本发明涉及多传感器融合，具体为基于多传感器融合的智慧用电风险识别系统及方法。
背景技术：
1、现代建筑中的用电风险识别对于保障建筑安全和运行效率至关重要，尤其是在高层建筑的复杂机电安装环境中，若果未能及时发现和处理用电风险，可能会导致严重的事故甚至人员伤亡。
2、此外，现有用电风险识别系统的不足之处在于其对复杂和动态环境的适应性较差：由于不同传感器类型之间的数据差异性较大，如温度传感器、电流传感器和压力传感器等各有不同的数据特性和处理需求，现有系统往往难以有效融合和处理分析这些异质数据，导致风险评估不够及时或准确；现有用电风险识别系统在广泛应用型上存在局限，们往往设计为针对特定类型的电气系统或设备，缺乏足够的适用性；现有用电风险识别系统在识别风险时不能够给出可能出现的情况、发生概率及相应的应对措施，浪费了宝贵的风险处理时间。
技术实现思路
1、本发明的目的在于提供一种基于多传感器融合的智慧用电风险识别系统及方法，以解决上述背景技术中提出的问题。
2、为了解决上述技术问题，本发明提供如下技术方案：一种基于多传感器融合的智慧用电风险识别系统及方法，包括：
3、步骤s100:设置n种类型的传感器，设定每种传感器的重要性评分，获取每种传感器的初始报警阈值，以设定的采集频率采集数据并生成传感器数据序列组，对传感器数据序列组中的数据进行预处理；
4、步骤s200:将电气系统发出的一次警报记为一次风险事件，提取风险事件持续时间内的传感器数据序列组，标记异常传感器数据序列组，对异常数据添加类型标签并记录时间戳，通过长短时记忆网络模型进行训练，定义风险事件的类型及概率；
5、步骤s300：提取异常数据中的持续时间、数据峰值和重要性评分，建立线性回归方程，得到异常数据与初始报警阈值间的影响关系，通过加权融合得到异常数据影响力评分；
6、步骤s400：根据影响关系计算得到实时报警阈值，以实时报警阈值监测电气系统运行，根据异常数据影响力评分调整传感器采集频率，实时更新可能发生的风险事件类型及概率并向用户预警，建立数据库，采用匹配算法生成对应的解决方案及具体步骤。
7、进一步的，步骤s100包括：
8、步骤s101：分别获取n种传感器所检测数据的安全区间，将安全区间的上限u1与下限l1作为初始报警阈值；
9、用户根据实际场景设定每种传感器的重要性评分[p1，p2，...，pn]；
10、其中，n为传感器种类数量，pn表示第n个传感器的重要性评分，pn值的范围为0～100；
11、在实际使用场景中，不同类型的传感器可能对同一风险事件的感知度不同，由实际使用场景设定重要性评分可以使系统更快响应具有高风险识别能力的信号，并根据每个传感器的特定功能和对数据变化的敏感性进行加权，提高预警的准确性；
12、步骤s102：设定传感器初始采集频率f1，以初始采集频率f1对电气系统内的数据进行采集，获取传感器数据序列组，传感器数据序列组包括以初始采集频率f1采集的n个传感器数据序列；
13、步骤s103：对传感器数据序列组中的数据进行预处理，通过线性放缩法使传感器数据序列组中的所有数据点都落在0～100的范围内；
14、通过线性放缩法将数据标准化到0至100的范围内，可以显著增强数据处理的一致性和效率，同时有助于减少异常值的影响。
15、进一步的，步骤s200包括：
16、步骤s201：提取风险持续时间内的传感器数据序列组，对提取的传感器数据序列组进行异常检测，将超过初始报警阈值的i个传感器数据序列标记为异常数据序列；
17、步骤s202：根据异常数据序列对应的传感器类型，对i组异常数据添加类型标签，记录异常数据的时间戳，将异常数据、异常数据的类型标签和异常数据时间戳输入长短时记忆网络模型中；
18、步骤s203：长短时记忆网络模型通过接收并处理异常数据、异常数据的类型标签和异常数据时间戳进行学习训练；
19、长短时记忆网络模型将异常数据作为输入特征，利用异常数据的类型标签对不同的异常进行区分和标记，同时依据异常数据的时间戳包含的时间序列信息，构建数据之间的时间关联，预测风险事件的类型和发生概率；
20、使用长短时记忆网络模型处理异常数据，利用异常数据的类型标签并追踪异常事件的时间发展轨迹，可以精确地分类和响应不同种类的风险事件，为风险的识别提供更高的精度和前瞻性。
21、进一步的，步骤s300包括：
22、步骤s301：分别提取风险事件中i组异常数据的持续时长x1j、峰值数据x2j和每种数据对应传感器的重要性评分pj，其中，下标j为第j种异常数据在i组异常数据中的索引；
23、步骤s302：根据线性回归方程建立实时报警阈值上下限调整公式；
24、实时报警阈值上限调整公式：
25、
26、其中，u1j为第j种异常数据的初始报警阈值上限，下标j为第j种异常数据在i组异常数据中的索引；为截距项，表示在没有任何显著输入特征的情况下，异常数据对报警阈值上限的基本调整量；为线性项的系数，表示每个数据对实时报警阈值上限的直接影响；
27、为平方项的系数，表示数据中的非线性关系；为交互项的系数，表示两个变量共同作用下对上限的额外影响；均由统计方法从传感器数据中计算得出；
28、实时报警阈值下限调整公式为：
29、
30、其中，l1j为第j种异常数据的初始报警阈值下限，下标j为第j种异常数据在i组异常数据中的索引为截距项，表示在没有任何显著输入特征的情况下，异常数据对报警阈值下限的基本调整量；为线性项的系数，表示每个数据对实时报警阈值下限的直接影响；为平方项的系数，表示数据中的非线性关系；为交互项的系数，表示两个变量共同作用下对下限的额外影响；均由统计方法从传感器数据中计算得出；
31、得到第j种异常数据的实时报警阈值上限u2j和实时报警阈值下限l2j；
32、通过计算每种异常数据的实时报警阈值，系统能够动态地调整对潜在风险的敏感性，从而实现更精准的监控和预警；
33、步骤s303：建立加权融合公式：
34、rj＝ω1j·x1j+ω2j·x2j+ω3j·pj
35、其中，x1j为第j种异常数据的持续时长，x2j为第j种异常数据的峰值，pj为第j种异常数据对应传感器的重要性评分；ω1j为第j种异常数据持续时长的权重，ω2j为第j种异常数据峰值的权重，ω3j第j种异常数据对应传感器重要性评分的权重，ω1j～ω3j基于实际需求和数据特性给出；
36、得到第j种异常数据的影响力评分rj，影响力评分rj的范围为0～100；
37、通过为每种异常数据计算得到介于0到100的影响力评分，能够量化每个异常数据对安全的潜在影响，反映出数据的高风险状态，从而根据异常数据严重程度对预警状态下的采集频率进行动态调整；
38、进一步的，步骤s400包括：
39、步骤s401：以实时报警阈值监测电气系统运行情况，当检测到传感器数据序列组中的实时数据超过实时报警阈值的上下限，获取实时数据中异常数据的种类；
40、根据第j种异常数据的影响力评分rj得到预警状态采集频率公式：
41、
42、fmax＝max(f2j)
43、其中，f1为用户设定的初始采集频率，k为调整步长，f2j为实时数据超过实时报警阈值的上下限时，每种传感器的实时采集频率，选取所有实时采集频率中的最大项fmax作为预警状态采集频率；采用非线性模型可以实现在rj达到某个阈值后加大调整幅度，以更好地响应可能出现的风险事件；
44、得到预警状态下电气系统的预警状态采集频率fmax；
45、通过计算并设置预警状态下电气系统的采集频率，智慧用电风险识别系统可以实现对潜在风险的更快响应和更细致的监控，此适应性采集频率调整使得系统在关键时刻能够收集更多关键数据，增强了对异常事件的实时监测和分析能力；
46、步骤s402：根据异常数据影响评分rj改变采集频率，得到预警状态采集频率fmax,以预警状态采集频率fmax对电气系统数据进行监测，基于实时数据对应的类型标签和时间戳在长短时记忆网络模型中的训练结果，向用户预警并实时更新可能发生的风险事件类型及概率；
47、步骤s403：建立一个数据库，存储风险事件的解决方案与具体步骤，当向用户进行预警时，采用匹配算法获得可能发生的风险事件类型对应的解决方案并实时反馈给用户；
48、通过建立一个数据库来存储风险事件的解决方案与具体步骤，并利用匹配算法在预警时向用户提供相应的解决方案，智慧用电风险识别系统可以实现高效的风险响应和快速的问题解决，此种解决方案匹配和反馈机制确保了在发现潜在风险时，用户可以在更短的响应时间获得针对性的指导和建议，提高处理紧急情况的能力，从而优化系统的整体运行安全性。
49、进一步的，系统包括传感器配置与数据采集模块、风险事件识别与数据标记模块、数据分析与评分模块和实时监控与预警模块；
50、传感器配置与数据采集模块包括不同类型的传感器，传感器配置与数据采集模块用于获取每种传感器的初始报警阈值并设定重要性评分，确定传感器的采集频率并以采集频率收集电气系统运行数据，生成传感器数据序列组；
51、风险事件识别与数据标记模块用于在电气系统发出警报时记录风险事件，提取风险事件中的传感器数据序列并将超过初始报警阈值的数据序列标记为异常数据序列，将异常数据添加标签和时间戳输入长短记忆网络模型中，由长短记忆网络模型进行学习以定义和识别风险事件的类型及发生概率；
52、数据分析与评分模块用于提取异常数据中的持续时长、数据峰值和异常数据对应种类传感器的重要性分并建立线性回归模型，得到异常数据与初始报警阈值间的影响关系，通过加权融合计算得到异常数据影响力评分；
53、实时监控与预警模块用于根据影响关系实时计算和调整报警阈值，根据异常数据影响力评分调整采集频率，从而监测电气系统的运行状态，实时监控与预警模块向用户预警并实时更新风险事件的可能类型及概率，建立数据库并使用匹配算法，生成对应风险事件的解决方案和具体步骤；
54、风险事件识别与数据标记模块连接传感器配置与数据采集模块的输出端；数据分析与评分模块连接风险事件识别与数据标记模块的输出端，实时监控与预警模块连接数据分析与评分模块的输出端。
55、进一步的，传感器配置与数据采集模块包括传感器配置单元、数据采集单元和数据预处理单元；
56、传感器配置单元包括n种不同类型的传感器，每种传感器有对应数据的安全区间，传感器配置单元设定传感器的采集频率和传感器的主管重要性评分；
57、数据采集单元用于根据采集频率定时收集电气系统运行数据，生成传感器数据序列组；
58、数据预处理单元对传感器数据序列组中的数据进行预处理。
59、进一步的，风险事件识别与数据标记模块包括事件监测单元、异常检测单元和数据学习单元；
60、事件监测单元用于在初始报警阈值的标准下监测电气系统发出的警报，记录风险事件的发生；
61、异常检测单元用于提取风险事件持续时间内的传感器数据序列组，对超过初始报警阈值的异常数据进行标记，添加类型标签并记录时间戳
62、数据学习单元用于将异常数据输入长短时记忆网络模型种进行训练，定义并识别风险事件的类型及发生概率。
63、进一步的，数据分析与评分模块包括特征提取单元、回归分析单元和评分计算单元；
64、特征提取单元用于从异常数据中提取持续时长、峰值数据并根据对应类型提取重要性评分；
65、回归分析单元通过建立线性回归模型分析异常数据与初始报警阈值间的影响关系；
66、评分计算单元通过加权融合公式计算异常数据的影响力评分。
67、进一步的，实时监控与预警模块包括监测条件调整单元、监控与预警单元和解决方案生成单元；
68、监测条件调整单元根据影响关系计算并调整实时报警阈值，根据异常数据影响力评分更新传感器采集频率；
69、监控与预警单元使用更新后的实时报警阈值和采集频率监测电气系统运行，提取异常数据的类型标签和时间戳，向用户预警可能发生的风险事件类型及概率；
70、解决方案生成单元用于根据可能发生的风险事件类型及概率，匹配相应的解决方案和具体步骤，向用户进行反馈。
71、与现有技术相比，本发明所达到的有益效果是：本发明基于多传感器融合的智慧用电风险识别系统及方法配置多种类型的传感器并对其进行数据融合，能够全面且及时地检测电气系统中的异常情况，从而提高风险识别的效率和准确性；其次，利用长短时记忆网络模型对异常数据进行训练和分析，可以有效地预测风险事件的类型和发生概率，增强了系统的预警能力；此外，通过建立线性回归模型和加权融合算法，实时调整报警阈值和采集频率，使系统在动态环境中具有更好的适应性，确保风险事件能够被及时预警并提供相应的解决方案；本发明不仅提高了用电风险识别的智能化水平，还能够预警风险事件发生并快速响应，减少事故发生的可能性，保障了电气系统的安全运行。
1.一种基于多传感器融合的智慧用电风险识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于多传感器融合的智慧用电风险识别方法，其特征在于，所述步骤s100包括：
3.根据权利要求2所述的一种基于多传感器融合的智慧用电风险识别方法，其特征在于，所述步骤s200包括：
4.根据权利要求3所述的一种基于多传感器融合的智慧用电风险识别方法，其特征在于，所述步骤s300包括：
5.根据权利要求4所述的一种基于多传感器融合的智慧用电风险识别方法，其特征在于，所述步骤s400包括：
6.一种应用于权利要求1-5任一项所述的基于多传感器融合的智慧用电风险识别方法的基于多传感器融合的智慧用电风险识别系统，其特征在于，所述系统包括传感器配置与数据采集模块、风险事件识别与数据标记模块、数据分析与评分模块和实时监控与预警模块；
7.根据权利要求6所述的一种基于多传感器融合的智慧用电风险识别系统，其特征在于，所述传感器配置与数据采集模块包括传感器配置单元、数据采集单元和数据预处理单元；
8.根据权利要求6所述的一种基于多传感器融合的智慧用电风险识别系统，其特征在于，所述风险事件识别与数据标记模块包括事件监测单元、异常检测单元和数据学习单元；
9.根据权利要求6所述的一种基于多传感器融合的智慧用电风险识别系统，其特征在于，所述数据分析与评分模块包括特征提取单元、回归分析单元和评分计算单元；
10.根据权利要求6所述的一种基于多传感器融合的智慧用电风险识别系统，其特征在于，所述实时监控与预警模块包括监测条件调整单元、监控与预警单元和解决方案生成单元；
