驟k81：dnn分類：定義深度神經(jīng)網(wǎng)絡(luò)dnn的結(jié)構(gòu)，包括輸入層、多個隱藏層和輸出層，將特征向量輸入到深度神經(jīng)網(wǎng)絡(luò)dnn，通過隱藏層傳播，直到輸出層，在每個隱藏層和輸出層應(yīng)用激活函數(shù)，計算輸出層的預(yù)測值與特征向量之間的損失，在深度神經(jīng)網(wǎng)絡(luò)dnn中，每一層輸出如下公式所示：

51、

52、其中，為輸出層的預(yù)測值，為激活函數(shù)，為特征向量的權(quán)重矩陣，為特性向量值，為特征向量的偏置項；

53、所述激活函數(shù)采用sigmoid函數(shù)，具體公式如下所示：

54、；

55、其中，為自然對數(shù)的底數(shù)；

56、步驟k82：特征提?。豪镁矸e神經(jīng)網(wǎng)絡(luò)cnn從特征向量中提取空間特征，利用循環(huán)神經(jīng)網(wǎng)絡(luò)rnn從特征向量中提取時間動態(tài)特征，將空間特征和時間動態(tài)特征與隱藏層特征進行融合；

57、步驟k83：模型訓練：使用反向傳播算法和優(yōu)化器來調(diào)整網(wǎng)絡(luò)權(quán)重，減少損失；

58、優(yōu)選的，所述步驟k9，具體包括以下步驟：

59、步驟k91：閾值設(shè)定：根據(jù)交叉驗證確定一個閾值，該閾值將用于判斷是否存在火災(zāi)隱患；

60、步驟k92：分類決策：使用深度神經(jīng)網(wǎng)絡(luò)dnn的預(yù)測值，來做出分類決策；

61、步驟k93：隱患判定：輸出層的最大概率值超過預(yù)設(shè)閾值，則判定為存在火災(zāi)隱患，輸出層的最大概率值未超過閾值，則判定為不存在火災(zāi)隱患；

62、步驟k94：結(jié)果輸出：將判斷結(jié)果作為識別結(jié)果輸出。

63、進一步地，所述控制優(yōu)化單元的工作流程如下所示：

64、步驟k10：接收識別結(jié)果：接收模式識別引擎輸出的識別結(jié)果

65、步驟k11：參數(shù)調(diào)整：根據(jù)識別結(jié)果，使用深度q網(wǎng)絡(luò)dqn算法調(diào)整電源柜運行參數(shù)；

66、步驟k12：策略優(yōu)化：深度q網(wǎng)絡(luò)dqn算法通過與環(huán)境互動不斷優(yōu)化控制策略，提高預(yù)警系統(tǒng)的自適應(yīng)能力和控制效果；

67、進一步地，所述步驟k11具體包括以下步驟：

68、步驟k111：狀態(tài)評估：根據(jù)接收到的識別結(jié)果，評估當前電源柜的運行狀態(tài)，設(shè)定目標值，通過識別結(jié)果與目標值進行對比，確定是否需要進行參數(shù)調(diào)整；

69、步驟k112：模型調(diào)用：如需進行參數(shù)調(diào)整，激活深度q網(wǎng)絡(luò)dqn算法，準備進行參數(shù)調(diào)整，深度q網(wǎng)絡(luò)dqn算法所用公式如下所示：

70、；

71、其中，為損失函數(shù)，為期望值，為當前狀態(tài)，為在當前狀態(tài)采取的行動，為下一個狀態(tài)采取的行動，為采取行動后獲得的獎勵，為采取行動后的下一個狀態(tài)，為折扣因子，用于平衡即時獎勵與未來獎勵，為識別結(jié)果，為目標網(wǎng)絡(luò)對于下一個狀態(tài)和所有可能行動的q值估計；

72、步驟k113：參數(shù)調(diào)整策略生成：dqn算法根據(jù)當前電源柜的運行狀態(tài)和識別結(jié)果，生成參數(shù)調(diào)整策略；

73、步驟k114：執(zhí)行參數(shù)調(diào)整：將生成的參數(shù)調(diào)整策略應(yīng)用于電源柜，調(diào)整其運行參數(shù)，以降低火災(zāi)風險。

74、優(yōu)選的，所述預(yù)測分析單元的工作流程如下所示：

75、步驟k13：數(shù)據(jù)聚合：在保護數(shù)據(jù)隱私的前提下，使用聯(lián)邦梯度下降fedgd聚合多個電源柜的識別結(jié)果；

76、步驟k14：模型訓練：使用聚合后的識別結(jié)果訓練預(yù)測模型，模型是長短期記憶網(wǎng)絡(luò)lstm；

77、步驟k15：狀態(tài)預(yù)測：使用訓練好的模型預(yù)測電源柜在未來一段時間內(nèi)的運行狀態(tài)，輸出判斷結(jié)果；

78、進一步地，所述步驟k14，具體包括以下步驟：

79、步驟k141：數(shù)據(jù)預(yù)處理：對聚合后的識別結(jié)果進行清洗和標準化處理，以適應(yīng)長短期記憶網(wǎng)絡(luò)lstm模型的輸入要求；

80、步驟k142：模型構(gòu)建：定義lstm模型的架構(gòu)，包括層數(shù)、神經(jīng)元數(shù)量和激活函數(shù)；

81、步驟k143：損失函數(shù)定義：為lstm模型定義損失函數(shù)，使用交叉熵損失函數(shù)，所用到的公式如下所示：

82、；

83、其中，為損失函數(shù)，為聚合后的識別結(jié)果，為預(yù)測概率，為樣本數(shù)量；

84、步驟k144：優(yōu)化器選擇：選擇優(yōu)化器rmsprop對lstm模型進行訓練，以及設(shè)置超參數(shù)；

85、步驟k145：訓練過程：使用預(yù)處理后的數(shù)據(jù)對lstm模型進行訓練，輸入數(shù)據(jù)通過lstm網(wǎng)絡(luò)進行前向計算，得到預(yù)測結(jié)果；

86、步驟k146：模型驗證：在驗證集上評估模型的性能，調(diào)整模型參數(shù)或結(jié)構(gòu)以避免過擬合。

87、優(yōu)選的，所述警報模塊根據(jù)智能數(shù)據(jù)分析模塊的判斷結(jié)果觸發(fā)警報信號，警報信號包括聲音警報、燈光警報、短信通知、郵件通知多種形式，以確保相關(guān)人員能夠及時收到警報信息；

88、優(yōu)選的，所述通訊與監(jiān)控模塊包括數(shù)據(jù)傳輸接口和通信處理器，所述數(shù)據(jù)傳輸接口提供標準的通信接口，用于連接電源柜內(nèi)的數(shù)據(jù)采集模塊、智能數(shù)據(jù)分析模塊和警報模塊，所述通信處理器負責處理通訊協(xié)議、數(shù)據(jù)打包和執(zhí)行遠程指令，實現(xiàn)與上級監(jiān)控系統(tǒng)、移動終端等設(shè)備的實時數(shù)據(jù)傳輸，采用加密技術(shù)確保數(shù)據(jù)傳輸?shù)陌踩浴?/p>

89、采用上述方案本發(fā)明取得的有益效果如下：

90、（1）該系統(tǒng)中的智能數(shù)據(jù)分析模塊集成了數(shù)據(jù)預(yù)處理、特征提取、模式識別、控制優(yōu)化和預(yù)測分析等多個單元，能夠全面、準確地分析電源柜的運行狀態(tài)，利用深度學習算法，包括自編碼器autoencoder、卷積神經(jīng)網(wǎng)絡(luò)cnn、循環(huán)神經(jīng)網(wǎng)絡(luò)rnn、深度神經(jīng)網(wǎng)絡(luò)dnn進行數(shù)據(jù)處理和分析，提高了數(shù)據(jù)分析的準確性和效率，通過遞歸特征消除rfe方法選擇最有影響力的特征，進一步優(yōu)化了特征提取過程，提高了模式識別的準確性；

91、（2）模式識別引擎能夠?qū)崟r判斷電源柜是否存在火災(zāi)隱患，并輸出識別結(jié)果，實現(xiàn)了對電源柜運行狀態(tài)的實時監(jiān)控，控制優(yōu)化單元根據(jù)識別結(jié)果實時調(diào)整電源柜的運行參數(shù)，降低了火災(zāi)風險，提高了系統(tǒng)的自適應(yīng)能力和控制效果，警報模塊能夠觸發(fā)多種形式的警報信號，確保相關(guān)人員能夠及時收到警報信息；

92、（3）通過無線方式傳輸原始數(shù)據(jù)，并在傳輸過程中采用對稱加密aes算法對數(shù)據(jù)進行加密處理，確保了數(shù)據(jù)的傳輸安全，防止了數(shù)據(jù)在傳輸過程中被竊取或篡改，數(shù)據(jù)傳輸前進行身份驗證，確保數(shù)據(jù)準確傳輸?shù)街付ǖ慕邮斩?，進一步增強了數(shù)據(jù)傳輸?shù)陌踩裕?/p>

93、（4）預(yù)測分析單元采用聯(lián)邦梯度下降fedgd算法，聯(lián)合多個電源柜的識別結(jié)果進行模型訓練，提高了模型的泛化能力和預(yù)測準確性，使用長短期記憶網(wǎng)絡(luò)lstm進行狀態(tài)預(yù)測，能夠預(yù)測電源柜在未來一段時間內(nèi)的運行狀態(tài)，提前發(fā)現(xiàn)潛在火災(zāi)隱患

94、（5）系統(tǒng)采用模塊化設(shè)計，各模塊之間通過標準通信接口進行連接和數(shù)據(jù)傳輸，便于系統(tǒng)的擴展和維護，通訊與監(jiān)控模塊提供了標準的通信接口和加密技術(shù)，實現(xiàn)了與上級監(jiān)控系統(tǒng)、移動終端等設(shè)備的實時數(shù)據(jù)傳輸和安全通信。