CN101986358A

CN101986358A - 一种融合神经网络和模糊控制的电气火灾智能报警方法

Info

Publication number: CN101986358A
Application number: CN 201010268485
Authority: CN
Inventors: 彭浩明
Original assignee: Individual
Current assignee: Individual
Priority date: 2010-08-31
Filing date: 2010-08-31
Publication date: 2011-03-16

Abstract

本发明公开了一种融合神经网络和模糊控制的电气火灾智能报警方法。它包括如下步骤：①利用传感器从现场采集到漏电电流、电流电压、弧光、温度、现场电磁环境参量信号，对传感器采集的信号采用速率检测算法进行预处理；②将经过预处理后的数据送到三层前馈误差反向传播的神经网络进行处理，神经网络事先经过有监督学习并建立权值矩阵；③将神经网络输出的电气线路无损概率、电气线路有损概率、电气线路有火概率送到模糊推理模块进行模糊推理，得到电气火灾发生的预测结果。本发明应用神经网络和模糊控制等先进理论的优点，不依赖对象的深层次知识，能够较为准确地给出发生电气火灾的概率预测，显著提高电气火灾预测精度，更加有效地防止和减少电气火灾危害发生。

Description

一种融合神经网络和模糊控制的电气火灾智能报警方法

技术领域

本发明涉及一种火灾智能报警方法，特别涉及一种融合神经网络和模糊控制的电气火灾智能报警方法。

背景技术

随着社会经济和技术发展，电力电子设备和用电负荷大幅增加，由电气引发的火灾事故随之剧增，造成巨大的财产损失，同时也为人身安全带来威胁。为了用电安全，人们先后发明制造了拉线开关、保险丝、漏电开关、断路器、空气开关等装置，目前终端用户用电保护以漏电保护开关为主，但使用漏电开关来实现用电安全存在如下弊病：

1)普通漏电开关保护参数由生产厂家在出厂时设定，保护动作时给出一路脱扣信号切断电源，由于现场实际漏电数据不准确，容易导致误动、拒动等正常动作，不能真正起到保护的作用；

2)普通漏电开关的功能简单，只是监测超过固定的漏电数值(该数值仅是一个大致范围)，当开关动作时，已经发生了火灾事故，因此普通漏电开关只能防止火灾事故扩大，而不能预防火灾发生；

3)漏电开关是单个的开关，数量多，即使在正常供电期间监测有漏电，也无法准确地判断出发生漏电的地址、部位，往往一个故障要巡视所有的配电箱才能找到，也增加了维护成本；

4)普通漏电开关能防止由线(相)间短路故障和长时间过载发热(即“短路”和“过电流”)引发的电气火灾，基本上属于被动预防。

总体来说，传统的用电安全保护措施只能是在电气火灾发生的初级阶段抑制其扩大，而无法实现对电气火灾的主动预防。本着“预防胜于救灾”的先进理念，预防电气火灾监控系统应运而生。电气火灾监控系统将电气、电子、计算机、网络及软件技术相结合，对配电回路和用电设备的漏电、过载、短路、过电压、欠电压、温升等运行状态进行实时监控和网络化管理，当线路中发生异常时，发出报警信号并准确报出故障点，并通知电气专业人员及时排查电气火灾隐患，不让线路带故障及异常运行，把看不见摸不着的用电情况变成可视的数字化监控，从而把电气火灾消灭在萌芽状态。

电气火灾报警系统一般由电气火灾探测器和控制器组成。其中，电气火灾探测器是识别电气火灾是否发生的专门仪器，根据建筑物或实地场所的要求，安装不同类型的电气火灾探测器。在电气火灾报警系统中，电气火灾信号的选取更为重要。使用火灾报警产品的目的就是及早报告电气火灾的发生，从而迅速有效的控制电气火灾，把损失降到最低。

现有的电气火灾报警系统存在的主要问题是报警系统中的误报、漏报现象，这主要是因为：

1)模拟量探头(传感器)本身的精度存在个体差异，不能实现理想的输出信号值与火灾参量值之间的一一对应关系；

2)模拟量探头(传感器)受环境因素影响，包括安装位置、环境温度以及现场电磁环境等，其中现场电磁环境中的工频磁场值对模拟量探头的输出影响较大，因此采用数据曲线对比等匹配法难以达到理想效果；

3)一般在系统中使用多个不同类型的传感器采集现场数据，诸如漏电电流、电流电压、弧光、温度、工频磁场值等信号，而这些参量之间部分或全部存在非线性依赖关系，无法用显式的数学模型描述，单纯通过这些数值的判决进行报警是不科学的。

目前，国家已经颁布了对传感器精度限制严格的国家标准，以提高电气火灾报警的准确性，这虽然能够解决部分问题，但带来的是设备更换、传感器制造成本增加，因此，在现有设备指标条件下，通过深层次的数据处理技术提高系统性能，一方面能有效降低传感器生产成本，另一方面也可以减小因设备更换、安装等带来的成本增加。

针对以上这些问题，能够在不增加成本的前提下对由电气原因引发的火情做出快速、精确探测和有效控制是目前急需解决的问题。本发明的主要目的就是解决上述问题，实现更为准确、及时的电气火灾预报和报警。

发明内容

为了解决现有的电气火灾报警系统存在的上述技术问题，本发明提供一种融合神经网络和模糊控制的电气火灾智能报警方法，本发明能在不增加系统成本和更换电气火灾探测设备的前提下通过基于融合神经网络和模糊推理的数据分析处理技术，快速、准确地给出火灾预报信号，有效降低因电气火灾所带来的生命和财产损失。

本发明解决上述技术问题的技术方案包括以下步骤：

1)利用传感器从现场采集到漏电流、电流电压、弧光、温度、工频磁场信号，对传感器采集的信号采用速率检测算法进行预处理；

2)将经过预处理后的数据送到三层前馈误差反向传播的神经网络进行处理；

3)将神经网络的输出电气线路无损概率、电气线路有损概率、电气线路有火概率送到模糊推理模块进行模糊推理，得到电气火灾发生的预测结果。

本发明通过检测如下参数并进行科学处理可以有效预测电力火灾的发生：

1.漏电电流。电力线漏电有可能使线路电流电压、线路有限范围内的温度发生显著变化，进而产生弧光等电器火灾诱因，导致线路起火烧毁。电力线漏电是导致电气火灾发生的主要因素之一，因此在检测电力线路状态时，漏电电流是主要的参数指标之一。

2.电流电压。线路漏电或线缆短路直接导致线路出现过压或者欠压现象，这将会使用户的电器短路或故障，进而引起火灾。因此，检测电气线路的电流电压也是非常必要的。

3.弧光信号。当线路上出现短路或脉冲式过流时，会出现电火花，进而引燃电气设备和线路，这也是电气火灾发生的主要原因之一。

4.温度。当电力线路出现异常时，通常会出现电能转换成热能，使得现场环境温度快速升高，因此，温度的变化也间接反映电力线路的异常。

5.现场电磁环境。当电力线路所在环境受到自然或人为电磁环境破坏时，会导致探测传感器输出参数的不稳定，从而会导致火灾预报出现不准确的情况。现场电磁环境检测的重点是工频磁场值。

本发明的技术效果在于：采用基于神经网络和模糊推理机制的电气火灾报警系统，能在不更改输入信号采集传感器(即不改变输入数据的准确性)和系统结构的基础上有效降低电气火灾预报的漏报率和误报率，与传统的简单获取探测信号然后和预先设置阀值直接相对比从而判断是否发生电气火灾的方法相比，该发明更能有效地对电气火灾的发生进行预测，有效及时地给出预警信号，从而减小电气火灾带来的生命和财产损失。

下面结合附图和具体实施例对本发明作进一步的说明。

附图说明

图1是本发明中融合神经网络和模糊推理的电气火灾系统模型。

图2是实例中使用的神经网络结构。

图3(a)、(b)分别是实例中实现模糊推理时使用的输入隶属函数和输出隶属函数。

图4是实例中模糊推理输入和输出判决之间的关系图。

具体实施方式

参见图1，图1为实现本发明的系统模型结构图。主要由信号采集、信号预处理、神经网络学习、基于神经网络的数据分析和模糊推理等模块组成，最终给出火灾预测结果。

系统输入信号包括漏电电流、电弧电压、弧光、温度和现场工频磁场等传感器获取的信号，将这些信号经过AD采样后进行预处理，进行预处理主要是因为故障电弧发生时信号值的变化的急剧性不利于后续处理，所以本发明中首先对输入信号进行预处理，根据预处理结果进行初步判断，若存在报警输出时，再进行下一步处理，否则不进入下一步处理。这样既可以最大限度的采集现场数据，并早期识别火灾隐患，又可以减少对具有显著火灾特征的计算处理，降低误报警。

在经过预处理后，需要进一步处理的数据送入基于神经网络的数据分析模块进行处理。本发明采用一个三层前馈误差反向传播的神经网络对预处理后数据进行处理。根据规则进行学习，采用自适应学习速率和附加动量法相结合的学习算法，利用梯度下降技术，通过调整网络权值、阈值，使得网络实际输出与期望输出的误差均方值最小。输入层的五个输入分别为归一化的漏电电流信号、归一化的电流电压信号、归一化的弧光信号、归一化的温度信号、归一化的现场工频磁场信号；输出层有三个神经元，对应神经网络提取的电气线路无损概率(p₁)、电气线路有损概率(p₂)和电气线路有火概率(p₃)。建立适合与该系统应用的神经网络时重点是网络参数的选取与确定、网络结构的确定、神经网络学习算法的选择等。

基于神经网络的数据分析模块的输出是概率列表，表示无损、有损和线路有火出现的概率值，一般可以直接由门限判决输出，例如，当电气线路漏电危险概率大于0.8时，几乎可以肯定此时的电气线路是很不安全的，极易发生电气火灾，而当电气线路漏电危险概率小于0.2，基本上可以认为此时的电气线路是安全的，不易发生电气火灾。难以判决的是电气线路漏电危险概率在0.3～0.6附近，若门限定为0.5，而数据输出为0.49和0.51时则很难做出判断，同时一些较为严重的干扰信号也会引起误判。

为了提高对是否会出现火灾的判断准确度以及提高系统抗干扰性能，使系统的输出更接近实际和模拟人的判断，本发明中采用模糊推理方法对神经网络输出作进一步处理。模糊推理模块首先对输入量、输出量的模糊量化和标定，建立论域上的模糊集，然后在此基础上设计模糊隶属函数，对输入量和输出量用该隶属函数进行相应变换，从而将这一部分进行扩展，典型地可以采用三角形函数、高斯函数、棒型函数等。其次建立控制规则表，本发明中建立“如果…，则…”的控制规则，例如：“p₁是A_i且p₂是B_i且p₃是C_i，则P是D_i”。第三是建立控制推理关系，因为每一条辨识规则都是一条模糊语句，所有规则恰好是一组多重复合的模糊蕴含，按照模糊推理的规定，第i条规则对应于推理关系R_i，所有n条规则对应于总的模糊推理关系R，关系R是所有模糊辨识规则的概括，它决定了模糊辨识系统的性能。最后生成输入输出表，得到根据输入得出输出结论的关联关系，这里主要是得到输出电气火灾概率的辨识论域上的模糊集，根据各个概率的隶属度进行模糊判决，得到最终结论。

下面给出一个实施例对本发明作详细描述。

首先，信号预处理采用速率检测算法。即通过检测信号的变化速率是否持续超过一定的数值来判断火情。具体方法为：从现场采集到漏电流、电流电压、电弧、温度湿度检测信号，并作为信号原始序列，分析出对应信号中出现的非平稳变化特性，当预处理结果中至少有一个为警报输出时，才进行下一步的处理，否则不进入下一步处理。

其次，神经网络模型的建立。本实例中设计了一个三层前馈误差反向传播的神经网络，其结构如图2所示。图中节点i为输入层神经元，节点j为隐含层神经元，t为输出层神经元，V_ij为输入层神经元与隐含层神经元的连接权值，V_jt为隐含层神经元与输出层神经元的连接权值。

下面是设计的具体思路：

①隐层数目的选取

隐层节点数目的选取是否恰当对整个网络能否正常工作具有重要的意义。隐层单元数选取过多时，学习时间会很长，误差也不一定最佳。如果隐层单元选取过少，网络可能根本无法训练，或者训练出的网络鲁棒性不好，抗噪音能力差，无法识别以前未见过的模式。

在该发明中，首先选取一个较大的隐层节点数进行训练，一般数目大于输入输出单元数总和的一半，或者为输入输出单元数总和，然后根据实际情况调整，最终获得一个最佳的隐层单元数。

根据实验结果最终确定神经网络隐层数目为12。

②学习步长的选取

学习算法中，步长选的较大时，权值更新较快，有可能使收敛速度加快，但有时会导致系统震荡；步长值若选的较小，则学习速率慢，但学习过程平稳。因此可以考虑将学习步长取为一个与学习进度有关的变量，在学习刚开始时，取的相对大些，随着迭代的进行减少步长值。

本实例中，初始补偿为0.4，根据迭代误差的下降速度的线性关系减小步长。

③连接初始权值的确定

在开始学习时，必须给各个连接权值、阈值赋一个初值。初值赋的不恰当，会影响学习精度且学习速率很慢。由于系统是非线性的，初始值对于学习是否到达局部最小和是否能收敛的关系很大。

本实例中使用在[-1，1]之间均匀分布的随机数作为初始权值，且各随机数不能同时相等。

神经网络的学习规则采用效果较好的Delta学习规则，即利用误差的负梯度来调整连接权值，使其输出误差单调减小。

第三，基于神经网络的数据分析模块按如下步骤实现：

①初始化，给各连接权值及阈值设定初值，取[-1，1]之间的随机值；

②给定训练数据集，这里选用电气火灾经验数据作为训练样本；

③利用输入、连接权值和阈值计算中间层各单元的输入和输出；

④用中间层输出、连接权值和阈值计算输出层各单元的输入和输出层各单元的响应；

⑤用期望输出、网络实际输出计算输出层各单元的校正误差；

⑥计算中间层的校正误差；

⑦计算下一次的中间层和输出层之间的新的连接权值

⑧计算下一次的输入层和中间层之间的新连接权值

⑨随机取下一个训练模式对提供给网络，返回到③，直至m个训练数据对训练完；

⑩重新从m个训练数据集中随机选取一个模式对，返回到③，直至网络全局误差函数E小于预先设定的限定值(网络收敛)或学习回数大于预先设定的数值(网络无法收敛)，学习结束。

最后，实现模糊推理模块，输出最终结果。模糊推理模型的设计思路如下：

①输入、输出量的模糊化和标定

模糊控制器的输入、输出量分别为神经网络输出数据概率p₁、p₂、p₃和输出电气火灾发生概率P。首先需要将它们转化为模糊量。给出p₁、p₂、p₃和P的上下限均为[0，1]，作为论域U。根据经验和对火灾数据的统计分析，神经网络输出数据概率的模糊化等级分成三级，大(L)、中(M)、小(S)，最终输出电气火灾发生概率P模糊化等级分成二级，大(L)，小(S)，模糊集的隶属函数采用偏大型正态分布函数A(x)＝exp(-(x-a)²/b)建立，式中b＝0.2，a＝(0，0.5，1)分别对应曲线S，M和L。其输入输出隶属函数图形如图3所示。

②模糊逻辑推理

推理就是根据已知的一些命题，按照一定的法则，去推断一个命题的思维过程。模糊逻辑推理方法主要有Zadeh法、Mamdani法、Larsen法等。本实例采用Mamdani法来实现模糊逻辑推理。推理规则R_i即为p₁是A_i且p₂是B_i且p₃是C_i，则u是D_i，具体为：

R1：无损概率为PS且有损概率为PS且有火概率为PM，则火灾概率为PL；

R2：无损概率为PS且有损概率为PS且有火概率为PL，则火灾概率为PL；

R3：无损概率为PS且有损概率为PM且有火概率为PS，则火灾概率为PL；

R4：无损概率为PS且有损概率为PM且有火概率为PL，则火灾概率为PL；

R5：无损概率为PS且有损概率为PL且有火概率为PS，则火灾概率为PL；

R6：无损概率为PM且有损概率为PS且有火概率为PS，则火灾概率为PS；

R7：无损概率为PL且有损概率为PS且有火概率为PS，则火灾概率为PS；

R8：无损概率为PL且有损概率为PM且有火概率为PS，则火灾概率为PS；

③精确化过程

通过模糊推理得到的结果是一个模糊集合，但在实际使用中仍需要得到一个确定的值去控制或驱动执行机构。在推理得到的模糊集合中取一个能最佳代表这个模糊推理结果可能性的精确值的过程就称为精确化过程。精确化的方法很多，常用的有最大隶属度函数法、中位数和重心法。

本实例选用重心法进行精确化。采用Mamdani的Min-Max-COA法进行模糊推理后，获得准确的电气火灾发生概率输出量。

根据上述设计的实例进行实验，对20组随机抽取的归一化样本值作为系统输入，得到神经网络的输出概率和模糊判决的火灾发生概率，结果如图4所示。

大量实验测试结果表明，采用基于神经网络和模糊推理机制的电气火灾报警系统，能在不更改输入信号采集传感器(即不改变输入数据的准确性)和系统结构的基础上有效降低电气火灾漏报率和误报率，与传统的简单获取探测信号然后和预先设置阀值直接相对比从而判断是否发生电气火灾的方法相比，更能够在火灾发生之前给出火灾可能发生的概率进行预警。

以上所述的，仅为本发明的较佳实施例，并非用以限定本发明的范围，即凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰，皆落入本发明专利的权利要求保护范围。

Claims

1.一种融合神经网络和模糊控制的电气火灾智能报警方法，包括如下步骤：

1) 利用传感器从现场采集到漏电电流、电流电压、弧光、温度和工频磁场信号，对传感器采集的信号采用速率检测算法进行预处理；

2) 将经过预处理后的数据送到三层前馈误差反向传播的神经网络进行处理；

3) 将神经网络输出的电气线路无损概率、电气线路有损概率、电气线路有火概率送到模糊推理模块进行模糊推理，得到电气火灾发生的预测结果。

2.根据权利要求1所述的融合神经网络和模糊控制的电气火灾智能报警方法，所述步骤2)中的神经网络五个输入为归一化的漏电电流、归一化的电流电压信号、归一化的弧光信号、归一化的温度信号和归一化的工频磁场信号；所述步骤3）中的神经网络的三个输出为电气线路无损概率、电气线路有损概率、电气线路有火概率。

3.根据权利要求1所述的融合神经网络和模糊控制的电气火灾智能报警方法，所述步骤2)中根据神经网络和模糊控制的结构组成，进行训练和学习后所形成特征参数。

4.根据权利要求1所述的融合神经网络和模糊控制的电气火灾智能报警方法，所述步骤3)中模糊推理的规则是：R _i即为p ₁是A _i且p ₂是B_i且p ₃是C _i，则u是D _i，其中R_i表示第i条规则，p _i为神经网络的第i个输出，Ai、Bi和C_i为模糊判决中与神经网络的三个输出对应的模糊隶属度函数值，u为模糊判决输出，D _i为模糊判决输出的模糊隶属度函数值，也即最终输出的有火概率。