CN117765481B - 集成多源数据的电力系统火灾智慧预警方法及系统 - Google Patents

Abstract

本发明涉及电力系统消防技术领域，尤其涉及集成多源数据的电力系统火灾智慧预警方法及系统，该方法整合电力系统内部的视频、传感器等监测数据和外部的气象、地理信息数据，采用CNN网络进行数据的分析以及火灾情况预判，识别潜在的火灾风险点，并利用CNN网络编码结构来解决数据融合的问题，构建QNN来提高模型的计算速度，降低模型规模，解决智能消防中火灾预判问题，为电力系统智能消防管理提供了一种新的技术方案，也为监控人员的作业带来极大的帮助。

Description

集成多源数据的电力系统火灾智慧预警方法及系统

技术领域

本发明涉及电力系统消防技术领域，尤其涉及集成多源数据的电力系统火灾智慧预警方法及系统。

背景技术

电力系统设备的安全性是电网安全平稳运行的前提和基础，随着人工智能、云计算、传感器等技术的迅速发展，智慧消防系统已逐步实现传统管理平台的智能化升级。当前的电力系统智慧消防平台实现了感知设备采集电力设备的温度、湿度等相关数据，但仅能够对数据进行实时监控与分析，且温、湿度或烟雾传感器等存在一定的延迟性，但多种传感器获取的数据尚未较好的实现信息融合，提前根据各种信息预判火灾发生的能力仍然欠缺。同时，南北地域差异，季节差异都会导致火灾发生的概率不同，如何利用环境信息合理配置消防资源也是当前也并未充分考虑。

因此，本发明提出了一种集成多源数据的电力系统火灾智慧预警方法及系统，来解决上述问题。

发明内容

本发明针对现有技术的不足，研制一种集成多源数据的电力系统火灾智慧预警方法及系统，来提高电力系统火灾智慧预警方法的消防预警能力。

本发明解决技术问题的技术方案为：

一种集成多源数据的电力系统火灾智慧预警方法，包括以下步骤：

S1.数据采集：采集电力系统火灾预警所需的多源数据，多源数据包括各区域采集的监控图像P、内部传感器信息和外部传感器信息；

S2.数据预处理：对内部传感器信息与外部传感器信息进行归一化处理，处理后的数据构成传感器数据集D，，同一时刻的监控图像P与传感器数据集D组成一条样本/>，/>，/>表示t时刻的样本；

S3.构建数据集：按时间顺序对样本进行排列形成时间序列/>，，/>表示n时刻的样本，然后将时间序列D_fire作为CNN网络输入；

S4.基于CNN网络进行多源数据融合：对时间序列D_fire中的监控图像数据P进行特征提取后得到的图像特征；将传感器数据集D中的数据，以类别为横坐标，以数值大小作为纵坐标，形成传感器数据图，进行特征提取后得到的传感器数据特征/>；通过直接拼接将图像特征/>与传感器数据特征/>进行组合，得到融合后的特征向量；

S5. 构建量子神经网络QNN：设计一个量子神经网络QNN，包括4个编码线路Encoder，4个训练路线和4个测量构成，将S4中的特征向量作为构建的QNN网络的输入，将是否发生火灾的概率作为网络的输出结果；

S6. 训练QNN网络并根据训练结果进行评估：设计损失函数，设定阈值，多次进行损失函数的计算对QNN网络进行训练，当损失函数的值小于设定的阈值时，完成对网络结构的训练，得到最终的火灾发发生概率的预判结果。

具体实施方式中，S1具体如下：

内部传感器信息包括温度信息T、湿度信息H、烟雾传感器信息S和可燃气体传感器信息F，外部传感器信息包括气象信息M和地理数据信息G，监控图像数据P通过将监控视频逐帧提取获得。

具体实施方式中，S2具体如下：

将内部传感器信息和外部传感器信息中每一类数据进行归一化处理，

，

，

，

，

，

，

其中，表示归一化处理后的温度信息，/>表示归一化处理后的湿度信息，/>表示归一化处理后的烟雾传感器信息，/>表示归一化处理后的可燃气体传感器信息，/>表示归一化处理后的气象信息M，地理数据信息G，/>表示最小值操作，/>表示最大值操作。

具体实施方式中，S4具体如下：

基于CNN量子神经网络的多源数据融合过程为：

将总数数据集中的监控图像P输入至CNN网络中得到图像特征，CNN网络结构为Conv2D+BN+ReLU三个模块，计算公式为：

，

其中表示取最大值操作，/>和/>表示BN层中的两个超参数，w和b表示卷积层中的权重和偏置两个超参数，/>表示一个批次中的所有图像样本的均值，n_B表示批次中图像样本的个数，/>表示用来防止分母为零的常数，/>表示样本/>中的图像样本；

同时将内部传感器信息与外部传感器信息合成的传感器数据集D中的数据，以类别为横坐标，以数值大小作为纵坐标，形成传感器数据图，将数据图输入至CNN网络中进行特征提取，得到传感器数据特征，CNN网络结构为Conv2D+BN+ReLU三个模块，计算公式为：

，

其中表示一个批次中的所有数据图样本的均值，/>表示样本/>中的数据图样本；

最后，通过直接拼接将图像特征与传感器数据特征/>进行组合，即得到融合后的特征向量/>，特征向量的维度为n*4。

具体实施方式中，S5具体如下：

构建量子神经网络QNN，量子神经网络由4个编码线路Encoder，4个训练路线和4个测量构成，将基于CNN的多模态数据融合过程中提取到的特征向量作为输入，输入至量子神经网络中，编码线路将输入的特征向量/>编码为量子数据，然后将量子数据输入至训练路线进行计算，最后经过测量得到最终计算结果output，将最终价算结果输入至一个三层全连接网络，得到最终的火灾发发生概率的预判结果/>，量子网络的计算过程为：

首先构建输入量子态：，其中，/>表示量子态构建函数；

然后定义量子旋转门为，i=1,2,3，

其中，表示第i个量子旋转门的量子旋转相位，i表示第i个量子旋转门；量子网络的计算通过量子态与量子旋转门计算获得:

，/>，

其中 和/>分别表示权重和偏置，/>表示激活函数。

具体实施方式中，S6具体如下：

以标签与输出结果的误差，以及量子网络和全连接层的参数，设计损失函数，损失函数Loss为：

，

其中，表示数据集中样本的标签。

本申请还提供了一种集成多源数据的电力系统火灾智慧预警系统，执行集成多源数据的电力系统火灾智慧预警方法，包括以下模块：

数据采集模块：采集电力系统火灾预警所需的多源数据，多源数据包括各区域采集的监控图像、内部传感器信息和外部传感器信息；

数据预处理模块：对内部传感器信息与外部传感器信息进行归一化处理，处理后的数据构成传感器数据集，将同一时刻的监控图像与传感器数据集组成一条样本；

数据集构建模块：按时间顺序对样本进行排列形成时间序列，并将时间序列作为CNN网络的输入；

多源数据融合模块：对时间序列中的监控图像数据进行特征提取后得到的图像特征，对传感器数据集中的数据进行特征提取后得到的传感器数据特征，将图像特征与传感器数据特征进行组合，得到融合后的特征向量；

量子神经网络QNN构建模块：设计量子神经网络QNN，特征向量作为QNN网络的输入，得到是否发生火灾概率的输出结果；

训练QNN网络并根据训练结果进行评估：设计损失函数，设定阈值，多次进行损失函数的计算对QNN网络进行训练，当损失函数的值小于设定的阈值时，完成对网络结构的训练，得到最终的火灾发发生概率的预判结果。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案具有如下优点或有益效果：

本发明提出了一种集成多源数据的电力系统火灾智慧预警方法及系统，通过将外部气象及地理数据引入火灾预判，充分利用了不同地域的环境信息，能够依据地理环境及季节信息灵活配置消防资源，同时基于QNN网络的火灾预判模型，解决了多源数据难以融合问题以及模型训练困难速度慢的问题，有效综合了采集的信息，实现了火灾的预判，将消防作业的干预作用进一步提前，降低损失。通过火灾预判及报警模块的智慧化改进升级，进一步提升了电力系统智能消防平台的消防预警能力。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明中方法的流程示意图。

图2为本发明中方法的结构示意图。

具体实施方式

为了能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。

实施例1 一种集成多源数据的电力系统火灾智慧预警方法，包括以下步骤：

S1.数据采集：采集电力系统火灾预警所需的多源数据，多源数据包括各区域采集的监控图像P、内部传感器信息和外部传感器信息；

S2.数据预处理：对内部传感器信息与外部传感器信息进行归一化处理，处理后的数据构成传感器数据集D，，同一时刻的监控图像P与传感器数据集D组成一条样本/>，/>，/>表示t时刻的样本；

S3.构建数据集：按时间顺序对样本进行排列形成时间序列/>，，/>表示n时刻的样本，然后将时间序列D_fire作为CNN网络输入；

S4.基于CNN网络进行多源数据融合：对时间序列D_fire中的监控图像数据P进行特征提取后得到的图像特征；将传感器数据集D中的数据，以类别为横坐标，以数值大小作为纵坐标，形成传感器数据图，进行特征提取后得到的传感器数据特征/>；通过直接拼接将图像特征/>与传感器数据特征进行/>组合，得到融合后的特征向量；

S5. 构建量子神经网络QNN：设计一个量子神经网络QNN，包括4个编码线路Encoder，4个训练路线和4个测量构成，将S4中的特征向量作为构建的QNN网络的输入，将是否发生火灾的概率作为网络的输出结果；

S6. 训练QNN网络并根据训练结果进行评估：设计损失函数，设定阈值，多次进行损失函数的计算对QNN网络进行训练，当损失函数的值小于设定的阈值时，完成对网络结构的训练，得到最终的火灾发发生概率的预判结果。

具体实施方式中，S1具体如下：

内部传感器信息包括温度信息T、湿度信息H、烟雾传感器信息S和可燃气体传感器信息F，外部传感器信息包括气象信息M和地理数据信息G，监控图像数据P通过将监控视频逐帧提取获得。

具体实施方式中，S2具体如下：

将内部传感器信息和外部传感器信息中每一类数据进行归一化处理，

，

，

，

，

，

，

其中，表示归一化处理后的温度信息，/>表示归一化处理后的湿度信息，/>表示归一化处理后的烟雾传感器信息，/>表示归一化处理后的可燃气体传感器信息，/>表示归一化处理后的气象信息M，地理数据信息G，/>表示最小值操作，/>表示最大值操作。

具体实施方式中，S4具体如下：

基于CNN量子神经网络的多源数据融合过程为：

将总数数据集中的监控图像P输入至CNN网络中得到图像特征,CNN网络结构为Conv2D+BN+ReLU三个模块，计算公式为：

,

其中表示取最大值操作，/>和/>表示BN层中的两个超参数，w和b表示卷积层中的权重和偏置两个超参数，/>表示一个批次中的所有图像样本的均值，n_B表示批次中图像样本的个数，/>表示用来防止分母为零的常数，/>表示样本/>中的图像样本；

同时将内部传感器信息与外部传感器信息合成的传感器数据集D中的数据，以类别为横坐标，以数值大小作为纵坐标，形成传感器数据图，将数据图输入至CNN网络中进行特征提取，得到传感器数据特征，CNN网络结构为Conv2D+BN+ReLU三个模块，计算公式为：

，

其中表示一个批次中的所有数据图样本的均值，/>表示样本/>中的数据图样本；

最后，通过直接拼接将图像特征与传感器数据特征/>进行组合，即得到融合后的特征向量/>，特征向量的维度为n*4。

具体实施方式中，S5具体如下：

构建量子神经网络QNN，量子神经网络由4个编码线路Encoder，4个训练路线和4个测量构成，将基于CNN的多模态数据融合过程中提取到的特征向量作为输入，输入至量子神经网络中，编码线路将输入的特征向量/>编码为量子数据，然后将量子数据输入至训练路线进行计算，最后经过测量得到最终计算结果output，将最终价算结果输入至一个三层全连接网络，得到最终的火灾发发生概率的预判结果/>，量子网络的计算过程为：

首先构建输入量子态：,

其中，表示量子态构建函数；

然后定义量子旋转门为,i=1,2,3,

其中，表示第i个量子旋转门的量子旋转相位，i表示第i个量子旋转门；

量子网络的计算通过量子态与量子旋转门计算获得:

,

,

其中和/>分别表示权重和偏置，表示激活函数。

具体实施方式中，S6具体如下：

以标签与输出结果的误差，以及量子网络和全连接层的参数，设计损失函数，损失函数Loss为：

,其中，/>表示数据集中样本的标签。

实施例2 一种集成多源数据的电力系统火灾智慧预警系统，执行集成多源数据的电力系统火灾智慧预警方法，包括以下模块：

数据采集模块：采集电力系统火灾预警所需的多源数据，多源数据包括各区域采集的监控图像、内部传感器信息和外部传感器信息；

数据预处理模块：对内部传感器信息与外部传感器信息进行归一化处理，处理后的数据构成传感器数据集，将同一时刻的监控图像与传感器数据集组成一条样本；

数据集构建模块：按时间顺序对样本进行排列形成时间序列，并将时间序列作为CNN网络的输入；

多源数据融合模块：对时间序列中的监控图像数据进行特征提取后得到的图像特征，对传感器数据集中的数据进行特征提取后得到的传感器数据特征，将图像特征与传感器数据特征进行组合，得到融合后的特征向量；

量子神经网络QNN构建模块：设计量子神经网络QNN，特征向量作为QNN网络的输入，得到是否发生火灾概率的输出结果；

训练QNN网络并根据训练结果进行评估：设计损失函数，设定阈值，多次进行损失函数的计算对QNN网络进行训练，当损失函数的值小于设定的阈值时，完成对网络结构的训练，得到最终的火灾发发生概率的预判结果。

实施例3 由表1可知，将本发明中的方法与另外三种方法——CNN-LSTM、决策树、基于D-S证据理论的多参量融合预警方法进行对比，本申请的准确率高于其他方法的准确率，进一步说明采用本发明中的方法能将消防作业的干预作用进一步提前，降低损失，进一步提升电力系统智能消防平台的消防预警能力。

表1 本发明中的方法与其他方法准确率的对比

上述虽然结合附图对发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (3)

1.一种集成多源数据的电力系统火灾智慧预警方法，其特征是，包括以下步骤：

S1.数据采集：采集电力系统火灾预警所需的多源数据，多源数据包括各区域采集的监控图像P、内部传感器信息和外部传感器信息；

S2.数据预处理：对内部传感器信息与外部传感器信息进行归一化处理，处理后的数据构成传感器数据集D，同一时刻的监控图像P与传感器数据集D组成一条样本x_t，x_t＝[P,D]，x_t表示t时刻的样本；

S2具体如下：

将内部传感器信息和外部传感器信息中每一类数据进行归一化处理，

T'＝(T-min(T))/(max(T)-min(T))，

H'＝(H-min(H))/(max(H)-min(H))，

S'＝(S-min(S))/(max(S)-min(S))，

F'＝(F-min(F))/(max(F)-min(F))，

M'＝(M-min(M))/(max(M)-min(M))，

G'＝(G-min(G))/(max(G)-min(G))，

其中，T'表示归一化处理后的温度信息，H'表示归一化处理后的湿度信息，S'表示归一化处理后的烟雾传感器信息，F'表示归一化处理后的可燃气体传感器信息，M'表示归一化处理后的气象信息M，地理数据信息G，min(·)表示最小值操作，max(·)表示最大值操作；

S3.构建数据集：按时间顺序对样本x_t进行排列形成时间序列D_fire，D_fire＝{x₁,x₂,…,x_t,…,x_n}，x_n表示n时刻的样本，然后将时间序列D_fire作为CNN网络输入；

S4.基于CNN网络进行多源数据融合：对时间序列D_fire中的监控图像数据P进行特征提取后得到的图像特征P_feature；将传感器数据集D中的数据，以类别为横坐标，以数值大小作为纵坐标，形成传感器数据图，进行特征提取后得到的传感器数据特征D_feature；通过直接拼接将图像特征P_feature与传感器数据特征D_feature进行组合，得到融合后的特征向量D_ff；

S4具体如下：

基于CNN量子神经网络的多源数据融合过程为：

将总数数据集中的监控图像P输入至CNN网络中得到图像特征P_feature，CNN网络结构为Conv2D+BN+ReLU三个模块，计算公式为：

其中max(·)表示取最大值操作，γ_p和β表示BN层中的两个超参数，w和b表示卷积层中的权重和偏置两个超参数，μ_pB表示一个批次中的所有图像样本的均值，n_B表示批次中图像样本的个数，∈表示用来防止分母为零的常数，x_pi表示样本x_t中的图像样本；

同时将内部传感器信息与外部传感器信息合成的传感器数据集D中的数据，以类别为横坐标，以数值大小作为纵坐标，形成传感器数据图，将数据图输入至CNN网络中进行特征提取，得到传感器数据特征D_feature，CNN网络结构为Conv2D+BN+ReLU三个模块，计算公式为：

其中μ_dB表示一个批次中的所有数据图样本的均值，x_di表示样本x_t中的数据图样本；

最后，通过直接拼接将图像特征P_feature与传感器数据特征D_feature进行组合，即[P_featureD_feature]^T得到融合后的特征向量D_ff，特征向量的维度为n*4；

S5.构建量子神经网络QNN：设计一个量子神经网络QNN，将S4中的特征向量D_ff作为构建的QNN网络的输入，将是否发生火灾的概率作为网络的输出结果；

S5具体如下：

构建量子神经网络QNN，量子神经网络由4个编码线路Encoder，4个训练路线和4个测量构成，将基于CNN的多模态数据融合过程中提取到的特征向量D_ff作为输入，输入至量子神经网络中，编码线路将输入的特征向量D_ff编码为量子数据，然后将量子数据输入至训练路线进行计算，最后经过测量得到最终计算结果output，将最终价算结果输入至一个三层全连接网络，得到最终的火灾发发生概率的预判结果output'，量子网络的计算过程为：

首先构建输入量子态：

其中，φ表示量子态构建函数；

然后定义量子旋转门为

其中，θ_i表示第i个量子旋转门的量子旋转相位，i表示第i个量子旋转门；

量子网络的计算通过量子态与量子旋转门计算获得:

output'＝softmax(W_q*output+b_q),

其中W_q和b_q分别表示权重和偏置，softmax表示激活函数；

S6.训练QNN网络并根据训练结果进行评估：设计损失函数，设定阈值，多次进行损失函数的计算对QNN网络进行训练，当损失函数的值小于设定的阈值时，完成对网络结构的训练，得到最终的火灾发发生概率的预判结果；

S6具体如下：

以标签与输出结果的误差，以及量子网络和全连接层的参数，设计损失函数，损失函数Loss为：

Loss＝-ylg(output′)-(1-y)lg(1-output′)+min(θ_i)+min(W_q)，

其中，y表示数据集中样本的标签。

2.根据权利要求1所述的集成多源数据的电力系统火灾智慧预警方法，其特征是，S1具体如下：

内部传感器信息包括温度信息T、湿度信息H、烟雾传感器信息S和可燃气体传感器信息F，外部传感器信息包括气象信息M和地理数据信息G，监控图像数据P通过将监控视频逐帧提取获得。

3.一种集成多源数据的电力系统火灾智慧预警系统，执行权利要求1-2中任一项所述的集成多源数据的电力系统火灾智慧预警方法，其特征是，包括以下模块：

数据采集模块：采集电力系统火灾预警所需的多源数据，多源数据包括各区域采集的监控图像、内部传感器信息和外部传感器信息；

数据预处理模块：对内部传感器信息与外部传感器信息进行归一化处理，处理后的数据构成传感器数据集，将同一时刻的监控图像与传感器数据集组成一条样本；

数据集构建模块：按时间顺序对样本进行排列形成时间序列，并将时间序列作为CNN网络的输入；

多源数据融合模块：对时间序列中的监控图像数据进行特征提取后得到的图像特征，对传感器数据集中的数据进行特征提取后得到的传感器数据特征，将图像特征与传感器数据特征进行组合，得到融合后的特征向量；

量子神经网络QNN构建模块：设计量子神经网络QNN，特征向量作为QNN网络的输入，得到是否发生火灾概率的输出结果；

训练QNN网络并根据训练结果进行评估：设计损失函数，设定阈值，多次进行损失函数的计算对QNN网络进行训练，当损失函数的值小于设定的阈值时，完成对网络结构的训练，得到最终的火灾发发生概率的预判结果。