基于多傳感器信息融合的電纜火災預警建模與仿真

韓丙光，趙子源，劉 建，王 聰

（國網山東省電力公司德州供電公司，山東 德州 253000）

電纜火災作為火災類型的一種，其可能會導致大面積停電甚至引發爆炸[1]。例如，2016年6月18日，陜西電力公司西安南郊330 kV 變電站著火，后續調查事故系電纜溝失火引起，該事故造成周邊部分區域停電、停水。2016 年10 月12 日，日本埼玉縣新座市的地下電纜發生火災，造成東京城區11 個區約58.6 萬戶停電。電纜火災的發生通常有以下幾個因素[2-3]：1）在電纜長期滿負荷運行的狀態下，電纜接頭電阻高，且接頭過熱引發火災；2）電纜絕緣損壞引發短路故障，使得電纜產生的電弧引起電纜外保護層燃燒，進而引發火災；3）外界的火源或熱源引發火災。

為預防電纜火災的發生，需要建立電纜火災預警系統[4]，將火災扼殺在萌芽之中。當前傳統的火災預警系統通常是基于單一傳感器設計，預判火災準確度低。為解決這一問題，文獻[5]采用層次分析法，對多個火災影響因素進行專家評判；文獻[6]在實驗室環境下對電流、溫度與電纜表皮溫度的對應關系進行了驗證；文獻[7]通過多個因素建立火災預警系統。采用基于多傳感器的火災預警，可結合溫度、濕度、CO 等多種火災特征進行全面分析，對于火災的預警判斷更加準確。然而，建立多個因素與火災之間關聯關系的模型，仍需要進行定量分析。該文提出了基于D-S 證據理論的多傳感器數據融合的火災預警系統，采用統計學建立了多信息融合的概率統計模型。仿真結果表明，該火災預警系統較單一傳感器預警系統更加有效，且實用性更強。

1 多傳感器火災預警的特征組合

電纜火災發生時有多種特征變化較大，如溫度（熱特征）、煙霧、氣體、圖像檢測等[8]。多傳感器信息融合的火災預警即通過收集承載著不同特征傳感器中的數據，進行融合分析決策的技術。電纜溝道范圍較大，采用圖像檢測特征的缺點是建設成本過高，因此電纜火災通常檢測溫度、煙霧和氣體3 種特征。溫度主要通過熱對流傳感器進行探測，通常使用熱電阻或熱電偶。煙霧主要采用離子感煙和光電感煙兩種煙霧傳感器進行傳感，煙霧信號也是最常用的單一傳感器信號。氣體主要是電纜保護層燃燒產生的CO 和CO2。常用的特征組合有以下4 種：溫度與煙霧的組合、溫度與氣體的組合、煙霧與氣體的組合以及溫度、煙霧與氣體的組合。

根據電纜火災的特點，文中采用第4 種火災特征組合方式，即溫度、煙霧與氣體組合的形式。其中溫度采用熱電阻傳感器；煙霧采用離子感煙傳感器；氣體采用CO 濃度傳感器。傳感器特征組合如圖1所示。

圖1 傳感器特征組合

2 多傳感器信息融合技術

用單一傳感器進行火災預警常有誤報信號的情況發生。多傳感器的信息融合比單一傳感器的決策更具有準確性和抗干擾能力[9]，并已在工業、國防、商業等多個領域廣泛應用[10-11]。目前較為普遍的融合技術有閾值判斷法、信號關系式法、神經網絡法、模糊算法、D-S 證據理論等。閾值判斷法即設置某種信號的閾值或者某種信號的變化率閾值進行判斷；信號關系式法即設置多種信號的關系式，通過邏輯與、邏輯或和邏輯加的運算，利用關系式的最終結果判斷是否高于設定的閾值，該方法是閾值判斷法的一種改進；神經網絡法依靠大量數據訓練不同權重的網絡進行預測，目前已有的神經網絡模型有反饋神經網絡（BP）、概率神經網絡（PNN）和學習向量機（LVQ）等；模糊算法則是基于模糊變換先得到各決策的可能性數組，再根據一定的準則選擇決策；D-S 證據理論是一種基于估計的統計學方法，通過信任函數的方式將多種信息融合起來得到火災發生的概率[12]。

該文采用D-S 證據理論的信息融合技術，通過D-S 證據理論，而無需條件概率等先驗條件，即可對互斥事件進行證據的有效結合，相較于貝葉斯理論，其實用性更強且靈活性更高[13-14]。

3 電纜火災預警系統建模

電纜火災預警系統信息融合模型如圖2 所示。

圖2 電纜火災預警系統信息融合模型

首先介紹D-S 證據理論的數據融合規則[15]，其定義了一個集函數：

其中：

若滿足上述公式，則m(A) 為A的基本概率賦值Mass 函數。

多組數據融合則是多個數據概率進行正交和運算，比如n個傳感器的數據通過下述運算得到融合概率[16]：

K表示各傳感器數據結果之間的沖突系數。

火災預警有3 種互斥情況，分別為起火、不起火和不確定，文中采用正弦函數對3 種信號傳感器進行估計。

對于熱電阻傳感器，溫度區間為[20,100]，單位為℃。考慮到當溫度高于80 ℃時，起火的概率大幅度提升，建立初始概率分布模型如下：

其中，pR1、pR2和pR3分別為熱電阻傳感器起火、不起火和不確定的初始概率。

為了使3 種互斥情況的概率之和為1，滿足Mass賦值函數成立的條件，對其進行歸一化處理，將每種情況的概率除以3 種情況的概率之和。

其中，PR1、PR2和PR3為歸一化處理后滿足Mass賦值函數條件的熱電阻起火概率、不起火概率和不確定概率。

熱電阻傳感器的輸出概率Mass 函數如圖3所示。

圖3 熱電阻傳感器輸出概率

建立離子感煙傳感器的概率模型，其暗度的范圍為[0,0.2]，單位為L/m。在離子感煙暗度高于0.18 L/m 時，起火概率提升。概率分布模型如下：

其中，pS1、pS2、pS3分別為離子感煙傳感器起火、不起火和不確定的初始概率。將各初始概率進行歸一化處理，得到離子感煙的輸出概率Mass 函數，如圖4 所示。

圖4 離子感煙傳感器輸出概率

建立CO 濃度的概率模型，其范圍為[0,40]，單位為ppm。考慮到CO 濃度在5 ppm 以下時不起火的可能性增加，因此CO 濃度的初始概率模型如下：

歸一化處理后的CO 濃度的輸出概率Mass 函數如圖5 所示。

圖5 CO濃度傳感器輸出概率

4 電纜火災預警系統的仿真

為驗證該預警模型的有效性，在ISO9705 標準的燃燒室進行燃燒仿真實驗。電纜絕緣層目前的材料主要有聚氯乙烯（PVC）、聚乙烯（PE）、交聯聚乙烯（XLPE），文中采用聚乙烯（PE）板作為燃燒材料進行實驗。溫度傳感器熱電阻安裝在房間頂部中央的位置，距離房間頂部40 cm；離子感煙傳感器和CO 濃度傳感器在房間自帶的排煙管道中，可直接收集數據。點火源采用酒精，當第一滴燃燒材料滴落后立即移開點火源。收集數據間隔為10 s，總共采集600 s的數據。仿真曲線如圖6～圖8 所示。

圖6 溫度傳感器仿真曲線

圖7 離子感煙傳感器仿真曲線

圖8 CO濃度傳感器仿真曲線

接下來，文中選擇一個中間時間節點T=300 s 時進行預警決策。在該時間節點下，溫度傳感器、離子感煙和CO 濃度的數值如表1 所示。根據表1 中的值通過概率模型計算，得到3 個傳感器的3 種互斥情況概率如表2 所示。

表1 T=300 s時間節點下的傳感器值

表2 傳感器的輸出概率和決策

若單獨針對某一種信號來看，從3 種互斥情況中選擇概率最大值作為火情估計。溫度傳感器的決策結果為起火；離子感煙傳感器的決策結果為不確定；CO 濃度的決策結果為起火；單一傳感器的結果不統一，難以對是否起火進行準確估計。

根據D-S 組合規則進行數據融合，首先計算沖突系數K：

然后分別計算融合信息后的起火概率、不起火概率和不確定概率，可得Pfire=0.518，Pno-fire=0.095，Pnot-sure=0.387。其中，Pfire為融合后的起火概率；Pno-fire為融合后的不起火概率；Pnot-sure為融合后的不確定概率。3 種傳感器信息融合后的決策表如表3 所示。

表3 信息融合后的概率和決策

在經過D-S 證據理論信息融合后，通過表格3發現起火概率最高，因此火災預警系統的決策為起火。信息融合使得在不同的傳感器給出不同信息時，綜合3 種信息的Mass 函數進行計算，進而得到融合概率，再通過融合概率對火災是否發生進行估計。

由仿真實驗結果可知，在兩種傳感器判斷不確定的情況下，融合信息后進行綜合估計，提高了電纜火災預警系統的靈敏度，能夠比單一傳感器系統提早預警火災的發生。

5 結束語

該文提出了基于D-S 證據理論的多傳感器火災預警系統。該系統通過D-S 證據理論對量測火災概率數據進行融合處理，分別得到起火、不起火和不確定3 種互斥情況的融合概率，并進行決策。該系統相較于單一傳感器的準確度有較大提升。仿真結果表明，該系統能夠綜合多種傳感器結果進行判斷，其具有較高的抗干擾能力和可靠性，進而降低了火災預警的誤報率。