您现在的位置:首页  > 客户服务 > 方案设计

方案设计

智能电气火灾监控预警系统研究

发布时间:2015-8-14 11:09:46  作者:固德力安

  智能电气火灾监控监控预警系统研究

  【摘 要】在分析现有电气火灾监控系统的不足基础上,设计了一种基于神经网络和模糊推理判决的智能电气火灾预测模型,通过传感器采集电气线路运行参数信号,送入经过训练学习的神经网络模型处理后,将输出的概率作为模糊推理判决输入,最后得到电气火灾发生概率。实验表明,该方法很好地反映了电气线路的电流、漏电、弧光、温度及现场电磁参量之间的非线性关系,能够较为准确地计算发生电气火灾的概率,能够有效提高电气火灾预测精度。

  【关键词】电气火灾;神经网络;模糊推理;智能信息处理

  0 引言

  随着社会经济和技术发展,电力电子设备和用电负荷大幅增加,由电气引发的火灾事故随之剧增,造成巨大的财产损失,同时也为人身安全带来威胁。为了用电安全,人们先后发明制造了拉线开关、保险丝、漏电开关、断路器、空气开关等装置。传统的用电安全保护措施只能是在电气火灾发生的初级阶段抑制其扩大,而无法实现对电气火灾的主动预防。近些年发展起来的电气火灾监控系统[1]将电气、电子、计算机、网络及软件技术相结合,对配电回路和用电设备的漏电、过载、短路、过电压、欠电压、温升等运行状态进行实时监控和网络化管理,当线路中发生异常时,发出报警信号并准确报出故障点,有效预防电气火灾的发生。

  电气火灾报监控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。

  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。

  图1 智能电气火灾预测模型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]。

  …

  图2 神经网络模型

  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。

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。


推荐阅读: 第六期力安科技服务商技术培训成功举办!

相关资料: 影响电气火灾监控系统价格的主要因素

上一篇: 剩余电流式电气火灾监控探测器安装设置及工程应用简介 下一篇: 电气火灾监控探测器的设计