基于多参量递归图的电力设备火灾识别方法与流程

本发明涉及电气火灾探测，具体而言，涉及一种基于多参量递归图的电力设备火灾识别方法。

背景技术：

1、电气设备或导线的绝缘材料，虽然有极少数是无机材料，但大都是可燃有机绝缘材料。当线路电流过大时，根据能量守恒原理，大量的电能转变成热能，从而造成导体和绝缘材料局部过热，当达到一定的温度，就会引起火灾。在正常通电的状态下，所有正常工作的电气设备都会发热，也就是说它就是一个潜在的火源或热源。当电气设备运行异常或长期通电无人监护管理时，大量产生的热可能使环境内的温度达到附近的易燃物质的燃点，导致火灾的发生。静电也可能引发静电火灾的发生，静电火灾往往是因为不同物体接触、分离、相互摩擦等原因，当静电增加到一定程度，在特定的条件下，它可以将空气介质击穿，在这种情况下，往往会出现火花放电。火花放电类似于电弧，会产生大量的热能，很有可能使附近的可燃物或爆炸性混合物发生燃烧或爆炸。过热型是电气火灾的一种主要形式。如果电气设备的绝缘层出现老化或破损，将造成绝缘介质损耗过大，在运行电压的作用下，会产生过热，将会成为电气火灾的隐患之一。短路是电气设备中最严重的一种故障状态之一，造成电气短路是由于电器使用过久，绝缘层老化、受损被击穿或受高温、潮湿、腐蚀等作用的影响失去绝缘作用，导致两线相碰。经测量，0.5a的电弧电流就可能产生上千摄氏度的电弧温度，不仅可引燃它本身的绝缘材料，还可将其附近的可燃材料、蒸汽和粉尘引燃。数据统计表明，短路引起的电气火灾占整个电气火灾的30%～45%。电气火灾一般由短路故障、过载故障、绝缘故障、接触电阻故障、正弦波畸变故障等原因引起的。这些故障产生的现象主要是高温、电弧、超声、紫外、烟雾、漏电流。漏电流产生时因不能确定漏电位置，通常不能直接测量。由分析可知，电阻性故障电弧可引起谐波畸变。电力系统中的波形畸变主要就是由电力设备产生的，不可避免地使相关的电压和电流波形产生较大程度的畸变，即通常所说的谐波污染，这些非线性设备引起的谐波污染也给电弧故障辨识造成了一定的干扰。据消防机关十年间所调查的97万余起火灾事故中，电气火灾有24万起，所占比例已经高达24.7%，电气火灾造成的经济损失则占火灾总损失的36.9%。传统的消防烟感、温感探测设备在此类场景下灵敏度低、反应滞后，很难满足电池热失控预警需求。而现阶段的智能火灾检测系统还不够成熟，难以精确收集火灾静态与动态的视觉表征数据。

2、在基于图像处理的应用过程中，其视频监控系统可能由于外在环境光照条件的不稳定以及摄像系统的信号干扰等原因，探测位置等外在因素干扰的过程中存在较大困难，采集到图像质量较低的监控视频，使得视频中的图像细节模糊，难以被后续的智能机器精准分析识别，降低了火灾检测识别效率。由于在现阶段基于图像处理的智能火灾检测算法的实际应用过程中，诸多关键技术难点还未得到有效的解决，难以根据不同的环境场合智能选择合适的火灾判断标准，使得火灾检测识别的准确度难以得到有效提升。而消防建设在垂直高空领域尚未得到充分的发展，这导致高层建筑火灾消防工作面临着较大的困难与挑战。

3、近年来建筑行业发展趋势尤为迅速，建筑的高度不断增加，空间面积也随之加大，且城市高层楼宇建筑的空间结构复杂，大量的走廊、通道、楼梯、电梯等设施各类火灾安全隐患日益增多，导致城市建筑空间发生火灾的几率增加，使得火灾消防工作难以顺利开展。其中建筑电气专业在建筑中占有相当大的比例，如今的建筑，在建筑设计方面，追求着造型各异，美观大方，室内外装修、电气线路敷设更是复杂，造成电气线路引起的火灾也频繁发生，并呈逐年上升趋势。传统的火灾检测识别技术在复杂的楼宇建筑空间内部已无法满足精准检测识别火灾的需求。考虑到季节不同以及一天中温度波动，外界温度的变化一般总是缓慢变化的，电气故障引起的供电线路温度变化往往是较为快速的。电气火灾的发生通常也是由于电气故障异常高温引起的。因此通常可以采用温度变化率和最大允许工作温度来反映供电线路是否有可能发生电气火灾，外界环境温度对检测的影响。一些电气故障的发生往往伴随着电弧的出现，而电的温度可以达到2000℃-3000℃，这极易发生电气火。尤其是暂态电压与运行电压叠加时，高幅值暂态冲击电压会对缺陷具有激发作用，激发产生局部放电，并在后续持续运行电压作用下产生持续局放，进而导致事故的发生。试验表明，可用于热失控预警的电气故障特征参量众多，各参量在预警及时性、可靠性、实施难度方面存在差异。由于火灾事故发生的过程中伴随着烟雾、火焰、噪音等物理化学现象，因此目前被广泛应用的火灾检测识别参数有烟气、火焰以及噪音、图像等多种特征参量联动。烟气包含了燃烧产生的气态物质与液固相物质，其温度、浓度以及气相特征光谱是易于检测的参数特征，能够根据参数的变化识别出火灾发生情况；但传统的消防烟感、温感探测设备在此类场景下灵敏度低、反应滞后，很难满足电池热失控预警需求。

4、由于电气火灾突发性强、隐蔽性强，特别是某些电气工程因非正规安装，布线方式混乱，容易引发电气故障，也容易引起火灾。具体来说电气火灾隐患可分为两种类型：过热隐患和放电隐患，其中过热隐患是指电气设备或线路的发热部分温度异常升高，引燃了电气设备和线路的绝缘层，进而引燃周围的可燃物，导致火灾发生；而放电隐患则是指电气设备和线路本身的绝缘层已经受损，电能释放出来，使得表面产生游离电晕，极易造成绝缘击穿，具体表现为电火花和电弧。当发生短路或接地故障时，电气放电会产生电，而电弧会发出25~45khz的超声，可以利用超来对放电电弧进行检测。通过常见电气故障的分析得出，电弧、高温的产生很多情况下是由于配电线路的异常漏电流引起的。配电线路及其线路中的用电设备，由于老化、破损、进水、不规范施工导致的绝缘下降等等问题出现时，都会引起整个线路中剩余电流的增大。线路中纯阻性漏电流可以认为是由于绝缘降低产生的泄漏电流。一般可选用剩余电流的测量来反映出异常漏电流的存在，选择合适剩余电流测试点则可以判断系统中是否存在异常的泄漏电流，这样比直接测试漏电流容易的多，毕竟泄漏电流的发生位置通常都是无法预料的。但现有电气火灾监控设备仅是对剩余电流、故障电弧、温度、热解粒子等信息进行独立探测，很难做到对配电电路的具体回路进行全面有效的探测分析判断，因而探测电气火灾的准确性和效率不高。剩余电流式电气火灾监控探测器主要用于配电线路的正常工作状态，及时发现线路中出现的故障和火灾隐患。

5、目前，输电线路的覆冰感知可分为基于传感器数据和基于图像数据二类，即单独以传感器数据或图像数据为输入进行覆冰感知。电力感知目标在某一时刻的状态是一段时间内多参量共同作用的结果，故具有时间和空间特性。虽然异构多参量融合以结构形式、物理意义不同的多参量为输入，由于各参量的表征空间不同，难以进行统一描述，融合难度大，且跨类型、多维度的数据分析技术薄弱，状态量之间的关联分析挖掘能力不足，对异构多参量进行融合的迫切需求与有限的技术手段之间的矛盾依旧突出。

6、现有技术电气火灾监控系统属于漏电监控方面的先期预报警系统，其监控探测器的结构形式主要有多功能漏电开关型、分离配置型、分离配置整合型三种类型：

7、多功能漏电开关型结构从外部目测结构为盒装，从内部观看，则是将含有电源变换电路、信号处理电路、报警电路、显示电路、通信、联动接口等的监控探测器与电流互感器、剩余电流互感器、主回路分断开关集聚于一体，组成一种多功能式的漏电开关产品。该类型产品的优点是：保护功能多，接线少，整体度高。这种类型内置电流互感器、剩余电流互感器（包括温度传感器）产生的缺点是：结构复杂、成本加大、故障率偏高，特别是信号的监控、探测、分析、处理、报警、通信、联动接口等电路与abc三相主电(或单相)回路的间隔距离太近，易遭受强电磁场的干扰，降低产品性能的稳定可靠性。再说，在安装使用上也不太方便；

8、分离配置整合型是电气火灾监控设备与电气火灾监控探测器分离配置型的一种特殊类型。管理方便。麻烦的是相对复杂的火灾报警系统故障率偏高，则直接影响着电气火灾监控系统，使得系统的稳定可靠性降低，甚至于造成瘫痪。

9、分离配置型是电气火灾监控设备与电气火灾监控探测器这种系统分工明确、结构简单、成本少、故障率偏低，性能稳定可靠。不足之处是：监控设备与监控探测器、监控探测器与终端探测头之间需要敷设信号线及2芯脱扣控制线。

10、在火灾检测领域，传统的火灾图像检测算法大多以火焰为检测目标，而火灾发生伊始产生的是烟雾，火情中期才会产生火焰，导致无法第一时间防控。同时，常见的以单一特征识别烟雾的算法在场景复杂或干扰较多的情况下识别率下降，漏检率骤增。现有算法对火焰前景的取准确率较低，导致系统整体鲁棒性较差。无论是火焰检测还是烟的检测，都存在着检测率与误检率无法平衡的问题，即当检测率较高时，误检率也会提高，反之亦然。而误检率与检测率均满足要求的算法，往往计算复杂度较高，无法适应实时检测的需要。在火焰检测领域，远距离火焰的检测率较低，火焰颜色的移动物体造成的高误检率，以及较高的计算复杂度。现存算法大多在前景检测阶段与区域分析阶段进行硬判决，并且将这两个阶段进行级联，导致任一阶段的错误结果都会影响到最终的检测。

技术实现思路

1、本发明的主要目的在于提供一种基于多参量递归图的电力设备火灾识别方法，以解决现有技术中火灾识别准确率低、鲁棒性差的技术问题。

2、为了实现上述目的，根据本发明的一个方面，提供了一种基于多参量递归图的电力设备火灾识别方法，包括：采用智能火情检测算法模块获取目标位置的电气监测数据及待检测的目标视频图像，其中，目标位置包括电力设备火灾预警智能监控系统的监控区的位置，基于电气监测数据及目标视频图像整合得到电力图像参量，基于电力图像参量，创建基于人工智能的火灾识别算法模型；火灾识别算法模型监控视频图像分割与区域检测，对目标位置的隐患电气监测数据进行标识，搭建深度神经网络子模型，基于深度神经网络子模型，对电力图像参量进行特征提取，得到目标特征，基于目标特征创建电力异构多参量融合模型；基于电力异构多参量融合模型对电力图像参量、电力时序参量进行数据级融合，获得电力感知数据，基于电力异构多参量融合模型对电力感知数据进行特征提取，基于递归算法模块将电力时序参量排列为k×n的递归矩阵，其中， k为时间序列的类别数，n为时间序列的长度，基于递归矩阵获得多参量递归图，基于多参量递归图构造图卷积神经网络，进行特征提取；采用火情预警判断模块将图像序列出火灾发生的可疑未知区域分割出来进行预判处理，对各个特征的判断结果进行融合，在识别确认后，判断火情是否达到了报警程度，在检测到预警安全信号的情况下，自动启动多参量预警判别程序，由后台预警系统加速发出预警信号。

3、可选地，电力设备火灾识别方法采用电力设备火灾识别装置进行火灾识别，电力设备火灾识别装置包括：与剩余电流式电气火灾监控系统关联的智能火情检测算法模块、递归算法模块、火情预警判断模块和由剩余电流式电气火灾监控探测器、测温式电气火灾监控探测器、多个总线隔离器经双总线连接而成的剩余电流式火灾报警模块，其中，剩余电流式电气火灾监控系统采用分层分布式结构，当被保护线路中的剩余电流式火灾报警模块探测的接地故障电流超过预设值时，经过分析、确认，发出报警信号和控制信号，同时把接地故障信号通过总线在数秒钟之内传递给主控机，主控机发出报警信号和控制信号，显示屏显示报警地址，记录并保存报警和控制信息。

4、可选地，基于火焰数据识别训练获得智能火情检测算法模块，智能火情检测算法模块配合摄像头，实时获取目标位置的目标视频图像，采用预处理技术排除目标视频图像中的干扰因素，突出目标视频图像的有效信息主体。

5、可选地，基于智能火情检测算法模块，获取目标视频图像所覆盖的区域单元的参数数据，基于视频图像分割算法将目标视频图像分割成相似区域并进行识别检测，基于最大类间方差算法计算得到火焰图像的分割阈值并进行分割处理；对于空间域-时间域联合的图像分割，利用高斯混合模型检测火焰目标，高斯混合模型应用多个单峰分布函数的加权组合来近似任意的概率分布，估计各个混合分量的参数和权重，利用基于形态学的火焰二值图像后处理技术过滤图像噪点。

6、可选地，基于智能火情检测模块采集的火情图片集，采用人工智能感知信息处理算法以及深度学习的火灾烟雾检测算法对火灾识别算法模型进行训练和识别，大量训练图像学习分类器；基于卷积层识别目标视频图像的不同特征并进行提取，基于模糊神经网络算法学习目标视频图像的特征表示和关系，并进行针对火灾特性学习和训练，自动生成适于火灾探测模型的隶属度函数参数；训练结束后，提取各模糊推理规则相对作用的权值，通过权值的变化获取火灾参数与传感器输入模式之间的映射规律，基于映射规律对目标视频图像进行分类，使用循环单元，将当前状态与之前的状态相关联，处理序列中的每个元素，对当前元素进行预测，预测一个序列的下一个元素，预测一个时间序列的下一个值，根据训练数据生成深度神经网络子模型。

7、可选地，火灾识别算法模型基于小波变换和模糊支持向量机（fsvm）的火焰检测算法，对目标视频图像做二维小波变换，提取像素点若干帧的小波系数平方和作为特征值，并应用模糊支持向量机作为分类器，判别提取的像素点是否为火焰区域像素点，是则利用提取到的融合特征来训练支持向量机，将提取到的运动区域依次通过分类器对烟雾与非烟雾分类，检测出火焰或者烟雾后将检测出来的位置信息与类别信息发送给深度神经网络子模型，以烟雾浓度和烟雾浓度变化率信号作为输入量建立模糊神经网络，最后连接到分类或回归层进行目标感知。

8、可选地，火灾识别算法模型首先在变换域中进行火焰特征的提取，计算候选火焰区域边缘最远距离的时间序列，并对该序列进行二维傅里叶变换，得到频率变化的特性，将输出的每个候选像素rgb色彩空间的r值或yuv色彩空间y值都输入到对应级滤波器中进行时间小波分析，选择在yuv颜色空间上结合形态学操作来获得阴影像素点集和前景目标像素点集，将输出的小波子信号的零交点的个数用来区分是否为火焰像素点，同时，将空间小波变换的均值与固定阈值进行比较，比较结果也作为判断火焰是否存在的依据之一。

9、可选地，在进行智能火灾识别监测的场景中，火情预警判断模块基于多特征融合的烟雾检测算法，以人工神经网络作为一种能够模拟大脑思维模式的火灾识别算法模型进行智能化判断，将火焰图像分割区域的表征参数作为输入值，利用人工神经网络算法模型快速排除环境干扰因素，根据现场变化自动调整运行参数，对火灾进行检测识别与判断，并与火灾发生标准进行对比分析，获取比对结果，基于对比结果判定真实火点的情况，及时进行预警。

10、可选地，在监测的场景中火情预警判断模块先运用亮度算法计算出原始没有火焰产生的图像的亮度，并将原始没有火焰产生的图像的亮度设置为亮度阈值，通过设定的亮度阈值与其它场景的图像计算出的亮度值进行比较，若其它场景的图像计算出的亮度值大于亮度阈值则可能有火情发生；若其它场景的图像计算出的亮度值小于亮度阈值则没有火情发生，在处理烟雾图像和火焰图像时，对采集到的图像进行灰度化，像素值分析处理后，如果得到的平均亮度值高于检测阈值，则可以判断图像中存在火情，并且弹出报警窗口用于提示；低于检测阈值，则图像中不存在火情。

11、根据本发明的另一方面，提供了一种电子设备，包括：存储器，存储有可执行程序；处理器，用于运行程序，其中，程序运行时执行上述的方法。

12、根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质包括存储的可执行程序，其中，在可执行程序运行时控制存储介质所在设备执行上述的方法。

13、根据本发明的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的方法。

14、应用本发明的技术方案，本发明针对目前电气火灾频繁发生、蔓延快、危害系数大、难以预测等问题，通过电力设备火灾识别装置采用智能火情检测算法模块远程实时监控，获取电力设备火灾预警智能监控系统监控区来源位置的电气监测数据及待检测的目标视频图像，筛选出具有火焰特性的像素点，整合出与火情状况联系紧密的参量，借助热失控过程中对火焰的颜色、纹理、大小及形状等特性进行分析，以较强的抗干扰能力，较高的分辨能力基于图像处理的智能火灾检测算法技术能够进行远程实时监控，识别故障电力设备电气线路火灾产生的目标视频图像，操作简单、数据存储量少，几乎不受外界环境的影响，检测效果稳定。验结果表明，智能火情检测算法能够利用图像视觉原理精准确定火灾的发生位置，在检测率与误检率方面，检测结果均优于其它算法。并且基于图像处理的智能火灾检测算法技术能够提升火灾检测的速度与精准度。能够根据建筑内部空间的光照条件、气流状态、探测位置等特征做出智能化的分析与调整，保证在不同场景环境下的检测识别功能的精准度不受干扰，将与火灾关系不大的现场因素进行过滤，整合出与火灾状况联系紧密的参量进行监测，使得不同类型结构与不同用途的电力设备均能够使用智能火灾检测算法技术及时预判并处理火灾。

15、本发明利用平滑滤波技术对监控视频图像进行预处理，去除图像噪声污染，排除图像中的干扰因素。在保证检测率与现有算法相比不降低的情况下，大幅度降低了干扰物造成的误检率，并且减小了运算复杂度。本阶段可以滤除大部分背景像素点，可以减少后续处理的计算量，并避免背景区域可能造成的误检。并且通过对视频图像进行智能化的检测感应，无需物理接触即可智能感应火灾发生情况，将火灾信息直观地呈现展示出来。还可以将火灾检测系统加入到现有的监控系统中，可以减轻火灾防治系统的负担，提高系统的功能性，降低成本。当应用于较大空间时，可以准确并且快速的检测到火灾的存在。

16、本发明针对火灾图像特征提取方法使用的特征单一造成火灾误报率高的问题，采用火灾识别算法模型监控视频图像分割和与区域检测，对探测位置的隐患电气监测数据进行标识，计算出目标视频图像微量特征对应的目标特征向量。实验结果可以得出，火灾识别算法模型具有更好的稳定性、更快的运算速度和更高的识别率。在最小错误概率的情况下，使识别后的结果最大程度地符合实际情况，提高识别的准确度，可以到达利用机器对物理对象自动分类、识别的目的。计算出的目标视频图像微量特征对应的目标特征向量，可在气体传感器检测到微量特征产气或光学传感器捕捉到微弱汽化电解液图像后，发出预警信号。火灾识别算法模型结合火情检测算法搭建出深度神经网络子模型，该子模型根据数据形式及特点对各类参量进行特征提取，再通过火灾识别算法模型对多元的火灾信息数据进行处理，可以提升火灾识别的速度与准确度，增强火灾识别的可靠性。借助建出的深度神经网络子模型，解决了现阶段的智能火灾检测算法对火灾外部环境的适应程度还不够高，在过滤建筑内部各类光照条件、气流状态、探测位置等外在因素干扰的过程中存在较大困难，难以根据不同的环境场合智能选择合适的火灾判断标准，使得火灾检测识别的准确度难以得到有效提升的问题。通过神经网络训练后实测识别准确率超98.1%，光学图像判据识别准确率超90%，加上特征气体识别，使得系统可靠性优于当前单一判据的热失控预警方法。从递归图中提取出关键性的烟雾动态特征以及纹理特征目标图像的各种特征，可准确识别火焰和烟雾图像基本特征，减少其他干扰事物对火灾判断的影响，能够准确地识别出火灾，提高系统的检测准确性。通过前景检测阶段检测出烟雾动态特征亮度值或灰度值有变化的像素点，有利于提高火灾识别的有效性。构建电力异构多参量融合模型可使异构参量相互补充和增强，充分挖掘不同参量之间的非线性关系，有效提高感知的精确性和容错性；与异常数据输入感知结果相比，有效提高了感知精确率和召回率；通过分别对基于时序参量、基于图像参量以及基于时序和图像参量融合的感知模型进行训练和测试，与正常数据输入感知结果相比，具有相近或更优的感知结果。

17、本发明采用电力异构多参量融合模型对各类电力参量进行数据级融合，将多参量深度融合为电力感知数据，融合信息损失量小，感知精度高，能够更为准确地提取信息；同时，融合会更好地挖掘气象条件和热辐射之间关系，通过多参量叠加应用进一步提高了预警可靠性，从而有效提高污秽等级判别的准确率，且融合度越高感知效果提升越明显。基于多参量递归图构造图卷积神经网络gcn进行特征提取并进行融合；输入到判决阶段进行最终判断。这种方法可以避免某一阶段检测效果较差而影响最终的检测效果。能在湿度较高时有效提高绝缘子污秽等级感知的精确性和召回率和感知的精确性。

18、为了克服传统技术的局限性。本发明采用火情预警判断模块将图像序列出火灾发生的可疑未知区域分割出来及时预判并处理，在识别确认后，判断火情是否达到了报警程度，一旦检测到预警安全信号，将自动启动多参量预警判别程序，对各阶段所获得的各种信息进行综合判断，给出最终检测结果，由后台预警系统加速发出预警信号。该方法收敛速度快，能够很好地解决大规模的复杂问题，较传统的人工判断更高效、准确。与传统的方法相比，具有更好的检测结果，更高的检测率与更低的误检率。