预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113763667A(43)申请公布日2021.12.07(21)申请号202110936440.8G06N3/08(2006.01)(22)申请日2021.08.16G06N20/00(2019.01)(71)申请人镇江默勒电器有限公司地址212211江苏省镇江市扬中市新坝镇大全路66号申请人大全集团有限公司东南大学(72)发明人刘亮谭林林戴罡朱敏李承云刘子枫鲍光婕刘晨孔祥超葛飞黄学良郭乔庚赵剑锋(74)专利代理机构南京知识律师事务所32207代理人刘丰(51)Int.Cl.G08B17/12(2006.01)G06N3/04(2006.01)权利要求书2页说明书4页附图3页(54)发明名称一种基于5G边缘计算的火灾预警及状态监测装置及方法(57)摘要本发明涉及一种基于5G边缘计算的火灾预警及状态监测装置,智能云柜包括配电设备、中央处理器单元、数据采集单元、数据存储单元、指令执行单元和通信单元。本发明还公开了一种监测方法,包括:数据获取;数据预处理:对数据进行异常值和缺失值处理、Pearson相关判定以及归一化处理;将以往智能云柜中的热成像数据划分为训练集和测试集以及验证集;搭建多变量输入LSTM神经网络模型:将验证集数据代入模型进行预测;生成真实值‑预测值‑曲线图。本发明的监测装置能够在元件参数存在异常或产生故障时,快速接收到告警提示,提高运维检修效率,降低配网故障率。本发明的监测方法可以实现电气火灾在线监测与预测,大大降低电气火灾隐患。CN113763667ACN113763667A权利要求书1/2页1.一种基于5G边缘计算的火灾预警及状态监测装置,其特征在于:装置集成在智能云柜中,智能云柜包括配电设备、中央处理器单元、数据采集单元、数据存储单元、指令执行单元和通信单元,数据采集单元与配电设备连接,采集的数据分别传输到中央处理单元和数据存储单元,中央处理器单元对接收的数据进行处理得到故障检测判断结果、元件变化曲线和相应的指令,数据存储单元包括运行数据存储模块和图像数据存储模块,指令执行单元执行中央处理器单元传递的动作指令,通信单元与云平台相连传输智能云柜数据,通信单元包括5G数据传输模块。2.根据权利要求1所述的基于5G边缘计算的火灾预警及状态监测装置,其特征在于:所述中央处理器单元集成故障检测算法、元件状态评估算法、元件寿命预测算法和信号异常告警算法;所述数据采集单元进行漏电采集、柜内电表信息采集、保护装置状态采集、配电设备元件状态和开关动作采集、温湿度传感器数据采集、报警提示信息、视频采集以及热成像采集;所述运行数据存储模块存储所述智能数据采集单元采集到的数字信息,所述图像数据存储模块存储智能数据采集单元采集到的视频和热成像图形信息;指令执行模块包括预警系统和报警系统。3.根据权利要求1所述的基于5G边缘计算的火灾预警及状态监测装置,其特征在于:数据采集单元的热成像采集通过热成像采集终端进行,热成像采集终端设置在智能云柜中,对云柜的热数据进行采集,中央处理器单元接收来自热成像采集终端的数据,于多变量LSTM进行双通道处理,返回预警或报警信息。4.一种基于5G边缘计算的火灾预警及状态监测方法,其特征在于:采用如权利要求1至3任一所述的监测装置,包括如下步骤:S1,数据获取:根据实际需求布置智能云柜中的热成像采集终端,采集智能云柜中实际运行情况下的热数据;S2,数据预处理:对数据进行异常值和缺失值处理、Pearson相关判定以及归一化处理;S3,将以往智能云柜中的热成像数据划分为训练集和测试集以及验证集;S4,搭建多变量输入LSTM神经网络模型:S5,将验证集数据代入模型进行预测;S6,生成真实值‑预测值‑曲线图。5.根据权利要求4所述的基于5G边缘计算的火灾预警及状态监测方法,其特征在于:S2中在对数据进行预处理之后,判断数据是否超过阈值:中央处理器单元将采集参数与各项参数的正常工作范围进行比较,如有超出正常工作范围的参数值,将该值送入智能算法模块,结合历史数据,检测其是否为需要剔除的采样异常值;若不是采样异常值,再结合多项参数的工作点判断是否为元件异常,若判断结果为元件异常,发出一级告警提示,并进行故障检测判断,给出故障预测结果,若预测故障发生,则发出二级告警提示;若不超过阈值则进行后续操作。6.根据权利要求4所述的基于5G边缘计算的火灾预警及状态监测方法,其特征在于:S4中,搭建LSTM神经网络,神经网络包含输入层、中间层和输出层并且依次连接,并将训练集和测试集数据代入模型进行训练,根据实际情况设置训练集和测试集的比例、模型迭代次数,并实时监测其函数值变化。7.根据权利要求4所述的基于5G边缘计算的火灾预警及状态监测方法,其特征在于:通2