基于AE-2LSTM-OCSVM电气线路超温早期征兆异常识别方法

潘红光; 陈佳涛; 郭强; 顾天宇

doi:10.12404/j.issn.1671-1815.2505825

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (14) :6015-6023 DOI: 10.12404/j.issn.1671-1815.2505825

电工技术

基于AE-2LSTM-OCSVM电气线路超温早期征兆异常识别方法

作者信息 +

Abnormal Identification Method for Early Signs of Electrical Circuit Overheating Based on AE-2LSTM-OCSVM

Author information +

文章历史 +

摘要

针对当前电气火灾预警多依赖明显故障特征、难以在风险萌芽阶段及时响应。聚焦于电气线路超温发生前的早期征兆阶段。提出了一种融合双层长短期记忆网络(long short-term memory, LSTM)增强型自编码器(autoencoder, AE)与单分类支持向量机(one-class support vector machine, OCSVM)的电气线路超温早期征兆异常识别方法。通过分析过载、谐波和非周期电流三类电气线路超温早期征兆的致灾原理与波形。构建数据集。利用AE-2LSTM结构有效学习电流数据的深层时序特征并实现高精度重构,在此基础上,利用正常与异常样本在重构误差上的显著差异,通过引入OCSVM模块实现仅依赖正常样本的单分类异常检测。实验结果表明,该方法识别准确率达98.16%,克服了电气火灾监测技术研究中异常数据获取困难、正负样本极度不平衡等实际建模难题,为电气火灾的早期预警与主动防控提供了重要的科学依据和技术支持。

Abstract

Currently, the early warning of electrical fires primarily relies on evident fault characteristics, making it challenging to promptly respond during the initial stages of risk development. The pre-overheating symptom phase in electrical circuits was focused on, and an enhanced AE (autoencoder) framework that integrates a two-layer LSTM (long short-term memory network) with OCSVM (one-class support vector machine) was proposed for detecting early signs of circuit overheating.By analyzing the underlying disaster mechanisms and current waveforms associated with three types of circuit conditions—overload, harmonic distortion, and aperiodic currents—a comprehensive dataset was constructed. The AE-2LSTM architecture was employed to effectively capture deep temporal features in current time series data, enabling high-precision signal reconstruction. Leveraging the significant disparity in reconstruction errors between normal and anomalous samples, the OCSVM module was introduced to perform single-class anomaly detection using only normal training samples. Experimental results demonstrate that the proposed method achieves an anomaly recognition accuracy of 98.16%, effectively addressing practical challenges in electrical fire monitoring, such as the scarcity of abnormal data and severe class imbalance. This approach provides a robust scientific foundation and technical support for the early warning, proactive prevention, and control of electrical fires.

Graphical abstract

关键词

电气火灾预警 / 早期征兆异常识别 / 自编码器 / 单分类支持向量机 / 长短期记忆网络

Key words

early warning of electrical fire / identification of abnormal early signs / AE(autoencoder) / OCSVM (one-class support vector machine) / LSTM (long short-term memory network)

引用本文

引用格式 ▾

潘红光, 陈佳涛, 郭强, 顾天宇. 基于AE-2LSTM-OCSVM电气线路超温早期征兆异常识别方法[J]. 科学技术与工程, 2026, 26(14): 6015-6023 DOI:10.12404/j.issn.1671-1815.2505825

PAN Hong-guang, CHEN Jia-tao, GUO Qiang, GU Tian-yu. Abnormal Identification Method for Early Signs of Electrical Circuit Overheating Based on AE-2LSTM-OCSVM[J]. Science Technology and Engineering, 2026, 26(14): 6015-6023 DOI:10.12404/j.issn.1671-1815.2505825

登录浏览全文

4963

注册一个新账户忘记密码

电气火灾作为现代城市安全的主要威胁之一,2024年中国电气火灾占火灾总数比例已达32.3%^[1]。这类火灾具有隐蔽性强、发展周期长、危害程度大等特点^[2]。随着城市空间的垂直拓展,大型高层建筑的用电需求激增,导致其内部电气线路网络日趋复杂。当高层建筑隐蔽部位因电气故障引发火灾时,室内人员难以及时察觉异常^[3]。因此,及时识别电气线路超温早期征兆至关重要。

早期阶段人们尚未明确区分电气火灾与传统火灾,通常依赖温度探测器和烟雾探测器来监测异常温升及可见烟雾。然而此时电气火灾往往已迅速发展至明火阶段,留给人员的扑救时间极为有限。Nazir等^[4]对室内实验室环境下受控电气火灾实验数据进行了系统分析,通过传感器采集湿度、温度、总挥发性有机物(total volatile organic compounds, TVOC)及二氧化碳当量(equivalent carbon dioxide, eCO₂)等关键参数。通过监测eCO₂和TVOC指标可实现阴燃火灾的早期预警。雷芳菲等^[5]基于电缆过热产生的分解气体种类,构建了气体传感器阵列,通过实际电缆过热模拟实验评估了阵列对分解气体的响应特性,进而采用支持向量机对传感器信号特征进行分类识别,模型准确率高达95%,且在整个实验过程中烟雾报警器未发出任何警报。Wang等^[6]研发的气体检测系统可识别电气设备中不同材料在加热各阶段释放的挥发性化合物,通过引入全局扩展极限学习机,该系统能有效实现多时段过热物质气体数据的分类识别。基于有机气体检测的电气火灾预警技术对电路异常状态具有较高的识别灵敏度,但该方法对环境温湿度、气压等参数要求严格,且易受其他气体干扰,因此在特定环境中的应用受到限制。

随着人工智能技术的快速发展,电气火灾预警算法的研究取得了一定进展。李沛智等^[7]针对高维用电数据中因维数较高和冗余特征导致异常检测精度低的问题,提出一种基于无监督密度子空间选择的孤立森林算法。通过构建基于密度的紧凑数据表示提升子空间选择效率,并引入最小冗余-最大相关-密度准则优选相关子空间,最终在优选子空间中集成孤立森林进行异常检测。实验表明,该方法在准确率和F₁指标上均优于传统方法,有效提升了异常用电检测性能。杨磊等^[8]针对风电机组高维实测数据中的异常识别问题,提出一种基于流形学习的异常检测方法。该方法首先利用k-近邻互信息进行特征选择,采用欧几里得距离和局部主成分分析(local principal component analysis, LPCA)差别加权和增强局部结构保留能力,实现高维数据向二维空间的有效降维与可视化分离;最后结合基于密度的噪声空间聚类(density-based spatial clustering of applications with noise, DBSCAN)聚类识别并剔除异常数据。结果表明该方法在复杂工况下相较于传统t-分布随机近邻嵌入算法具有更优的异常识别能力。钟吴君等^[9]针对风电功率数据异常多、质量差及现有方法识别性能不足的问题,提出一种基于组合型识别与图注意力网络结合生成对抗网络(graph attention network-generative adversarial network, GAT-GAN)的处理方法。通过将异常分为3类并设计组合策略实现精准标记,结合图注意力网络与梯度惩罚GAN,利用机组间时空关联进行异常数据重构。实验表明,该方法在真实数据上具有更高的准确性与普适性。徐晓楠等^[10]根据低压线路火灾特点,从电气、环境、空间及人为4个方面选取19个指标构建评估体系,结合层次分析法、熵权法进行动态加权来评估电气火灾风险,但在训练过程中容易出现收敛速度慢、训练不稳定、陷入局部极小值等问题,影响模型的泛化能力和预测精度,尤其在数据量较少或噪声干扰较大的情况下更为明显。潘明明等^[11]提出了一种基于多模态数据融合的高层建筑电气火灾早期检测模型,通过融合温度、CO气体浓度和烟雾数据并结合门控多层感知机(gated multilayer perceptron, GMLP)与多头注意力机制,实现了对电气火灾隐患的高准确率识别,但是模型的性能高度依赖于多模态传感器数据的质量和完整性,而且多模态数据采集与融合处理可能引入延迟,影响火灾预警的及时性。门茂琛等^[12]提出了一种基于小波变换与BP神经网络的剩余电流波形特征预警方法,通过提取低频分量的时域与波形特征实现电气火灾的智能识别,有效提高了预警准确率,但波形特征向量依赖于人工提取的时域和波形特征,未能充分发挥数据本身的潜在信息,特征选择的合理性对模型性能影响较大,智能化程度不如深度学习方法。Kang等^[13]将随机森林与卷积神经网络相结合,通过学习图像中相邻矩阵间的关联性准确反映空间上下文信息,通过输入特征的组合探究时空信息对降低误报率的贡献度,这种信息融合方式有效提升了火灾检测准确率,但是需要大量带有标签的火灾与非火灾图像数据,现实中火灾样本稀缺,数据不平衡问题可能影响模型性能。上述方法多聚焦于电气火灾正在发生时或已经发生后的识别与响应,缺乏对电气火灾发生前关键征兆的有效预测手段,同时在实际中,异常数据获取困难,导致正常与异常样本数量严重失衡,这种不平衡可能引发模型过拟合、评估指标失效等问题,限制了现有方法在电气火灾早期征兆预警中的应用效果。

针对上述问题,现聚焦于电气火灾发生前的超温早期征兆阶段,超温早期征兆阶段异常特征微弱但预警价值极高,目前相关研究仍较为匮乏。因此,提出一种融合自编码器、双层长短期记忆网络与单类支持向量机的电气线路超温早期征兆异常识别方法。首先构建AE-2LSTM结构,从正常电流数据中学习高维时序特征并实现精准重构;进而以重构误差作为异常判据,利用OCSVM对误差分布进行建模,实现对早期超温征兆异常的高灵敏度识别。为解决传统电气火灾预警滞后、异常数据稀缺及样本分布失衡等问题提供有效思路,对提升电气火灾早期预警能力、降低火灾事故风险具有重要理论价值。

1 电气线路超温早期征兆研究

电气线路超温是引发电气火灾的重要原因之一。在电气线路运行过程中,电气火灾早期都体现为导体发热,而引发线路超温的主要征兆包括过载、谐波及非周期电流^[14-17]。

1.1 过载

过载最明显的特征是电流幅值增大,导致有效电流超过电路最大载流量,引发电气线路过热。以2.5 mm²铜芯导线为例,其额定载流量为25 A。其典型波形如图1所示。

绝缘线路通常由铜芯和聚氯乙烯等绝缘材料构成。标准条件下的单位长度铜芯导线电阻保持稳定。但当电流超过安全阈值时,短时间产生的热量将急剧累积。鉴于绝缘层的导热特性,这些热量可能传递至周边物体。若温度超过绝缘层耐热极限或周边材料燃点,则可能引发火灾^[18-19]。

1.2 谐波

谐波是指通过傅里叶分解得到的、频率为基波整数倍的电流分量。谐波的存在会严重影响供配电系统及其他设备的使用寿命。此外,谐波还可能导致继电保护装置误动作或拒动,其典型波形如图2所示。

在配电系统中,谐波会随其幅值比例增强介质内的电场强度。这种效应会加剧局部放电、介质损耗及温升等问题,最终导致电气线路寿命缩短并增加事故风险。当谐波电流流经导体表面时,会产生集肤效应和邻近效应。这些现象会引起线路附加发热,进而影响绝缘寿命。更值得注意的是,谐波产生的高频电场会进一步加剧绝缘内部的局部放电,显著增大介质损耗并恶化温升现象,从而对绝缘材料的使用寿命造成多重不利影响。

1.3 非周期电流

非周期电流是指随时间变化不呈现周期性规律,方向和幅值均无稳定重复特征的电流,通常表现出随机特性。故障电弧是典型的非周期电流,即两个金属电极或不同电位导体间的气隙放电。当电路存在接触不良时,维持稳定电弧燃烧所需的电压极低,仅需约20 V即可持续引燃^[20-21]。电弧故障产生的温度可高达2 000~3 000 ℃,极易使电路进入过热状态,加速绝缘层劣化失效,引发短路、辉光放电等问题,最终导致电气火灾。因此,电弧是现代环境中引发电气火灾的重要因素,其典型波形如图3所示。

电气线路出现断路故障时,故障点两侧初始电压通常极低(仅数百毫伏)。随着导线绝缘介质逐渐劣化氧化,故障点电压持续升高。当电压达到数伏时,气隙即可维持电弧稳定燃烧。电弧产生的能量足以造成电气线路超温,最终引发火灾。由于电弧本身具有一定电阻值且串联于电路中,串联电弧故障可视为高阻状态,因此故障电路的负载电流反而小于正常工作电流。传统保护装置依赖过电流触发保护动作,但异常电流往往不在其有效动作范围内,导致无法及时切断电弧。这使得电弧持续存在,造成电路温度不断升高,最终可能引发火灾。

2 早期征兆异常识别模型

2.1 自编码器概述

自编码器作为神经网络中异常检测的重要方法,是本次研究的核心模型。其核心思想是通过学习输入数据的特征实现数据重构,利用重构数据与原始数据的差异实现异常识别。在时序异常检测中,自编码器可仅使用正常数据进行训练,使其能够准确重构正常样本;而对于异常样本,其重构效果往往较差,会产生较大的重构误差。通过检测具有高重构误差的数据样本,即可有效识别异常情况^[22-24]。

自编码器本质上是一种前馈神经网络,其优化目标是使输出信息与输入保持一致^[25]。该网络主要由编码器和解码器两部分构成:编码器通过学习映射关系ϕ,将原始输入数据x转换至特征空间,生成能够提取输入数据关键特征的隐藏特征表示z;解码器则通过学习映射函数ψ,将隐藏特征z重新映射回原始数据空间,使重构数据x^*尽可能接近输入数据x。自编码器的网络结构如图4所示。

2.2 早期征兆异常识别模型搭建

为了解决异常检测方法中正负数据集不平衡的问题,提出融合双层LSTM的AE与OCSVM相结合的早期征兆异常识别方法。该方法仅通过正常数据进行训练,找到区分正常和异常数据的决策边界。AE-2LSTM-OCSVM方法包括两个部分:对输入数据进行重构并获取重构误差,对数据进行正常或异常分类。

2.2.1 基于AE-2LSTM的数据重构

自编码器通过将输入数据压缩为低维表征,并基于该表征重构原始输入。通过最小化输入与重构后的输出之间的误差,自编码器能够学习数据的关键特征。然而,传统自编码器采用的全连接层结构难以有效处理具有时序依赖性的数据^[26]。为此,引入双层LSTM模块捕获电流数据的时序特征,能够更全面地学习电流数据的深层特征,AE-2LSTM模型结构如图5所示。

假设采集到的电流数据k为X_k=[x₁,x₂,…,x_n],x_i∈R^D,其中D为输入维度,n为数据长度。AE将输入数据映射到特征空间,得到每个样本的深层特征Z_k=[z₁,z₂,…,z_n],z_i∈R^M,其中M为样本在特征空间中的维度。接着,将深层特征映射到输出层,得到重构后的电流数据

${\stackrel{\wedge }{X}}_{k}$

${\stackrel{\wedge }{x}}_{1}$

${\stackrel{\wedge }{x}}_{2}$

,…,

${\stackrel{\wedge }{x}}_{n}$

${\stackrel{\wedge }{x}}_{i}$

∈R^D。

(1)z_i=f(ω¹x_i+b¹)

(2)${\stackrel{\wedge }{x}}_{i}$=f(ω²z_i+b²)

式中:ω¹、ω²和b¹、b²分别为不同层面的网络参数(权重和偏置);f为激活函数。

AE的主要目标是最小化输入数据重构过程中的重构误差,重构误差e的表达式为

(3)$e=\sum_{i=1}^{N}\left\|x_{i}-\hat{x}_{i}\right\|^{2}+\lambda\|\boldsymbol{W}\|_{2}^{2}$

式(3)中:W为AE的参数;λ为正则化项的系数,用于防止模型过拟合;N为样本的总数。

2.2.2 基于OCSVM的早期征兆异常识别

采用OCSVM作为电气线路早期征兆异常识别的判别模型,输入变量为自编码器对电流序列的重构误差。由于OCSVM仅在正常工况样本上进行训练,其目标是学习正常模式的边界,从而实现对未知异常的敏感响应,最终输出为二元判别结果,即正常或者异常,用于判断当前电流是否存在电气线路早期征兆异常。

OCSVM将坐标原点视为唯一的异常点,通过寻找最优超平面实现训练数据与原点分离。该超平面需满足两个条件:一是确保正样本位于超平面同一侧;二是最大化原点至超平面的距离。其核心优化目标是在输入空间中划分出包含最多正样本的决策区域,对应的优化问题如式(4)所示。

(4)

$\left\{\begin{array}{l}min:\frac{1}{2}{w}^{T}w-\rho +\frac{1}{vN}\sum _{i=1}^{N}{\zeta }_{i}\\ s.t.:{w}^{T}{x}_{i}\ge \rho -{\zeta }_{i}, {\zeta }_{i}\ge 0\end{array}\right.$

式(4)中:ρ为超平面到坐标原点的距离;w为超平面的法向量;ζ_i为误分类节点到超平面的距离;v为惩罚系数;x_i为第i个训练样本。

OCSVM仅需正常数据即可完成训练,无需引入异常样本,该算法能有效识别偏离正常数据分布的特征点,避免了因实际异常数据获取困难所导致的模型过拟合风险,实现电气线路超温早期征兆异常识别。

2.3 早期征兆异常识别流程

在预训练阶段,AE-2LSTM仅使用正常样本进行训练,使其能够精确重构正常电流数据,而对异常数据的重构能力较低。在异常检测阶段,预训练完成的AE-2LSTM对输入数据进行重构,其中异常数据因重构误差较大,与正常数据相比呈现出显著差异。通过OCSVM找到区分正常、异常数据的决策边界,实现电气线路超温早期征兆异常识别。检测流程如图6所示。具体步骤如下。

(1)通过实验平台采集电路正常及异常电流数据。

(2)对数据进行去噪处理,将全部异常电流数据作为测试集,正常电流数据按适当比例划分为训练集与测试集。

(3)构建电气线路早期征兆异常识别模型,并完成超参数初始化。

(4)使用训练集对检测模型进行训练,通过AE-2LSTM模型重构输入数据,对比重构前后数据获得重构误差,利用OCSVM实现数据早期征兆异常识别,通过迭代训练更新模型偏置与权重直至收敛。

(5)采用测试集对训练完成的模型进行测试,输出模型判别结果,并基于准确率、召回率及F₁值等指标评估模型性能。

3 实验结果分析

3.1 实验平台

实验平台如图7所示。该平台由接线台、控制台、传感器和电子负载组成。由于三相四线制系统广泛应用于低压配电系统中,所以接线台采用三相四线制连接方式。控制台通过控制电子负载生成电流数据,并在本地采集电流以创建本研究所需的数据集。

实验步骤如下。

(1)实验环境配置环节:采用三相四线制接线结构,模拟实际配电系统;防止中性线过流,采用双导线并联连接,提高电流承载能力;设置负载类型(阻性、感性、容性)、功率等级及变化模式,用于模拟不同超温诱因;设定传感器灵敏度为0.2 mV/A。采样频率设定为10 kHz;设定数据存储格式为CSV文件。

(2)实验设计环节:设置额定负载,模拟线路在稳定运行状态下的电流波形;以5%为步长逐步增加负载功率,使电流超过额定载流量5%~30%,模拟线路过载引起的异常状态;注入3次、5次、7次谐波,形成畸变电流波形,注入含量分别为10%、20%、30%,模拟谐波诱因;通过负载突变或间歇性接通模拟非周期波动。

(3)数据采集环节:首先确认传感器与采集系统连接正常;每种诱因模拟情况每0.2 s采集一次数据,每次采集2 000个数据样本,采集1 000组实验数据样本。

在实验过程中,由于电路系统的复杂性及外界环境因素的影响,实验扰动难以完全避免。传感器测量误差和线路接触不良引起的噪声波动以及三相负载不平衡引发的中性线电流扰动等都是扰动来源。这些扰动极可能影响数据采集的准确性,进而影响模型训练与异常识别的有效性。为减小实验扰动对研究结果的影响,在实验平台设计与数据采集过程中采取了多项抗干扰措施。接线台采用三相四线制连接方式。为提升系统安全性,中性线采用双导线并联连接,以防止过流损坏线路。

在数据采集环节,控制台通过精确控制电子负载,模拟不同诱因时,每次通过控制台调整电子负载内部参数后,等待若干秒钟,当波形趋于稳定后,再本地实时采集电流信号,构建高时间分辨率的实验数据集。同时为了提升数据质量,选用高精度、低噪声传感器,确保采集数据的稳定性,降低了实验扰动对数据采集与模型训练的影响,确保了实验数据的真实性与模型评估的可靠性。

3.2 早期征兆异常识别可视化与分析

OCSVM通过自编码器对电流数据的重构误差进行判别来实现早期征兆异常识别,而重构误差则通过对比重构前后的电流曲线得到,正常、异常数据重构前后曲线对比如图8所示。

由于AE通过仅对正常数据进行训练,能够全面学习其深层特征,模型对正常样本具有精确的重构能力,当输入正常数据时,重构输出能够与原始数据高度吻合;而输入异常数据时,重构结果与原始数据将存在明显偏差。这种基于重构误差的显著差异,为异常检测提供了关键判别依据。图8中,蓝色曲线代表真实电流曲线,橙色曲线代表重构后的电流曲线。图8(a)展示了正常数据重构前后的曲线对比,可以看到两条曲线几乎完全重合,这表明本文模型能有效重构正常数据,其重构误差极小。图8(b)、图8(c)和图8(d)分别展示了过载、谐波和非周期电流数据重构前后的曲线对比情况,异常数据重构前后的曲线存在显著差异,表现出明显的重构误差,可以通过重构误差的差异来区分正常与异常数据。

正常数据与3种早期征兆异常数据的重构误差曲线如图9所示,过载重构误差曲线表现为基波电流幅值持续升高,呈现缓慢上升的趋势;谐波引入高次谐波成分,使波形发生周期性畸变,其重构误差曲线出现高频振荡或周期性波动;非周期电流造成波形局部突变,其重构误差曲线存在多个瞬时尖峰。

3.3 消融实验

采用准确率α_acc、召回率α_re、F₁分数α_F1这3种评价指标评价模型性能,计算公式为

(5)α_acc=$\frac{{T}_{P}+{T}_{N}}{{T}_{P}+{F}_{N}+{F}_{P}+{T}_{N}}$×100%

(6)α_re=$\frac{{T}_{P}}{{T}_{P}+{F}_{N}}$×100%

(7)α_F1=$\frac{2{T}_{P}}{2{T}_{P}+{F}_{P}+{F}_{N}}$×100%

式中:T_P为检测为异常数据的数量;F_P为检测为异常数据的正常数据的数量;F_N为检测为正常数据的异常数据的数量;T_N为检测为正常数据的数量。

为了评估所提出的电气线路超温早期征兆异常识别模型中各部分的有效性,对比的模型有: ①没有结合双层LSTM和OCSVM的AE,记作AE;②只结合了单层LSTM的AE,记作AE-LSTM;③结合了双层LSTM的AE,记作AE-2LSTM;④只结合了OCSVM的AE,记作AE-OCSVM;⑤结合了单层LSTM和OCSVM的AE,记作AE-LSTM-OCSVM;⑥结合了双层LSTM和OCSVM的AE,记作AE-2LSTM-OCSVM。分别对这些模型进行实验,在正常、异常电流数据集上研究了LSTM和OCSVM对早期征兆异常识别结果的影响,如表1所示。

从表1可以看出,没有添加LSTM和OCSVM的AE各项评价指标最低,这是因为没有添加LSTM模块的AE无法很好地捕捉正常电流数据的时序特征,导致数据重构的效果不佳,无法得到区别明显的正常、异常重构误差,进而导致分类器无法找到区分正常、异常数据的最优超平面,识别效果较差。当不采用OCSVM作为分类器的方案时,是通过人为划分重构误差阈值的方法来实现识别,无法找到最优分类阈值,部分数据会划分到错误的位置,导致各项评价指标的降低,无法完成最优的检测工作。同时添加了双层LSTM模块的AE与OCSVM相结合的模型性能最优,准确率达到了98.16%,可以满足电气线路超温早期征兆异常识别的需求。

3.4 对比实验

为验证本文模型AE-2LSTM-OCSVM是否更具效性与优越性,使用相同数据,选取深度信念网络(deep belief network, DBN)、随机森林(random forest, RF)、决策树(decision tree, DT)、K近邻(K-nearest neighbor, KNN)和K均值(K-means)等多种不同模型进行对比实验,具体性能对比结果如表2所示。由表2可知,所提出的AE-2LSTM-OCSVM方法准确率达到98.16%,比K-means模型准确率提高18.75%;在识别方面表现出卓越性能。在面对不平衡的数据集时仍能保持较高的识别性能,表现出较强的鲁棒性,显著优于DBN、随机森林、决策树、KNN和K-means等模型。且DBN、RF和DT需要平衡的正常与异常电流数据样本进行模型训练,而这在实际电气火灾场景中往往难以实现。相比之下,AE-2LSTM-OCSVM不仅能够有效区分识别电气线路超温早期征兆,有效解决了电气火灾监测中异常数据获取困难、样本分布严重失衡所带来的困难。

4 结论

针对当前研究大多基于电气火灾异常状态已明显发生阶段的数据进行异常检测,存在预警时间滞后以及在异常样本稀缺场景下建模能力下降等问题,提出了基于AE-2LSTM-OCSVM的电气线路超温早期征兆异常识别方法并进行实验验证,得到以下结论。

(1)采用AE-2LSTM模型结构能够深入学习其深层时序特征,在重构正常数据样本和异常数据样本时,两者的重构误差会出现明显差异。

(2)引入OCSVM模块,克服了异常样本获取困难的问题,还在样本高度不平衡的情况下表现出色。通过结合AE-2LSTM的特征提取能力,能够在电气线路早期征兆阶段,识别出潜在的超温异常征兆,实现预警时间的显著提前,为电气火灾的主动防控提供更长的反应时间。

(3)本文方法识别率达到98.16%,相较其他多种识别方法在识别精度上有了显著提升。后续将重点开展模型轻量化设计与边缘计算适配研究,使算法成果可部署于智能断路器、电能监测终端等嵌入式设备,实现实时在线预警。助力构建“事前预防、事中预警、事后追溯”的全链条电气安全防控体系。望推动电气安全管理从传统的“事后处置”向智能化“事前预防”范式转变,为智慧消防与城市公共安全体系建设提供可靠的技术支撑。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	王星尹, 叶益昌, 宋遥, 等. 电气防火安全的研究[J]. 自动化应用, 2023, 64(14): 251-253.

[2]	Wang Xingyin, Ye Yichang, Song Yao, et al. Research on electrical fire safety[J]. Applications of Automation, 2023, 64(14): 251-253.

[3]	贾亦卓, 李长征, 王静舞, 等. 导线长度对过电流聚氯乙烯铜导线起火燃烧行为的影响[J]. 消防科学与技术, 2024, 43(4): 572-577.

[4]	Jia Yizhuo, Li Changzheng, Wang Jingwu, et al. The influence of wire length on the burning behavior of overcurrent polyvinyl chloride copper wire[J]. Fire Science and Technology, 2024, 43(4): 572-577.

[5]	周巍. 分布式光伏发电系统火灾调查与防治技术研究[J]. 消防科学与技术, 2025, 44(6): 869-876.

[6]	Zhou Wei. Research on fire investigation and prevention technology of distributed photovoltaic power generation systems[J]. Fire Science and Technology, 2025, 44(6): 869-876.

[7]	Nazir A, Mosleh H, Takruri M, et al. Early fire detection: a new indoor laboratory dataset and data distribution analysis[J]. Fire-Switzerland, 2022, 5(1): 92-101.

[8]	雷芳菲, 褚继峰, 刘洋, 等. 基于半导体气体传感阵列的电缆过热故障诊断方法[J]. 电工技术学报, 2023, 38(13): 3651-3664.

[9]	Lei Fangfei, Chu Jifeng, Liu Yang, et al. Cable overheating fault diagnosis method based on semiconductor gas sensing array[J]. Transactions of China Electrotechnical Society, 2023, 38(13): 3651-3664.

[10]	Wang Y W, Li Q H, Zhang J Y, et al. A gas detection system combined with a global extension extreme learning machine for early warning of electrical fires[J]. Sensors and Actuators B-Chemical, 2025, 423(7): 136-145.

[11]	李沛智, 刘立群, 薄轶帅. 基于密度子空间孤立森林的异常用电检测[J]. 科学技术与工程, 2024, 24(10): 4115-4123.

[12]	Li Peizhi, Liu Liqun, Bo Yishui. Abnormal electricity consumption detection based on density subspace isolated forest[J]. Science Technology and Engineering, 2024, 24(10): 4115-4123.

[13]	杨磊, 郭鹏, 张雨潇. 基于流形学习的风电机组异常数据识别方法[J]. 分布式能源, 2025, 11(1): 11-19.

[14]	Yang Lei, Guo Peng, Zhang Yuxiao. Abnormal data recognition method for wind turbine units based on manifold learning[J]. Distributed Energy, 2025, 11(1): 11-19.

[15]	钟吴君, 李培强, 涂春鸣, 等. 基于组合型异常识别与GAT-GAN的风电功率异常数据处理[J]. 电力系统自动化, 2025, 49(12): 1-21.

[16]	Zhong Wujun, Li Peiqiang, Tu Chunming, et al. Wind power anomaly data processing based on combined anomaly recognition and GAT-GAN[J]. Power System Automation, 2025, 49(12): 1-21.

[17]	徐晓楠, 宁鑫, 朱远鹏, 等. 模糊综合评价-BP神经网络在电气火灾风险评估中的应用[J]. 安全与环境学报, 2025, 25(1): 1-10.

[18]	Xu Xiaonan, Ning Xin, Zhu Yuanpeng, et al. Application of fuzzy comprehensive evaluation-BP neural network in electrical fire risk assessment[J] Journal of Safety and Environment, 2025, 25(1): 1-10.

[19]	潘明明, 王白根, 齐红涛, 等. 面向电气设施火灾早期检测的多模态融合模型[J]. 电子技术应用, 2025, 51(6): 10-15.

[20]	Pan Mingming, Wang Baigen, Qi Hongtao, et al. Multimodal fusion model for early fire detection of electrical facilities[J]. Application of Electronic Technology, 2025, 51(6): 10-15.

[21]	门茂琛, 杜雨佳, 徐铭铭, 等. 基于剩余电流波形特征量的智能电气火灾监控研究[J]. 消防科学与技术, 2023, 42(4): 549-554.

[22]	Men Maochen, Du Yujia, Xu Mingming, et al. Research on intelligent electrical fire monitoring based on residual current waveform characteristic quantities[J]. Fire Science and Technology, 2023, 42(4): 549-554.

[23]	Kang Y, Jang E, Im J, et al. A deep learning model using geostationary satellite data for forest fire detection with reduced detection latency[J]. Giscience & Remote Sensing, 2022, 59(1): 2019-2035.

[24]	贺胜, 疏学明, 胡俊, 等. 基于消防大数据的电气火灾风险预测预警方法[J]. 清华大学学报(自然科学版), 2024, 64(3): 478-491.

[25]	He Sheng, Shu Xueming, Hu Jun, et al. Electrical fire risk prediction and early warning method based on fire big data[J]. Journal of Tsinghua University (Natural Science Edition), 2024, 64(3): 478-491.

[26]	Zhang Y, Chen H C, Li Z, et al. Lightweight AC arc fault detection method by integration of event-based load classification[J]. IEEE Transactions on Industrial Electronics, 2024, 7(4): 4130-4140.

[27]	宋振宇, 邢晨, 李明, 等. 光伏直流配电故障诊断及火灾风险评估技术[J]. 全球能源互联网, 2024, 7(1): 46-54.

[28]	Song Zhenyu, Xing Chen, Li Ming, et al. Fault diagnosis and fire risk assessment technology for photovoltaic DC distribution[J]. Global Energy Interconnection, 2024, 7(1): 46-54.

[29]	Liu H, Li J C, Wang W J, et al. Arc-1DCNN: an enhanced model for series arc fault detection[J]. Measurement, 2024, 234(4): 114-125.

[30]	陈小龙, 黄国忠, 高学鸿, 等. 过载、破损及老化风险场景的单芯PVC电缆温升研究[J]. 中国安全生产科学技术, 2022, 18(6): 25-30.

[31]	Chen Xiaolong, Huang Guozhong, Gao Xuehong, et al. Research on temperature rise of single-core PVC cables in overload, damage and aging risk scenarios[J]. China Safety Production Science and Technology, 2022, 18(6): 25-30.

[32]	Huo Y, Xu X Y, Li Y, et al. Experimental and theoretical research on the temperature evolution law of overcurrent fault wires[J]. Fire and Materials, 2024, 48(6): 632-641.

[33]	刘苏德, 王子昕, 靖子洋, 等. 航空线缆电弧故障引发电气火灾研究综述[J]. 电气工程学报, 2023, 18(3): 18-34.

[34]	Liu Sude, Wang Zixin, Jing Ziyang, et al. A review on electrical fires caused by arc faults in aviation cables[J]. Journal of Electrical Engineering, 2023, 18(3): 18-34.

[35]	Miao W C, Wang Z F, Wang F, et al. Multicharacteristics arc model and autocorrelation-algorithm based arc fault detector for DC microgrid[J]. IEEE Transactions on Industrial Electronics, 2023, 70(5): 4875-4886.

[36]	宋威, 林建维, 周方泽, 等. 基于改进降噪自编码器的风机轴承故障诊断方法[J]. 电力系统保护与控制, 2022, 50(10): 61-68.

[37]	Song Wei, Lin Jianwei, Zhou Fangze, et al. Fault diagnosis method for fan bearings based on improved noise reduction autoencoder[J]. Power System Protection and Control, 2022, 50(10): 61-68.

[38]	Li X C, Xie K, Wang X, et al. A light-weight and robust tensor convolutional autoencoder for anomaly detection[J]. IEEE Transactions on Knowledge and Data Engineering, 2024, 36(9): 4346-4360.

[39]	李滢, 郝建, 丁屹林, 等. 基于多模态组合振动图像与堆叠稀疏自编码器的GIS设备机械缺陷诊断方法[J]. 高电压技术, 2025, 51(2): 753-765.

[40]	Li Ying, Hao Jian, Ding Yilin, et al. Mechanical defect diagnosis method for gis equipment based on multimodal combined vibration images and stacked sparse autoencoders[J]. High Voltage Technology, 2025, 51(2): 753-765.

[41]	陆绮荣, 王泽鑫, 叶颖雅, 等. 基于VMD和时空网络变分自编码器的负荷聚类[J]. 科学技术与工程, 2024, 24(14): 5831-5838.

[42]	Lu Qirong, Wang Zexin, Ye Yingya, et al. Load clustering based on VMD and spatio-temporal network variational autoencoder[J]. Science Technology and Engineering, 2024, 24(14): 5831-5838.

[43]	巩炫麟, 陶庆, 苏娜, 等. 基于CNN-CBAM-LSTM的稳态视觉诱发电位脑电信号识别方法[J]. 科学技术与工程, 2025, 25(10): 4175-4182.

[44]	Gong Xuanlin, Tao Qing, Su Na, et al. Recognition method of steady-state visual evoked potential electroencephalogram signals based on CNN-CBAM-LSTM[J]. Science Technology and Engineering, 2025, 25(10): 4175-4182.

基金资助

国家重点研发计划(2023YFC3009802)

陕西省教育厅科学研究计划(23JK0152)

PDF (6428KB)

访问

被引

详细

导航

Received	Published	Revised
2025-08-08	2026-05-18	2025-11-26
Online Date
2026-08-06

摘要