(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 (43)申请公布日 (21)申请 号 202111175817.9 (22)申请日 2021.10.09 (71)申请人 欧阳俊 地址 300450 天津市滨 海新区塘沽区上海 道爱民里10 栋2门502号 申请人 倪先锋　郭骏　裴徐良　张慧　 刘炼　梁强　刘萍　李冬翌　 姚长龙 (72)发明人 欧阳俊　倪先锋　郭骏　裴徐良　 张慧　刘炼　梁强　刘萍　李冬翌　 姚长龙　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 代理人 符继超(51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G08B 17/06(2006.01) G06F 111/08(2020.01) (54)发明名称 一种基于生成对抗网络的电气火灾监测预 警方法 (57)摘要 本发明公开了一种基于生成对抗网络的电 气火灾监测预警方法， 包括： 获取正常用电时和 火灾故障时的样本 数据； 通过生成对抗网络WGAN 对火灾故障样本数据进行数据增强； 将进行数据 增强后的故障数据与原始火灾故障样本数据作 为分时LSTM预测模型的训练样本， 得到训练后的 火灾预测模型； 通过训练后的火灾预测模型， 得 到电力电缆PE线剩余电流值预测值， 将预测值与 预设的电气火灾风险预警阈值比较， 通过比较结 果推算火灾发生概率。 本发明解决了实际运行中 因火灾故障数据较少导致数据不平衡， 深度学习 网络准确度不高的问题， 提高了LSTM神经网络的 预测精度， 且极大减少了系统对火灾识别的误报 率， 为电气火灾监测研究提供了一个更客观、 全 面的依据。 权利要求书2页 说明书6页 附图2页 CN 113919198 A 2022.01.11 CN 113919198 A 1.一种基于生成对抗网络的电气火灾 监测预警方法， 其特 征在于， 包括： S1.获取正常用电时和火灾故障时的样本数据， 并对所述样本数据进行处理获得目标 数据集； S2.通过生成对抗网络WGAN对火灾故障样本数据进行 数据增强； S3.将进行数据增强后的故障数据与原始火灾故障样本数据作为分时LSTM预测模型的 训练样本， 得到训练后的火灾预测模型； S4.通过训练后的所述火灾预测模型， 得到电力电缆PE线剩余电流值预测值， 将预测值 与预设的电气火灾 风险预警阈值比较， 通过比较结果推算火灾发生 概率。 2.根据权利要求1所述的一种基于生成对抗网络的电气火灾监测预警方法， 其特征在 于， 所述样本数据包括： 正常运行下及发生火灾 故障前电力电缆P E线对应的电流值、 端电压 值、 剩余电流 值及导线温度状态。 3.根据权利要求1所述的一种基于生成对抗网络的电气火灾监测预警方法， 其特征在 于， S1中获取火灾故障时的样本数据的具体方法包括： 利用数据采集设备对监测对象进行火灾故障样本数据采集， 得到预先获得的故障样 本， 或利用离线故障试验或仿真计算得到的故障样本； 预先获得 的故障样本与有限元仿真 缺失故障样本共同构建火灾故障时的样本数据； 对火灾故障时的样本数据的采集过程中数据缺失或数据异常的情况的处 理， 包括： 数据异常的处 理方法是采用相邻日期的同一时刻的剩余电流 值数据： inn(d,t)＝α1*inn(d1,t)+α2*inn(d2,t) 式中： inn(d,t)为第d天的t时刻的缺 失数据， inn(d1,t)和inn(d2,t)分别为与该日相邻两 日t时刻剩余电流 值数据， α1和 α2分别为对应的系数。 4.根据权利要求1所述的一种基于生成对抗网络的电气火灾监测预警方法， 其特征在 于， S2的具体内容包括： S21.基于生成对抗网络WGAN建立火灾故障数据生成模型， 其中包括生成器模型G与判 别器模型D， 将随机噪声z和真实数据x分别作为所述生成器模型G与所述判别器模型D的输 入； 由所述生成器模型G以随机噪声z作为输入， 通过迭代训练生成尽可能服从真实数据分 布的故障数据， 将生成的故障数据与真实故障数据共同送入所述判别器模型D， 通过所述判 别器模型D对输入数据进 行实时数据和生成数据进 行判别； 所述生成器模型G与所述判别器 模型D通过对抗学习不断优化， 直至最终达 到纳什平衡； S22.生成对抗网络WGAN利用具备连续可用梯度的Wasserstein距离衡量生成的数据分 布和真实的数据分布之间的差距Was serstein距离为： 其中， x和y分别表示从真实样本分布Pγ和生成样本分布Pg中采样得到的样本， Π(Pγ‑ Pg)是指真实数据与生成数据的联合 概率分布； 所述生成器模型G满足Lipschitz条件， 利用KR对偶原理， 将距离 的度量用函数的形式 表现为： 权　利　要　求　书 1/2 页 2 CN 113919198 A 2其中， Pθ表示生成的样本的数据分布， θ表示生成器需要优化的参数， ||f||L≤1表示1 ‑ Lipschitz函数， 用神经网络去优化距离函数， 整个WGAN的优化目标为： 5.根据权利要求4所述的一种基于生成对抗网络的电气火灾监测预警方法， 其特征在 于， S22中， 在优化过程中， 使所述判别器模型D中的参数w满足K ‑Lipschitz条件， 对参数进 行权重剪裁， 即对所述 生成器模型G与所述判别器模型D中的所有权 重w进行如下约束： 设置常数c， 若权 重w>c， 则w ＝c； 若权 重w<c， 则w＝‑c。 6.根据权利要求1所述的一种基于生成对抗网络的电气火灾监测预警方法， 其特征在 于， S3具体包括： S31： 加载数据增强后的故障数据与原始火灾故障样本数据 数据集， 对各变量进行相关 性分析， 分别找出与故障特 征强相关的因素； S32： 提取故障特征和故障特征强相关因素的各个时刻数据， 并对提取数据相互间再次 进行相关性分析， 由分析 结果确认与预测时刻故障特 征强相关时刻数据； S33： 将强相关时刻数据作为各个时刻模型输入数据， 将输入数据划分为训练集与测试 集； S34： 构造分时LSTM预测模型， 训练集输入网络进行训练； S35： 进行预测模型准确度计算， 重复S34， 不断优化预测模型； S36： 利用训练好的LSTM网络进行 预测， 对待预测时刻的故障特 征进行预测。权　利　要　求　书 2/2 页 3 CN 113919198 A 3