CN114743335A - 基于模糊神经网络的电缆沟道火灾预警方法 - Google Patents
基于模糊神经网络的电缆沟道火灾预警方法 Download PDFInfo
- Publication number
- CN114743335A CN114743335A CN202111434490.2A CN202111434490A CN114743335A CN 114743335 A CN114743335 A CN 114743335A CN 202111434490 A CN202111434490 A CN 202111434490A CN 114743335 A CN114743335 A CN 114743335A
- Authority
- CN
- China
- Prior art keywords
- fire
- change rate
- probability
- time sequence
- rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
- G08B17/117—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means by using a detection device for specific gases, e.g. combustion products, produced by the fire
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Fire Alarms (AREA)
Abstract
本发明提供的一种基于模糊神经网络的电缆沟道火灾预警方法,包括:采集电缆沟道环境参数,并对环境参数进行归一化预处理;构建模糊神经网络,并将归一化处理后的环境参数输入至模糊神经网络中得到孤立火灾概率Pi;确定环境参数随采集时序的变化率以及构建时序火灾概率T,根据环境参数随采集时序的变化率确定出当前所对应的时序火灾概率;S4.构建融合概率决策模型η;根据融合概率η所对应的火灾等级进行预警;能够准确的对电缆够到是否发生火灾进行预警以及火灾的预警等级进行提醒,有效避免现有技术中存在的误报的情况,确保电力系统的稳定运行。
Description
技术领域
本发明涉及一种电力预警方法,尤其涉及一种基于模糊神经网络的电缆沟道火灾预警方法。
背景技术
目前,大多数变电站都是无人值守的变电站,变电站投入运行后,电缆的线芯带电,长时间的带电可能导致电缆发热,进一步发展则会导致看火现象,如果电缆沟发生火灾,由手电缆的内部未安装监控视频或者交装监测装置,运行监控人员是无法监测到火叉的,如果火情通过电缆沟进入设备室或者一次设备机构内部,将会导致一次设备以及二次设备室的保护烧毁,从而发生更严重的事故。
随着技术的发展,监测技术不断完善,除了传统的温度、湿度、烟雾外,研制出了各种新型的探测技术,其中包括火焰探测,红外图像、气体等。从整个发展历程看,算法不断改进,从无到有,简单到复杂。传统的技术单一,稳定性差,只对相关物理量阈值判断,受到环境干扰后出现较高的误报率。
因此,为了解决上述技术问题,亟需提出一种新的技术手段。
发明内容
有鉴于此,本发明的目的是提供一种基于模糊神经网络的电缆沟道火灾预警方法,能够准确的对电缆够到是否发生火灾进行预警以及火灾的预警等级进行提醒,有效避免现有技术中存在的误报的情况,确保电力系统的稳定运行。
本发明提供的一种基于模糊神经网络的电缆沟道火灾预警方法,包括以下步骤:
S1.采集电缆沟道环境参数,并对环境参数进行归一化预处理,其中,环境参数包括温度、一氧化碳浓度以及烟雾浓度;
S2.构建模糊神经网络,并将归一化处理后的环境参数输入至模糊神经网络中得到孤立火灾概率Pi;
S3.确定环境参数随采集时序的变化率以及构建时序火灾概率T,其中,时序火灾概率T从大到小依次为t1、t2、t3、t4以及t5;
根据环境参数随采集时序的变化率确定出当前所对应的时序火灾概率;
S4.构建融合概率决策模型η:
η=λ1Pm+λ2tj;其中,λ1为孤立火灾概率权重系数,λ2为时序火灾概率权重系数,j=1,2,3,4,5;
S5.根据融合概率η所对应的火灾等级进行预警。
进一步,步骤S1中,通过如下方法进行归一化处理:
其中:X′r表示归一化处理后的环境参数,r=1,2,3; r=1表示温度参数,r=2表示一氧化碳浓度,r=3表示烟雾浓度,Xrmax表示第 r个环境参数的最大值,Xrmin为第r个环境参数的最小值,Xr表示环境参数的实时采集值。
进一步,根据如下公式确定环境参数的变化率:
其中,Ki为温度变化率,ki为第i个采集时刻的温度值,ki-1为第i-1个采集时刻的温度值,Li为一氧化碳浓度变化率,li表示第i个采集时刻的一氧化碳浓度值,li-1表示第i-1个采集时刻的一氧化碳浓度值,mi为第i个采集时刻的烟雾浓度值,mi-1为第i-1个采集时刻的烟雾浓度值,Mi表示烟雾浓度变化率。
进一步,步骤S3中,根据如下方法确定出当前环境参数所对应的时序火灾概率:
S31.计算一氧化碳变化率持续时间函数d1(i)和烟雾浓度变化率持续时间函数d2(i):
d1(i)=[d1(i-1)+1]·U[Li-Ld]
d2(i)=[d2(i-1)+1]·U[Mi-Md];其中:Md为烟雾浓度判断门限值,Ld为一氧化碳浓度判断门限值,U[]表示单位阶跃函数, d1(1)=d2(1)=0;
S32.判断温度变化率Ki是否大于温度变化率阈值b1,如是,则当前时序火灾概率为t1,如否,则进入步骤S33;
S33.判断温度变化率Ki是否大于温度变化率阈值b2,如是,则进入到步骤S34,如否,则进入到步骤S35;
S34.判断温度变化率Ki与温度变化率Ki-1之和是都大于温度变化率阈值 b3,如是,则当前时序火灾概率为t2,否则当前时序火灾概率为t3;
S35.判断温度变化率Ki、温度变化率Ki-1以及温度变化率Ki-2之和是否大于温度变化率阈值b4,如是,则当时时序火灾概率为t4,如否,进入步骤S36;
S36.判断一氧化碳变化率持续时间函数d1(i)的值是否大于或者等于2,如是,则当前时序火灾概率等于孤立火灾概率Pi;如否,则进入步骤S37;
S37.判断烟雾浓度变化率持续时间函数d2(i)的值是否大于或者等于2,如是,则当前时序火灾概率等于孤立火灾概率Pi,如否,当前时序火灾概率为t5;
其中,温度变化率阈值中:b1>b2>b3>b4>0。
本发明的有益效果:通过本发明,能够准确的对电缆够到是否发生火灾进行预警以及火灾的预警等级进行提醒,有效避免现有技术中存在的误报的情况,确保电力系统的稳定运行。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的流程图。
图2为本发明与现有算法火灾概率预测对比图。
具体实施方式
以下结合说明书附图对本发明做出进一步详细说明:
本发明提供的一种基于模糊神经网络的电缆沟道火灾预警方法,包括以下步骤:
S1.采集电缆沟道环境参数,并对环境参数进行归一化预处理,其中,环境参数包括温度、一氧化碳浓度以及烟雾浓度;
S2.构建模糊神经网络,并将归一化处理后的环境参数输入至模糊神经网络中得到孤立火灾概率Pi;其中,模糊神经网络为现有技术,在此不加以赘述;
S3.确定环境参数随采集时序的变化率以及构建时序火灾概率T,其中,时序火灾概率T从大到小依次为t1、t2、t3、t4以及t5;
根据环境参数随采集时序的变化率确定出当前所对应的时序火灾概率;
S4.构建融合概率决策模型η:
η=λ1Pm+λ2tj;其中,λ1为孤立火灾概率权重系数,λ2为时序火灾概率权重系数,j=1,2,3,4,5;
S5.根据融合概率η所对应的火灾等级进行预警,也就是说:对融合概率进行区间划分,划分依据为火灾等级,当计算的融合概率落在那个区间内,那么当前就是什么火灾等级,然后进行预警;通过上述方法,能够准确的对电缆够到是否发生火灾进行预警以及火灾的预警等级进行提醒,有效避免现有技术中存在的误报的情况,确保电力系统的稳定运行。
本实施例中,步骤S1中,通过如下方法进行归一化处理:
其中:X′r表示归一化处理后的环境参数,r=1,2,3; r=1表示温度参数,r=2表示一氧化碳浓度,r=3表示烟雾浓度,Xrmax表示第 r个环境参数的最大值,Xrmin为第r个环境参数的最小值,Xr表示环境参数的实时采集值。
本实施例中,根据如下公式确定环境参数的变化率:
其中,Ki为温度变化率,ki为第i个采集时刻的温度值,ki-1为第i-1个采集时刻的温度值,Li为一氧化碳浓度变化率,li表示第i个采集时刻的一氧化碳浓度值,li-1表示第i-1个采集时刻的一氧化碳浓度值,mi为第i个采集时刻的烟雾浓度值,mi-1为第i-1个采集时刻的烟雾浓度值,Mi表示烟雾浓度变化率。
本实施例中,步骤S3中,根据如下方法确定出当前环境参数所对应的时序火灾概率:
S31.计算一氧化碳变化率持续时间函数d1(i)和烟雾浓度变化率持续时间函数d2(i):
d1(i)=[d1(i-1)+1]·U[Li-Ld]
d2(i)=[d2(i-1)+1]·U[Mi-Md];其中:Md为烟雾浓度判断门限值,Ld为一氧化碳浓度判断门限值,U[]表示单位阶跃函数, d1(1)=d2(1)=0;
S32.判断温度变化率Ki是否大于温度变化率阈值b1,如是,则当前时序火灾概率为t1,如否,则进入步骤S33;
S33.判断温度变化率Ki是否大于温度变化率阈值b2,如是,则进入到步骤S34,如否,则进入到步骤S35;
S34.判断温度变化率Ki与温度变化率Ki-1之和是都大于温度变化率阈值 b3,如是,则当前时序火灾概率为t2,否则当前时序火灾概率为t3;
S35.判断温度变化率Ki、温度变化率Ki-1以及温度变化率Ki-2之和是否大于温度变化率阈值b4,如是,则当时时序火灾概率为t4,如否,进入步骤 S36;
S36.判断一氧化碳变化率持续时间函数d1(i)的值是否大于或者等于2,如是,则当前时序火灾概率等于孤立火灾概率Pi;如否,则进入步骤S37;
S37.判断烟雾浓度变化率持续时间函数d2(i)的值是否大于或者等于2,如是,则当前时序火灾概率等于孤立火灾概率Pi,如否,当前时序火灾概率为t5;其中,温度变化率阈值中:b1>b2>b3>b4>0。
以下以一个具体实例说明:
首先建立火灾数据的训练集和测试集,实验数据采用无火、阴燃火和明火数据各200组,并按火灾发生前后时序排列,部分实验数据见表1;
表1部分实验数据
如图2所示:基于上述试验数据以及附图2可以看出,本发明所提出的方法,保持了传统FNN(模糊神经网络的简称)对无火特征参数的良好预测性能,从无火进入有火阶段同一时序数据的火灾概率预测值明显高于FNN的预测值;提高了灾预警的正确率,克服了传统的单一模糊神经网络判断所出现的误报问题。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于模糊神经网络的电缆沟道火灾预警方法,其特征在于:包括以下步骤:
S1.采集电缆沟道环境参数,并对环境参数进行归一化预处理,其中,环境参数包括温度、一氧化碳浓度以及烟雾浓度;
S2.构建模糊神经网络,并将归一化处理后的环境参数输入至模糊神经网络中得到孤立火灾概率Pi;
S3.确定环境参数随采集时序的变化率以及构建时序火灾概率T,其中,时序火灾概率T从大到小依次为t1、t2、t3、t4以及t5;
根据环境参数随采集时序的变化率确定出当前所对应的时序火灾概率;
S4.构建融合概率决策模型η:
η=λ1Pm+λ2tj;其中,λ1为孤立火灾概率权重系数,λ2为时序火灾概率权重系数,j=1,2,3,4,5;
S5.根据融合概率η所对应的火灾等级进行预警。
4.根据权利要求3所述基于模糊神经网络的电缆沟道火灾预警方法,其特征在于:步骤S3中,根据如下方法确定出当前环境参数所对应的时序火灾概率:
S31.计算一氧化碳变化率持续时间函数d1(i)和烟雾浓度变化率持续时间函数d2(i):
S32.判断温度变化率Ki是否大于温度变化率阈值b1,如是,则当前时序火灾概率为t1,如否,则进入步骤S33;
S33.判断温度变化率Ki是否大于温度变化率阈值b2,如是,则进入到步骤S34,如否,则进入到步骤S35;
S34.判断温度变化率Ki与温度变化率Ki-1之和是都大于温度变化率阈值b3,如是,则当前时序火灾概率为t2,否则当前时序火灾概率为t3;
S35.判断温度变化率Ki、温度变化率Ki-1以及温度变化率Ki-2之和是否大于温度变化率阈值b4,如是,则当时时序火灾概率为t4,如否,进入步骤S36;
S36.判断一氧化碳变化率持续时间函数d1(i)的值是否大于或者等于2,如是,则当前时序火灾概率等于孤立火灾概率Pi;如否,则进入步骤S37;
S37.判断烟雾浓度变化率持续时间函数d2(i)的值是否大于或者等于2,如是,则当前时序火灾概率等于孤立火灾概率Pi,如否,当前时序火灾概率为t5;
其中,温度变化率阈值中:b1>b2>b3>b4>0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434490.2A CN114743335A (zh) | 2021-11-29 | 2021-11-29 | 基于模糊神经网络的电缆沟道火灾预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434490.2A CN114743335A (zh) | 2021-11-29 | 2021-11-29 | 基于模糊神经网络的电缆沟道火灾预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114743335A true CN114743335A (zh) | 2022-07-12 |
Family
ID=82273784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111434490.2A Pending CN114743335A (zh) | 2021-11-29 | 2021-11-29 | 基于模糊神经网络的电缆沟道火灾预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114743335A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060085136A (ko) * | 2005-01-22 | 2006-07-26 | 김영일 | 수배전반의 정보시각화를 위한 퍼지알고리즘 기법의 전력파라미터 산출방법 |
CN105185022A (zh) * | 2015-10-21 | 2015-12-23 | 国家电网公司 | 基于多传感器信息融合的变电站火灾探测系统及探测信息融合方法 |
CN109255921A (zh) * | 2018-11-13 | 2019-01-22 | 福州大学 | 一种基于分层模糊融合的多传感器火灾检测方法 |
CN111627181A (zh) * | 2020-06-28 | 2020-09-04 | 四川旷谷信息工程有限公司 | 融合多源参数及其梯度信息的综合管廊火灾预警方法 |
-
2021
- 2021-11-29 CN CN202111434490.2A patent/CN114743335A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060085136A (ko) * | 2005-01-22 | 2006-07-26 | 김영일 | 수배전반의 정보시각화를 위한 퍼지알고리즘 기법의 전력파라미터 산출방법 |
CN105185022A (zh) * | 2015-10-21 | 2015-12-23 | 国家电网公司 | 基于多传感器信息融合的变电站火灾探测系统及探测信息融合方法 |
CN109255921A (zh) * | 2018-11-13 | 2019-01-22 | 福州大学 | 一种基于分层模糊融合的多传感器火灾检测方法 |
CN111627181A (zh) * | 2020-06-28 | 2020-09-04 | 四川旷谷信息工程有限公司 | 融合多源参数及其梯度信息的综合管廊火灾预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111627181B (zh) | 融合多源参数及其梯度信息的综合管廊火灾预警方法 | |
CN107564231B (zh) | 基于物联网的建筑物火灾预警及火灾态势评估系统及方法 | |
CN205680751U (zh) | 一种电池热失控检测系统 | |
CN106066457A (zh) | 一种电池热失控检测系统及其检测方法 | |
CN108964274B (zh) | 一种电气安全的智能管理系统及控制方法 | |
CN113408878A (zh) | 基于多源信息的电缆隧道运行状态评价方法及区域控制系统 | |
CN115035674B (zh) | 一种智慧楼宇消防智能监测预警管理系统 | |
CN112464813B (zh) | 山火的监测方法及装置 | |
CN112002095A (zh) | 一种矿山洞内的火灾预警方法 | |
CN117055446A (zh) | 一种模拟信号的电气信号设备监控系统及方法 | |
CN115294719B (zh) | 一种楼宇安防监控系统 | |
CN111047815A (zh) | 基于自学习模型识别消防探测器误报的方法及系统 | |
CN114255562A (zh) | 基于物联网的智慧消防预警系统 | |
CN116665424A (zh) | 一种火灾自动报警消防联动系统 | |
CN110930644B (zh) | 一种电缆生产安全预警系统 | |
CN110930632A (zh) | 一种基于人工智能的预警系统 | |
CN114743335A (zh) | 基于模糊神经网络的电缆沟道火灾预警方法 | |
CN117872159A (zh) | 一种基于数据分析的锂电芯充放电异常检测方法及系统 | |
CN117409529A (zh) | 一种多场景电气火灾在线监测方法及系统 | |
CN111508182A (zh) | 一种新型物联网用于小区消防的监测警报系统 | |
CN114882666B (zh) | 一种智能家居火灾预警方法、系统、终端设备及存储介质 | |
CN115601910B (zh) | 一种应用于电气火灾的早期预警电子鼻系统 | |
CN113741354A (zh) | 安全生产监控预警方法、系统以及具有存储功能的装置 | |
CN116054416A (zh) | 一种基于物联网的智能监控运维管理系统 | |
CN109544850A (zh) | 一种基于物联网的消防隐患判别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |