基于模糊神经网络的电网消防预警算法

赵嘉兴　荆玉智　张彦

摘要：针对传统基于阈值判别方法的电网火灾预警系统预测精度低、抗干扰能力弱的问题，提出了一种基于模糊神经网络的电网消防预警算法。该算法利用神经网络学习大规模电网数据，使用模糊逻辑推理算法来提升预测结果的推理能力，并通过结合神经网络对大规模数据的学习能力和模糊逻辑算法的推理能力来分析电网线路参数，从而提升电网消防预警系统的精度和抗干扰能力。实验与仿真结果表明，所提出方法能显著提升电网火灾的预警精度，且使用模糊逻辑推理可以得到更符合实际情况的电网火灾预警结果。

关键词：电网预警；抗干扰；神经网络；模糊推理；信号处理

中图分类号：TM76 文献标志码：A 文章编号：1000-1646（2024）01-0019-05

随着经济的快速增长，电能逐渐成为了主要能源，同时大规模电网和电器设备的使用也逐年增加。然而，在电网规模快速增长的同时，由于不合理的施工和电网设备的老化使得电网火灾的数量也呈现出逐年增长的趋势。虽然我国电网大部分均装有火灾预警系统和装置，但传统的预警系统可靠性较差、响应时间长且准确率低，导致火灾预警的误报和漏报率均较高。

目前，常用的电网火灾预警方法包括变化率探测法和固定门限探测法。其中，变化率探测法是指传感器所探测到的信号变化幅值超过预设值时产生报警信号；而固定门限探测法是指传感器所探測到的信号幅值超过预设值时产生报警信号。随着模拟量火灾探测系统的发展，越来越多的火灾探测系统也随之出现，史册等提出了一种基于相关滤波的火灾预警系统，该系统根据每个时刻的探测信号与火灾发生时信号的相关性来判断是否发生火灾。KHUAT等则提出了一种复合趋势算法，通过检测不同时刻探测到的信号趋势相关性来判断是否发生火灾。LIU则根据信号超过所设置的阈值持续时间来判断是否发生火灾，基于该算法，YANG等提出了一种复合特定趋势算法，根据信号的变化情况来确定该变化趋势是正向趋势还是负向趋势，并通过引入判别门限来降低环境变化对判别结果的影响。

为了提高电网火灾预警系统的准确性，基于人工神经网络、模糊逻辑推理和遗传算法的电网火灾预警算法被陆续提出。例如李军等利用人工神经网络的学习能力来减少电网火灾预测的误报率，从而提高预测的准确性。丁承君等为了提高火灾预测算法的准确性，提出了将模糊逻辑推理用于判断传感器信号变化趋势的方法。

虽然现有算法有效提升了火灾预警的精度，但仍基于阈值来判断，所以其抗干扰能力较弱，且预警准确率也较低。因此，本文在采用神经网络及模糊逻辑算法分析电网线路参数的基础上，提出了一种具有较高精度与抗干扰能力的电网消防预警算法，实验与仿真结果证明了本算法的综合性能。

1 电网探测信号选择

电网火灾主要由以下4个方面原因引发：1）线路短路时电网瞬时电流急剧增大，从而产生电弧或高温引燃线路绝缘层以及周围可燃物；2）接触不良时由于接触电阻过大，使得接触点周围的温度急剧升高，从而融化线路绝缘层或释放出可燃气体导致火灾；3）过载时线路电流超过安全值导致线路温度升高，从而引起周围可燃物或线路绝缘层燃烧；4）绝缘层老化导致电网线路漏电从而使线路温度升高，导致线路绝缘层燃烧产生火灾。为了探测电网火灾，传统的火灾探测器使用CO2浓度、烟雾信号和火焰图像等参数作为检测因子，当检测到这些信号发生变化时，实现火灾报警。然而这些信号通常是在发生火灾时才能观测到的，只能实现火灾报警而无法实现火灾预警。

通过分析电网火灾产生的原因可知，在电网正常运行时，线路的剩余电流分布均匀。然而当线路发生绝缘层破损等问题时，线路中剩余电流过大，从而导致温度升高引起火灾。因此，可以使用互感器识别电网中的剩余电流值来实现预警电网火灾。同时电网线路温度升高时会导致线路的绝缘层发生软化，从而增加线路中导体间相互接触的几率，出现线路短路等问题，因此温度变化也是判断电网是否会发生火灾的一个重要因素。本文使用Pt100温度传感器探测电网线路的温度值，该传感器由热电阻或热电偶构成，同时使用温度检测单元、信号处理单元和信号转换单元将温度信号转化为电信号传输给电网火灾预警器。在电网发生火灾时，电网的工作电流与工作电压也可以作为预警信号的补充信号，以实现更全面、准确的电网火灾预警。

2 电网消防预警算法

为了预防电网火灾，实现电网消防预警，本文提出了一种基于神经网络和模糊推理的电网消防预警算法，使用监测电网信号数据实现电网火灾预测。首先使用大量数据训练神经网络，预测电网无火、明火以及阴燃的概率，然后使用模糊推理算法进一步处理这些概率数据，从而更加准确地判断电网是否会发生火灾。

2.1 神经网络模型

本文使用电网探测的信号预测出现火灾的概率，由于所监测的信号种类较少，因此文中使用BP神经网络对电网火灾类型进行预测。具体地，BP网络的输入为电网监测信号，包括线路中剩余电流、线路温度、电网的工作电流和工作电压；BP网络的输出为电网无火、明火和阴燃的概率。

本文BP神经网络包含一个输入层、一个隐含层和一个输出层。其中输入层包含4个节点，为监测的电网信号；输出层包含3个节点，为发生各种火灾的概率。为了实现更优的性能，文中使用文献[9]介绍的方法设置隐含层节点的数量，计算表达式为

式中：NH为隐含层节点数量；Ni为输入层节点数量；No为输出层节点数量；N取1-10间的整数。又由于BP网络的节点数量通常为整数，因此本文根据式（1）的结果和实际实验结果选取NH为6。

BP神经网络使用误差反向传播的方式进行训练，通过最小化网络预测与期望间的误差均值来优化网络参数。训练过程主要包括两个方面：使用输入数据的正向传播和基于预测误差的反向传播。对于第k个预测结果，可以得到网络的输出与预期间的误差为

3 实验与结果分析

为了验证所提出算法的有效性，本文使用Matlab平台实现该算法并构建大量数据样本进行模型训练和测试。具体地，文中采集了山西阳泉供电公司辖区近年来统计的电网火灾数据，包括火灾发生时监测到的线路中剩余电流、线路温度、电网的工作电流和工作电压等指标来构建数据集，该数据集共包含5000条训练数据和500条测试数据。表2为5组样本的示例，其中各监测数据进行了归一化处理，各种火灾情况的期望输出根据实际探测结果与文献[2]的方法计算得出。本文网络输入层节点数量为4，输出层节点数量为3，隐含层节点数量为6。网络学习率为0．01，共迭代训练100次。为了防止网络过快收敛，本文设置权重参数α为0.0001，β为0.0001。

表3为本文随机选取的5组数据测试结果。根据表3结果可以看出，所提方法得到的火灾预警概率与预期概率基本吻合，因此，文中算法使用剩余电流、线路温度、电网的工作电流和工作电压等指标预测电网发生火灾的概率具有可行性。图2为本文神经网络训练的过程，图2中分别给出了网络的训练、验证和测试误差曲线。从图2中结果可以看出，文中算法误差逐渐收敛，且随着训练迭代次数的增加，该算法的测试精度也在逐渐增加。

表4中展示了本文算法与基于BP网络、SVM、随机森林、文献[13]和文献[14]方法的精确度比较结果。其中，BP网络、SVM和随机森林3个算法采用默认参数设置，文献[13]和文献[14]采用文中定义的参数。从表4结果可以看出，相比于其他方法，本文算法具有更高的预测精确度。同时，相比于只使用BP神经网络的方法，本文算法在引入模糊推理后能够明显提升预测精确度。

4 结束语

本文提出了一种基于模糊神经网络的电网消防预警算法，该算法通过在大规模数据集上训练BP神经网络来预测在给定监测数据情况下发生无火、明火以及阴燃的概率。同时文中利用模糊逻辑推理方法对给定的模糊结果进行推理，可以消除不确定概率结果，提升预测结果的鲁棒性。仿真实验结果表明，该方法能够有效提升电网火灾的预测精度，得到更符合实际情况的结果，对于构建电网火灾预警系统具有参考价值。

（责任编辑：景勇 英文审校：尹淑英）