本发明涉及电力系统安全监测，具体的，涉及一种具备自学习能力的智能电力火灾预警系统。
背景技术：
1、电力系统是现代社会不可或缺的基础设施，其安全稳定运行直接关系到国计民生和国民经济。电力设备（如变压器、开关柜、电缆接头等）在长期运行过程中，因过载、绝缘老化、接触不良、电弧故障等原因，可能产生异常高温甚至引发火灾。电力火灾不仅会造成巨大的直接经济损失，导致大范围停电事故，还可能引发严重的二次事故，对人员安全和公共安全构成极大威胁。
2、随着物联网（iot）和大数据技术的发展，更先进的系统开始集成多种传感器（如电气、热学、故障特征传感器），并尝试使用简单的数据分析规则（如趋势分析）来提升预警能力。然而，这些系统在应对电力系统复杂多变的运行环境时，仍存在显著缺陷，具体缺陷如下：
3、第一，现有系统大多基于单一类型的参数进行判断。例如，仅监测温度或仅监测电流。电力设备故障的早期征兆往往是多方面的，单一参数监测无法全面捕捉复杂的故障模式。例如，一个接触不良的接头可能在其温度显著升高之前，就已经产生了局部放电或微小的电弧。仅依赖温度监测会导致预警延迟，错过最佳处置时机，容易造成漏报（无法识别多维故障特征）和误报（将非故障性的正常波动误判为故障）；
4、第二，现有系统缺乏从历史数据中学习的能力。它们无法利用积累的海量监测数据和处置反馈结果来优化自身的判断逻辑。系统的分析模型和规则在部署后基本上是静态的，无法随着设备状态演变和新型故障模式的出现而自我完善，这样导致系统无法适应设备的长期老化过程，也无法从过去的误报、漏报中吸取教训。随着时间推移，系统预警的准确性会逐渐下降，无法实现长期的、可持续的安全保障；
5、鉴于此，本发明提出一种具备自学习能力的智能电力火灾预警系统。
技术实现思路
1、本发明提出一种具备自学习能力的智能电力火灾预警系统，解决了现有技术中缺乏从历史数据中学习的能力的问题。
2、本发明的技术方案如下：一种具备自学习能力的智能电力火灾预警系统，包括现场感知层、网关层、服务器层和交互层；
3、所述现场感知层包括
4、电气参数采集模块：用于采集电力设备的电流和电压参数；
5、热学参数采集模块：用于采集电力设备的实时温度参数；
6、故障特征采集模块：用于采集电力设备的实时故障参数；
7、所述网关层包括
8、数据采集模块：负责汇集、转换、同步和上传现场感知层的各传感器数据；
9、所述服务器层包括
10、数据处理模块：用于对采集的原始数据进行滤波、去噪、归一化预处理；
11、特征提取模块：用于提取时域、频域及时频域特征，形成特征向量；
12、历史数据库：用于结构化存储所有的实时监测数据、特征数据、模型版本、预警记录及处置反馈结果
13、自学习分析模块：用于构建预测模型且与历史数据库连接优化模型参数，通过算法学习，动态计算并调整各项监测参数的预警阈值；
14、处置建议生成模块：用于根据识别到的故障模式，匹配并生成针对性的处置建议；
15、人机交互接口：用于展示实时状态、预警信息、处置建议，并允许用户确认、反馈处置结果，该反馈结果进一步用于优化模型；
16、所述交互层包括
17、联动控制接口：用于在紧急情况下实现自动化应急处置；
18、用户终端：用于运维人员接收预警、查看建议、管理系统的入口。
19、优选的，所述电气参数采集模块包括
20、电流互感器：用于测量回路电流的幅值、波形和相位，判断设备负载、故障状态和能量流动；
21、电压传感器：用于测量供电电压的幅值、波形、频率和相位，评估电能质量和系统稳定性。
22、优选的，所述热学参数采集模块包括
23、无线测温传感器：用于对电力设备关键易过热点（开关柜触头、母排连接处、电缆接头、变压器套管）进行直接、连续、精确的接触式温度监测；
24、热成像摄像头：以非接触方式，对大面积设备区域、设备整体或难以安装点式传感器的部位进行二维温度场扫描成像。
25、优选的，所述故障特征采集模块包括
26、电弧探测器：用于监测电力设备的电弧产生的独特光辐射和强烈的电磁辐射，通过分析光信号的频率和强度模式，区分故障电弧与电焊、照明或其他光源，减少误报；
27、局部放电传感器：用于探测电力设备内部绝缘缺陷处发生的微弱、持续的脉冲性放电，目标在于绝缘故障的早期、潜伏期进行预警；
28、超声波传感器：用于探测由放电、电弧或过热故障产生的、人耳听不见的高频声波。
29、优选的，所述自学习分析模块包括
30、基础火灾预测模型：采用机器学习算法（支持向量机、随机森林、深度神经网络）构建的初始模型；
31、持续学习单元：与历史数据库连接，定期或触发式地使用新增监测数据对基础火灾预测模型进行再训练，优化模型参数，使模型能够适应设备老化、环境变化、负载波动的长期演变；
32、自适应阈值调整单元：根据设备当前及历史正常运行数据的统计分析结果，动态计算并调整各项监测参数的预警阈值；
33、故障模式知识库：通过无监督学习（聚类算法）和监督学习结合，从历史异常数据中学习和归纳不同类型的典型故障模式及其特征。
34、优选的，所述基础火灾预测模型采用深度神经网络算法构建初始模型，包括模型输入公式、深度神经网络前向传播公式、损失函数公式、反向传播与参数优化公式。
35、优选的，所述模型输入公式为：
36、；
37、其中，为t时刻不同传感器的融合信息。
38、优选的，所述深度神经网络前向传播公式为：
39、，其中其中，θ={w[1],b[1],...,w[l],b[l]}代表神经网络中所有需要学习的参数集合；
40、为火灾风险概率，，其中，是sigmoid函数。
41、优选的，所述损失函数公式为：
42、，其中，m是一个训练批次（batch）中的样本数量，i是样本索引，函数在预测错误时会给模型一个巨大的惩罚
43、优选的，所述反向传播与参数优化公式为：
44、；
45、；
46、；
47、其中，α是学习率，控制每次更新的步长。
48、本发明的工作原理及有益效果为：
49、1、通过集成电气参数（电流、电压）、热学参数（点温、面温）和故障特征参数（电弧、局部放电、超声波）三大类传感器，系统能够全面捕捉电力设备故障的早期、多维征兆；极大降低了漏报率和误报率（通过多参数交叉验证，区分故障信号与正常波动或环境干扰），从而更早、更准确地发现潜在火灾隐患。
50、2、自学习分析模块能够利用历史数据和实时反馈，不断优化预测模型和调整预警阈值，系统能够自动适应设备老化、环境变化、负载波动的长期因素，避免传统静态系统因无法适应变化而导致预警准确性随时间下降的问题；系统能够从历史的误报、漏报以及人工处置反馈中“吸取教训”，实现模型的迭代优化，越用越“聪明”，预警能力可持续提升。
51、3、系统划分为现场感知层、网关层、服务器层和交互层，各层职责明确，便于增加新的传感器类型或功能模块，系统易于升级和维护，数据流程清晰，处理环节专业，保证了系统的稳定运行。
52、4、系统不仅提供预警，还生成针对性的处置建议，并能接收运维人员的反馈结果用于模型优化，为运维人员提供科学、具体的处置方案，缩短了故障判断和响应时间，降低了对人员经验的过度依赖。