多传感器数据融合结合FWA-BP神经网络算法的电缆隧道灭火决策方法技术

本发明专利技术公开了一种多传感器数据融合结合FWA

【技术实现步骤摘要】
多传感器数据融合结合FWA
‑
BP神经网络算法的电缆隧道灭火决策方法


[0001]本专利技术属于电力设备在线监测与故障诊断领域，具体地说是一种多传感器数据融合结合FWA
‑
BP神经网络算法的电缆隧道灭火决策方法。

技术介绍

[0002]在电力设备集中的生产现场，如变电站和发电厂，设备的电力电缆和通信电缆通常布置在电缆沟中。在实际生产中，由于现场条件、施工成本和各种其他原因，电缆沟通常具有狭窄空间和密集电缆等不良因素。这些因素不利于日常线路维护和维修，容易因短路、过载、电阻增加等原因引发火灾，导致严重的生产事故。据统计电缆火灾事故的相关资料可知，近20年内以来我国多次发生由电缆引发的火灾事故，尤其是火电厂、变电站的电缆火灾，发生了大约140次，70％以上的电缆火灾损失严重。
[0003]但在大多数情况下，在电缆火灾发生之前，必须发生一系列预兆事件。这些事件包括电缆温度异常升高和烟雾颗粒的产生，以及其他警告信号。如果能够在火灾早期定位火灾风险并消除故障，可以有效地避免火灾事故的发生，确保工业设备的安全运行。目前电缆隧道内的火灾自动报警系统，由于装置自身的可靠性不高或对恶劣环境的适应性不强，可用周期短，给检修维护造成很大困难，并经常产生误报，导致监控人员对报警失去警觉，从而火灾初期发生时很难做到及时发现，有效控制。

技术实现思路

[0004]本专利技术的目的是针对现有技术存在的问题，提供一种多传感器数据融合结合FWA
‑
BP神经网络算法的电缆隧道灭火决策方法，该电缆隧道灭火决策方法通过多参量多点位双维度数据融合解决了由于观测环境的复杂性与不确定性而导致的不同传感器的测量数据存在异常值、不完整甚至观测目标不一致等问题，使得火灾报警的误报率很大程度上得到缩减，可以有效保证高压电缆的安全稳定运行。
[0005]本专利技术的目的是通过以下技术方案解决的：
[0006]一种多传感器数据融合结合FWA
‑
BP神经网络算法的电缆隧道灭火决策方法，其特征在于：该灭火决策方法所采用的多参量传感器布置在多个点位，每个点位的多参量传感器皆包括至少一个温度传感器、一个CO传感器、一个烟雾传感器，该灭火决策方法的步骤如下：
[0007]A、采用改进模糊支持度函数将同参量多点位监测数据进行融合，获得温度融合数据、CO浓度融合数据、烟雾浓度融合数据；
[0008]B、对获得的多参量融合数据进行主成分分析降噪、创建并训练基于FWA
‑
BP神经网络算法的多参量数据融合模型，即电缆火灾FWA
‑
BP神经网络模型；
[0009]C、将测试数据输入电缆火灾FWA
‑
BP神经网络模型进行验证，输出灭火决策及灭火范围。
[0010]所述的温度传感器采用导热硅胶贴附在电缆隧道电缆金属支架处，以输出监测电缆情况的温度信号，CO传感器及烟雾传感器根据传感辐射范围安装。
[0011]所述步骤A中的改进模糊支持度函数是将DTW方法中的绝对距离替换为动态弯曲距离，计算来自同类型传感器的监测数据间的支持度。
[0012]所述改进模糊支持度函数的具体步骤为：
[0013]A1、同类型传感器的监测数据间的支持度计算公式如下：
[0014]sup(U,V)＝2
×
(1+e
K
×
dist(U,V)
)
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0015]式(1)中，dist(U,V)为时间序列数据U和V的动态弯曲距离，K≥0，K越大则表示相互支持程度的区分度越高；
[0016]A2、多个同类传感器分别采集温度信号、CO浓度信号及烟雾浓度信号，得到数据集X
i
＝{X1,X2,...,X
m
}(i＝1,2,...,m)，m为同类传感器个数，根据公式(1)可得到时间段T内，同类传感器不同位点的数据间的支持度s
ij
，进而构建模糊支持度矩阵S，
[0017][0018]A3、时间段T内，除自身外的传感器对于第i个传感器的支持度如公式(3)所示，支持度取值范围为[0,1]，
[0019][0020]式(3)中，γ
i
(T)为除自身外的传感器对于第i个传感器的支持度；
[0021]A4、若第i个传感器在时间段T内采集的数据为x
i
(T)＝{x
i
(1),x
i
(2),...,x
i
(n)}，n为数据个数，则第i个传感器节点数据的均值和方差分别如公式(4)和公式(5)所示：
[0022][0023][0024]式(4)和式(5)中，z
i
(T)为第i个传感器节点数据的均值，为第i个传感器节点数据的方差；
[0025]A5、通过加权融合算法完成同类传感器间的数据融合，最终的加权融合表达式为：
[0026][0027]式(6)中，ω
i
(T)表示第i个传感器在时间段T内采集到的时间序列数据对应的加权值，计算方法如公式(7)所示：
[0028][0029]所述步骤A2中的同类传感器个数至少为3个。
[0030]所述步骤B中的主成分分析降噪采用的主成分分析法能够从高维数据中提取特征信息、减少维数，并保留原始高维数据的最大程度信息，具体过程为：在电缆沟火灾监测系统中n1为单位时间内共有m1个不同传感器同时采集获得的融合数据组成n1行m1列样本矩阵X，对样本矩阵X通过公式(8)、公式(9)、公式(10)进行变换，可得到标准化矩阵U1，
[0031][0032][0033][0034]通过公式(11)对标准化矩阵U求相关系数矩阵R，并求解公式(12)所示特征方程，
[0035][0036][0037]进一步得到m1个特征值，根据确定p值，即当前p个主成分的信息贡献率大于85％时就可以将前p个主成分作为样本特征，将特征值降序排列，取前p个特征值对应的特征向量组成变换矩阵A
T
：
[0038]A
T
＝(u1,u2,...,u
p
),p＜m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0039]计算Y＝AX得到前p个主成分Y，可实现对火灾监测融合数据降维目的；X为n1行m1列的样本矩阵。
[0040]所述步骤B中的FWA
‑
BP神经网络算法中的BP神经网络是一个多层前向网络，多层包括了输入层、隐含层、输出层，输入层节点数为3，分别为温度融合数据、CO浓度融合数据及烟雾浓度融合数据；输出层节点数为2，分别为火灾状态风险评估值和是否触发灭火系统的触发值，触发值仅包含0与1两个状态，0表示不触发、1表示触发；BP神经网络的隐含层采用非线性的Sigmoid函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多传感器数据融合结合FWA
‑
BP神经网络算法的电缆隧道灭火决策方法，其特征在于：该灭火决策方法所采用的多参量传感器布置在多个点位，每个点位的多参量传感器皆包括至少一个温度传感器、一个CO传感器、一个烟雾传感器，该灭火决策方法的步骤如下：A、采用改进模糊支持度函数将同参量多点位监测数据进行融合，获得温度融合数据、CO浓度融合数据、烟雾浓度融合数据；B、对获得的多参量融合数据进行主成分分析降噪、创建并训练基于FWA
‑
BP神经网络算法的多参量数据融合模型，即电缆火灾FWA
‑
BP神经网络模型；C、将测试数据输入电缆火灾FWA
‑
BP神经网络模型进行验证，输出灭火决策及灭火范围。2.根据权利要求1所述的多传感器数据融合结合FWA
‑
BP神经网络算法的电缆隧道灭火决策方法，其特征在于：所述的温度传感器采用导热硅胶贴附在电缆隧道电缆金属支架处，以输出监测电缆情况的温度信号，CO传感器及烟雾传感器根据传感辐射范围安装。3.根据权利要求1所述的多传感器数据融合结合FWA
‑
BP神经网络算法的电缆隧道灭火决策方法，其特征在于：所述步骤A中的改进模糊支持度函数是将DTW方法中的绝对距离替换为动态弯曲距离，计算来自同类型传感器的监测数据间的支持度。4.根据权利要求3所述的多传感器数据融合结合FWA
‑
BP神经网络算法的电缆隧道灭火决策方法，其特征在于：所述改进模糊支持度函数的具体步骤为：A1、同类型传感器的监测数据间的支持度计算公式如下：sup(U,V)＝2
×
(1+e
K
×
dist(U,V)
)
‑1ꢀꢀꢀꢀ
(1)式(1)中，dist(U,V)为时间序列数据U和V的动态弯曲距离，K≥0，K越大则表示相互支持程度的区分度越高；A2、多个同类传感器分别采集温度信号、CO浓度信号及烟雾浓度信号，得到数据集X
i
＝{X1,X2,...,X
m
}(i＝1,2,...,m)，m为同类传感器个数，根据公式(1)可得到时间段T内，同类传感器不同位点的数据间的支持度s
ij
，进而构建模糊支持度矩阵S，A3、时间段T内，除自身外的传感器对于第i个传感器的支持度如公式(3)所示，支持度取值范围为[0,1]，式(3)中，γ
i
(T)为除自身外的传感器对于第i个传感器的支持度；A4、若第i个传感器在时间段T内采集的数据为x
i
(T)＝{x
i
(1),x
i
(2),...,x
i
(n)}，n为数据个数，则第i个传感器节点数据的均值和方差分别如公式(4)和公式(5)所示：
式(4)和式(5)中，z
i
(T)为第i个传感器节点数据的均值，δ
i2
(T)为第i个传感器节点数据的方差；A5、通过加权融合算法完成同类传感器间的数据融合，最终的加权融合表达式为：式(6)中，ω
i
(T...

【专利技术属性】
技术研发人员：焦婷，苏磊，贺林，李红雷，司文荣，张小莲，李新远，张东东，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：