基于灰色神經(jīng)網(wǎng)絡(luò)的剩余電流預測研究

陸永菊 吳桂初 吳自然

摘要：為滿足當前的電氣火災預警需求，提出一種融合灰色預測與神經(jīng)網(wǎng)絡(luò)的建模方法，利用電氣監(jiān)控數(shù)據(jù)進行剩余電流預測。實驗數(shù)據(jù)來源于智慧用電火災監(jiān)控系統(tǒng)采集的40 118組電氣數(shù)據(jù)，每組數(shù)據(jù)包含11個電氣狀態(tài)監(jiān)測值。通過相關(guān)性分析處理提取出模型參數(shù)，采用灰色預測算法獲得灰色預測時間段輸入?yún)?shù)，再利用訓練好的神經(jīng)網(wǎng)絡(luò)預測全部時間段剩余電流。測試中將預測剩余電流與實際剩余電流值進行對比分析，得出兩者之間的誤差范圍為3%～5%。實驗結(jié)果表明，該灰色神經(jīng)網(wǎng)絡(luò)模型可對剩余電流進行較為準確的預測。

關(guān)鍵詞：灰色預測;神經(jīng)網(wǎng)絡(luò);剩余電流;火災預警

DOI：10. 11907/rjdk. 201005

中圖分類號：TP301文獻標識碼：A 文章編號：1672-7800（2020）010-0061-05

Abstract： In order to meet the needs of electrical fire warning，this paper proposes a modeling method that integrates gray prediction and neural network to realize residual current prediction through electrical monitoring data. The experimental data is derived from 40118 sets of electrical data collected by the smart electricity fire monitoring system， and each set of data contains 11 electrical state monitoring values. Model parameters are extracted through correlation analysis processing， and use the gray prediction algorithm to obtain the input parameters of the gray prediction period. Then use the trained neural network to predict the residual current for all time periods. In the test， a comparative analysis of the predicted residual current and the actual residual current value shows that the error range between the two is 3%-5%. Experimental results show that the gray neural network model proposed in this paper can achieve more accurate prediction of residual current.

Key Words： gray prediction; neural network; residual current;fire warning

0 引言

據(jù)統(tǒng)計，近年來由電氣引起的火災占火災總數(shù)的三成以上，因此對電氣火災的預防顯得尤為重要[1-2]。目前國內(nèi)外火災報警大多通過多傳感器信息融合技術(shù)加以實現(xiàn)，該技術(shù)可將多傳感器探測到的溫度、煙氣濃度和一氧化碳氣體濃度等物理參數(shù)進行融合，然后對火災發(fā)生概率及重要程度作出預測[3]。早在2013年，王學貴[4]就提出一種基于信息融合技術(shù)的火災危險度分布研究方法;2019年，崔莉等[5]研究多傳感器監(jiān)測的火災特征信號，結(jié)合模糊神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)一種智能火災監(jiān)測系統(tǒng);之后曹義忠[6]對電弧和火災作進一步研究，通過仿真故障電流波形特征，再利用信息融合技術(shù)實現(xiàn)電弧火災預警。然而，這種基于多傳感器信息融合的火災報警技術(shù)是當火情出現(xiàn)時才進行報警，時間滯后，不具備火災預防功能。

在電氣火災成因中，剩余電流是導致火災的重要因素之一。當電氣線路和電氣設(shè)備因絕緣受損發(fā)生漏電時，剩余電流產(chǎn)生的電壓和電流會導致接地故障，主要為相線和與地有聯(lián)系的導電體之間的短路。據(jù)統(tǒng)計，在電氣短路引起的火災中，90%是由接地故障電弧引起的[7]。另外，配電系統(tǒng)中的剩余電流往往不會立即導致火災，但剩余電流一旦產(chǎn)生便會持續(xù)增加，長期的過負荷或漏電會造成配電線路發(fā)熱升溫、絕緣老化，進而引發(fā)火災。因此，對剩余電流的預測是實現(xiàn)電氣火災早期預防的重要手段[8]。目前，國內(nèi)外對剩余電流等電氣設(shè)備參數(shù)研究較少。本文使用灰色神經(jīng)網(wǎng)絡(luò)模型對電氣數(shù)據(jù)進行分析處理，預測剩余電流和各輸入?yún)?shù)值[9]。這種火災報警技術(shù)不需要等到火情發(fā)生，而是根據(jù)電路中的異常數(shù)據(jù)即可進行預警，從而有效減少火災的發(fā)生。該模型利用灰色預測算法，可在具有不確定因素的情況下預測輸出參數(shù)數(shù)據(jù)，結(jié)合前向神經(jīng)網(wǎng)絡(luò)算法，具備對復雜數(shù)據(jù)進行非線性計算與處理的能力，可對包括預測值在內(nèi)的所有參數(shù)數(shù)據(jù)進行訓練與預測，并輸出預測結(jié)果。因此，根據(jù)對剩余電流的預測結(jié)果進行預警能有效降低火災發(fā)生概率。

1 智慧用電監(jiān)控系統(tǒng)

為獲得足夠的用電數(shù)據(jù)信息，本文使用一種可對多源終端用電數(shù)據(jù)進行實時采集與傳輸?shù)南到y(tǒng)。該系統(tǒng)實時采集剩余電流、電壓、溫度等數(shù)據(jù)信息，同時結(jié)合物聯(lián)網(wǎng)等技術(shù)，對電氣數(shù)據(jù)進行實時監(jiān)控與分析，從而實現(xiàn)電氣火災早期預防與實時報警，以及排除部分火災隱患的目的[10]。智慧用電系統(tǒng)能夠自動監(jiān)控實時數(shù)據(jù)、檢測異常數(shù)據(jù)，并對異常數(shù)據(jù)進行智能分析，得出最可能的故障類型，供相關(guān)人員參考[11]。

圖1為智慧用電系統(tǒng)原理圖，該系統(tǒng)由剩余電流互感器、電氣火災監(jiān)控設(shè)備、云平臺、PC前端與手機APP構(gòu)成。電氣火災監(jiān)控設(shè)備實時監(jiān)測線路的電壓、電流、溫度等電氣數(shù)據(jù)。正常工作時，設(shè)備將采集的數(shù)據(jù)定時更新到云平臺，并進一步存儲到數(shù)據(jù)庫中。當用戶與PC前端或手機APP發(fā)生交互時，及時從數(shù)據(jù)庫讀取數(shù)據(jù)，并對數(shù)據(jù)進行可視化。一旦系統(tǒng)發(fā)現(xiàn)異常數(shù)據(jù)，立即向PC前端與手機APP推送故障消息并報警。

本實驗使用智慧用電火災監(jiān)控系統(tǒng)采集的單個設(shè)備2018年6月30日-2019年4月16日之間的40 118組電氣數(shù)據(jù)，每組數(shù)據(jù)包含11個電氣狀態(tài)監(jiān)測值，包括三相電壓（Ua、Ub、Uc）、三相電流（Ia、Ib、Ic）、三相電溫度（T1、T2、T3、T4）和剩余電流（Inn），接下來對從系統(tǒng)獲取的電氣數(shù)據(jù)進行分析處理并建模。

2 預測模型建立

獲取電氣數(shù)據(jù)進行分析，使用剩余電流作為預測結(jié)果，將斷路器三相電數(shù)據(jù)作為影響剩余電流的因素導入灰色神經(jīng)網(wǎng)絡(luò)模型中，實現(xiàn)剩余電流及各輸入?yún)?shù)值預測。

圖2為本文系統(tǒng)建模流程圖，首先對電氣數(shù)據(jù)進行相關(guān)性分析，根據(jù)系統(tǒng)數(shù)據(jù)類型選擇合適的模型和參數(shù)，然后針對剩余電流及其影響因素建立灰色預測模型。由于影響剩余電流的因素包含監(jiān)控系統(tǒng)無法監(jiān)測的參數(shù)，而灰色預測算法可對系統(tǒng)中含有不確定因素的數(shù)據(jù)進行預測，因此利用灰色預測算法對優(yōu)化后的神經(jīng)網(wǎng)絡(luò)組合模型進行剩余電流預測具有一定優(yōu)勢。通過灰色預測得到預測時間段剩余電流影響因素數(shù)據(jù)后，再利用歷史數(shù)據(jù)訓練神經(jīng)網(wǎng)絡(luò)模型計算全部時間段剩余電流，則得到充分考慮歷史信息的剩余電流預測結(jié)果，最后通過計算模型誤差精度評估模型優(yōu)劣。

2.1 相關(guān)性分析

相關(guān)性分析是研究對象之間是否存在某種依存關(guān)系，并針對有依存關(guān)系的現(xiàn)象探討其相關(guān)方向及相關(guān)程度，是研究隨機變量之間相關(guān)關(guān)系的一種統(tǒng)計方法。數(shù)據(jù)相關(guān)性是指數(shù)據(jù)之間存在某種關(guān)系。

相關(guān)系數(shù)：以兩變量與各自平均值的離差為基礎(chǔ)，按照積差方法進行計算，即通過兩個離差相乘反映兩變量之間的相關(guān)程度。

對智慧用電系統(tǒng)中11個電氣狀態(tài)監(jiān)測參數(shù)分別進行相關(guān)性分析，結(jié)果如表1所示。

由表1可知，三相電壓、三相電流與剩余電流呈負相關(guān)，因為此處電壓采集的是電路端電壓，由全歐姆定律可知，端電壓與回路電流呈負相關(guān)。其中，Inn與Ua、Ub、Uc、Ia、Ib、Ic相關(guān)性系數(shù)絕對值均大于等于0.69，表示相關(guān)性較強，而T1、T2、T3、T4的值較小，且接近0，表示相關(guān)性較弱。因此，選擇引起電氣火災的因素，即剩余電流（Inn）作為輸出值，以及影響Inn值的因素，即三相電壓（Ua、Ub、Uc）和三相電流（Ia、Ib、Ic）作為輸入值，并將這些數(shù)據(jù)分為訓練集和測試集，其中訓練集用來訓練神經(jīng)網(wǎng)絡(luò)模型，測試集用來計算模型誤差精度。

2.2 灰色神經(jīng)網(wǎng)絡(luò)模型

2.2.1 灰色預測算法

灰色系統(tǒng)（Gary Model， GM）表示既含有已知信息，又含有未知信息的系統(tǒng)?；疑A測[12-13]通過對灰色系統(tǒng)中原始數(shù)據(jù)的整理尋求其變化規(guī)律，建立灰色微分預測模型，并對事物長期發(fā)展規(guī)律作出模糊描述[14]。本文使用GM（1，1）[15-16]表示1階1個變量的灰色預測模型，GM（1，1）是由原始數(shù)據(jù)序列累加計算出的新序列構(gòu)造而成的，建模步驟如下：

（1）由原始數(shù)據(jù)序列x（0）計算一次累加序列x （1）。

（2）為了構(gòu)建模型公式[dxdt+ax=u]，并求出a和u[17]，建立矩陣B、y，令[U=au]，其中：

（3）求逆矩陣（BTB）-1。

（4）根據(jù)最小二乘估計[U=au=BTB-1BTy]求估計值[a]與[u]。

（5）用時間響應(yīng)方程計算擬合值x1（i），再用后減運算（累加運算的逆過程）進行還原，即：

模型精度檢驗[18-19]：確定預測模型后，要通過驗證方能確定模型是否合理，然后進行預測。灰色模型精度檢驗一般有3種方法：相對誤差大小檢驗法[20]、關(guān)聯(lián)度檢驗法[21]和后驗差檢驗法[22]。本文采用后驗差檢驗法，后驗差計算公式為：

即絕對誤差序列標準差S2與原始序列標準差S1的比值。

式（4）表示小誤差概率，其中原始序列標準差為：

絕對誤差序列標準差為：

GM（1，1）模型中，指標C、P是后驗差檢驗的兩個重要指標。指標C越小越好，C越小表示其分母S1越大或分子S2越小。其中，S1大表示原始數(shù)據(jù)方差大，即原始數(shù)據(jù)離散程度高;S2小表示殘差方差小，即殘差離散程度低;C小表明盡管原始數(shù)據(jù)很離散，但模型所得計算值與實際值之差并不太離散。P誤差概率表示誤差精度等級，P越接近1，表示模型預測精度越高。標準誤差精度對照如表2所示。

將灰色預測算法得到預測時間段的數(shù)據(jù)和系統(tǒng)采集已知時間段的數(shù)據(jù)導入神經(jīng)網(wǎng)絡(luò)模型中進行模型訓練與預測，即可得到充分考慮歷史信息的預測結(jié)果，接下來介紹本文使用的神經(jīng)網(wǎng)絡(luò)算法。

2.2.2 前向神經(jīng)網(wǎng)絡(luò)

本文采用keras庫中的sequential構(gòu)建一個前向全連接神經(jīng)網(wǎng)絡(luò)模型[24-26]，如圖3所示。圖3中第一層是輸入層，讀取訓練數(shù)據(jù)。本文使用的全連接網(wǎng)絡(luò)是一個輸入層為6、隱藏層為12、輸出層為1的前向神經(jīng)網(wǎng)絡(luò)。

根據(jù)電氣火災監(jiān)控系統(tǒng)中的訓練集數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)模型訓練，模型參數(shù)設(shè)置為：誤差精度為10-4，學習次數(shù)為2 000次，誤差精度表示計算結(jié)果精確到小數(shù)點后的位數(shù)。該模型在2 000次學習訓練過程中不斷更新權(quán)值以實現(xiàn)模型重構(gòu)與優(yōu)化?；疑窠?jīng)網(wǎng)絡(luò)組合模型如圖4所示。

將數(shù)據(jù)劃分為訓練集和測試集，其中訓練集數(shù)據(jù)40000條，測試集數(shù)據(jù)118條。首先利用灰色預測算法，根據(jù)訓練集中的輸入?yún)?shù)數(shù)據(jù)獲得預測時間段的輸入?yún)?shù)數(shù)據(jù);然后將訓練集中的輸入?yún)?shù)數(shù)據(jù)和灰色預測輸入?yún)?shù)數(shù)據(jù)導入訓練好的神經(jīng)網(wǎng)絡(luò)模型中，輸出剩余電流預測值;最后計算預測剩余電流與實際剩余電流均方誤差。

3 實驗結(jié)果

本文通過搭建組合模型對11個電氣參數(shù)的4萬多組數(shù)據(jù)進行訓練，預測剩余電流值，并計算模型誤差精度以評估模型好壞。首先觀察灰色預測算法結(jié)果，將計算出的后驗差、誤差概率與標準后驗差、標準誤差概率進行對比，結(jié)果如表3所示。

圖5為訓練模型誤差曲線，橫坐標代表訓練次數(shù)（單位/次），縱坐標代表訓練誤差，誤差越接近0，表示訓練結(jié)果越好。曲線顯示，當學習次數(shù)為2 000時，模型訓練完成，最終訓練誤差趨向于0，訓練結(jié)果較好。

從圖5可以看出，三相電電壓和電流的預測結(jié)果均合格，精度等級也較高，說明模型是適用的。

將全部時間段的輸入?yún)?shù)數(shù)據(jù)導入訓練好的神經(jīng)網(wǎng)絡(luò)模型中，計算出估計值與實際值的均方誤差。

其中，[yi]是真實數(shù)據(jù)，[yi]是擬合數(shù)據(jù)，[wi>0]。得到剩余電流預測均方誤差結(jié)果為0.175mA2，誤差范圍為3%～5%，精確度較好。

圖6為灰色預測和神經(jīng)網(wǎng)絡(luò)組合模型預測剩余電流與實際漏電流對比，圖中縱坐標表示漏電流大小，橫坐標表示每組記錄對應(yīng)的漏電流值，數(shù)據(jù)集為40 118組記錄。圖6中上圖表示實際剩余電流Inn0，下圖表示組合模型預測剩余電流Inn1。從圖中可以看出，剩余電流預測結(jié)果較好。

4 結(jié)語

本文提出一種基于灰色神經(jīng)網(wǎng)絡(luò)的剩余電流預測方法。首先對電氣數(shù)據(jù)進行分析處理，選擇模型參數(shù)，然后利用灰色預測算法獲得灰色預測時間段的輸入?yún)?shù)數(shù)據(jù)，再將所有輸入?yún)?shù)數(shù)據(jù)代入訓練好的神經(jīng)網(wǎng)絡(luò)模型中，輸出剩余電流預測值，最后計算預測模型訓練誤差和誤差精度。從圖6的預測結(jié)果看出，訓練模型誤差曲線表現(xiàn)較好，誤差精度符合預期，剩余電流真實值與預測值較為吻合，預測誤差范圍為3%～5%，證明模型有較好的適用性。

本文對于剩余電流的預測結(jié)果較好，但結(jié)果中包含假剩余電流的影響，不能直接作為電氣火災發(fā)生的依據(jù)。數(shù)據(jù)結(jié)果顯示，剩余電流與三相電流有較強的相關(guān)性，今后將繼續(xù)研究在排除假剩余電流情況下，通過真實剩余電流判斷電路故障類型，從而更科學地實現(xiàn)對電氣火災的早期預警。

參考文獻：

[1] 徐曉輝.? 電氣火災報警系統(tǒng)及其信號處理[D]. 杭州：浙江大學，2007.

[2] 安立強.? 奧運公園地下商業(yè)建筑電氣設(shè)計及可靠性分析[D]. 天津：天津大學，2011.

[3] 高鵬翔.? 基于多源數(shù)據(jù)融合的配電網(wǎng)運行故障特征信息提取技術(shù)研究[D]. 北京：華北電力大學（北京），2019.

[4] 王學貴.? 基于多傳感器信息融合的火災危險度分布確定系統(tǒng)研究[D]. 合肥：中國科學技術(shù)大學，2013.

[5] 崔莉，姜濱. 基于信息融合和模糊神經(jīng)網(wǎng)絡(luò)的火災檢測系統(tǒng)[J]. 數(shù)字技術(shù)與應(yīng)用，2019，37（6）：127-128.

[6] 曹義忠.? 基于多信息融合的串聯(lián)故障電弧辨識與火災預警研究[D]. 成都：四川師范大學，2019.

[7] 劉峻. 防火剩余動作電流報警系統(tǒng)的探討[J]. 中國新技術(shù)新產(chǎn)品，2011（3）：255-256.

[8] 郝紅娟.? 消防漏電報警器及其技術(shù)的研究[D]. 天津：河北工業(yè)大學，2007.

[9] 王澮婷.? 灰色神經(jīng)網(wǎng)絡(luò)預測模型研究[D]. 鄭州：華北水利水電大學，2018.

[10] 趙棟，劉宏. 智慧用電監(jiān)控系統(tǒng)在電氣火災中的應(yīng)用[J]. 消防科學與技術(shù)，2018，37（12）：1697-1700.

[11] 張連育.? 基于數(shù)據(jù)挖掘的電力故障分析及預警系統(tǒng)研究與實現(xiàn)[D].? 沈陽：中國科學院研究生院（沈陽計算技術(shù)研究所），2010.

[12] 周榮康，徐永，李若靈. 基于灰色殘差GM（1，1）模型的道路交通量預測的研究[J]. 交通運輸工程與信息學報，2008（3）：49-53.

[13] KAYACAN E， ULUTAS B， KAYNAK O. Grey system theory-based models in time series prediction[J].? Expert Systems with Applications， 2010， 37（2）：1784-1789.

[14] 崔立志.? 灰色預測技術(shù)及其應(yīng)用研究[D]. 南京：南京航空航天大學，2010.

[15] 劉思峰，鄧聚龍. GM（1，1）模型的適用范圍[J]. 系統(tǒng)工程理論與實踐，2000（5）：121-124.

[16] 巫仁亮，徐偉華，沈文喆. 基于灰色神經(jīng)網(wǎng)絡(luò)的云南省貨運量預測模型研究[J]. 物流科技，2019，42（8）：13-16，19.

[17] 謝乃明，劉思峰. 離散GM（1，1）模型與灰色預測模型建模機理[J]. 系統(tǒng)工程理論與實踐，2005（1）：93-99.

[18] 楊華龍，劉金霞，鄭斌. 灰色預測GM（1，1）模型的改進及應(yīng)用[J]. 數(shù)學的實踐與認識，2011，41（23）：39-46.

[19] 盧懿.? 灰色預測模型的研究及其應(yīng)用[D]. 杭州：浙江理工大學，2014.

[20] 王慶慶，李謀濤，張星杰. 基于灰色預測GM（1，1）模型的體育彩票銷量預測[J]. 黃山學院學報，2018，20（3）：105-109.

[21] 葉然然.? 地鐵客流量灰色關(guān)聯(lián)度及預測模型研究[C].? 2019世界交通運輸大會，2019：1399-1410.

[22] 孫建梅，錢秀婷，王永晴. 基于改進灰色模型的中長期電力負荷預測[J]. 電工技術(shù)，2019（19）：28-31.

[23] 王占明. 基于灰色系統(tǒng)模型的海城大洪水預測分析[J]. 吉林水利，2018（11）：51-53.

[24] 單聯(lián)濤，張曉東，朱桂芳. 基于三層前向神經(jīng)網(wǎng)絡(luò)的聚合物驅(qū)含水率預測模型[J]. 油氣地質(zhì)與采收率，2007（5）：56-58，65.

[25] 馬建偉，張國立. 人工魚群神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)短期負荷預測中的應(yīng)用[J]. 電網(wǎng)技術(shù)，2005（11）：36-39.

[26] 毛健，趙紅東，姚婧婧. 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J]. 電子設(shè)計工程，2011，19（24）：62-65.

（責任編輯：黃 ?。?/p>