由于影响企业电气安全性成分很多，成分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缺区域，只能凭借人工履历不雅观察、每月巡检的仪表丈量记录、笔墨描述等办法确定企业的用电安全是否合格。
这种办法大大取决于企业电工的履历和技能水平以及数据记录的准确性和完全性。
在实际调研中，这种办法每每存在很大漏洞，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主要[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紧张是电气失火监控系统举动步伐，其发展起源于国外，紧张运用在高层建筑、公共社区、文物建筑以及工况企业，通过监测泄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。
但从近年来海内的电气失火数据来看，电气失火监控系统逐年推广运用，电气失火占比总数仍旧坚持在30%以上，究其缘故原由紧张有几点[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，电气失火监控系统一样平常采取局域网进行集中监控，导致身处一线物业电工技能职员只有在值班室才能理解全体配电运行情形，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，上层管理职员作为企业的卖力人缺少得当的工具节制企业配用电系统安全。

(2)电气失火防控技能缺少

现有电气失火防控技能缺少，大部分仅仅涉及温度和泄电丈量功能。
对由于用户的用电习气、用电负载类型以及配电系统设计考虑不合理情形，导致配变涌现三相不平衡，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乃至短路情形，无法进行有效识别和侦测[4]。

(3)缺少大数据剖断电气隐患

缺少平台体系，无法通过数据支撑决策。
传统电气失火监控系统紧张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缘故原由所在，对后续辅导打消安全隐患辅导浸染不明显。
也无法通过共享数据平台实现事宜故障诊断、评估剖析和紧急预案辅导[5]。

2 办理方案

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、预测型和辅导型，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，发出报警旗子暗记。
诊断型在描述型系统根本之上，增加了韶光维度，能够对历史数据进行剖析，获取故障发生时的电气参数特色，诊断电气故障类型，针对性地办理某类电气故障问题。
辅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剖析、负荷特色和类比剖析、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供应专业的诊断报告和应对方法[6-7]。

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，将运用处景用电安全风险等级化。

(2)能够通过新型技能办理传统孤岛式电气安全管理存在的信息不对称问题，建立多方互动沟通互换。

(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，将人工履历逐步转变为企业用电管理知识库。

(4)具备强大的做事功能，电气安全问题绝不仅仅勾留在工具层面，而是真正打通用户侧需求，建立一套隐患监督排查管理机制。
从创造问题，到诊断缘故原由，到预测剖析，再到辅导行为。

2.3 系统架构

新型电气安全智能管理系统紧张分为2层，分别是感知层和运用层，系统架构如图2所示。
感知层紧张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，建立配电系统根本数据单元构造模型。
在运用层上，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赞助决策部分[8]。

2.4 配电系统评估模型设计步骤

BP神经网络评价模型紧张分为两大部分，后台演习学习模型和前台监督运行评价模型，如图3所示。
其详细设计步骤如下[9]：

(1)设计BP神经网络构造，其构造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，包括特色参数、状态。
在这里特色参数紧张为泄电、温度、电压、电流等电气参数。

(3)供应学习样本，演习神经网络模型。
在学习样本选择过程中，该当设计多组能够反响系统不同安全状态程度的向量值。

(4)浸染函数选择，常日选择非线形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，对演习好的神经网络将实际评估参数样本的特色值经由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演习模型中不断迭代，调度网络权值和偏置值得到最优模型。

3 基于神经网络的电气安全评价案例剖析

3.1 风险模型网络学习样本

对电气失火安全隐患成分进行分类，可以选择配电系统电压、电流、泄电电流、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组能够反响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。

3.2 风险模型评价

在输入量变革区间为[-1.5，1.5]，学习因子为3.56，动量因子为0.17，预设偏差值为10-5，网络构造为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同等的，此模型可用[10]。

4 结束语

本文紧张对现阶段海内电气失火监控系统存在的问题进行剖析，针对用电安全管理，提出了基于物联网、云打算、大数据结合的电气安全智能管理系统，建立基于BP神经网络的电气失火安全隐患评估模型，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繁芜数学模型描述非线性关系提出了新的技能手段。

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.电气失火隐患成因及办理方案[J]．消防科学与技能，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].打算机系统运用，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运用[J].电力科学与工程，2005(1)：69-72.

[8] 蔡自兴，徐光佑.人工智能及其运用[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. 国家卫星气候中央，北京100081；2.北京胜顶智控科技有限公司，北京100082）