基于神經網絡的配電柜電氣火災預警模型設計

賈振國 許琳 楊忠亮

摘 要：配電柜是電力系統及工礦企業重要的配電設備之一，其安全、穩定運行直接關系到企業的正常生產和人們的日常生活。配電柜電氣火災是配電柜運行過程中的重要安全隱患。針對配電柜電氣火災的成因，提出了基于神經網絡的配電柜電氣火災預警模型。該模型在考慮常規電氣火災誘發因素如弧光、煙霧、溫度等的同時，融合了電壓、電流和電能質量等電氣參量作為電氣火災成因的特征量。該模型具有自學習、記憶和推理判斷的特點，能夠有效提高預警的可靠性。采用MATLAB仿真驗證了模型預警的效果。

關鍵詞：配電柜；神經網絡；電氣火災；預警；模型

中圖分類號：TP216+.3 文獻標志碼：A 文章編號：2095-2945（2018）10-0091-03

Abstract： Distribution cabinet is one of the important distribution equipment in power system and industrial and mining enterprises. Its safe and stable operation is directly related to the normal production of enterprises and people's daily life. Electrical fire of distribution cabinet is an important safety hazard in the operation of distribution cabinet. In view of the causes of electrical fire in distribution cabinets， an electric fire warning model of distribution cabinets based on neural network is proposed. In this model， the electrical parameters， such as voltage， current and power quality， are considered as the characteristics of electrical fire caused by conventional electrical fire inducing factors， such as arc， smoke， temperature and so on. The model has the characteristics of self-learning， memory and reasoning and judgment， and can effectively improve the reliability of early warning. The effect of model warning is verified by MATLAB simulation.

Keywords： distribution cabinet； neural network； electrical fire； prewarning； model

引言

配電柜是電力系統和企事業單位供配電的重要設備之一。配電柜的安全運行直接關系到電能的連續供給和用戶負荷的正常運轉。配電柜運行過程中的潛在隱患是電氣火災，據公安部消防局統計，2016年國內共發生電氣火災9.4萬起，占火災總數的30.4%；2017年第一季度國內共發生電氣火災2.4萬起，占火災總數的29.8%[1]。在這些電氣火災中，由配電柜或配電柜外供線路引起的火災占有相當大的比例。因此，對配電柜及其外供線路進行電氣火災的預警監測具有重要的現實意義。

本文在對配電柜內部實施溫度、煙霧、火焰等常規電氣火災監測的基礎上，增加了對配電柜電能質量指標的監測與分析，融合多種信息構建了基于神經網絡的配電柜電氣火災預警模型。采用該模型不僅可以發現配電柜內部的電氣火災隱患，還可以通過對配電柜外供線路的實時監測與分析，及早發現外供線路存在的電氣火災隱患并發出預警信息，做到防患于未然。

1 配電柜電氣火災成因

1.1 誘發配電柜電氣火災的主要因素

（1）短路

短路是配電柜電氣火災的主要誘發原因之一。配電柜內相導體間的絕緣擊穿或絕緣破損，導致相線與相線、相線與零線或相線與地的絕緣電阻降低，電流突然增大，瞬間發熱量超過正常運行發熱量，引燃絕緣或周邊可燃物，形成火災。

（2）漏電

漏電是指由于線路絕緣降低，導線在某處與大地之間有一部分電流通過，漏電流較大時便會在漏電部位產生局部高溫、電火花或電弧，形成火災隱患。漏電一般是由于絕緣降低造成的，通常比較隱蔽不易發現。因此，電氣線路漏電引發的火災事故是電氣火災事故中最為隱蔽和難以防范的一種，并且電氣火災漏電又是引起短路或電氣設備故障的誘因[2]。

（3）過負荷

過負荷是指電氣設備或導線超過了額定載流量，過負荷會導致設備或導線溫度不斷升高，加快絕緣老化，嚴重過負荷時會引燃絕緣，形成火災。

（4）接觸不良

接觸不良主要發生在電氣設備引出端或線路接頭部位，接觸電阻的增大，會導致導體接觸部位額外的發熱，形成高溫，嚴重時可能使接觸部位的導體融化或者引燃絕緣層或周邊的可燃物，從而形成火災。

（5）諧波

“諧波是對周期性交流量進行傅里葉級數分解，得到頻率為基波頻率大于1整數倍的分量[3]”。諧波是電能質量的重要指標之一。諧波可能由供電電源形成，也可能由負載中的電動機、變壓器或非線性負載形成。諧波含量的增加會導致設備的額外發熱，加速設備的老化，從而產生漏電或短路故障，形成火災隱患。

（6）其他電能質量問題

其他電能質量問題主要是指電壓偏差、頻率偏差、電壓波動和閃變及三相不平衡。其中電壓偏差、電壓波動和閃變會導致用電設備過電壓，加速設備老化，造成異常溫升。三相電壓不平衡和頻率偏差會使零線電流異常增加并產生諧波，形成火災隱患。

1.2 配電柜電氣火災的主要監測內容

針對上述配電柜和配電系統的電氣火災誘因，需要對配電柜內相關部位或線路進行實時監測，主要包括常規電氣火災監測和電能質量監測項目。

常規監測項目主要包括配電柜內煙霧監測、火光監測、溫度監測、濕度監測，這些監測項目可以通過配置感煙、感光、感溫和感濕傳感探頭實現。

電能質量監測項目主要包括配電柜工作和外供回路電壓、電流、功率監測和電壓偏差、頻率偏差、電壓驟升驟降及諧波監測項目。這些項目的監測可以采用ATT7022E、ADE7880、ADE9000等專用電量檢測或電能質量監控芯片實現。這些芯片具有檢測參量多，外圍電路簡單、性價比高的特點。

2 配電柜電氣火災預警模型

2.1 模型總體結構

配電柜電氣火災預警屬于多輸入單輸出的結構形式。輸入變量主要包括煙霧、溫度、濕度、光強、電壓偏差、頻率偏差、三相不平衡度、單位時間內電壓驟升與驟降次數、三次諧波含量、總諧波畸變率等。輸出變量為電氣火災發生的可能性，是0～1概率數據。圖1為模型的示意框圖。

2.2 神經網絡模型

近年來，神經網絡技術從理論逐步走向應用領域，出現了神經網絡芯片和神經計算機。神經網絡在預測控制領域得到了廣泛的應用[4]。本文采用三層BP神經網絡構建配電柜電氣火災預警模型。輸入層有9個變量，設置輸入層為9個神經元，輸出層僅有1個變量，設置輸出層為1個神經元。隱含層神經元個數的設置并沒有一成不變的規則，一般采用試算法或經驗法來確定。本文采用參考文獻[5]中所描述的“三分法[5]”確定隱含層的數目為9個神經元。圖2為配電柜電氣火災預警的神經網絡模型。

輸入層到隱含層的權重為Wij，？茲j為隱含層的閾值，隱含層到輸出層的權重為Wjm，？茲m為隱含層的閾值。

則有：

對圖2所示模型采用有監督訓練方式，首先給Wij，？茲j，Wjm，？茲m賦隨機值，通常該值不宜過大。給定樣本數據，編程通過公式（1）和（2）進行反復計算，比較輸出結果與期望值的誤差，直到誤差達到設計要求為止。

2.3 MATLAB仿真確定權重

取50組經驗數據作為圖2神經網絡的輸入，輸出誤差控制值取0.001，取學習速率0.05，動量因子0.80，當數據收斂到誤差范圍內時，得到如下權重值：

3 實例試驗

經過MATLAB訓練取得各層權值和閾值后，采用筆者研制的變壓器風冷控制柜進行了5組驗證性試驗。試驗過程中通過電網模擬器分別改變電網電壓、頻率和加入50%三次諧波用于驗證模型對電能質量的響應情況。第4組通過調節柜內加熱器使柜內溫度升高至65℃，驗證模型對溫度的響應情況。第5組通過給柜內注入煙霧，驗證模型對煙霧的響應情況，實驗結果見表1，表中輸入變量和輸出結果為歸一化后的數據。試驗結果表明模型對單項變量的響應基本符合實際，受試驗條件限制，未進行多變量融合試驗。

4 結束語

本文所建立的基于神經網絡的配電柜電氣火災預警模型，具有結構簡單，易于實現的特點。筆者采用ADI公司ADE0000電能質量監控芯片和基于ARM Cortex M4內核的STM32F407ZET6單片機，實現了包括FFT諧波分析運算和神經網絡推理的功能。但對于多變量同時變化的響應情況尚需對模型和算法做進一步的修改和驗證。

參考文獻：

[1]國家安全生產監督管理總局網站，www.chinasafety.gov.cn. 2012年以來電氣火災專題分析與預警[EB/OL].

[2]姜峰.低壓線路電氣火災原因淺析[J].四川建筑，2011（05）：226.

[3]GB/T14549-93.電能質量公用電網諧波[S].

[4]劉金琨.智能控制[M].北京：電子工業出版社，2012：110-116.

[5]王嶸冰，徐紅艷，李波，等.BP神經網絡隱含層節點數確定方法研究[J].計算機技術與發展，2017，12.

[6]GB/T14549-93.電能質量公用電網諧波[S].

[7]楊磊.網絡化電能質量監測系統的研究與實現[D].江南大學，2017：20-22.

[8]陳志旺.STM32嵌入式微控制器快速上手（第2版）[M].北京：電子工業出版社，2014.

[9]High Performance， Multiphase Energy，and Power Quality Monitoring IC[DB/OL].Analog Device Inc.2016.

[10]ADE9000 Technical Reference Manual[DB/OL]. Analog Device Inc.2016.

[11]EVAL-ADE9000EBZ User Guide[DB/OL]. Analog Device Inc.2016.

[12]EV-ADE9000SHIELDZ User Guide[DB/OL]. Analog Device Inc.2016

[13]賈振國，張勝寶，楊忠亮，等.智能化儀器儀表實用抗干擾技術[J].科技創新與應用，2017，32：35-39.

[14]何昱.基于STM32F407的單相電參數測量儀[J].成都大學學報，2013，12.