薛慧芳 陈凯 卓玉霞
中国建筑五局总承包公司，湖南长沙410000
摘要：工人在生活区的不规范用电往往是造成重大安全事故的来源之一。其不规范用电的行为主要表现为违规使用大功率电器。本文基于支持向量机（SVM）提出了一种智能电表，利用SVM通过电表学习工人生活区不同时间段的用电量并与正常规范时的用电量相对比，当用电量与SVM设定值相差过大时，则判定生活区存在越阶用电，开关自断拉闸断电；当与设定的值接近时，则生活区可继续正常用电。本文通过SVM智能算法学习的电表，从源头上解决了工人生活区的用电安全问题，使工人用电更加规范自觉，大大降低了安全隐患。
关键词：支持向量机；智能电表；安全用电
1.引言
生活区作为工人休息生活的集中区域，是构成项目安全常态化管理的重要组成部分之一。其中，工人的用电安全问题又是重中之重。虽然目前工人生活区的临时用电方案采取了低压配电系统并有专职人员进行管理检查，但生活中的违章用电、私拉乱接等现象任然屡禁不止[1],从而留下了巨大的安全隐患。
随着数据时代的高速发展，人工智能已经深入到人们的生活当中的方方面面，如何利用人工智能与建筑工程项目有机相结合也是目前重点的研究内容之一。机器学习作为人工智能的重要分支之一，其中支持向量机(SVM)作为机器学习中的重要算法内容在目前的应用也十分的广泛，其能够比较好的解决好小样本的学习问题[2]。本文针对工人生活去的用电安全问题，提出了一种SVM智能电表，通过SVM算法学习工人生活区正常情况下的用电量，当出现用电量与正常用电相比突然出现巨大变化时，则控制开关自动断电，起到保护作用。
2.系统原理与设计
本文通过数据采集卡采集电表中的用电数据，通过计算机运行SVM算法程序学习正常情况下工人生活区不同时间段的正常使用时的电量。通过学习后，自动判断是否存在违规用电，并反馈给计算机来控制开关的通断，其示意图如图1所示。
图1 控制示意图
3.支持向量机算法原理
支持向量机是统计学习中的重要组成部分，也是重要的实用部分，其核心内容于1992年到1995年间提出[3,4,5],目前也处在持续的发展阶段。
给定特征空间上的训练数据集：
其中，
代表第个特征向量，也称为实例，为的类标记。通过训练集的目的是为了在特征空间中找到一个分离的超平面，能过将不同的类别分割开来。
这个分割的平面存在无数个，此时，采用间隔最大化求最优分离超平面，此时的解是唯一的。设分离的超平面为：
（1）
设线性支持向量机为：
（2）
其平面示意图如图2所示。
图2 线性可分支持向量机平面示意图
对于给定的数据集和超平面（
），则样本点（
）到超平面的距离为：
（ 3）
则两边支持向量到超平面的距离之和为：
(4)
所以支持向量机的问题可表述为：
（5）
4.实验
将支持向量机智能电表在管理人员的密切监督下学习工人生活区的正常用电情况，为期两个月。当正常用电时，用电的情况大体如下表所示。
表1 正常用电统计表
通过数据学习，基于SVM智能电表能够有效的监控到工人区是否存在违规用电的情况，准确率能达到98％。
5.结论
本文提出了一种基于SVM智能电表，有效的监控对工人区用电进行了有效的监控，并能反馈到控制开关，对存在违规用电的情况进行断电处理，大大消除了工地生活区的用电安全隐患，也能起到让工人慢慢养成自觉的习惯，也使工地的管理难度大大的降低。
参考文献
[1]周鑫,冯长争.智能配电系统在建筑工地生活区的应用[J].建筑安全,2017,32(11):52-54.
[2]张学工.关于统计学习理论与支持向量机[J].自动化学报,2000(01):36-46.
[3] Vapnik V , Levin E , Cun Y . Measuring the VC-Dimension of a Learning Machine[J]. Neural Computation, 1994, 6(5):851-876.
[4] Review, by:, Stephan, et al. The Nature of Statistical Learning Theory ?by V. N. Vapnik[J]. Technometrics, 1996.
[5] 边肇祺, 张学工. 模式识别 第二版[M]. 清华大学出版社, 2000.