山火的无线传感与RBF分析研究*

2016-11-04 09:11张丰伟赵振刚
传感器与微系统 2016年11期
关键词:火险山火无线

黄 俊,张丰伟,赵振刚,文 溢,李 川

(昆明理工大学 信息工程及自动化学院,云南 昆明 650504)



山火的无线传感与RBF分析研究*

黄 俊,张丰伟,赵振刚,文 溢,李 川

(昆明理工大学 信息工程及自动化学院,云南 昆明 650504)

研发了一种基于智能无线传感器网络的电力铁塔山火监测分析系统,系统通过对楚雄腰站变电站输电线路周围山地火灾诱发参数情况进行远程在线监测,对监测数据进行趋势分析,对山火发生情况下产生的数据变化进行分析。并采用径向基函数(RBF)神经网络进行回归拟合,预测火灾危险等级。经过测试样本的验证,表明RBF神经网络对于山火监测有较高的准确率,可以对监测数据进行预测分析,适用于山火预测。

输电线路;山火;传感器网络;径向基函数神经网络

0 引 言

近年来,我国电力行业的不断扩大,越来越多的输电线路穿越林区,山火对输电线路的威胁也愈加严重。为了尽量减少和预防山火对输电线路的安全稳定运行构成的重大威胁,进行山火的实时监测和火险等级预报显得尤为重要。2007年,张从力等人利用ZigBee技术开发了森林火灾远程监测系统[1];2008年,徐凡等人开发形成了基于视频的嵌入式森林火灾预警系统[2];2013年,广西电网公司电力科学研究院的朱时阳等人采用卫星遥感林火监测技术,对输电线路进行火险监测,并开发了输电线路走廊山火监测系统,成功应用于广西电网[3]。

本文依据监测系统需求,设计和开发了电力火灾在线监测系统,依据楚雄220 kV腰站的实际情况及设备安装要求,安装传感网的监测和通信设备,搭建楚雄220 kV腰站电力火灾在线监测系统,并接入电力专网。选取楚雄220 kV腰站电力火灾在线监测系统采集的监测数据带入径向基函数(RBF)的神经网络,仿真山火发生的危险等级。

1 电力火灾在线监测系统

森林火灾发生的初期,会造成小范围内温度迅速上升、湿度下降,树木燃烧会产生大量的一氧化碳和硫化氢等气体[4,5]。因此,可以采用温湿度传感器监测小范围内的温湿度不正常变化,作为发生山火的标志,同时利用一氧化碳传感器和硫化氢传感器作为辅助监测工具,排除因温湿度传感器故障造成的错误预警。大规模山火一旦发生,会产生大量的烟雾灰烬,对导线的正常工作造成严重威胁,因而烟雾也有必要成为监测山火的重要指标[6,7]。

通过火灾监测传感网的温湿度传感器、离子烟雾传感器、雨量传感器、风速传感器、二氧化硫传感器和一氧化碳传感器对电力铁塔附近的气象情况进行监测[8],可以及时预报和发现铁塔附近发生的山火,同时向变电站工作人员发布预警信息,为及时消除山火提供强有力的技术支撑,信息监测模型参见图1。

图1 信息监测系统Fig 1 Information monitoring system

2 电力火灾监测传感网的通信结构

电力火灾监测传感网采用无线通信方式进行信号的传输。基站负责接收汇总传感器的监测数据,并将传感器的编号和测量值编入数据帧,通过无线方式发送至网关;网关接收到基站发送的数据帧后,通过双绞线传送至服务器,通信拓扑结构参见图2。

图2 通信拓扑结构Fig 2 Communication topological structure

通信基站由锂电池、无线射频模块、电源管理模块、外壳、智能传感器接口组成,同时还可选配太阳能充电模块。针对变电站周围输电线路安全运行的需要,本文决定采用无线传感网的方案对电力铁塔周围的温度、湿度、离子烟雾、风速、一氧化碳和硫化氢等重要参数进行在线监测,监测模型参见图3。为进一步实现电力铁塔山火动态监测可视化智能分析与控制决策支持系统提供数据和信息支持。

图3 监测模型Fig 3 Monitoring model

3 山火监测的无线传感数据的RBF模型预测

根据《中华人民共和国森林火险气象等级标准(QX/T77—2007)》,选取空气温度、相对湿度、降雨量、风速作为森林火险等级预报的气象因子[9,10],将森林火险等级分为5级,5级火险等级对应的输出模式向量参见表1。

表1 输出向量表示

森林火险等级和温度、湿度、风速及降雨量之间的关系参见表2。

表2 森林火险等级对应表

根据《中华人民共和国森林火险气象等级标准(QX/T77—2007)》,选取样本集,调用T-sim-rbf函数根据测试样本集T_test检验模型的预测效果。预测输出向量是样本进行归一化后的结果,例如样本编号1的实际向量表示为00100,根据表1,属于三级火险。20组预测结果及测试误差参见表3。

根据表3,与测试样本的实际火险等级相比,本次实验所建立的RBF神经网络模型对第9组样本实际情况为五级火险,而预测结果为一级火险,第12组样本实际情况为二级,而预测结果为一级,第19组样本实际情况为二级,而预测结果为一级,其余均正确,准确率达85 %。RBF神经网络对于训练样本的预测值有较高的火险预测准确率,可以对监测数据进行预测分析,适用于山火预测。

RBF神经网络测试20组样本输出结果分别如图4。

图4 RBF神经网络测试样本输出结果Fig 4 Output result of RBF neural network test sample

4 结 论

简述了国内外山火监测和预报的现状,采用智能烟雾

表3 RBF神经网络实际值与预测值比较

传感器、智能温湿度传感器、智能风速传感器、智能雨量传感器、智能一氧化碳和硫化氢传感器构成无线传感网,实现了对变电站周围山区的烟雾、温湿度、风速、降雨量以及一氧化碳和硫化氢的浓度的在线监测,并利用RBF训练模型对监测数据进行分类,给出山火发生的危险等级。选取训练样本对RBF神经网络进行训练,经过测试样本的验证,表明训练好的RBF神经网络预测值正确率为85 %,可以运用该神经网络的监测数据进行预测分析。

[1] 张从力,邓 皓,张立志.基于ZigBee的森林火灾远程监测技术研究[J].研究与开发,2007,26(7):31-34.

[2] 徐 凡,袁 杰.基于视频的嵌入式森林火灾预警系统[J].计算机应用,2008,28(1):264-266.

[3] 朱时阳,邓雨荣.输电线路走廊山火监测技术研究与应用[J].广西电力,2013,36(3):25-27.

[4] 王德明,王 莉,张广明.基于遗传BP神经网络的短期风速预测模型[J].浙江大学学报:工学版,2012(5):837-841,904.

[5] 李 蔚,盛德仁,陈坚红,等.双重BP神经网络组合模型在实时数据预测中的应用[J].中国电机工程学报,2007(17):94-97.

[6] 王 轩.基于物联网技术的森林火灾监测研究[D].长沙:中南林业科技大学,2011.

[7] 顾勤冬.基于无线传感器网络的火灾监测系统研制[D].合肥:合肥工业大学,2009.

[8] Francesco Esposito,Giancarlo Rufino,Antonio Moccia.An integrated electro-optical payload system for forest fires monitoring from airborne platform[C]∥IEEE Conference on Aerospace at Big Sky,MT,2007:1-13.

[9] 韩红桂,乔俊飞,薄迎春.基于信息强度的RBF神经网络结构设计研究[J].自动化学报,2012(7):1083-1090.

[10] 张丰伟,李英娜,彭庆军,等.无线传感器网络在电力铁塔山火监测中的应用[J].传感器与微系统,2014,33(9):158-160.

Wildfires wireless sensing and RBF analysis research*

HUANG Jun,ZHANG Feng-wei,ZHAO Zhen-gang,WEN Yi,LI Chuan

(Faculty of Information Engineering and Automation,Kunming University of Science and Technology,Kunming 650504,China )

A tower fire monitoring and analysis system is developed based on intelligent wireless sensor networks(WSNs),remote online monitoring on mountain fire induced parameters around is carried out by Chuxiongyao station substation transmission lines and trend analysis on monitoring data and fire occurrence conditions analysis on data changes.Use RBF neural network for regression fitting,predict fire danger grade.After verification of test sample,indicates the RBF has higher accuracy for fire monitoring and suitable for fire forecast,the monitoring data can be predicting analyzed.

transmission lines;wildfires;sensor networks;RBF neural network

10.13873/J.1000—9787(2016)11—0071—03

2015—11—23

国家自然科学基金资助项目(51567013)

TP 212.1

A

1000—9787(2016)11—0071—03

黄 俊(1991-),女,湖南益阳人,硕士研究生,研究方向为传感器技术。

猜你喜欢
火险山火无线
驻马店市高森林火险天气气候特征分析
《无线互联科技》征稿词(2021)
无线追踪3
基于ARM的无线WiFi插排的设计
一种PP型无线供电系统的分析
美国加州各地山火肆虐 已造成6名消防员死亡
山火难熄
防火迟到
京津冀森林草原火灾遥感监测及火险预报系统建设
加州山火凶猛难挡