基于人工智能與多傳感器信息融合的電纜火災(zāi)預(yù)警算法

張付東，趙子源，孫銳，田懷源

（國網(wǎng)山東省電力公司德州供電公司，山東德州 253000）

電纜火災(zāi)頻發(fā)對電網(wǎng)安全運行造成了重大隱患，影響了電力的正常供應(yīng)。隨著人工智能技術(shù)的迅速發(fā)展，對電纜火災(zāi)預(yù)警提出了更高的要求。目前廣泛采用的單一傳感器采集電纜周圍環(huán)境信息是較為常用的一種方法，但經(jīng)常發(fā)生誤判、漏判等現(xiàn)象，給火災(zāi)預(yù)警工作帶來諸多不便[1-4]。因此，基于多傳感器的火災(zāi)預(yù)警方法應(yīng)運而生。19 世紀40 年代，英國人通過研制溫度、煙霧傳感器來進行火災(zāi)預(yù)警。但在當時的條件下，由于傳感器技術(shù)與自動化技術(shù)尚未完善，所采集的信息不準確，設(shè)計的算法過于簡單，無法應(yīng)用于實際的工程案例中[5-7]。在20 世紀70 年代，人們成功研制了基于煙霧和光線傳播的光電煙傳感器，光電煙預(yù)警方法成為了研究熱點[8-12]。我國的研究工作開展較晚，在90 年代才致力于智能化技術(shù)的研究，雖然在準確性和可靠性方面均取得了一定的突破，但是缺少單一的綜合傳感器來準確判斷各種火災(zāi)，只能根據(jù)不同的火災(zāi)情況設(shè)置不同的傳感器[13-15]。

綜上所述，文中提出一種基于人工智能與多傳感器信息融合的電纜火災(zāi)預(yù)警算法。在多傳感器融合的基礎(chǔ)上融合特征層信息，基于BP 神經(jīng)網(wǎng)絡(luò)的特征層探測電纜火災(zāi)預(yù)警，對電纜周圍溫度、煙霧、CO 進行數(shù)據(jù)采集。通過合理數(shù)據(jù)融合對火災(zāi)情況進行預(yù)警，提高電纜火災(zāi)預(yù)警的準確性和抗干擾能力。

1 多傳感器信息融合

1.1 信息融合結(jié)構(gòu)形式

多傳感器信息融合共有串聯(lián)融合、并聯(lián)融合、混合融合3 種。串聯(lián)融合是后一級傳感器接收前一級傳感器信息，最后一級傳感器接收并處理綜合信息；并聯(lián)融合是各傳感器分別將信息傳輸至某一個傳感器，而各傳感器之間沒有信息交流，且結(jié)果不受其他傳感器的影響；混合融合兼并串聯(lián)融合與并聯(lián)融合特征，具備總體并行、局部串行的特點。在傳統(tǒng)方式中，各個傳感器采集的信息獨立存在、無法共享，造成了信息失真以及資源的浪費[16]；將多個傳感器融合，各個傳感器之間進行信息融合，形成現(xiàn)代化工業(yè)體系。其系統(tǒng)結(jié)構(gòu)如圖1 所示。從圖中可以看出，該系統(tǒng)由n個傳感器組成，各個傳感器之間進行信息交互，相鄰兩個傳感器之間可進行信息融合，其中傳感器S1與S2融合為S12，傳感器S2與S3融合為S23。依次進行多傳感器的信息融合，融合后的信息傳輸至融合數(shù)據(jù)庫，融合結(jié)果的存儲方案以及對信息的協(xié)調(diào)管理成為了監(jiān)控系統(tǒng)的核心[17]。

圖1 多個傳感器融合系統(tǒng)結(jié)構(gòu)

1.2 多傳感器信息融合系統(tǒng)結(jié)構(gòu)

圖2 是多傳感器信息融合系統(tǒng)的功能模型，圖中有3 個傳感器進行信息融合，融合后的信息進行數(shù)據(jù)校準、信息相關(guān)、目標識別、狀態(tài)估計、行為估計等流程。行為估計主要進行態(tài)勢的高層估計，主要包括行為、企圖、動向等，而實體事件的底層數(shù)據(jù)由狀態(tài)向量和特征屬性決定。整個系統(tǒng)之間的功能相互聯(lián)系，共同監(jiān)控不同目標的動態(tài)。

圖2 多傳感器信息融合功能模型

1.3 信息融和的公式化轉(zhuǎn)化

由于各個系統(tǒng)傳感器的種類和測量原理不同，需要將輸入傳感器的數(shù)據(jù)進行公式化轉(zhuǎn)化，簡化為統(tǒng)一的數(shù)學(xué)形式，以便完成數(shù)據(jù)匹配。然后將系統(tǒng)輸出的結(jié)果基于人工智能算法融合，得到最終的狀態(tài)方程。

如圖3 所示，在多傳感器信息融合系統(tǒng)中，用S={S1,S2,???,Sn} 表示傳感器集合，Y={Y1,Y2,???,Yn}表示傳感器的輸出信息。其中，Yi(i=1,2,???,n)表示各傳感器的局部決策變量，用于描述假設(shè)條件的真實程度。因此，多傳感器的信息融合公式可表示為X=F(Y1,Y2,???,Yn)。式中，X、F分別表示多傳感器的融合結(jié)果和融合函數(shù)。通常F為冪函數(shù)，具有單調(diào)遞增或單調(diào)遞減的特性，且魯棒性強。正是由于多傳感器融合系統(tǒng)的以上特征才可確保整個系統(tǒng)的穩(wěn)定性。

圖3 融合系統(tǒng)的結(jié)構(gòu)示意圖

2 電纜火災(zāi)預(yù)警算法

2.1 電纜火災(zāi)預(yù)警信息融合結(jié)構(gòu)

針對電纜發(fā)生火災(zāi)的實際情景，首先使用n個傳感器探測環(huán)境，提取原始傳感器的特征數(shù)據(jù)，并對上述數(shù)據(jù)進行處理。通常情況下，所提取的信息由各個像素點集成、匯總、分類、識別，在特征層進行數(shù)據(jù)信息融合。其目的是壓縮客觀信息，反映真實火災(zāi)信息，有利于實時處理。特征信息的提取與決策分析關(guān)系密切，且能在最大程度上給出所需信息。其中特征層的電纜火災(zāi)探測信息融合結(jié)構(gòu)如圖4 所示。

圖4 電纜火災(zāi)探測特征層結(jié)構(gòu)

電纜火災(zāi)探測特征層信息融合流程如下：首先由多個傳感器收集電纜周圍的環(huán)境信息，根據(jù)信息的不同特征進行信息提取、分類、關(guān)聯(lián)，基于多特征融合理論提取特征向量。以上融合方法是以傳感器視角為基礎(chǔ)，從不同角度、不同空間反映電纜所處的當前環(huán)境。其能夠更優(yōu)地對環(huán)境信息進行融合識別，最終根據(jù)融合信息綜合判斷電纜所處的環(huán)境是否發(fā)生火災(zāi)。

2.2 特征融合系數(shù)

由于采用多個傳感器探測電纜所處的環(huán)境，而不同的傳感器具有不同的特性，其在融合系統(tǒng)中發(fā)揮的作用各不相同，因此傳感器系統(tǒng)具備復(fù)雜性。要解決傳感器復(fù)雜性必須采取特征關(guān)聯(lián)方法將采集數(shù)據(jù)進行關(guān)聯(lián)，使用何種特征關(guān)聯(lián)方法在整個預(yù)警算法中起到了至關(guān)重要的作用。文中將不同方向的特征向量進行關(guān)聯(lián)，以特征融合系數(shù)作為權(quán)重系數(shù)，表示各個傳感器采集信息的重要程度，以達到電纜火災(zāi)周圍環(huán)境多信息融合的目的。

設(shè)傳感器i(i=1,2,???,n) 采集到的周圍信息特征向量的維數(shù)為Vi，其中維數(shù)可以變化。假定A(a1,a2,???,an) 為各個傳感器提取V(v1,v2,???,vn)的融合系數(shù)，則V表示為：

融合特征V可依據(jù)傳感器綜合分析所得特征，呈現(xiàn)信息融合系統(tǒng)對電纜火災(zāi)預(yù)警的影響程度。該方法可充分描述當前環(huán)境特征，為后續(xù)識別提供數(shù)據(jù)支撐。

2.3 電纜火災(zāi)預(yù)警的BP神經(jīng)網(wǎng)絡(luò)算法

BP 神經(jīng)網(wǎng)絡(luò)是當前廣泛應(yīng)用于多輸入多輸出系統(tǒng)的智能算法，其結(jié)構(gòu)如圖5 所示。該神經(jīng)網(wǎng)絡(luò)由各個輸入信息組成輸入層{X1,X2,???,Xm}，經(jīng)過中間層，轉(zhuǎn)化為輸出層{Y1,Y2,???,Ym} 。其中，中間層包含一層或多層隱含層。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

通常BP 神經(jīng)網(wǎng)絡(luò)可分為正向傳播和反向傳播，輸出的值經(jīng)過數(shù)據(jù)訓(xùn)練、傳播、計算，利用中間層計算反向傳播誤差，反復(fù)循環(huán)以上過程，直到滿足誤差期望。根據(jù)誤差單元修正數(shù)據(jù)權(quán)重，再重新進行數(shù)據(jù)的訓(xùn)練和傳播，直到誤差小于預(yù)設(shè)值。

設(shè)i為第k-1 層的神經(jīng)元，j為第k層的神經(jīng)元，其中j的輸入輸出為：

式中，wij為權(quán)重系數(shù)，為神經(jīng)元的輸入矩陣，為神經(jīng)元j第k層的輸出，其中f()為激活函數(shù)。

依據(jù)δ算法作為神經(jīng)網(wǎng)絡(luò)，則：

式中，為神經(jīng)元j第k層的反向傳播誤差，η為學(xué)習(xí)效率因子。且有：

由于第k層的反向傳播誤差來自于第k+1層，則：

與j是否為輸出神經(jīng)元有關(guān)，若j為神經(jīng)元，則：

否則，有：

此外，還應(yīng)選取激活函數(shù)，文中選取的激活函數(shù)如下：

綜上所述，有下式成立：

BP 神經(jīng)網(wǎng)絡(luò)依據(jù)樣本輸入來確定進行正向或反向誤差傳播，并根據(jù)修正公式對權(quán)值進行修正，采用批量處理的方式對數(shù)據(jù)進行訓(xùn)練，從而確保數(shù)據(jù)傳輸?shù)恼鎸嵭耘c時效性。

2.4 電纜火災(zāi)預(yù)警信息融合局部決策處理

考慮到電纜在不同的周圍環(huán)境下的不確定性，例如在明火情況下，其溫度和煙霧濃度顯著增大，同時CO 濃度增大；而在陰燃火情下，溫度、煙霧、CO的數(shù)量均較平穩(wěn)，其他信息的干擾也會影響到融合系統(tǒng)的決策。因此，需要在傳感器獲取到信號后再進行局部處理。由于火災(zāi)發(fā)生時溫度較高，可通過檢測信號的急劇變化來決策火災(zāi)是否發(fā)生，具體步驟如下：

設(shè)傳感器采集到的信號為：

式中，x1(n)～xk(n)依次為溫度、煙霧、CO 濃度等信號數(shù)據(jù)。

定義累加函數(shù)：

可得局部決策結(jié)果：

式中，f(·) 為階躍函數(shù)，STDi為電纜周圍環(huán)境溫度、煙霧、CO 信號的采集數(shù)據(jù)。當決策為變量1時，則表示采集信號發(fā)生急劇變化，通過BP 神經(jīng)網(wǎng)絡(luò)進行綜合分析判斷為火災(zāi)，從而減輕數(shù)據(jù)處理的壓力，增強系統(tǒng)檢測的性能。

3 實驗與數(shù)據(jù)分析

選取不同煙霧濃度、CO 濃度和溫度作為電纜環(huán)境影響因素，并分別用傳感器針對上述3 種變量探測火情。其中火災(zāi)種類有無火、明火、陰燃火，輸入神經(jīng)元和輸出神經(jīng)元均為3 個，神經(jīng)元的激活函數(shù)均使用Sigmoid 函數(shù)，隱含函數(shù)用來解決分類問題。隱含層的訓(xùn)練精度影響整個實驗的結(jié)果，訓(xùn)練精度與神經(jīng)元的個數(shù)關(guān)系密切，個數(shù)過多會發(fā)生過擬合問題，個數(shù)過少又無法達到要求的精度。隱含層的個數(shù)由下式確定：

式中，m、n分別為神經(jīng)元的輸入和輸出個數(shù)；a為定值，火災(zāi)預(yù)警的隱含層神經(jīng)元個數(shù)為10。用Matlab 工具箱對電纜火災(zāi)預(yù)警進行仿真分析，設(shè)計600 組電纜周圍環(huán)境的火災(zāi)數(shù)據(jù)，其中無火、明火、陰燃火均為200 組。將以上樣本數(shù)據(jù)作為BP 神經(jīng)網(wǎng)絡(luò)的測試樣本數(shù)據(jù)集，經(jīng)過歸一化處理后的數(shù)據(jù)如表1所示。

表1 歸一化訓(xùn)練樣本

在訓(xùn)練時，設(shè)定初始學(xué)習(xí)因子為0.5，極限誤差為ε=1×10-5。采用自適應(yīng)訓(xùn)練方式直到數(shù)據(jù)滿足誤差d=1×10-3，且訓(xùn)練誤差率趨于緩慢時，訓(xùn)練結(jié)束。經(jīng)過傳感器輸入的數(shù)據(jù)訓(xùn)練后，得到的權(quán)值、閾值矩陣如下：

經(jīng)過網(wǎng)絡(luò)訓(xùn)練后，其輸出的結(jié)果如表2 所示。從表中可以看出，期望值與實際值差距較小，且在可接受范圍內(nèi)。

從表2 可以看出，在整個電纜火災(zāi)預(yù)警測試中，600 次測試數(shù)據(jù)中共有570 次準確識別，準確識別率為95%。其中無火準確識別率為95%，陰燃火準確識別率為96%，明火準確識別率為94%，總體識別準確率在可接受范圍內(nèi)，可大幅度提高電纜的環(huán)境安全性。

表2 測試火情識別結(jié)果

4 結(jié)束語

電纜火災(zāi)信號為不確定信號，隨火災(zāi)特征而發(fā)生變化。文中在多傳感器信息融合的基礎(chǔ)上分析信息融合的構(gòu)成和形式，并嘗試應(yīng)用BP 神經(jīng)網(wǎng)絡(luò)的特征層數(shù)據(jù)融合實現(xiàn)電纜火災(zāi)預(yù)警，搜索最佳特征融合系數(shù)。依據(jù)電纜火災(zāi)發(fā)生情況，選取溫度、煙霧、CO 濃度作為數(shù)據(jù)采集信息。通過對火災(zāi)采集信息進行融合，實現(xiàn)電纜火災(zāi)預(yù)警。最終通過實驗驗證了文中所提算法的有效性，且火災(zāi)預(yù)警準確率超過90%，具有廣泛的應(yīng)用推廣價值。文中選取的特征量是火災(zāi)發(fā)生時的典型特征，后續(xù)將研究采集電纜次要信息對電纜火災(zāi)預(yù)警進行輔助分析。