基于人工智能與多傳感器信息融合的電纜火災預警算法

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。隨著人工智能技術的迅速發(fā)展，對電纜火災預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，給火災預警工作帶來諸多不便[1-4]。因此，基于多傳感器的火災預警方法應運而生。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預警。但在當時的條件下，由于傳感器技術與自動化技術尚未完善，所采集的信息不準確，設計的算法過于簡單，無法應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，只能根據(jù)不同的火災情況設置不同的傳感器[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預警算法。在多傳感器融合的基礎上融合特征層信息，基于BP 神經(jīng)網(wǎng)絡的特征層探測電纜火災預警，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)融合對火災情況進行預警，提高電纜火災預警的準確性和抗干擾能力。

1 多傳感器信息融合

1.1 信息融合結構形式

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)結構如圖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)結構

1.2 多傳感器信息融合系統(tǒng)結構

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、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)學形式，以便完成數(shù)據(jù)匹配。然后將系統(tǒng)輸出的結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)的結構示意圖

2 電纜火災預警算法

2.1 電纜火災預警信息融合結構

針對電纜發(fā)生火災的實際情景，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，反映真實火災信息，有利于實時處理。特征信息的提取與決策分析關系密切，且能在最大程度上給出所需信息。其中特征層的電纜火災探測信息融合結構如圖4 所示。

圖4 電纜火災探測特征層結構

電纜火災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，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。

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)具備復雜性。要解決傳感器復雜性必須采取特征關聯(lián)方法將采集數(shù)據(jù)進行關聯(lián)，使用何種特征關聯(lián)方法在整個預警算法中起到了至關重要的作用。文中將不同方向的特征向量進行關聯(lián)，以特征融合系數(shù)作為權重系數(shù)，表示各個傳感器采集信息的重要程度，以達到電纜火災周圍環(huán)境多信息融合的目的。

設傳感器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)對電纜火災預警的影響程度。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 電纜火災預警的BP神經(jīng)網(wǎng)絡算法

BP 神經(jīng)網(wǎng)絡是當前廣泛應用于多輸入多輸出系統(tǒng)的智能算法，其結構如圖5 所示。該神經(jīng)網(wǎng)絡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)絡結構圖

通常BP 神經(jīng)網(wǎng)絡可分為正向傳播和反向傳播，輸出的值經(jīng)過數(shù)據(jù)訓練、傳播、計算，利用中間層計算反向傳播誤差，反復循環(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)權重，再重新進行數(shù)據(jù)的訓練和傳播，直到誤差小于預設值。

設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，則：

式中，為神經(jīng)元j第k層的反向傳播誤差，η為學習效率因子。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，若j為神經(jīng)元，則：

否則，有：

此外，還應選取激活函數(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)修正公式對權值進行修正，采用批量處理的方式對數(shù)據(jù)進行訓練，從而確保數(shù)據(jù)傳輸?shù)恼鎸嵭耘c時效性。

2.4 電纜火災預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是否發(fā)生，具體步驟如下：

設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)絡進行綜合分析判斷為火災，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。隱含層的訓練精度影響整個實驗的結果，訓練精度與神經(jīng)元的個數(shù)關系密切，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，火災預警的隱含層神經(jīng)元個數(shù)為10。用Matlab 工具箱對電纜火災預警進行仿真分析，設計600 組電纜周圍環(huán)境的火災數(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 歸一化訓練樣本

在訓練時，設定初始學習因子為0.5，極限誤差為ε=1×10-5。采用自適應訓練方式直到數(shù)據(jù)滿足誤差d=1×10-3，且訓練誤差率趨于緩慢時，訓練結束。經(jīng)過傳感器輸入的數(shù)據(jù)訓練后，得到的權值、閾值矩陣如下：

經(jīng)過網(wǎng)絡訓練后，其輸出的結果如表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，在整個電纜火災預警測試中，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 測試火情識別結果

4 結束語

電纜火災信號為不確定信號，隨火災特征而發(fā)生變化。文中在多傳感器信息融合的基礎上分析信息融合的構成和形式，并嘗試應用BP 神經(jīng)網(wǎng)絡的特征層數(shù)據(jù)融合實現(xiàn)電纜火災預警，搜索最佳特征融合系數(shù)。依據(jù)電纜火災發(fā)生情況，選取溫度、煙霧、CO 濃度作為數(shù)據(jù)采集信息。通過對火災采集信息進行融合，實現(xiàn)電纜火災預警。最終通過實驗驗證了文中所提算法的有效性，且火災預警準確率超過90%，具有廣泛的應用推廣價值。文中選取的特征量是火災發(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預警進行輔助分析。