智能电气火灾预警系统研究

熊橙梁， 马 昕， 廖 文， 彭浩明， 谷 霖

（①长沙市烟草专卖局，湖南 长沙 410007；②长沙县烟草专卖局，湖南 长沙 410100；③长沙宽维信息技术有限公司，湖南 长沙 410000）

0 引言

电气火灾报警系统一般由电气火灾探测器和控制器组成，其中，电气火灾探测器是识别电气火灾是否发生的专门仪器。根据建筑物或实地场所的要求，安装不同类型的电气火灾探测器。在电气火灾报警系统中，电气火灾信号的选取更为重要。使用火灾报警产品的目的就是及早报告电气火灾的发生，从而迅速有效的控制电气火灾，把损失降到最低。现有的电气火灾报警系统[2]存在的主要问题是报警系统中的误报、漏报现象，这主要是因为：

1) 模拟量探头(传感器)本身的精度存在个体差异，不能实现理想的输出信号值与火灾参量值之间的一一对应关系。

2) 模拟量探头(传感器)受环境因素影响，包括安装位置、环境温度以及现场电磁环境等，其中现场电磁环境中的工频磁场值对模拟量探头的输出影响较大，因此采用数据曲线对比等匹配法难以达到理想效果。

3) 一般在系统中使用多个不同类型的传感器采集现场数据，诸如漏电电流、电流电压、弧光、温度、工频磁场值等信号，而这些参量之间部分或全部存在非线性依赖关系，无法用显式的数学模型描述，单纯通过这些数值的判决进行报警是不科学的。

1 实现原理

研究表明，通过检测如下参数并进行科学处理可以有效预测电力火灾的发生。

漏电电流。电力线漏电有可能导致线路电流电压、线路有限范围内温度的变化，进而导致出现弧光或者线路烧毁，是导致电气火灾发生的主要因素之一，因此在检测电力线路状态时，漏电电流是主要的参数指标之一。

本文所采用的数据由调研问卷收集整理而得。农户样本的抽样使用随机抽样的方法，采取调查人员深入农户一问一答的形式进行，综合运用自由回答、两项回答、多项选择、赋值评价等方法，在被调查农户作答后，收回问卷并完成数据的采集。本次调查于2018年2—3月份进行，共向河南省18个地市发放问卷500份，收回问卷440份，有效问卷403份。

电流电压。线路漏电直接导致线路出现过压或者欠压现象，这将会使用户的电器断路或故障，进而引起火灾。因此，检测电气线路的电流电压也是非常必要的。

弧光信号。当线路上出现断路或脉冲式过流时，会出现电火花，进而引燃电气设备和线路，这也是电气火灾发生的主要原因之一。

温度。当电力线路出现异常时，通常会出现电能转换成热能，使得现场环境温度快速升高，因此，温度的变化也间接反映电力线路的异常。

现场电磁环境。当电力线路所在环境受到自然（雷电等）或人为（强磁场设备）电磁环境破坏时，会导致探测传感器输出参数的不稳定，从而会导致火灾预报出现不准确的情况。现场电磁环境检测的重点是工频磁场值。

文中建立的系统模型如图1所示。

具体实现步骤为：①利用传感器从现场采集到漏电流、电流电压、弧光、温度、工频磁场信号，对传感器采集的信号采用速率检测算法进行预处理；②将经过预处理后的数据送到多层前馈误差反向传播的神经网络进行处理[3-4]；③将神经网络的输出电气线路无损概率、电气线路有损概率、电气线路有火概率输入到模糊推理模块进行模糊推理[5]，得到电气火灾发生的预测结果。

另外还包括神经网络模型建立时的网络训练过程。

1.1 神经网络模型

系统中使用的神经网络模型如图2所示，采用3层前馈BP网实现[6]。

3层前馈误差反向传播的神经网络对预处理后数据进行处理。根据规则进行学习，采用自适应学习速率和附加动量法相结合的学习算法，利用梯度下降技术，通过调整网络权值、阈值，使得网络实际输出与期望输出的误差均方值最小。输入层的 5个输入分别为归一化的漏电电流信号、归一化的电流电压信号、归一化的弧光信号、归一化的温度信号、归一化的现场工频磁场信号；输出层有3个神经元，对应神经网络提取的电气线路无火概率（p1）、电气线路阴燃火概率（p2）和电气线路有火概率（p3）。

基于神经网络的数据分析模块的输出是概率列表，表示无损、有损和线路着火的概率值，一般可以直接由门限判决输出，例如，当电气线路漏电危险概率大于 0.8时，几乎可以肯定此时的电气线路是很不安全的，极易发生电气火灾，而当电气线路漏电危险概率小于0.2，基本上可以认为此时的电气线路是安全的，不易发生电气火灾。难以判决的是电气线路漏电危险概率在0.3～0.6附近，若门限定为0.5，而数据输出为0.49和0.51时则很难做出判断，同时一些较为严重的干扰信号也会引起误判。

为了提高对是否会出现火灾的判断准确度以及提高系统抗干扰性能，使系统的输出更接近实际和模拟人的判断，对神经网络的输出采用模糊推理方法作进一步处理。

1.2 模糊推理判决

建立模糊推理专家系统，辅助电气火灾预测和判决。需要建立模糊推理模型，包括输入输出量的模糊化和标定、模糊逻辑、推理准则、精确化过程等处理过程，这将在理论分析结合试验分析的基础上设计实现。为验证所建模型是否有效，还要研究不同模糊推理建模方法和网络模型的性能，进行比较分析和综合，还要考虑与神经网络的有效结合，确定最终模型。一般的模糊推理系统模型如图3所示。

图3中输入、输出的规范化是指将规范化的输入、输出限制在规定的范围内，以便于辨识的设计和实现。因为辨识系统的输入值一般都不是模糊数，因此模糊化过程就是将输入值转化为模糊量。模糊逻辑推理决定输出量的一个分布函数。清晰化过程将输出量的分布函数转换成规范化的输出量。最后辨识系统将规范化的输出量转换为实际的输出值。模糊辨识系统的设计的关键是根据应用需求进行：输入量、输出量的模糊量化和标定、建立控制规则表、建立控制推理关系和生成输入输出表。

模糊推理模型的设计思路如下：

（1）输入、输出量的模糊化和标定

模糊控制器的输入、输出量分别为神经网络输出数据概率p1、p2、p3和输出电气火灾发生概率P。根据经验和对火灾数据的统计分析，神经网络输出数据概率的模糊化等级分成3级，大（L）、中（M）、小（S），最终输出电气火灾发生概率P模糊化等级分成2级，大（L），小（S），采用偏大型正态分布函数建立这些模糊集的隶属函数：

式中，b=0.2，a=(0,0.5,1)分别对应模糊函数曲线S，M和L。

（2）模糊逻辑推理

模糊逻辑推理方法主要有 Zadeh法、Mamdani法、Larsen法等。采用Mamdani法来实现模糊逻辑推理，推理规则Ri即为p1是Ai且p2是Bi且p3是Ci，则u是Di，例如：

R1：无损概率为PS且有损概率为PS且有火概率为PM，则火灾概率为PL；

模糊推理规则可以有多条。

（3）精确化过程

通过模糊推理得到的结果是一个模糊集合，在该集合中取一个能最佳代表这个模糊推理结果可能性的精确值，即精确化。常用的有最大隶属度函数法、中位数和重心法，这里选用最大隶属度函数法实现精确化输出。

2 仿真实验

仿真采用 MATLAB软件实现，实验结果如表 1所示。

表1 智能电气火灾模型实验结果

为更直观展示，将实验结果绘图，如图4所示。

图4 基于神经网络和模糊推理的火灾预测实验结果

从表1和图4可以看出，神经网络的输出很好地体现了5个输入参数之间的非线性关系，而模糊推理的结果也充分综合了无火、阴燃和有火的不同概率导致电气火灾发生的可能性。

3 结语

电气安全隐患是造成火灾的主要因素之一，应用技术手段进行电气火灾监测和预警是有效预防火灾的重要手段。目前有很多电气火灾监控系统仅是简单获取探测信号然后和预先设置阀值直接相对比从而判断是否发生电气火灾。与之相比，文中设计的采用基于神经网络和模糊推理机制的电气火灾报警系统，能在不更改输入信号采集传感器（即不改变输入数据的准确性）和系统结构的基础上有效降低电气火灾漏报率和误报率，有效提高了火灾预报和报警的准确性。由于神经网络和模糊推理算法复杂，不利于对电气火灾的实时报警，因此有必要在后续工作中研究数据处理更快的实时算法。

[1] 王利清，魏学业. 基于模糊神经网络的火灾信号探测方法研究[J].仪器仪表学报,2001,22(12): 595-598.

[2] 付永丽. 基于模糊神经网络的电气火灾报警系统研究[D]. 河南:河南理工大学, 2009.

[3] 孙即祥. 现代模式识别[M]. 北京：高等教育出版社2009:127-131.

[4] 傅德胜,张学勇. 基于Hopfield神经网络噪声数字的识别[J]. 通信技术, 2010,43(01): 126-128,187.

[5] 楼顺天，胡昌华，张伟. 基于 MATLAB的系统分析与设计-模糊系统[M]. 西安：西安电子科技大学出版社,2001:201-210.

[6] 王恩亮，沈元隆. 基于神经网络的混合电路故障检测[J]. 通信技术, 2010,43(06):241-242,245.