基于模糊神經(jīng)網(wǎng)絡(luò)的電網(wǎng)消防預(yù)警算法

趙嘉興　荊玉智　張彥

摘要：針對傳統(tǒng)基于閾值判別方法的電網(wǎng)火災(zāi)預(yù)警系統(tǒng)預(yù)測精度低、抗干擾能力弱的問題，提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的電網(wǎng)消防預(yù)警算法。該算法利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)大規(guī)模電網(wǎng)數(shù)據(jù)，使用模糊邏輯推理算法來提升預(yù)測結(jié)果的推理能力，并通過結(jié)合神經(jīng)網(wǎng)絡(luò)對大規(guī)模數(shù)據(jù)的學(xué)習(xí)能力和模糊邏輯算法的推理能力來分析電網(wǎng)線路參數(shù)，從而提升電網(wǎng)消防預(yù)警系統(tǒng)的精度和抗干擾能力。實驗與仿真結(jié)果表明，所提出方法能顯著提升電網(wǎng)火災(zāi)的預(yù)警精度，且使用模糊邏輯推理可以得到更符合實際情況的電網(wǎng)火災(zāi)預(yù)警結(jié)果。

關(guān)鍵詞：電網(wǎng)預(yù)警；抗干擾；神經(jīng)網(wǎng)絡(luò)；模糊推理；信號處理

中圖分類號：TM76 文獻標(biāo)志碼：A 文章編號：1000-1646（2024）01-0019-05

隨著經(jīng)濟的快速增長，電能逐漸成為了主要能源，同時大規(guī)模電網(wǎng)和電器設(shè)備的使用也逐年增加。然而，在電網(wǎng)規(guī)模快速增長的同時，由于不合理的施工和電網(wǎng)設(shè)備的老化使得電網(wǎng)火災(zāi)的數(shù)量也呈現(xiàn)出逐年增長的趨勢。雖然我國電網(wǎng)大部分均裝有火災(zāi)預(yù)警系統(tǒng)和裝置，但傳統(tǒng)的預(yù)警系統(tǒng)可靠性較差、響應(yīng)時間長且準(zhǔn)確率低，導(dǎo)致火災(zāi)預(yù)警的誤報和漏報率均較高。

目前，常用的電網(wǎng)火災(zāi)預(yù)警方法包括變化率探測法和固定門限探測法。其中，變化率探測法是指傳感器所探測到的信號變化幅值超過預(yù)設(shè)值時產(chǎn)生報警信號；而固定門限探測法是指傳感器所探測到的信號幅值超過預(yù)設(shè)值時產(chǎn)生報警信號。隨著模擬量火災(zāi)探測系統(tǒng)的發(fā)展，越來越多的火災(zāi)探測系統(tǒng)也隨之出現(xiàn)，史冊等提出了一種基于相關(guān)濾波的火災(zāi)預(yù)警系統(tǒng)，該系統(tǒng)根據(jù)每個時刻的探測信號與火災(zāi)發(fā)生時信號的相關(guān)性來判斷是否發(fā)生火災(zāi)。KHUAT等則提出了一種復(fù)合趨勢算法，通過檢測不同時刻探測到的信號趨勢相關(guān)性來判斷是否發(fā)生火災(zāi)。LIU則根據(jù)信號超過所設(shè)置的閾值持續(xù)時間來判斷是否發(fā)生火災(zāi)，基于該算法，YANG等提出了一種復(fù)合特定趨勢算法，根據(jù)信號的變化情況來確定該變化趨勢是正向趨勢還是負(fù)向趨勢，并通過引入判別門限來降低環(huán)境變化對判別結(jié)果的影響。

為了提高電網(wǎng)火災(zāi)預(yù)警系統(tǒng)的準(zhǔn)確性，基于人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯推理和遺傳算法的電網(wǎng)火災(zāi)預(yù)警算法被陸續(xù)提出。例如李軍等利用人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力來減少電網(wǎng)火災(zāi)預(yù)測的誤報率，從而提高預(yù)測的準(zhǔn)確性。丁承君等為了提高火災(zāi)預(yù)測算法的準(zhǔn)確性，提出了將模糊邏輯推理用于判斷傳感器信號變化趨勢的方法。

雖然現(xiàn)有算法有效提升了火災(zāi)預(yù)警的精度，但仍基于閾值來判斷，所以其抗干擾能力較弱，且預(yù)警準(zhǔn)確率也較低。因此，本文在采用神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法分析電網(wǎng)線路參數(shù)的基礎(chǔ)上，提出了一種具有較高精度與抗干擾能力的電網(wǎng)消防預(yù)警算法，實驗與仿真結(jié)果證明了本算法的綜合性能。

1 電網(wǎng)探測信號選擇

電網(wǎng)火災(zāi)主要由以下4個方面原因引發(fā)：1）線路短路時電網(wǎng)瞬時電流急劇增大，從而產(chǎn)生電弧或高溫引燃線路絕緣層以及周圍可燃物；2）接觸不良時由于接觸電阻過大，使得接觸點周圍的溫度急劇升高，從而融化線路絕緣層或釋放出可燃?xì)怏w導(dǎo)致火災(zāi)；3）過載時線路電流超過安全值導(dǎo)致線路溫度升高，從而引起周圍可燃物或線路絕緣層燃燒；4）絕緣層老化導(dǎo)致電網(wǎng)線路漏電從而使線路溫度升高，導(dǎo)致線路絕緣層燃燒產(chǎn)生火災(zāi)。為了探測電網(wǎng)火災(zāi)，傳統(tǒng)的火災(zāi)探測器使用CO2濃度、煙霧信號和火焰圖像等參數(shù)作為檢測因子，當(dāng)檢測到這些信號發(fā)生變化時，實現(xiàn)火災(zāi)報警。然而這些信號通常是在發(fā)生火災(zāi)時才能觀測到的，只能實現(xiàn)火災(zāi)報警而無法實現(xiàn)火災(zāi)預(yù)警。

通過分析電網(wǎng)火災(zāi)產(chǎn)生的原因可知，在電網(wǎng)正常運行時，線路的剩余電流分布均勻。然而當(dāng)線路發(fā)生絕緣層破損等問題時，線路中剩余電流過大，從而導(dǎo)致溫度升高引起火災(zāi)。因此，可以使用互感器識別電網(wǎng)中的剩余電流值來實現(xiàn)預(yù)警電網(wǎng)火災(zāi)。同時電網(wǎng)線路溫度升高時會導(dǎo)致線路的絕緣層發(fā)生軟化，從而增加線路中導(dǎo)體間相互接觸的幾率，出現(xiàn)線路短路等問題，因此溫度變化也是判斷電網(wǎng)是否會發(fā)生火災(zāi)的一個重要因素。本文使用Pt100溫度傳感器探測電網(wǎng)線路的溫度值，該傳感器由熱電阻或熱電偶構(gòu)成，同時使用溫度檢測單元、信號處理單元和信號轉(zhuǎn)換單元將溫度信號轉(zhuǎn)化為電信號傳輸給電網(wǎng)火災(zāi)預(yù)警器。在電網(wǎng)發(fā)生火災(zāi)時，電網(wǎng)的工作電流與工作電壓也可以作為預(yù)警信號的補充信號，以實現(xiàn)更全面、準(zhǔn)確的電網(wǎng)火災(zāi)預(yù)警。

2 電網(wǎng)消防預(yù)警算法

為了預(yù)防電網(wǎng)火災(zāi)，實現(xiàn)電網(wǎng)消防預(yù)警，本文提出了一種基于神經(jīng)網(wǎng)絡(luò)和模糊推理的電網(wǎng)消防預(yù)警算法，使用監(jiān)測電網(wǎng)信號數(shù)據(jù)實現(xiàn)電網(wǎng)火災(zāi)預(yù)測。首先使用大量數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，預(yù)測電網(wǎng)無火、明火以及陰燃的概率，然后使用模糊推理算法進一步處理這些概率數(shù)據(jù)，從而更加準(zhǔn)確地判斷電網(wǎng)是否會發(fā)生火災(zāi)。

2.1 神經(jīng)網(wǎng)絡(luò)模型

本文使用電網(wǎng)探測的信號預(yù)測出現(xiàn)火災(zāi)的概率，由于所監(jiān)測的信號種類較少，因此文中使用BP神經(jīng)網(wǎng)絡(luò)對電網(wǎng)火災(zāi)類型進行預(yù)測。具體地，BP網(wǎng)絡(luò)的輸入為電網(wǎng)監(jiān)測信號，包括線路中剩余電流、線路溫度、電網(wǎng)的工作電流和工作電壓；BP網(wǎng)絡(luò)的輸出為電網(wǎng)無火、明火和陰燃的概率。

本文BP神經(jīng)網(wǎng)絡(luò)包含一個輸入層、一個隱含層和一個輸出層。其中輸入層包含4個節(jié)點，為監(jiān)測的電網(wǎng)信號；輸出層包含3個節(jié)點，為發(fā)生各種火災(zāi)的概率。為了實現(xiàn)更優(yōu)的性能，文中使用文獻[9]介紹的方法設(shè)置隱含層節(jié)點的數(shù)量，計算表達式為

式中：NH為隱含層節(jié)點數(shù)量；Ni為輸入層節(jié)點數(shù)量；No為輸出層節(jié)點數(shù)量；N取1-10間的整數(shù)。又由于BP網(wǎng)絡(luò)的節(jié)點數(shù)量通常為整數(shù)，因此本文根據(jù)式（1）的結(jié)果和實際實驗結(jié)果選取NH為6。

BP神經(jīng)網(wǎng)絡(luò)使用誤差反向傳播的方式進行訓(xùn)練，通過最小化網(wǎng)絡(luò)預(yù)測與期望間的誤差均值來優(yōu)化網(wǎng)絡(luò)參數(shù)。訓(xùn)練過程主要包括兩個方面：使用輸入數(shù)據(jù)的正向傳播和基于預(yù)測誤差的反向傳播。對于第k個預(yù)測結(jié)果，可以得到網(wǎng)絡(luò)的輸出與預(yù)期間的誤差為

3 實驗與結(jié)果分析

為了驗證所提出算法的有效性，本文使用Matlab平臺實現(xiàn)該算法并構(gòu)建大量數(shù)據(jù)樣本進行模型訓(xùn)練和測試。具體地，文中采集了山西陽泉供電公司轄區(qū)近年來統(tǒng)計的電網(wǎng)火災(zāi)數(shù)據(jù)，包括火災(zāi)發(fā)生時監(jiān)測到的線路中剩余電流、線路溫度、電網(wǎng)的工作電流和工作電壓等指標(biāo)來構(gòu)建數(shù)據(jù)集，該數(shù)據(jù)集共包含5000條訓(xùn)練數(shù)據(jù)和500條測試數(shù)據(jù)。表2為5組樣本的示例，其中各監(jiān)測數(shù)據(jù)進行了歸一化處理，各種火災(zāi)情況的期望輸出根據(jù)實際探測結(jié)果與文獻[2]的方法計算得出。本文網(wǎng)絡(luò)輸入層節(jié)點數(shù)量為4，輸出層節(jié)點數(shù)量為3，隱含層節(jié)點數(shù)量為6。網(wǎng)絡(luò)學(xué)習(xí)率為0．01，共迭代訓(xùn)練100次。為了防止網(wǎng)絡(luò)過快收斂，本文設(shè)置權(quán)重參數(shù)α為0.0001，β為0.0001。

表3為本文隨機選取的5組數(shù)據(jù)測試結(jié)果。根據(jù)表3結(jié)果可以看出，所提方法得到的火災(zāi)預(yù)警概率與預(yù)期概率基本吻合，因此，文中算法使用剩余電流、線路溫度、電網(wǎng)的工作電流和工作電壓等指標(biāo)預(yù)測電網(wǎng)發(fā)生火災(zāi)的概率具有可行性。圖2為本文神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程，圖2中分別給出了網(wǎng)絡(luò)的訓(xùn)練、驗證和測試誤差曲線。從圖2中結(jié)果可以看出，文中算法誤差逐漸收斂，且隨著訓(xùn)練迭代次數(shù)的增加，該算法的測試精度也在逐漸增加。

表4中展示了本文算法與基于BP網(wǎng)絡(luò)、SVM、隨機森林、文獻[13]和文獻[14]方法的精確度比較結(jié)果。其中，BP網(wǎng)絡(luò)、SVM和隨機森林3個算法采用默認(rèn)參數(shù)設(shè)置，文獻[13]和文獻[14]采用文中定義的參數(shù)。從表4結(jié)果可以看出，相比于其他方法，本文算法具有更高的預(yù)測精確度。同時，相比于只使用BP神經(jīng)網(wǎng)絡(luò)的方法，本文算法在引入模糊推理后能夠明顯提升預(yù)測精確度。

4 結(jié)束語

本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的電網(wǎng)消防預(yù)警算法，該算法通過在大規(guī)模數(shù)據(jù)集上訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)來預(yù)測在給定監(jiān)測數(shù)據(jù)情況下發(fā)生無火、明火以及陰燃的概率。同時文中利用模糊邏輯推理方法對給定的模糊結(jié)果進行推理，可以消除不確定概率結(jié)果，提升預(yù)測結(jié)果的魯棒性。仿真實驗結(jié)果表明，該方法能夠有效提升電網(wǎng)火災(zāi)的預(yù)測精度，得到更符合實際情況的結(jié)果，對于構(gòu)建電網(wǎng)火災(zāi)預(yù)警系統(tǒng)具有參考價值。

（責(zé)任編輯：景勇 英文審校：尹淑英）