基于神經網絡技術的電氣火災預警系統研究

于 蘭，賈振國

（1.長春工程學院 能源動力工程學院，長春 130012；2.吉林省建筑能源供應及室內環境控制工程研究中心，長春 130012）

隨著電氣行業的飛速發展，電氣火災的發生越來越頻繁，電氣火災發生時將會對電力系統造成巨大的影響，嚴重時還將會造成生命的威脅以及財產的損失。 針對電氣火災預警的方法，此前，相關文獻也有研究。 文獻[1]提出了一種基于電能計量芯片的電氣火災預警系統。 該系統通過使用電能計量芯片，更全面、準確地監測電能的質量；同時，通過諧波分析預測線路和設備的異常發熱，結合漏電檢測數據，發出電氣火災預警信號。 但該系統對電氣線路和異常監控的有些誤差， 因此還需進一步研究；文獻[2]提出了一種基于故障電弧探測的電氣火災預警系統。 該系統采用電弧探測器，明確了故障電弧時域、頻域特征元素以及識別方法，實現對電氣故障的檢測；利用小波降噪的方法，實現對電氣頻域的探測。 若發現電氣運行的異常，系統會啟動電氣火災的預警。 但該系統存在故障電弧探測器誤報的問題還需要解決。

基于上述文獻中存在的問題，本文設計了電氣火災預警系統。 該系統采用可編程控制器（programmable logic controller，PLC） 作為主控單元，實現對電氣數據的處理與判斷；采用探測器對電氣運行的狀況進行探測，若出現異常將觸發預警系統，實現電氣火災的預警[3]。 本研究的關鍵技術在于設計了無線電氣火災監控技術，采用NB-IoT 無線通信技術， 實現監控主機與預警系統之間信息的傳輸，監控主機負責對電氣設備運行的現場監控，從而及時發現電氣設備的異常。 此外，本系統利用改進BP神經網絡算法，實現了電氣火災故障的識別。

1 電氣火災預警系統

電氣火災將會對生命和財產造成巨大的損失，因此對電氣火災預警的設計是十分有必要。 本文設計了電氣火災預警系統。 本系統采用可編程邏輯控制器（PLC）作為主控單元，對電氣火災進行探測以及火災的預警，并通過以太網進行對預警信息的傳輸[4]。 電氣火災預警系統結構如圖1 所示。

圖1 電氣火災預警系統結構圖Fig.1 Structure diagram of electrical fire warning system

電氣火災預警系統通過溫度、煙霧傳感器進行檢測是否有火災險情。 若檢測到溫度和煙霧濃度過高，傳感器探測系統將會把信號傳送給PLC。PLC 對信號進行處理，并通過以太網將處理過的信號傳送給上位機組態監控系統；同時，上位機顯示電氣火災信號[5]。 當火災信號出現并被檢測到，將會觸發電氣火災預警系統。 預警系統的蜂鳴聲和指示燈將會啟動，提醒人員有險情發生，同時控制器對事故現場檢測故障做出相應的處理。 此時，應急照明系統將啟動，為人員提供照明。

當系統采用紅外人體感應器時，能夠實現人體感應的檢測。 比如當檢測到火災險情時，將會啟動紅外人體感應器， 通過該傳感器進而探測人員位置，檢測到的數據信息被傳遞到上位機。 救援人員通過顯示的位置，實現被困人員的搶救。

系統采用EHT-MPI 轉換器， 實現PLC 與以太網的連接。 上位機采用組態軟件對火災預警系統進行監控，利用觸摸屏實現設備定期維護。 本系統還設計了數據庫，將溫度傳感器和煙霧傳感器采集到的數據信號傳輸至數據庫存儲。 系統依據設備運行時的實時溫度對數據進行分析，如果溫度發生異常狀態，則會啟動預報警。 觀測人員可以調用預警系統信息，對實際情況進行查看，判斷是否有異常發生，進而實現電氣火災的預警。

2 關鍵技術

2.1 無線電氣火災監控技術

基于上述研究的電氣火災預警系統，本研究在該系統中更深入地設計了無線電氣火災監控技術，防止在電氣火災險情時網絡傳輸的中斷，進而減少人員傷亡和財產損失。采用Boudica 芯片，實現無線通信技術，監控主機可通過NB-IoT 技術進行長距離傳輸。 無線電氣火災監控技術結構如圖2 所示。

圖2 無線電氣火災監控技術結構圖Fig.2 Structure diagram of wireless electrical fire monitoring technology

電氣火災監控主機內置RS-232 和RS-485 兩個有線傳輸接口，實現與終端系統電氣火災監控信息的傳輸。 電氣火災監控技術與電氣火災報警系統之間采用NB-IoT 無線傳輸芯片，實現雙向通信的功能[6]。 該監控技術采用無線視頻傳輸模塊，直接完成電氣火災監控視頻信號的傳輸，具有很高的抗干擾能力，并且能夠實時傳輸視頻信號。 監控主機主要包括微控制器MCU 電路、 無線通信接口電路等。MCU 與無線收發芯片之間采用NB-IoT 通信技術，實現監控視頻信號的雙向傳輸。

在該無線電氣火災監控技術中，設計出新型的微控制器MCU，實現無線電氣火災監控，采用LPC1752單片機，型號為Cortex-M3 內核的32 位微控制器，內部設置有512 KB 容量的閃存， 該閃存具有高度集成和低功耗的優點。 監控主機實現數據信息探測，通過攝像頭實現現場電氣異常狀況的及時捕捉，所捕捉的數據信息被傳送至電氣火災預警系統，大大降低了電氣火災的發生。

無線通信模塊采用BC60NB-IoT 芯片，實現監控主機與電氣火災預警系統之間的無線通信，避免火災險情發生而引起的有線網絡通信的中斷。 NB-IoT技術可實現電氣火災現場采集監控、無線通信以及對火災的識別。

2.2 基于改進BP 神經網絡算法的電氣火災故障識別

本研究分析了電氣火災故障的識別方法，從根源阻止電氣火災的發生。 該方法采用改進BP 神將網絡算法，充分利用神經網絡的非線性處理、自學習和自適應能力，在BP 神經網絡的基礎上加上動量項優化神經網絡，改進BP 神經網絡的學習效率[7]。該研究選用3 層BP 神經網絡，采用梯度法修正權值。 三層BP 神經網絡的結構如圖3 所示。

圖3 三層BP 神經網絡結構圖Fig.3 Three-layer BP neural network structure diagram

在BP 神經網絡模型中，首先實現BP 神經網絡模型的初始化。 假設：輸入數據為p 和q 個，數據樣本為m，則輸入層與中間層之間的權值為wih，隱含層與輸出層之間關聯的權值為who，將隱含層神經元閾值θ 和輸出層神經元閾值γ 賦予（-1，1）之間的隨機數[8]，ε 為計算精度值，M 為最大學習次數。設定誤差函數為

式中：d 為無線電氣火災監控期望輸出；y 為無線電氣火災監控實際輸出；do（k）為無線電氣火災監控理想輸出值；yo（k）為無線電氣火災監控實際輸出值。隨機選取第k 個輸入樣本x（k）和對應的期望輸出d（k）。 計算隱含層各神經元輸入uh（k），然后用和激活函數計算隱含層輸出vh（k），同樣辦法求輸出層輸入yo′（k）和yo（k），計算公式為

式中：k 為輸入樣本的個數，通過式（2）計算出隱含層各神經元的輸入以及隱含層輸出，輸出層的輸入和輸出，實現對電氣火災故障的樣本數據的訓練。

計算誤差函數對輸出層各神經元的偏導數和隱含層各神經元的偏導數為[9]

通過式（3）計算出輸出層和隱含層各神經元的偏導函數，進而觀察電氣火災故障的特征。

用輸出層神經元的δo（k）和隱含層各神經元輸出vh（k）修正連接權值who和閾值γ，計算表達式為

式中：η 為學習率，在（0，1）之間。 通過式（4）實現神經網絡對電氣火災故障的學習訓練進一步加強。

將隱含層和輸入層的各神經元進行輸入xi（k）修正連接權值wih和閾值θ，其中表達式為

通過式（5） 能夠計算出隱含層和輸入層的各神經元修正值和閾值，實現對電氣火災故障的特征提取。

最后計算全局誤差E，計算表達式為

式中：當E＜ε 或學習次數超過設定最大次數M，在傳統的BP 神經網絡中易陷入局部極小點，學習速率的提高會產生振蕩和魯棒性不好。 為此，引入動量項進行對傳統神經網絡改進[10]。

對各個可調節參數的學習率不停的調整，直到恰當合適，解決困擾的局部極小問題[11]。通過上述的改進，利用權值與閾值進行判斷：若E＜ε 或學習次數超過設定最大次數M，算法結束，電氣火災沒有發生故障；若E＞ε 有電氣火災故障發生，進而實現對電氣火災故障的識別。

3 實驗結果與分析

為了驗證該研究的系統有效性，本文搭建了實驗平臺，通過相關的實驗對系統的功能進行測試。 本實驗采用Protious 仿真軟件進行對系統仿真，采用Matlab 7.0 神經網絡工具箱，結合仿真軟件對神經網絡算法進行仿真分析[12]。操作系統為Windows XP，內存為4 G，硬盤為500 G，數據庫為SQL Server2000，仿真軟件為Protious，神經網絡工具箱為Matlab 7.0，服務器為Centos6.5，通過上述試驗，系統測試實驗架構如圖4 所示。

圖4 實驗架構示意圖Fig.4 Schematic diagram of experimental architecture

本實驗采用的實驗數據為某電氣企業的設備工作狀態以及故障時的狀態數據[13]。通過10 個小時試驗，對系統進行仿真，結合神經網絡算法對電氣火災進行預警得到實驗數據。 容易造成電氣火災的實驗數據如表1 所示。

表1 實驗數據Tab.1 Experimental data

通過以上對實驗平臺的搭建， 進行實驗測試。在測試火災預警系統時效性時，通過發出設備異常的信號，記錄預警信號發出的最短時間，來測試火災預警系統的時效性[14]。為了形象分析該研究結果，測試結果與文獻[1]和文獻[2]的測試結果進行對比。實驗結果對比如圖5 所示。

圖5 測試結果對比示意圖Fig.5 Schematic diagram of comparison of test results

為了實現火災預警數據信息分析、提高時效性測試能力，本文進行了相關試驗和分析。 通過試驗結果可以看到，該研究系統火災預警響應時間明顯比文獻[1]和文獻[2]少，火災預警響應時間均低于2 s；在進行第3 次實驗時，火災預警響應時間最短為0.5 s。 因此，通過試驗，該系統火災預警反映能力比較高。 在應用文獻[1]時：在進行第1 次實驗時，火災預警響應時間最短為3 s。文獻[2]在對火災預警的時效性進行測試時，火災預警響應時間顯然比本研究系統響應時間高，響應時間在2～5 s 之間波動。通過試驗，說明波動幅度較大，幅度很不穩定，在進行第3 次實驗時，火災預警響應時間最少為2.3 s。由此可見，本文研究的系統火災預警具有較好的時效性，能夠及時檢測設備異常的出現，減少火災險情隱患。

基于上述實驗對火災預警的時效性測試，接著進行對神經網絡故障識別的準確度測試。 通過發送故障數據，對故障的類型進行識別，從而測試故障識別的準確性。 實驗結果仍與文獻[1]和文獻[2]進行對比，實驗結果對比如圖6 所示。

圖6 實驗結果對比Fig.6 Comparison of experimental results

由圖6 可知，本研究系統在對電氣火災故障進行識別時，尤其是準確性測試時，電氣火災故障識別準確性可在80%～100%之間波動，波動幅度較小，并且較穩定。 在進行第20 次實驗時，電氣火災故障識別準確性最低為82%。 在進行第15 次實驗時，電氣火災故障識別的準確性最高為96%；文獻[1]對電氣火災故障的準確性測試和識別時，準確率在40%～70%之間波動，在第30 次實驗時，電氣火災故障識別準確率最高為70%。 文獻[2]對電氣火災故障準確性測試時，電氣火災故障識別的準確率在40%～80%之間波動，波動幅度為40%較不穩定，在第15 次實驗時，準確率最高為74%。 因此本研究的系統實現電氣火災故障識別時，具有較高的準確率。

4 結語

為了提高電氣火災事故預防能力，降低財產的損失，本研究設計了電氣火災預警系統，在控制系統中，通過可編程邏輯控制器PLC 作為主控單元，對探測器探測出的數據進行處理分析；通過探測器實現設備運行數據信息的采集；通過無線通信網絡經數據傳送至預報警系統，實現電氣火災的預報警。本系統在實現無線數據信息交互，通過監控主機提高了電氣運行設備的現場監控能力，通過Boudica芯片實現無線通信，并提高了遠程數據信息交互能力。 雖然本研究具有一定的技術優勢，但仍舊存在一定的缺陷，比如在實現數據信息監控時，收到外界信息影響量程度如何分析和計算，電氣監控的誤差影響量因素分析等，都存在諸多技術問題，本研究仍需進一步研究，同時為下一步研究奠定技術基礎。