基于神经网络的配电柜电气火灾预警模型设计

贾振国 许琳 杨忠亮

摘 要：配电柜是电力系统及工矿企业重要的配电设备之一，其安全、稳定运行直接关系到企业的正常生产和人们的日常生活。配电柜电气火灾是配电柜运行过程中的重要安全隐患。针对配电柜电气火灾的成因，提出了基于神经网络的配电柜电气火灾预警模型。该模型在考虑常规电气火灾诱发因素如弧光、烟雾、温度等的同时，融合了电压、电流和电能质量等电气参量作为电气火灾成因的特征量。该模型具有自学习、记忆和推理判断的特点，能够有效提高预警的可靠性。采用MATLAB仿真验证了模型预警的效果。

关键词：配电柜；神经网络；电气火灾；预警；模型

中图分类号：TP216+.3 文献标志码：A 文章编号：2095-2945（2018）10-0091-03

Abstract： Distribution cabinet is one of the important distribution equipment in power system and industrial and mining enterprises. Its safe and stable operation is directly related to the normal production of enterprises and people's daily life. Electrical fire of distribution cabinet is an important safety hazard in the operation of distribution cabinet. In view of the causes of electrical fire in distribution cabinets， an electric fire warning model of distribution cabinets based on neural network is proposed. In this model， the electrical parameters， such as voltage， current and power quality， are considered as the characteristics of electrical fire caused by conventional electrical fire inducing factors， such as arc， smoke， temperature and so on. The model has the characteristics of self-learning， memory and reasoning and judgment， and can effectively improve the reliability of early warning. The effect of model warning is verified by MATLAB simulation.

Keywords： distribution cabinet； neural network； electrical fire； prewarning； model

引言

配電柜是电力系统和企事业单位供配电的重要设备之一。配电柜的安全运行直接关系到电能的连续供给和用户负荷的正常运转。配电柜运行过程中的潜在隐患是电气火灾，据公安部消防局统计，2016年国内共发生电气火灾9.4万起，占火灾总数的30.4%；2017年第一季度国内共发生电气火灾2.4万起，占火灾总数的29.8%[1]。在这些电气火灾中，由配电柜或配电柜外供线路引起的火灾占有相当大的比例。因此，对配电柜及其外供线路进行电气火灾的预警监测具有重要的现实意义。

本文在对配电柜内部实施温度、烟雾、火焰等常规电气火灾监测的基础上，增加了对配电柜电能质量指标的监测与分析，融合多种信息构建了基于神经网络的配电柜电气火灾预警模型。采用该模型不仅可以发现配电柜内部的电气火灾隐患，还可以通过对配电柜外供线路的实时监测与分析，及早发现外供线路存在的电气火灾隐患并发出预警信息，做到防患于未然。

1 配电柜电气火灾成因

1.1 诱发配电柜电气火灾的主要因素

（1）短路

短路是配电柜电气火灾的主要诱发原因之一。配电柜内相导体间的绝缘击穿或绝缘破损，导致相线与相线、相线与零线或相线与地的绝缘电阻降低，电流突然增大，瞬间发热量超过正常运行发热量，引燃绝缘或周边可燃物，形成火灾。

（2）漏电

漏电是指由于线路绝缘降低，导线在某处与大地之间有一部分电流通过，漏电流较大时便会在漏电部位产生局部高温、电火花或电弧，形成火灾隐患。漏电一般是由于绝缘降低造成的，通常比较隐蔽不易发现。因此，电气线路漏电引发的火灾事故是电气火灾事故中最为隐蔽和难以防范的一种，并且电气火灾漏电又是引起短路或电气设备故障的诱因[2]。

（3）过负荷

过负荷是指电气设备或导线超过了额定载流量，过负荷会导致设备或导线温度不断升高，加快绝缘老化，严重过负荷时会引燃绝缘，形成火灾。

（4）接触不良

接触不良主要发生在电气设备引出端或线路接头部位，接触电阻的增大，会导致导体接触部位额外的发热，形成高温，严重时可能使接触部位的导体融化或者引燃绝缘层或周边的可燃物，从而形成火灾。

（5）谐波

“谐波是对周期性交流量进行傅里叶级数分解，得到频率为基波频率大于1整数倍的分量[3]”。谐波是电能质量的重要指标之一。谐波可能由供电电源形成，也可能由负载中的电动机、变压器或非线性负载形成。谐波含量的增加会导致设备的额外发热，加速设备的老化，从而产生漏电或短路故障，形成火灾隐患。

（6）其他电能质量问题

其他电能质量问题主要是指电压偏差、频率偏差、电压波动和闪变及三相不平衡。其中电压偏差、电压波动和闪变会导致用电设备过电压，加速设备老化，造成异常温升。三相电压不平衡和频率偏差会使零线电流异常增加并产生谐波，形成火灾隐患。

1.2 配电柜电气火灾的主要监测内容

针对上述配电柜和配电系统的电气火灾诱因，需要对配电柜内相关部位或线路进行实时监测，主要包括常规电气火灾监测和电能质量监测项目。

常规监测项目主要包括配电柜内烟雾监测、火光监测、温度监测、湿度监测，这些监测项目可以通过配置感烟、感光、感温和感湿传感探头实现。

电能质量监测项目主要包括配电柜工作和外供回路电压、电流、功率监测和电压偏差、频率偏差、电压骤升骤降及谐波监测项目。这些项目的监测可以采用ATT7022E、ADE7880、ADE9000等专用电量检测或电能质量监控芯片实现。这些芯片具有检测参量多，外围电路简单、性价比高的特点。

2 配电柜电气火灾预警模型

2.1 模型总体结构

配电柜电气火灾预警属于多输入单输出的结构形式。输入变量主要包括烟雾、温度、湿度、光强、电压偏差、频率偏差、三相不平衡度、单位时间内电压骤升与骤降次数、三次谐波含量、总谐波畸变率等。输出变量为电气火灾发生的可能性，是0～1概率数据。图1为模型的示意框图。

2.2 神经网络模型

近年来，神经网络技术从理论逐步走向应用领域，出现了神经网络芯片和神经计算机。神经网络在预测控制领域得到了广泛的应用[4]。本文采用三层BP神经网络构建配电柜电气火灾预警模型。输入层有9个变量，设置输入层为9个神经元，输出层仅有1个变量，设置输出层为1个神经元。隐含层神经元个数的设置并没有一成不变的规则，一般采用试算法或经验法来确定。本文采用参考文献[5]中所描述的“三分法[5]”确定隐含层的数目为9个神经元。图2为配电柜电气火灾预警的神经网络模型。

输入层到隐含层的权重为Wij，？兹j为隐含层的阈值，隐含层到输出层的权重为Wjm，？兹m为隐含层的阈值。

则有：

对图2所示模型采用有监督训练方式，首先给Wij，？兹j，Wjm，？兹m赋随机值，通常该值不宜过大。给定样本数据，编程通过公式（1）和（2）进行反复计算，比较输出结果与期望值的误差，直到误差达到设计要求为止。

2.3 MATLAB仿真确定权重

取50组经验数据作为图2神经网络的输入，输出误差控制值取0.001，取学习速率0.05，动量因子0.80，当数据收敛到误差范围内时，得到如下权重值：

3 实例试验

经过MATLAB训练取得各层权值和阈值后，采用笔者研制的变压器风冷控制柜进行了5组验证性试验。试验过程中通过电网模拟器分别改变电网电压、频率和加入50%三次谐波用于验证模型对电能质量的响应情况。第4组通过调节柜内加热器使柜内温度升高至65℃，验证模型对温度的响应情况。第5组通过给柜内注入烟雾，验证模型对烟雾的响应情况，实验结果见表1，表中输入变量和输出结果为归一化后的数据。试验结果表明模型对单项变量的响应基本符合实际，受试验条件限制，未进行多变量融合试验。

4 结束语

本文所建立的基于神经网络的配电柜电气火灾预警模型，具有结构简单，易于实现的特点。笔者采用ADI公司ADE0000电能质量监控芯片和基于ARM Cortex M4内核的STM32F407ZET6单片机，实现了包括FFT谐波分析运算和神经网络推理的功能。但对于多变量同时变化的响应情况尚需对模型和算法做进一步的修改和验证。

参考文献：

[1]国家安全生产监督管理总局网站，www.chinasafety.gov.cn. 2012年以来电气火灾专题分析与预警[EB/OL].

[2]姜峰.低压线路电气火灾原因浅析[J].四川建筑，2011（05）：226.

[3]GB/T14549-93.电能质量公用电网谐波[S].

[4]刘金琨.智能控制[M].北京：电子工业出版社，2012：110-116.

[5]王嵘冰，徐红艳，李波，等.BP神经网络隐含层节点数确定方法研究[J].计算机技术与发展，2017，12.

[6]GB/T14549-93.电能质量公用电网谐波[S].

[7]杨磊.网络化电能质量监测系统的研究与实现[D].江南大学，2017：20-22.

[8]陈志旺.STM32嵌入式微控制器快速上手（第2版）[M].北京：电子工业出版社，2014.

[9]High Performance， Multiphase Energy，and Power Quality Monitoring IC[DB/OL].Analog Device Inc.2016.

[10]ADE9000 Technical Reference Manual[DB/OL]. Analog Device Inc.2016.

[11]EVAL-ADE9000EBZ User Guide[DB/OL]. Analog Device Inc.2016.

[12]EV-ADE9000SHIELDZ User Guide[DB/OL]. Analog Device Inc.2016

[13]賈振国，张胜宝，杨忠亮，等.智能化仪器仪表实用抗干扰技术[J].科技创新与应用，2017，32：35-39.

[14]何昱.基于STM32F407的单相电参数测量仪[J].成都大学学报，2013，12.