基于神經網絡的電纜火災致災因素分析建模與仿真

杜斌祥，趙金勇，趙子源，韓丙光

（國網山東省電力公司德州供電公司，山東德州 253000）

近年來，隨著社會經濟的不斷發展，輸配電通道也在不斷進行優化提升，且電纜在電網中所占比例逐年提高，并日益成為電網安全運行的重要組成部分。電纜具有占地面積小、不易受外界影響等優點，然而電纜同時也需要重視防火問題[1-2]。尤其是老舊電纜線路存在著較大的安全隱患，在電纜敷設錯誤、長期超負荷運行[3]、絕緣受腐蝕[4]等因素的影響下，均會導致火災的發生。電纜火災發生時，存在定位難、撲滅難等問題。火災引起的短路、電氣設備損壞等，會極大影響電力系統的安全，且短時間內較難恢復正常運行[5-6]。

針對電纜火災問題，建立了精確的致災因素分析模型，從而確定導致電纜火災的主要因素，并根據建模結果及時對火災進行預警。對電纜進行預防性運行、維護，成為了保障電纜安全運行最為經濟、有效的手段之一。

在傳統的電纜火災致災因素分析模型中，常用的致災因素包括煙霧、熱釋離子等。針對這些因素建立分析模型時，一方面缺少全面、專業的綜合性因素分析；另一方面，也未考慮各因素之間的時序性、非線性關聯。為解決這些問題，文獻[7]使用層次分析法，從電力電纜運行參數、電纜火災安全、電纜類型與電纜敷設4 個方面，對電力電纜火災風險的影響因素進行了分析，并建立了電力電纜火災風險評價模型。文獻[8]根據城市電纜隧道發生火災的特征，從風險隱患與災害后果兩個方面出發，構建了電纜火災風險因素的層次模型，提出了城市電力電纜隧道定量火災風險評估方法；文獻[9]采用火災動力學建立全尺寸火災模型，分析電纜艙室內火災發展過程及煙氣溫度分布規律，研究了艙室截面尺寸對電纜火災熱釋放速率的影響規律；文獻[10]采用有限元熱傳導分析的方法建立了電纜火災的溫度模型，提出了光纖感溫火災檢測系統在電力電纜隧道中的應用方案。

為了在建模過程中統籌考慮致災因素的全面、專業性，并建立各因素之間的時序性、非線性關聯，文中提出了一種基于層次分析法與神經網絡的電纜火災致災因素分析。利用層次分析法對各因素進行全面分析，并采用神經網絡建立時序與非線性模型。仿真結果表明，該模型可有效提高各因素與火災預警的關聯準確性。

1 層次分析法因素評價

電纜火災因素受多種物理、化學因素的影響，例如電纜敷設方式、電流電壓、絕緣腐蝕情況、長期受力情況等，多種因素的綜合作用導致電纜火災。但由于電纜的運行情況復雜性較高，不同工程現場面臨的因素有較大的區別。因此，難以從數據層面直接得出影響電纜火災因素的定量分析數據。

為了對電纜火災因素進行定量分析，并確認各因素的影響，尤其是無法獲得測量結果的因素，文中采用了層次分析法，使用專家評判的方式建立客觀的決策分析模型，從而確定火災因素。

層次分析法（Analytic Hierarchy Process，AHP）是采用分層模型，對影響決策的因素進行定量分析的方法[11]。層次分析法對評價對象的各因素建立具有層級結構的模型，然后對各因素進行逐層分析，生成判別矩陣，從而建立起定量關系分析模型[12]。

為建立電纜火災因素的層次分析模型，其步驟如下：

1）由涉及電纜火災各專業的專家對火災因素進行充分的收集及列舉。

2）由專家對因素進行歸類分析，建立起三層層次模型。

3）由專家逐層對各因素的重要性進行比較，從而構造判別矩陣[13]。

判別矩陣的構建方法為：

其中，aij為元素i相對于元素j的重要程度。

4）對層次判別矩陣進行一致性檢驗。其主要指標為：

其中，λmax為判別矩陣的最大特征值。

5）對層級因素進行排序。

建立電纜火災因素層次分析模型的流程圖，如圖1 所示。

圖1 致災因素層次分析流程圖

2 神經網絡建模

采用層次分析法可對火災的致災因素進行排序、篩選，從而定量分析得出較為重要的因素。然而在實際應用中，需要根據各致災因素的測量值建立精確的致災因素分析模型，并根據建模結果及時對火災進行預警。而火災的電流電壓、絕緣腐蝕情況等因素具有時序特征，且在各因素的綜合作用下，因素與結果之間會出現非線性的關聯。因此需要建立對時序因素、非線性因素、定性因素、定量因素進行分析的模型，從而對火災風險進行更為精確的評價。

為建立對時序因素、非線性因素進行分析的模型，該文采用了神經網絡算法。其采用類似神經元的結構，建立各輸入特征與輸出特征之間的拓撲結構和連接關系。通過設置神經元的輸入輸出映射關系，建立復雜的非線性關系，并通過采用數值訓練確定神經網絡結構中的權重等參數，從而實現在各輸入因素復雜作用下，對輸出結果的預測分析[14]。

典型神經元模型的結構如圖2 所示。

圖2 神經元模型結構

神經網絡的數學模型為：

其中，[x1,x2,…,xm]為輸入的特征向量；[wk1,wk2,…,wkm]為輸入特征向量與神經元的連接權值；bk為偏置向量，對輸出進行正值或負值的偏置；g表示激活函數，通常采用非線性函數，從而能表達復雜的非線性映射；yk為對輸入進行一系列的加權、非線性處理后得到的輸出。

該文采用神經網絡算法，對層次分析法得到的致災因素進行進一步的建模，從而建立致災因素與火災之間的非線性時序模型，步驟如下：

1）數據預處理。層次分析法對火災的致災因素進行排序、篩選后，得到的因素包括定量因素和定性因素。因此需要對定量與定性因素進行處理，轉換為適合神經網絡處理的數值。對于定量因素，將其進行歸一化處理，轉換為[-1,1]之間的數值，從而避免由于不同定量因素的取值范圍不同，而引起神經網絡建模過程中的不收斂問題或神經元的飽和問題[15]。對于定性因素，按照其對決定性產生影響的程度，轉換為[0,1]之間的數值，例如絕緣腐蝕情況，按照腐蝕程度的無腐蝕、輕度腐蝕、中度腐蝕和重度腐蝕，轉換為數值[0,0.3,0.6,1]。同時，各因素的時序定性值、定量值均作為輸入進行模型訓練。

2）網絡模型初始化處理。神經網絡在訓練過程中，模型的輸入單元、隱含層的層數、隱含節點等參數均是固定的，因此需要對這些參數進行初始化處理并確定神經元函數的類型。神經網絡模型的網絡架構，對模型的最終性能和訓練過程的收斂速度均有較為重要的影響。因此為了保證模型的性能，需要合理地選擇模型的參數和結構，模型結構的選擇通常采用經驗和實驗試探相結合的方法[16]。文中在模型建立過程中，選擇隱含層的層數為1 層。

3）模型訓練。對神經網絡模型進行初始化后，采用獲取的數據集對神經模型進行訓練。在訓練過程中，模型根據輸入、輸出進行擬合，并將擬合得到的輸出與真實輸出進行對比，從而形成誤差反饋。在多個訓練樣本的作用下，模型根據訓練誤差反饋，不斷調整模型的相關參數并進行迭代計算，直至結束訓練為止。訓練過程中的誤差為：

其中，dqk為第q個數據的第k個輸出擬合值；Oqk為第q個數據的第k個輸出真實值；Eq為第q個數據的訓練誤差。

4）模型驗證。神經網絡模型在訓練過程中不斷進行迭代計算，且得到的訓練誤差也隨之不斷收斂。然而，所得模型僅是在訓練數據集中得到的誤差反饋。為了驗證模型的真實表現，需要選取驗證數據對模型的能力進行驗證，確保模型未出現過擬合現象，從而保證模型在訓練數據、真實數據中的仿真結果具有魯棒性。

5）模型輸出。對模型進行驗證后，得到的神經網絡模型即為最終的模型輸出。該模型為非線性模型，反映了電纜火災致災因素與火災之間的非線性關聯關系。

建立電纜火災因素的神經網絡模型流程如圖3所示。

圖3 神經網絡建模流程

3 模型仿真

為了驗證基于神經網絡的電纜火災致災因素分析模型的有效性，對基于實驗條件下的電纜火災數據集進行建模分析。為了對其方法的效果進行對比，同時采用專家系統、線性回歸模型進行分析。

模型采用Matlab 進行搭建，仿真環境采用Intel Core i5-8250U CPU@1.8 GHz，內存為8 GB，操作系統為Windows 10。

首先采用層次分析法確認環境溫度、環境濕度、腐蝕程度、施工質量、外界受力、電壓等級、載流量、導體材質、導體溫度、運行年限共計10 個因素。考慮到各因素時序特征的影響，分別選取各因素的30天、7 天、24 小時的歷史取值，共計30 個因素。由于神經網絡模型的輸入考慮了時序因素，因此模型的輸入節點共計30 個。根據經驗值，模型設計了一個隱藏層，其包含17 個神經元；模型的輸出為火災發生的概率p。

作為對比的專家系統，使用知識庫建立電纜火災致災因素與火災發生概率之間的推理規則，該規則來自于專家的經驗推斷。采用多元線性回歸模型，輸入經層次分析法得到的10 個因素，輸出為火災發生的概率p。對于定性數據，其處理方式采用與神經網絡模型同樣的方式，線性回歸模型采用最小二乘法進行擬合。

為了對3 種模型的測試結果進行準確比較，將火災發生的概率進行對比，并且在多個實際發生火災的案例中進行了驗證，再對模型的準確率進行統計。

首先對不考慮時序的致災因素模型準確率進行分析，分析結果如表1 所示。

表1 非時序因素下模型準確率對比

非時序因素下，神經網絡算法對電纜火災致災因素的分析更為準確。同時，專家系統也取得了較優的準確率。

為分析時序因素對火災發生準確率計算的影響，采用同樣的建模方法。分別選取各因素的30 天、7 天、24 小時的取值作為時序因素進行計算，所得到的結果如表2 所示。

表2 時序因素下模型準確率對比

考慮時序因素后，神經網絡模型對電纜火災致災因素的分析取得了更為準確的結果。而專家系統的準確率并未出現提升，且線性回歸模型的準確率有了明顯的下降。這是因為在輸入因素變多的情況下，超出了多元線性回歸模型的數據處理能力，從而導致結果的隨機性增強。

由以上結果可知，采用神經網絡模型建立電力火災致災因素分析模型，可以提高模型的準確率。

1）時序因素的處理能力。在不同的時間范圍下，電力火災致災因素也會出現變化，而這一變化對最終的火災發生會產生重要的影響。因此采用神經網絡模型將各個因素的歷史取值計算在內，可有效提高模型的最終準確率。

2）模型自主學習的能力。神經網絡模型的訓練過程，是根據誤差計算與反饋方式自動進行的。在這一訓練過程中，建立的模型可以存儲大量的專家知識，而且模型根據數據的不斷完善，持續進行自動更新，從而實現對模型結構和規則的不斷完善。

3）模型的魯棒性。電纜火災致災因素包含定性、定量等因素，同時各因素之間還具有非線性的聯系。神經網絡模型具備同時處理各種因素的能力，且模型具有良好的魯棒性。輸出結果不會因為因素數量的增多和非線性聯系的建立，而出現精度的降低。

4 結束語

該文針對電纜的火災致災因素問題，建立了神經網絡分析模型并對模型進行仿真驗證。該模型基于專家知識，采用層次分析法對致災因素進行逐級分析，確認了導致火災的定性和定量因素。通過完成神經網絡建模及訓練，并考慮各項輸入的時序，最終建立致災因素與火災之間的非線性時序模型。基于實際工程應用數據的驗證與測試結果表明，該文所設計的模型可以有效提高火災預警以及關聯致災因素分析的準確性。