基于人工智能与多传感器信息融合的电缆火灾预警算法

张付东，赵子源，孙锐，田怀源

（国网山东省电力公司德州供电公司，山东德州 253000）

电缆火灾频发对电网安全运行造成了重大隐患，影响了电力的正常供应。随着人工智能技术的迅速发展，对电缆火灾预警提出了更高的要求。目前广泛采用的单一传感器采集电缆周围环境信息是较为常用的一种方法，但经常发生误判、漏判等现象，给火灾预警工作带来诸多不便[1-4]。因此，基于多传感器的火灾预警方法应运而生。19 世纪40 年代，英国人通过研制温度、烟雾传感器来进行火灾预警。但在当时的条件下，由于传感器技术与自动化技术尚未完善，所采集的信息不准确，设计的算法过于简单，无法应用于实际的工程案例中[5-7]。在20 世纪70 年代，人们成功研制了基于烟雾和光线传播的光电烟传感器，光电烟预警方法成为了研究热点[8-12]。我国的研究工作开展较晚，在90 年代才致力于智能化技术的研究，虽然在准确性和可靠性方面均取得了一定的突破，但是缺少单一的综合传感器来准确判断各种火灾，只能根据不同的火灾情况设置不同的传感器[13-15]。

综上所述，文中提出一种基于人工智能与多传感器信息融合的电缆火灾预警算法。在多传感器融合的基础上融合特征层信息，基于BP 神经网络的特征层探测电缆火灾预警，对电缆周围温度、烟雾、CO 进行数据采集。通过合理数据融合对火灾情况进行预警，提高电缆火灾预警的准确性和抗干扰能力。

1 多传感器信息融合

1.1 信息融合结构形式

多传感器信息融合共有串联融合、并联融合、混合融合3 种。串联融合是后一级传感器接收前一级传感器信息，最后一级传感器接收并处理综合信息；并联融合是各传感器分别将信息传输至某一个传感器，而各传感器之间没有信息交流，且结果不受其他传感器的影响；混合融合兼并串联融合与并联融合特征，具备总体并行、局部串行的特点。在传统方式中，各个传感器采集的信息独立存在、无法共享，造成了信息失真以及资源的浪费[16]；将多个传感器融合，各个传感器之间进行信息融合，形成现代化工业体系。其系统结构如图1 所示。从图中可以看出，该系统由n个传感器组成，各个传感器之间进行信息交互，相邻两个传感器之间可进行信息融合，其中传感器S1与S2融合为S12，传感器S2与S3融合为S23。依次进行多传感器的信息融合，融合后的信息传输至融合数据库，融合结果的存储方案以及对信息的协调管理成为了监控系统的核心[17]。

图1 多个传感器融合系统结构

1.2 多传感器信息融合系统结构

图2 是多传感器信息融合系统的功能模型，图中有3 个传感器进行信息融合，融合后的信息进行数据校准、信息相关、目标识别、状态估计、行为估计等流程。行为估计主要进行态势的高层估计，主要包括行为、企图、动向等，而实体事件的底层数据由状态向量和特征属性决定。整个系统之间的功能相互联系，共同监控不同目标的动态。

图2 多传感器信息融合功能模型

1.3 信息融和的公式化转化

由于各个系统传感器的种类和测量原理不同，需要将输入传感器的数据进行公式化转化，简化为统一的数学形式，以便完成数据匹配。然后将系统输出的结果基于人工智能算法融合，得到最终的状态方程。

如图3 所示，在多传感器信息融合系统中，用S={S1,S2,∙∙∙,Sn} 表示传感器集合，Y={Y1,Y2,∙∙∙,Yn}表示传感器的输出信息。其中，Yi(i=1,2,∙∙∙,n)表示各传感器的局部决策变量，用于描述假设条件的真实程度。因此，多传感器的信息融合公式可表示为X=F(Y1,Y2,∙∙∙,Yn)。式中，X、F分别表示多传感器的融合结果和融合函数。通常F为幂函数，具有单调递增或单调递减的特性，且鲁棒性强。正是由于多传感器融合系统的以上特征才可确保整个系统的稳定性。

图3 融合系统的结构示意图

2 电缆火灾预警算法

2.1 电缆火灾预警信息融合结构

针对电缆发生火灾的实际情景，首先使用n个传感器探测环境，提取原始传感器的特征数据，并对上述数据进行处理。通常情况下，所提取的信息由各个像素点集成、汇总、分类、识别，在特征层进行数据信息融合。其目的是压缩客观信息，反映真实火灾信息，有利于实时处理。特征信息的提取与决策分析关系密切，且能在最大程度上给出所需信息。其中特征层的电缆火灾探测信息融合结构如图4 所示。

图4 电缆火灾探测特征层结构

电缆火灾探测特征层信息融合流程如下：首先由多个传感器收集电缆周围的环境信息，根据信息的不同特征进行信息提取、分类、关联，基于多特征融合理论提取特征向量。以上融合方法是以传感器视角为基础，从不同角度、不同空间反映电缆所处的当前环境。其能够更优地对环境信息进行融合识别，最终根据融合信息综合判断电缆所处的环境是否发生火灾。

2.2 特征融合系数

由于采用多个传感器探测电缆所处的环境，而不同的传感器具有不同的特性，其在融合系统中发挥的作用各不相同，因此传感器系统具备复杂性。要解决传感器复杂性必须采取特征关联方法将采集数据进行关联，使用何种特征关联方法在整个预警算法中起到了至关重要的作用。文中将不同方向的特征向量进行关联，以特征融合系数作为权重系数，表示各个传感器采集信息的重要程度，以达到电缆火灾周围环境多信息融合的目的。

设传感器i(i=1,2,∙∙∙,n) 采集到的周围信息特征向量的维数为Vi，其中维数可以变化。假定A(a1,a2,∙∙∙,an) 为各个传感器提取V(v1,v2,∙∙∙,vn)的融合系数，则V表示为：

融合特征V可依据传感器综合分析所得特征，呈现信息融合系统对电缆火灾预警的影响程度。该方法可充分描述当前环境特征，为后续识别提供数据支撑。

2.3 电缆火灾预警的BP神经网络算法

BP 神经网络是当前广泛应用于多输入多输出系统的智能算法，其结构如图5 所示。该神经网络由各个输入信息组成输入层{X1,X2,∙∙∙,Xm}，经过中间层，转化为输出层{Y1,Y2,∙∙∙,Ym} 。其中，中间层包含一层或多层隐含层。

图5 BP神经网络结构图

通常BP 神经网络可分为正向传播和反向传播，输出的值经过数据训练、传播、计算，利用中间层计算反向传播误差，反复循环以上过程，直到满足误差期望。根据误差单元修正数据权重，再重新进行数据的训练和传播，直到误差小于预设值。

设i为第k-1 层的神经元，j为第k层的神经元，其中j的输入输出为：

式中，wij为权重系数，为神经元的输入矩阵，为神经元j第k层的输出，其中f()为激活函数。

依据δ算法作为神经网络，则：

式中，为神经元j第k层的反向传播误差，η为学习效率因子。且有：

由于第k层的反向传播误差来自于第k+1层，则：

与j是否为输出神经元有关，若j为神经元，则：

否则，有：

此外，还应选取激活函数，文中选取的激活函数如下：

综上所述，有下式成立：

BP 神经网络依据样本输入来确定进行正向或反向误差传播，并根据修正公式对权值进行修正，采用批量处理的方式对数据进行训练，从而确保数据传输的真实性与时效性。

2.4 电缆火灾预警信息融合局部决策处理

考虑到电缆在不同的周围环境下的不确定性，例如在明火情况下，其温度和烟雾浓度显著增大，同时CO 浓度增大；而在阴燃火情下，温度、烟雾、CO的数量均较平稳，其他信息的干扰也会影响到融合系统的决策。因此，需要在传感器获取到信号后再进行局部处理。由于火灾发生时温度较高，可通过检测信号的急剧变化来决策火灾是否发生，具体步骤如下：

设传感器采集到的信号为：

式中，x1(n)～xk(n)依次为温度、烟雾、CO 浓度等信号数据。

定义累加函数：

可得局部决策结果：

式中，f(·) 为阶跃函数，STDi为电缆周围环境温度、烟雾、CO 信号的采集数据。当决策为变量1时，则表示采集信号发生急剧变化，通过BP 神经网络进行综合分析判断为火灾，从而减轻数据处理的压力，增强系统检测的性能。

3 实验与数据分析

选取不同烟雾浓度、CO 浓度和温度作为电缆环境影响因素，并分别用传感器针对上述3 种变量探测火情。其中火灾种类有无火、明火、阴燃火，输入神经元和输出神经元均为3 个，神经元的激活函数均使用Sigmoid 函数，隐含函数用来解决分类问题。隐含层的训练精度影响整个实验的结果，训练精度与神经元的个数关系密切，个数过多会发生过拟合问题，个数过少又无法达到要求的精度。隐含层的个数由下式确定：

式中，m、n分别为神经元的输入和输出个数；a为定值，火灾预警的隐含层神经元个数为10。用Matlab 工具箱对电缆火灾预警进行仿真分析，设计600 组电缆周围环境的火灾数据，其中无火、明火、阴燃火均为200 组。将以上样本数据作为BP 神经网络的测试样本数据集，经过归一化处理后的数据如表1所示。

表1 归一化训练样本

在训练时，设定初始学习因子为0.5，极限误差为ε=1×10-5。采用自适应训练方式直到数据满足误差d=1×10-3，且训练误差率趋于缓慢时，训练结束。经过传感器输入的数据训练后，得到的权值、阈值矩阵如下：

经过网络训练后，其输出的结果如表2 所示。从表中可以看出，期望值与实际值差距较小，且在可接受范围内。

从表2 可以看出，在整个电缆火灾预警测试中，600 次测试数据中共有570 次准确识别，准确识别率为95%。其中无火准确识别率为95%，阴燃火准确识别率为96%，明火准确识别率为94%，总体识别准确率在可接受范围内，可大幅度提高电缆的环境安全性。

表2 测试火情识别结果

4 结束语

电缆火灾信号为不确定信号，随火灾特征而发生变化。文中在多传感器信息融合的基础上分析信息融合的构成和形式，并尝试应用BP 神经网络的特征层数据融合实现电缆火灾预警，搜索最佳特征融合系数。依据电缆火灾发生情况，选取温度、烟雾、CO 浓度作为数据采集信息。通过对火灾采集信息进行融合，实现电缆火灾预警。最终通过实验验证了文中所提算法的有效性，且火灾预警准确率超过90%，具有广泛的应用推广价值。文中选取的特征量是火灾发生时的典型特征，后续将研究采集电缆次要信息对电缆火灾预警进行辅助分析。