基于神经网络技术的电气火灾预警系统研究

于 兰，贾振国

（1.长春工程学院 能源动力工程学院，长春 130012；2.吉林省建筑能源供应及室内环境控制工程研究中心，长春 130012）

随着电气行业的飞速发展，电气火灾的发生越来越频繁，电气火灾发生时将会对电力系统造成巨大的影响，严重时还将会造成生命的威胁以及财产的损失。 针对电气火灾预警的方法，此前，相关文献也有研究。 文献[1]提出了一种基于电能计量芯片的电气火灾预警系统。 该系统通过使用电能计量芯片，更全面、准确地监测电能的质量；同时，通过谐波分析预测线路和设备的异常发热，结合漏电检测数据，发出电气火灾预警信号。 但该系统对电气线路和异常监控的有些误差， 因此还需进一步研究；文献[2]提出了一种基于故障电弧探测的电气火灾预警系统。 该系统采用电弧探测器，明确了故障电弧时域、频域特征元素以及识别方法，实现对电气故障的检测；利用小波降噪的方法，实现对电气频域的探测。 若发现电气运行的异常，系统会启动电气火灾的预警。 但该系统存在故障电弧探测器误报的问题还需要解决。

基于上述文献中存在的问题，本文设计了电气火灾预警系统。 该系统采用可编程控制器（programmable logic controller，PLC） 作为主控单元，实现对电气数据的处理与判断；采用探测器对电气运行的状况进行探测，若出现异常将触发预警系统，实现电气火灾的预警[3]。 本研究的关键技术在于设计了无线电气火灾监控技术，采用NB-IoT 无线通信技术， 实现监控主机与预警系统之间信息的传输，监控主机负责对电气设备运行的现场监控，从而及时发现电气设备的异常。 此外，本系统利用改进BP神经网络算法，实现了电气火灾故障的识别。

1 电气火灾预警系统

电气火灾将会对生命和财产造成巨大的损失，因此对电气火灾预警的设计是十分有必要。 本文设计了电气火灾预警系统。 本系统采用可编程逻辑控制器（PLC）作为主控单元，对电气火灾进行探测以及火灾的预警，并通过以太网进行对预警信息的传输[4]。 电气火灾预警系统结构如图1 所示。

图1 电气火灾预警系统结构图Fig.1 Structure diagram of electrical fire warning system

电气火灾预警系统通过温度、烟雾传感器进行检测是否有火灾险情。 若检测到温度和烟雾浓度过高，传感器探测系统将会把信号传送给PLC。PLC 对信号进行处理，并通过以太网将处理过的信号传送给上位机组态监控系统；同时，上位机显示电气火灾信号[5]。 当火灾信号出现并被检测到，将会触发电气火灾预警系统。 预警系统的蜂鸣声和指示灯将会启动，提醒人员有险情发生，同时控制器对事故现场检测故障做出相应的处理。 此时，应急照明系统将启动，为人员提供照明。

当系统采用红外人体感应器时，能够实现人体感应的检测。 比如当检测到火灾险情时，将会启动红外人体感应器， 通过该传感器进而探测人员位置，检测到的数据信息被传递到上位机。 救援人员通过显示的位置，实现被困人员的抢救。

系统采用EHT-MPI 转换器， 实现PLC 与以太网的连接。 上位机采用组态软件对火灾预警系统进行监控，利用触摸屏实现设备定期维护。 本系统还设计了数据库，将温度传感器和烟雾传感器采集到的数据信号传输至数据库存储。 系统依据设备运行时的实时温度对数据进行分析，如果温度发生异常状态，则会启动预报警。 观测人员可以调用预警系统信息，对实际情况进行查看，判断是否有异常发生，进而实现电气火灾的预警。

2 关键技术

2.1 无线电气火灾监控技术

基于上述研究的电气火灾预警系统，本研究在该系统中更深入地设计了无线电气火灾监控技术，防止在电气火灾险情时网络传输的中断，进而减少人员伤亡和财产损失。采用Boudica 芯片，实现无线通信技术，监控主机可通过NB-IoT 技术进行长距离传输。 无线电气火灾监控技术结构如图2 所示。

图2 无线电气火灾监控技术结构图Fig.2 Structure diagram of wireless electrical fire monitoring technology

电气火灾监控主机内置RS-232 和RS-485 两个有线传输接口，实现与终端系统电气火灾监控信息的传输。 电气火灾监控技术与电气火灾报警系统之间采用NB-IoT 无线传输芯片，实现双向通信的功能[6]。 该监控技术采用无线视频传输模块，直接完成电气火灾监控视频信号的传输，具有很高的抗干扰能力，并且能够实时传输视频信号。 监控主机主要包括微控制器MCU 电路、 无线通信接口电路等。MCU 与无线收发芯片之间采用NB-IoT 通信技术，实现监控视频信号的双向传输。

在该无线电气火灾监控技术中，设计出新型的微控制器MCU，实现无线电气火灾监控，采用LPC1752单片机，型号为Cortex-M3 内核的32 位微控制器，内部设置有512 KB 容量的闪存， 该闪存具有高度集成和低功耗的优点。 监控主机实现数据信息探测，通过摄像头实现现场电气异常状况的及时捕捉，所捕捉的数据信息被传送至电气火灾预警系统，大大降低了电气火灾的发生。

无线通信模块采用BC60NB-IoT 芯片，实现监控主机与电气火灾预警系统之间的无线通信，避免火灾险情发生而引起的有线网络通信的中断。 NB-IoT技术可实现电气火灾现场采集监控、无线通信以及对火灾的识别。

2.2 基于改进BP 神经网络算法的电气火灾故障识别

本研究分析了电气火灾故障的识别方法，从根源阻止电气火灾的发生。 该方法采用改进BP 神将网络算法，充分利用神经网络的非线性处理、自学习和自适应能力，在BP 神经网络的基础上加上动量项优化神经网络，改进BP 神经网络的学习效率[7]。该研究选用3 层BP 神经网络，采用梯度法修正权值。 三层BP 神经网络的结构如图3 所示。

图3 三层BP 神经网络结构图Fig.3 Three-layer BP neural network structure diagram

在BP 神经网络模型中，首先实现BP 神经网络模型的初始化。 假设：输入数据为p 和q 个，数据样本为m，则输入层与中间层之间的权值为wih，隐含层与输出层之间关联的权值为who，将隐含层神经元阈值θ 和输出层神经元阈值γ 赋予（-1，1）之间的随机数[8]，ε 为计算精度值，M 为最大学习次数。设定误差函数为

式中：d 为无线电气火灾监控期望输出；y 为无线电气火灾监控实际输出；do（k）为无线电气火灾监控理想输出值；yo（k）为无线电气火灾监控实际输出值。随机选取第k 个输入样本x（k）和对应的期望输出d（k）。 计算隐含层各神经元输入uh（k），然后用和激活函数计算隐含层输出vh（k），同样办法求输出层输入yo′（k）和yo（k），计算公式为

式中：k 为输入样本的个数，通过式（2）计算出隐含层各神经元的输入以及隐含层输出，输出层的输入和输出，实现对电气火灾故障的样本数据的训练。

计算误差函数对输出层各神经元的偏导数和隐含层各神经元的偏导数为[9]

通过式（3）计算出输出层和隐含层各神经元的偏导函数，进而观察电气火灾故障的特征。

用输出层神经元的δo（k）和隐含层各神经元输出vh（k）修正连接权值who和阈值γ，计算表达式为

式中：η 为学习率，在（0，1）之间。 通过式（4）实现神经网络对电气火灾故障的学习训练进一步加强。

将隐含层和输入层的各神经元进行输入xi（k）修正连接权值wih和阈值θ，其中表达式为

通过式（5） 能够计算出隐含层和输入层的各神经元修正值和阈值，实现对电气火灾故障的特征提取。

最后计算全局误差E，计算表达式为

式中：当E＜ε 或学习次数超过设定最大次数M，在传统的BP 神经网络中易陷入局部极小点，学习速率的提高会产生振荡和鲁棒性不好。 为此，引入动量项进行对传统神经网络改进[10]。

对各个可调节参数的学习率不停的调整，直到恰当合适，解决困扰的局部极小问题[11]。通过上述的改进，利用权值与阈值进行判断：若E＜ε 或学习次数超过设定最大次数M，算法结束，电气火灾没有发生故障；若E＞ε 有电气火灾故障发生，进而实现对电气火灾故障的识别。

3 实验结果与分析

为了验证该研究的系统有效性，本文搭建了实验平台，通过相关的实验对系统的功能进行测试。 本实验采用Protious 仿真软件进行对系统仿真，采用Matlab 7.0 神经网络工具箱，结合仿真软件对神经网络算法进行仿真分析[12]。操作系统为Windows XP，内存为4 G，硬盘为500 G，数据库为SQL Server2000，仿真软件为Protious，神经网络工具箱为Matlab 7.0，服务器为Centos6.5，通过上述试验，系统测试实验架构如图4 所示。

图4 实验架构示意图Fig.4 Schematic diagram of experimental architecture

本实验采用的实验数据为某电气企业的设备工作状态以及故障时的状态数据[13]。通过10 个小时试验，对系统进行仿真，结合神经网络算法对电气火灾进行预警得到实验数据。 容易造成电气火灾的实验数据如表1 所示。

表1 实验数据Tab.1 Experimental data

通过以上对实验平台的搭建， 进行实验测试。在测试火灾预警系统时效性时，通过发出设备异常的信号，记录预警信号发出的最短时间，来测试火灾预警系统的时效性[14]。为了形象分析该研究结果，测试结果与文献[1]和文献[2]的测试结果进行对比。实验结果对比如图5 所示。

图5 测试结果对比示意图Fig.5 Schematic diagram of comparison of test results

为了实现火灾预警数据信息分析、提高时效性测试能力，本文进行了相关试验和分析。 通过试验结果可以看到，该研究系统火灾预警响应时间明显比文献[1]和文献[2]少，火灾预警响应时间均低于2 s；在进行第3 次实验时，火灾预警响应时间最短为0.5 s。 因此，通过试验，该系统火灾预警反映能力比较高。 在应用文献[1]时：在进行第1 次实验时，火灾预警响应时间最短为3 s。文献[2]在对火灾预警的时效性进行测试时，火灾预警响应时间显然比本研究系统响应时间高，响应时间在2～5 s 之间波动。通过试验，说明波动幅度较大，幅度很不稳定，在进行第3 次实验时，火灾预警响应时间最少为2.3 s。由此可见，本文研究的系统火灾预警具有较好的时效性，能够及时检测设备异常的出现，减少火灾险情隐患。

基于上述实验对火灾预警的时效性测试，接着进行对神经网络故障识别的准确度测试。 通过发送故障数据，对故障的类型进行识别，从而测试故障识别的准确性。 实验结果仍与文献[1]和文献[2]进行对比，实验结果对比如图6 所示。

图6 实验结果对比Fig.6 Comparison of experimental results

由图6 可知，本研究系统在对电气火灾故障进行识别时，尤其是准确性测试时，电气火灾故障识别准确性可在80%～100%之间波动，波动幅度较小，并且较稳定。 在进行第20 次实验时，电气火灾故障识别准确性最低为82%。 在进行第15 次实验时，电气火灾故障识别的准确性最高为96%；文献[1]对电气火灾故障的准确性测试和识别时，准确率在40%～70%之间波动，在第30 次实验时，电气火灾故障识别准确率最高为70%。 文献[2]对电气火灾故障准确性测试时，电气火灾故障识别的准确率在40%～80%之间波动，波动幅度为40%较不稳定，在第15 次实验时，准确率最高为74%。 因此本研究的系统实现电气火灾故障识别时，具有较高的准确率。

4 结语

为了提高电气火灾事故预防能力，降低财产的损失，本研究设计了电气火灾预警系统，在控制系统中，通过可编程逻辑控制器PLC 作为主控单元，对探测器探测出的数据进行处理分析；通过探测器实现设备运行数据信息的采集；通过无线通信网络经数据传送至预报警系统，实现电气火灾的预报警。本系统在实现无线数据信息交互，通过监控主机提高了电气运行设备的现场监控能力，通过Boudica芯片实现无线通信，并提高了远程数据信息交互能力。 虽然本研究具有一定的技术优势，但仍旧存在一定的缺陷，比如在实现数据信息监控时，收到外界信息影响量程度如何分析和计算，电气监控的误差影响量因素分析等，都存在诸多技术问题，本研究仍需进一步研究，同时为下一步研究奠定技术基础。