基于模糊神經網絡的電網消防預警算法

趙嘉興　荊玉智　張彥

摘要：針對傳統基于閾值判別方法的電網火災預警系統預測精度低、抗干擾能力弱的問題，提出了一種基于模糊神經網絡的電網消防預警算法。該算法利用神經網絡學習大規模電網數據，使用模糊邏輯推理算法來提升預測結果的推理能力，并通過結合神經網絡對大規模數據的學習能力和模糊邏輯算法的推理能力來分析電網線路參數，從而提升電網消防預警系統的精度和抗干擾能力。實驗與仿真結果表明，所提出方法能顯著提升電網火災的預警精度，且使用模糊邏輯推理可以得到更符合實際情況的電網火災預警結果。

關鍵詞：電網預警；抗干擾；神經網絡；模糊推理；信號處理

中圖分類號：TM76 文獻標志碼：A 文章編號：1000-1646（2024）01-0019-05

隨著經濟的快速增長，電能逐漸成為了主要能源，同時大規模電網和電器設備的使用也逐年增加。然而，在電網規?？焖僭鲩L的同時，由于不合理的施工和電網設備的老化使得電網火災的數量也呈現出逐年增長的趨勢。雖然我國電網大部分均裝有火災預警系統和裝置，但傳統的預警系統可靠性較差、響應時間長且準確率低，導致火災預警的誤報和漏報率均較高。

目前，常用的電網火災預警方法包括變化率探測法和固定門限探測法。其中，變化率探測法是指傳感器所探測到的信號變化幅值超過預設值時產生報警信號；而固定門限探測法是指傳感器所探測到的信號幅值超過預設值時產生報警信號。隨著模擬量火災探測系統的發展，越來越多的火災探測系統也隨之出現，史冊等提出了一種基于相關濾波的火災預警系統，該系統根據每個時刻的探測信號與火災發生時信號的相關性來判斷是否發生火災。KHUAT等則提出了一種復合趨勢算法，通過檢測不同時刻探測到的信號趨勢相關性來判斷是否發生火災。LIU則根據信號超過所設置的閾值持續時間來判斷是否發生火災，基于該算法，YANG等提出了一種復合特定趨勢算法，根據信號的變化情況來確定該變化趨勢是正向趨勢還是負向趨勢，并通過引入判別門限來降低環境變化對判別結果的影響。

為了提高電網火災預警系統的準確性，基于人工神經網絡、模糊邏輯推理和遺傳算法的電網火災預警算法被陸續提出。例如李軍等利用人工神經網絡的學習能力來減少電網火災預測的誤報率，從而提高預測的準確性。丁承君等為了提高火災預測算法的準確性，提出了將模糊邏輯推理用于判斷傳感器信號變化趨勢的方法。

雖然現有算法有效提升了火災預警的精度，但仍基于閾值來判斷，所以其抗干擾能力較弱，且預警準確率也較低。因此，本文在采用神經網絡及模糊邏輯算法分析電網線路參數的基礎上，提出了一種具有較高精度與抗干擾能力的電網消防預警算法，實驗與仿真結果證明了本算法的綜合性能。

1 電網探測信號選擇

電網火災主要由以下4個方面原因引發：1）線路短路時電網瞬時電流急劇增大，從而產生電弧或高溫引燃線路絕緣層以及周圍可燃物；2）接觸不良時由于接觸電阻過大，使得接觸點周圍的溫度急劇升高，從而融化線路絕緣層或釋放出可燃氣體導致火災；3）過載時線路電流超過安全值導致線路溫度升高，從而引起周圍可燃物或線路絕緣層燃燒；4）絕緣層老化導致電網線路漏電從而使線路溫度升高，導致線路絕緣層燃燒產生火災。為了探測電網火災，傳統的火災探測器使用CO2濃度、煙霧信號和火焰圖像等參數作為檢測因子，當檢測到這些信號發生變化時，實現火災報警。然而這些信號通常是在發生火災時才能觀測到的，只能實現火災報警而無法實現火災預警。

通過分析電網火災產生的原因可知，在電網正常運行時，線路的剩余電流分布均勻。然而當線路發生絕緣層破損等問題時，線路中剩余電流過大，從而導致溫度升高引起火災。因此，可以使用互感器識別電網中的剩余電流值來實現預警電網火災。同時電網線路溫度升高時會導致線路的絕緣層發生軟化，從而增加線路中導體間相互接觸的幾率，出現線路短路等問題，因此溫度變化也是判斷電網是否會發生火災的一個重要因素。本文使用Pt100溫度傳感器探測電網線路的溫度值，該傳感器由熱電阻或熱電偶構成，同時使用溫度檢測單元、信號處理單元和信號轉換單元將溫度信號轉化為電信號傳輸給電網火災預警器。在電網發生火災時，電網的工作電流與工作電壓也可以作為預警信號的補充信號，以實現更全面、準確的電網火災預警。

2 電網消防預警算法

為了預防電網火災，實現電網消防預警，本文提出了一種基于神經網絡和模糊推理的電網消防預警算法，使用監測電網信號數據實現電網火災預測。首先使用大量數據訓練神經網絡，預測電網無火、明火以及陰燃的概率，然后使用模糊推理算法進一步處理這些概率數據，從而更加準確地判斷電網是否會發生火災。

2.1 神經網絡模型

本文使用電網探測的信號預測出現火災的概率，由于所監測的信號種類較少，因此文中使用BP神經網絡對電網火災類型進行預測。具體地，BP網絡的輸入為電網監測信號，包括線路中剩余電流、線路溫度、電網的工作電流和工作電壓；BP網絡的輸出為電網無火、明火和陰燃的概率。

本文BP神經網絡包含一個輸入層、一個隱含層和一個輸出層。其中輸入層包含4個節點，為監測的電網信號；輸出層包含3個節點，為發生各種火災的概率。為了實現更優的性能，文中使用文獻[9]介紹的方法設置隱含層節點的數量，計算表達式為

式中：NH為隱含層節點數量；Ni為輸入層節點數量；No為輸出層節點數量；N取1-10間的整數。又由于BP網絡的節點數量通常為整數，因此本文根據式（1）的結果和實際實驗結果選取NH為6。

BP神經網絡使用誤差反向傳播的方式進行訓練，通過最小化網絡預測與期望間的誤差均值來優化網絡參數。訓練過程主要包括兩個方面：使用輸入數據的正向傳播和基于預測誤差的反向傳播。對于第k個預測結果，可以得到網絡的輸出與預期間的誤差為

3 實驗與結果分析

為了驗證所提出算法的有效性，本文使用Matlab平臺實現該算法并構建大量數據樣本進行模型訓練和測試。具體地，文中采集了山西陽泉供電公司轄區近年來統計的電網火災數據，包括火災發生時監測到的線路中剩余電流、線路溫度、電網的工作電流和工作電壓等指標來構建數據集，該數據集共包含5000條訓練數據和500條測試數據。表2為5組樣本的示例，其中各監測數據進行了歸一化處理，各種火災情況的期望輸出根據實際探測結果與文獻[2]的方法計算得出。本文網絡輸入層節點數量為4，輸出層節點數量為3，隱含層節點數量為6。網絡學習率為0．01，共迭代訓練100次。為了防止網絡過快收斂，本文設置權重參數α為0.0001，β為0.0001。

表3為本文隨機選取的5組數據測試結果。根據表3結果可以看出，所提方法得到的火災預警概率與預期概率基本吻合，因此，文中算法使用剩余電流、線路溫度、電網的工作電流和工作電壓等指標預測電網發生火災的概率具有可行性。圖2為本文神經網絡訓練的過程，圖2中分別給出了網絡的訓練、驗證和測試誤差曲線。從圖2中結果可以看出，文中算法誤差逐漸收斂，且隨著訓練迭代次數的增加，該算法的測試精度也在逐漸增加。

表4中展示了本文算法與基于BP網絡、SVM、隨機森林、文獻[13]和文獻[14]方法的精確度比較結果。其中，BP網絡、SVM和隨機森林3個算法采用默認參數設置，文獻[13]和文獻[14]采用文中定義的參數。從表4結果可以看出，相比于其他方法，本文算法具有更高的預測精確度。同時，相比于只使用BP神經網絡的方法，本文算法在引入模糊推理后能夠明顯提升預測精確度。

4 結束語

本文提出了一種基于模糊神經網絡的電網消防預警算法，該算法通過在大規模數據集上訓練BP神經網絡來預測在給定監測數據情況下發生無火、明火以及陰燃的概率。同時文中利用模糊邏輯推理方法對給定的模糊結果進行推理，可以消除不確定概率結果，提升預測結果的魯棒性。仿真實驗結果表明，該方法能夠有效提升電網火災的預測精度，得到更符合實際情況的結果，對于構建電網火災預警系統具有參考價值。

（責任編輯：景勇 英文審校：尹淑英）