CN109260639B - 一种风电机房消防控制系统及控制方法 - Google Patents

Abstract

本发明公开了一种风电机房消防控制系统，包括：无线传感器网络，其设置在风电机房内，用于检测机房内的温度、烟雾浓度、氧气浓度、明火存在情况以及异常位置点；储气模块，其存储有二氧化碳气体；消防模块，其与所述储气模块连接，用于驱动所述储气模块释放二氧化碳；设备控制模块，其与风电机组连接，用于控制所述风电机组供电的启停；控制平台，其与所述无线传感器网络、消防模块和设备控制模块连接，用于接收所述无线传感器网络的检测数据，并控制所述消防模块和设备控制模块工作。本发明还提供一种风电机房消防控制系统的控制方法，在风电机房工作时，基于BP神经网络确定报警模块和消防模块的工作状态，提高机房内消防安全。

Description

一种风电机房消防控制系统及控制方法

技术领域

本发明涉及消防监控技术领域，更具体的是，本发明涉及一种风电机房消防控制系统及控制方法。

背景技术

风力发电主要依靠风力发电机组及其控制系统来实现。风力发电机组及其主控制系统都是安装在距离地面达60米以上的风力发电塔筒顶端的机舱内，整个机舱堪称是风力发电机组的心脏和大脑。由于风力发电机运行时会产生较高热量，在散热发生不畅，或机组发生故障使产生热量高于散热能力时，则积热会使机组迅速温升，如果温升不能及时发现并予以制止，当温度超过电机耐热点时，轻者将导致风力发电机或控制系统发生故障，齿轮箱内的齿轮油也有可能发生外漏。重者将引燃机舱内的电缆或控制系统电器中、已经外漏的齿轮油等可燃物，造成火情发生。相关技术中，正在运行的风力发电机组中，基本都缺乏对机舱内安全进行主动自动测控与消防的应急装置。

发明内容

本发明设计开发了一种风电机房消防控制系统，通过无线传感器网络检测机房内环境数据，对机房内消防安全进行实时监控，并控制消防模块和设备控制模块工作。

本发明的另一个目的是设计开发了一种风电机房消防控制系统的控制方法，在风电机房工作时，基于BP神经网络确定报警模块和消防模块的工作状态，提高机房内消防安全。

本发明还能根据机房内环境数据精确控制机房内二氧化碳气体的浓度，及时灭火，进一步提高机房内消防安全。

本发明提供的技术方案为：

一种风电机房消防控制系统，包括：

无线传感器网络，其设置在风电机房内，用于检测机房内的温度、烟雾浓度、氧气浓度、明火存在情况以及异常位置点；

储气模块，其存储有二氧化碳气体；

消防模块，其与所述储气模块连接，用于驱动所述储气模块释放二氧化碳；

设备控制模块，其与风电机组连接，用于控制所述风电机组供电的启停；

控制平台，其与所述无线传感器网络、消防模块和设备控制模块连接，用于接收所述无线传感器网络的检测数据，并控制所述消防模块和设备控制模块工作。

优选的是，还包括：

报警模块，其与所述无线传感器网络连接，用于发出警报；

紧急控制模块，其与所述控制平台连接，用于切断风电机组与电网的连接。

优选的是，所述无线传感器网络包括：

温度传感器，其均匀设置在所述风电机房内，用于检测风电机房内的温度；

烟雾浓度传感器，其靠近所述温度传感器设置且与所述温度传感器一一对应，用于检测风电机房内的烟雾浓度；

氧气浓度传感器，其靠近所述烟雾浓度传感器设置且与所述烟雾浓度传感器一一对应，用于检测风电机房内的氧气浓度；

明火探测器，其均匀设置在所述风电机房内，用于检测风电机房内的是否产生明火；

控制器，其与所述温度传感器、烟雾浓度传感器、氧气浓度传感器和明火探测器连接，用于接收所述温度传感器、烟雾浓度传感器、氧气浓度传感器和明火探测器的检测数据并确定风电机房内异常点的位置。

一种风电机房消防控制系统的控制方法，包括：在风电机房工作时，基于BP神经网络确定报警模块和消防模块的工作状态，包括如下步骤：

步骤1：按照采样周期，通过传感器采集机房内的温度、烟雾浓度、氧气浓度、明火存在情况以及异常位置点；

步骤2：确定三层BP神经网络的输入层神经元向量x＝{x₁,x₂,x₃,x₄,x₅}；其中，x₁为机房内的温度，x₂为机房内的烟雾浓度，x₃为机房内的氧气浓度，x₄为机房内的明火存在情况，x₅为机房内的异常位置点，

其中，所述输入层神经元值为

当x₄为1时，机房内存在明火，当x₄为0时，机房内无明火；

步骤3：所述输入层向量映射到中间层，中间层的神经元为m个；

步骤:4：得到输出层神经元向量o＝{o₁,o₂}；其中，o₁为报警模块的工作状态，o₂为消防模块的工作状态，

其中，所述输出层神经元值为

k为输出层神经元序列号，k＝{1,2}，当o_k为1时，报警模块处于报警状态，消防模块驱动储气模块释放二氧化碳气体；当o_k为0时，报警模块和消防模块处于不工作状态。

优选的是，当o₂＝1时，消防模块驱动储气模块释放二氧化碳气体，使得机房内二氧化碳气体的浓度满足：

其中，c为机房内二氧化碳气体的浓度，c_max为机房内设定的二氧化碳气体的最大浓度，

为机房内氧气的平均浓度，

为机房内烟雾的平均浓度，e为自然对数的底数，N为机房内温度传感器的数量，T_i为第i个温度传感器检测的温度值，

为对应季节的环境温度平均值，π为圆周率。

优选的是，所述机房内设定的二氧化碳气体的最大浓度满足：

c_max＝0.5。

优选的是，所述机房内的异常位置点的确定包括如下步骤：

步骤1：采集机房内各点的温度和烟雾浓度，分别将温度和烟雾浓度从小到大排列得到温度矩阵

和烟雾浓度矩阵

步骤2：将所述温度和烟雾浓度进行规格化得到规格化的温度矩阵

和烟雾浓度矩阵

其中，所述规格化公式为：

式中，x_j为规格化数值，X_j为测量数值，j＝1,2,...,N；X_N和X₁分别为相应测量数值中的最大值和最小值；

步骤3：获取位置一一对应的且规格化后的温度与烟雾浓度的乘积，确定乘积最大值点为异常位置点。

优选的是，当明火探测器检测到有明火存在时，确定明火点为风电机房内异常点的位置。

优选的是，所述中间层节点个数m满足：

其中n为输入层节点个数，p为输出层节点个数。

优选的是，所述中间层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。

本发明所述的有益效果：

(1)本发明提供的风电机房消防控制系统，通过无线传感器网络检测机房内环境数据，对机房内消防安全进行实时监控，并控制消防模块和设备控制模块工作。

(2)本发明提供的风电机房消防控制系统的控制方法，在风电机房工作时，基于BP神经网络确定报警模块和消防模块的工作状态，提高机房内消防安全，还能根据机房内环境数据精确控制机房内二氧化碳气体的浓度，及时灭火，进一步提高机房内消防安全。

(3)本发明还能根据规格化后的温度矩阵和烟雾浓度矩阵准确确定机房内的异常位置点。

附图说明

图1为本发明所述风电机房消防控制系统的模块示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，本发明提供一种风电机房消防控制系统，包括：无线传感器网络，其设置在风电机房内，用于检测机房内的温度、烟雾浓度、氧气浓度、明火存在情况以及异常位置点；储气模块，其存储有二氧化碳气体；消防模块，其与所述储气模块连接，用于驱动所述储气模块释放二氧化碳；设备控制模块，其与风电机组连接，用于控制所述风电机组供电的启停；控制平台，其与所述无线传感器网络、消防模块和设备控制模块连接，用于接收所述无线传感器网络的检测数据，并控制所述消防模块和设备控制模块工作。报警模块，其与所述无线传感器网络连接，用于发出警报；紧急控制模块，其与所述控制平台连接，用于切断风电机组与电网的连接。

所述无线传感器网络包括：温度传感器，其均匀设置在所述风电机房内，用于检测风电机房内的温度；烟雾浓度传感器，其靠近所述温度传感器设置且与所述温度传感器一一对应，用于检测风电机房内的烟雾浓度；氧气浓度传感器，其靠近所述烟雾浓度传感器设置且与所述烟雾浓度传感器一一对应，用于检测风电机房内的氧气浓度；明火探测器，其均匀设置在所述风电机房内，用于检测风电机房内的是否产生明火；控制器，其与所述温度传感器、烟雾浓度传感器、氧气浓度传感器和明火探测器连接，用于接收所述温度传感器、烟雾浓度传感器、氧气浓度传感器和明火探测器的检测数据并确定风电机房内异常点的位置。

本发明提供的风电机房消防控制系统，通过无线传感器网络检测机房内环境数据，对机房内消防安全进行实时监控，并控制消防模块和设备控制模块工作。

本发明还提供一种风电机房消防控制系统的控制方法，包括：在风电机房工作时，基于BP神经网络确定报警模块和消防模块的工作状态，包括如下步骤：

步骤一、建立BP神经网络模型。

BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即o_i＝x_i。中间隐含层和输出层的神经元的操作特性为：

o_pj＝f_j(net_pj)

其中p表示当前的输入样本，ω_ji为从神经元i到神经元j的连接权值，o_pi为神经元j的当前输入，o_pj为其输出；f_j为非线性可微非递减函数，一般取为S型函数，即f_j(x)＝1/(1+e^-x)。

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示机房内的n个检测信号，这些信号参数由数据预处理模块给出；第二层为中间层(隐层)，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x₁,x₂,...,x_n)^T

中间层向量：y＝(y₁,y₂,...,y_m)^T

输出向量：o＝(o₁,o₂,...,o_p)^T

本发明中，输入层节点数为n＝5，输出层节点数为p＝2，隐藏层节点数根据

确定，m＝4。

输入层5个参数分别表示为x₁为机房内的温度，x₂为机房内的烟雾浓度，x₃为机房内的氧气浓度，x₄为机房内的明火存在情况，x₅为机房内的异常位置点，

其中，所述输入层神经元值为

当x₄为1时，机房内存在明火，当x₄为0时，机房内无明火；

本实施例中，机房内的异常位置点确定包括如下步骤：

步骤1.1：采集机房内各点的温度和烟雾浓度，分别将温度和烟雾浓度从小到大排列得到温度矩阵

和烟雾浓度矩阵

步骤1.2：将所述温度和烟雾浓度进行规格化得到规格化的温度矩阵

和烟雾浓度矩阵

其中，所述规格化公式为：

式中，x_j为规格化数值，X_j为测量数值，j＝1,2,...,N；X_N和X₁分别为相应测量数值中的最大值和最小值；

即：

步骤1.3：获取位置一一对应的且规格化后的温度与烟雾浓度的乘积，确定乘积最大值点为异常位置点。

需要说明的是，当明火探测器检测到有明火存在时，确定明火点为风电机房内异常点的位置。

输出层2个参数分别表示为：o₁为报警模块的工作状态，o₂为消防模块的工作状态，

其中，所述输出层神经元值为

k为输出层神经元序列号，k＝{1,2}，当o_k为1时，报警模块处于报警状态，消防模块驱动储气模块释放二氧化碳气体；当o_k为0时，报警模块和消防模块处于不工作状态。。

步骤二、进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。

(1)训练方法

各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；各子网训练时的输入样本如表1所示，输出样本如表2所示。

表1网络训练用的输如样本

表2网络训练用的输出样本

(2)训练算法

BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：

第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。

第二步：对每个输入样本作如下计算：

(a)前向计算：对l层的j单元

式中，

为第n次计算时l层的j单元信息加权和，

为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，

为前一层(即l-1层，节点数为n_l-1)的单元i送来的工作信号；i＝0时，令

为l层的j单元的阈值。

若单元j的激活函数为sigmoid函数，则

且

若神经元j属于第一隐层(l＝1)，则有

若神经元j属于输出层(l＝L)，则有

且e_j(n)＝x_j(n)-o_j(n)；

(b)反向计算误差：

对于输出单元

对隐单元

(c)修正权值：

η为学习速率。

第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。

BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为

Δω＝(J^TJ+μI)^-1J^Te

其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。

在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。

当o₂＝1时，消防模块驱动储气模块释放二氧化碳气体，使得机房内二氧化碳气体的浓度满足经验公式：

其中，c为机房内二氧化碳气体的浓度，c_max为机房内设定的二氧化碳气体的最大浓度，

为机房内氧气的平均浓度，

为机房内烟雾的平均浓度，e为自然对数的底数，N为机房内温度传感器的数量，T_i为第i个温度传感器检测的温度值，

为对应季节的环境温度平均值，π为圆周率。

所述机房内设定的二氧化碳气体的最大浓度满足：c_max＝0.5。

下面结合具体的实施例进一步的对本发明提供的风电机房消防控制系统的控制方法进行说明。

模拟风电机房，模拟10组不同温度异常点，烟雾浓度，氧气浓度，明火存在情况进行测试，具体的数据如表3所示。

表3模拟数据

控制平台输出结果如表4所示。

表4控制平台输出结果

分组	报警模块(o<sub>1</sub>)	消防模块(o<sub>2</sub>)
			1	不工作	不工作
2	不工作	不工作
			3	报警	工作
4	报警	工作
			5	报警	工作
6	报警	工作
			7	报警	工作
8	报警	工作
			9	报警	工作
10	报警	工作

消防模块驱动储气模块释放二氧化碳气体，通过经验公式确定机房内二氧化碳气体的浓度并观察消防情况，机房内二氧化碳气体的浓度和消防安全情况如表5所示。

表5机房内二氧化碳气体的浓度和消防情况

如表3-5所示，可以确定本发明提供的风电机房消防控制系统的控制方法能够准确控制报警模块和消防模块的工作状态，并控制机房内二氧化碳气体的浓度，使得风电机房内的消防情况始终处于安全状态。

本发明提供的风电机房消防控制系统的控制方法，在风电机房工作时，基于BP神经网络确定报警模块和消防模块的工作状态，提高机房内消防安全，还能根据机房内环境数据精确控制机房内二氧化碳气体的浓度，及时灭火，进一步提高机房内消防安全。还能根据规格化后的温度矩阵和烟雾浓度矩阵准确确定机房内的异常位置点。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (6)

1.一种风电机房消防控制系统的控制方法，其特征在于，包括：在风电机房工作时，基于BP神经网络确定报警模块和消防模块的工作状态，包括如下步骤：

步骤1：按照采样周期，通过传感器采集机房内的温度、烟雾浓度、氧气浓度、明火存在情况以及异常位置点；

步骤2：确定三层BP神经网络的输入层神经元向量x＝{x₁,x₂,x₃,x₄,x₅}；其中，x₁为机房内的温度，x₂为机房内的烟雾浓度，x₃为机房内的氧气浓度，x₄为机房内的明火存在情况，x₅为机房内的异常位置点，

其中，所述输入层神经元值为

当x₄为1时，机房内存在明火，当x₄为0时，机房内无明火；

步骤3：所述输入层向量映射到中间层，中间层的神经元为m个；

步骤4：得到输出层神经元向量o＝{o₁,o₂}；其中，o₁为报警模块的工作状态，o₂为消防模块的工作状态，

其中，所述输出层神经元值为

k为输出层神经元序列号，k＝{1,2}，当o_k为1时，报警模块处于报警状态，消防模块驱动储气模块释放二氧化碳气体；当o_k为0时，报警模块和消防模块处于不工作状态；

其中，所述风电机房消防控制系统包括：

无线传感器网络，其设置在风电机房内，用于检测机房内的温度、烟雾浓度、氧气浓度、明火存在情况以及异常位置点；

储气模块，其存储有二氧化碳气体；

消防模块，其与所述储气模块连接，用于驱动所述储气模块释放二氧化碳；

设备控制模块，其与风电机组连接，用于控制所述风电机组供电的启停；

控制平台，其与所述无线传感器网络、消防模块和设备控制模块连接，用于接收所述无线传感器网络的检测数据，并控制所述消防模块和设备控制

模块工作；

报警模块，其与所述无线传感器网络连接，用于发出警报；

当o₂＝1时，消防模块驱动储气模块释放二氧化碳气体，使得机房内二氧化碳气体的浓度满足：

其中，c为机房内二氧化碳气体的浓度，c_max为机房内设定的二氧化碳气体的最大浓度，

为机房内氧气的平均浓度，

为机房内烟雾的平均浓度，e为自然对数的底数，N为机房内温度传感器的数量，T_i为第i个温度传感器检测的温度值，

为对应季节的环境温度平均值，π为圆周率。

2.如权利要求1所述的风电机房消防控制系统的控制方法，其特征在于，所述机房内设定的二氧化碳气体的最大浓度满足：

c_max＝0.5。

3.如权利要求2所述的风电机房消防控制系统的控制方法，其特征在于，所述机房内的异常位置点的确定包括如下步骤：

步骤1：采集机房内各点的温度和烟雾浓度，分别将温度和烟雾浓度从小到大排列得到温度矩阵

和烟雾浓度矩阵

步骤2：将所述温度和烟雾浓度进行规格化得到规格化的温度矩阵

和烟雾浓度矩阵

其中，所述规格化公式为：

式中，x_j为规格化数值，X_j为测量数值，j＝1,2,...,N；X_N和X₁分别为相应测量数值中的最大值和最小值；

步骤3：获取位置一一对应的且规格化后的温度与烟雾浓度的乘积，确定乘积最大值点为异常位置点。

4.如权利要求3所述的风电机房消防控制系统的控制方法，其特征在于，当明火探测器检测到有明火存在时，确定明火点为风电机房内异常点的位置。

5.如权利要求4所述的风电机房消防控制系统的控制方法，其特征在于，所述中间层节点个数m满足：

其中n为输入层节点个数，p为输出层节点个数。

6.如权利要求5所述的风电机房消防控制系统的控制方法，其特征在于，所述中间层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。

Images