[发明专利]基于边缘计算和神经网络预测区域电气火灾风险的方法

权利要求书

1.基于边缘计算和神经网络预测区域电气火灾风险的方法，其特征在于，包括以下步骤：

S1：构建“云端-边缘计算网关-终端”一体化的电气火灾风险预测体系；

S2：电气拓扑建模，保证云平台与边缘计算网关拓扑的一致性；

S3：将用电测控终端采集到的实时电气数据上送到边缘计算网关，边缘计算网关处理后再将数据上送到云平台，云平台将采样数据存入历史数据库；

S4：基于大量的历史采样数据作为训练样本，云平台上运行的电气火灾风险分析应用采用BP神经网络算法，推算电气火灾风险概率，生成最优预测模型；

S5：将优化好的预测模型同步到边缘计算网关，边缘计算网关上的电气火灾风险预测应用更新程序并运行，电气火灾风险预测应用负责对实时采集的电气数据进行风险预测，核心程序为风险预测模型，风险预测模型由云平台通过神经网络优化生成并同步到边缘计算网关；

S6：边缘计算网关上的电气火灾风险预测应用运行，对区域内用电测控终端采集到的实时数据进行分析，得到当前时间断面的电气火灾风险概率，当概率达到设定值时，发出告警通知管理人员处理或直接控制用电测控终端暂时切断风险来源。

2.如权利要求1所述的基于边缘计算和神经网络预测区域电气火灾风险的方法，其特征在于，步骤S1包括以下步骤：

S101：搭建云平台，在云端搭建监控平台，具备数据采集、实时监控基本功能，部署基于BP神经网络的电气火灾风险分析应用；

S102：部署边缘计算网关，以区域为单位，每个区域部署一台边缘计算网关，用于区域内实时数据计算处理，对终端设备的就地化控制；

S103：在用户进户线路安装用电测控终端，作为采集终端和控制设备，用电测控终端通过多种通信方式与边缘计算网关连接。

3.如权利要求1所述的基于边缘计算和神经网络预测区域电气火灾风险的方法，其特征在于，在步骤S2中，在所述云平台中对所管理的电网进行电气拓扑建模，包括电力设备和线路，其中各个区域的拓扑模型同步更新到对应的管理该区域的边缘计算网关中，边缘计算网关能够识别电网模型和拓扑结构。

4.如权利要求1所述的基于边缘计算和神经网络预测区域电气火灾风险的方法，其特征在于，在步骤S3中，所述用电测控终端实时采集当前线路的电流、电压、温度、漏电流等，实时上送给边缘计算网关，所述边缘计算网关对实时数据进行预处理，对数据进行采样，将采样数据上送给云平台，以减轻云平台数据处理压力。

5.如权利要求1所述的基于边缘计算和神经网络预测区域电气火灾风险的方法，其特征在于，在步骤S4中，所述BP神经网络采用三层结构，包括输入层、隐藏层和输出层，所述用电测控终端在连续n个采样周期采集到的电流、电压、漏电流和线路温度四种历史数据，参考该线路的电压范围、最大允许电流值，进行归一化处理后作为输入层，所述输出层的一个节点输出电气火灾概率，范围在（0~1），训练样本的期望输出值为根据历史数据和经验值得到的电气火灾概率，对神经网络中的权值和阈值进行初始赋值，通过样本数据进行训练，迭代优化权值和阈值，计算，直到输出值和期望输出值的误差达到设定要求。

6.如权利要求5所述的基于边缘计算和神经网络预测区域电气火灾风险的方法，其特征在于，在步骤S4中，所述隐藏层输出函数为：，为输入层的神经元个数， 为输入值，所述输入层节点到隐藏层之间的连接权为 ， 为隐藏层第 个神经元的阈值，网络采用S形函数f (·) 作为隐含层和输出层的激活函数。

7.如权利要求6所述的基于边缘计算和神经网络预测区域电气火灾风险的方法，其特征在于，所述输出层节点的输出函数为：，所述隐藏层到输出层节点的连接权为 ， 为隐藏层神经元个数， 为隐藏层输出值，为输出层节点的阈值。

8.如权利要求7所述的基于边缘计算和神经网络预测区域电气火灾风险的方法，其特征在于，所述输出层节点的输出 与期望输出 的误差计算函数为：，K为样本数量， 为第i个样本训练输出期望值， 为第i个样本的训练输出实际结果，反复迭代运算直到误差值MSE达到设定要求为止，此时，得到的权值和阈值为最优解，生成风险预测模型。