基于模糊综合评价-BP神经网络的电气火灾风险评估方法与流程

本发明涉及火灾风险评估，具体为一种基于模糊综合评价-bp神经网络的电气火灾风险评估方法。

背景技术：

1、科学技术的飞速发展，电能在社会生活中得到了越来越多的应用，也使人们的生活更加方便快捷。人们对电能的依赖越来越大，近十年我国发电量持续增长，根据相关资料显示，目前我国的年发电量已经跃居世界首位。而现代建筑中，日常供电线路、通信线路均采用暗敷方式设置，建筑照明灯具、中央空调等电气设备也往往镶嵌在内饰板中，当配电线路上的载流量长期超过规定要求、输电线路长期疏于检修、绝缘老化、接线端子脱落时等，都有可能引发电气火灾，造成财产损失或人员伤亡。电气火灾风险一直存在且隐患日益突出，因此对电气火灾开展风险评估很有必要。

2、电气火灾风险评估常用的方法有ahp法，贝叶斯方法等，主要对建筑电气火灾开展相关研究。如郑天芳等人针对目前高层建筑电气火灾风险定量评价研究较少，单一的层次分析法(the analgtic hierarachy process ahp)受主观影响因素较大，评价结果有一定偏差的问题，提出了基于ahp－熵权法的高层建筑电气火灾风险评价方法。马子超等人提出一种基于层次熵和雷达图的电气火灾风险评估方法，首先用层次分析法、专家咨询法确定各评估指标的权重，然后用熵权法对权重进行修正，从而求得相对准确的指标权重，并对某大型商场的电气火灾风险进行评估。宿磊等通过查阅电气火灾数据和专家评价意见，采用改进的德尔菲法获取电气火灾风险评估指标体系。然后采用区间层次分析法确定高层建筑电气火灾风险指标的权重系数，最后结合区间topsis方法对风险指标因子进行风险排序。由于电气火灾风险因素之间影响关系复杂，以上研究构建的部分评估模型存在评估过程繁琐、信息丢失等问题，导致评估结果不太可靠。此外上述研究大多是静态风险评估，对电气火灾来说，电气等参数会不断变化，因此必须要做到动态风险评估，能够实现实时预警的作用。

3、随着大数据时代的到来，神经网络模型在很多领域取得了很好的应用。bp神经网络是一种广泛用于训练前馈神经网络的算法。该算法最早于上世纪60年代提出，即通过链式法则有效地训练神经网络。在风险评估领域，越来越多的学者将bp神经网络等模型应用到风险评估当中去。相较于其他神经网络模型，bp神经网络是一种全连接的前馈神经网络，每个神经元与前一层的所有神经元相连接。这种全连接结构使得bp神经网络能够捕捉输入特征之间的复杂关系，适用于对多个输入变量进行综合评估的风险评估任务。此外bp神经网络具有强大的适应性，能够拟合非线性关系。这对于风险评估中的非线性、复杂的风险特征建模非常有利。同时其网络结构和超参数可以相对容易地进行调整，以适应不同的风险评估场景。可以根据问题的特点进行灵活的设计和调优。相对于某些复杂的深度学习模型，bp神经网络相对较简单，其训练过程和权重调整更加容易可行。但在实际的风险评估应用中，大量的指标以及风险数据获取是十分困难的，然而神经网络的训练又需要数据样本作为学习。

4、模糊综合评价法是一种基于模糊数学的综合评价方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象作出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题。通过模糊综合评价对电气火灾进行风险评估可以获得神经网络的训练数据，解决bp神经网络数据集获取困难的问题。

技术实现思路

1、针对上述问题，本发明的目的在于提供一种基于模糊综合评价-bp神经网络的电气火灾风险评估方法，能够有效的评估低压配电系统电气火灾的风险状态，能够达到较高的评估准确率，符合电力行业的实际标准和需求，具有较大的使用价值。技术方案如下：

2、一种基于模糊综合评价-bp神经网络的电气火灾风险评估方法，包括以下步骤：

3、步骤1：构建电气火灾风险评估体系

4、从电气火灾典型故障出发构建电气火灾风险评估体系，包括目标层，以及两级评价指标：一级指标和二级指标；目标层即电气火灾风险状态；一级指标包括：电气参数a1、环境因素a2和空间因素a3三个评价指标；二级指标为各一级指标下的特征参数；将第g个一级指标记为ag，g＝1,2,3；将隶属于第g个一级指标ag下的第h个二级指标记为agh；

5、步骤2：建立风险评语集

6、将电气火灾的风险状态进行等级划分，确定相应风险等级的风险状态和评估结果，形成各风险等级的风险评语集v＝{v1，v2，v3，v4，v5}；

7、步骤3：确定评价指标的动态权重

8、用层次分析法确定评价指标的主观权重，用熵权法确定评价指标的客观权重，结合主观权重向量和客观权重向量形成静态权重；对于二级指标，在静态权重的基础上进行动态赋权；所述动态赋权是根据建立的风险评语集设定预警值，对超过预警值的异常指标和未超出预警值的权重值分别进行调整，得到动态权重；

9、步骤4：建立隶属度矩阵

10、根据电气线路的规范标准将其中的定量指标划分风险区间；对于定性指标，将各风险等级量化成[0，1]的区间范围值，并对定性指标的风险状态进行打分；建立结合三角模糊和梯形模糊的隶属度函数；将所述区间范围值代入隶属度函数中，计算得到各个一级指标ag下二级指标agh的某个参数隶属于风险评语集v的隶属度向量，将二级指标agh的h个隶属度向量组合形成h×5大小的隶属度矩阵rg；

11、步骤5：得到电气火灾风险评估的风险评估数据集；

12、选取电气火灾发生时的指标数据，对选取的指标数据进行单次模糊评价得出电气火灾风险等级；基于隶属度矩阵，结合指标不同的工况参数值以及动态权重策略重复进行多次模糊综合评价；整理评价结果形成可读取的风险评估数据集；

13、步骤6：采用改进的bp神经网络建立电气火灾风险评估模型，根据得到电气火灾风险评估体系设置输入层、隐藏层和输出层的节点数，将风险评估数据集分为训练集和测试集，用训练集作为输入数据对模型进行训练，再将测试集输入训练好的模型中，得到风险评估结果。

14、进一步的，所述步骤3中，用层次分析法确定评价指标的主观权重wai具体包括：

15、步骤311：构造判断矩阵b

16、通过判断矩阵来表示风险等级相关因素的重要性，对于一级指标ag，其对应的二级指标ag1,ag2,...,agh，由于每一个二级指标对一级指标ag都存在影响，基于对一级指标ag的影响程度对二级指标agi和agj做两两判断比较，i＝1,2,....h，j＝1,2,....h；根据1-9标度法得出的判断矩阵b如下：

17、

18、式中，bij为专家打分值，i＝1,2,....h，j＝1,2,....h；h为一级指标ag对应的二级指标个数；

19、步骤312：确定判断矩阵的权重

20、分析过程的层次结构，获得所有评价指标的权重；以方根法确定评价指标的主观权重，具体步骤如下：

21、计算判断矩阵每行中所有元素的乘积：

22、

23、求乘积ci的h次方根mi：

24、

25、对由mi组成的向量m＝(m1,m2…mh)进行归一化处理：

26、

27、得到：

28、wa＝(wa1,wa2…wah)

29、式中，wai为一级指标ag下第i个二级指标的主观权重值；wa为一级指标ag下所有二级指标主观权重组成的主观权重向量；

30、步骤313：进行层次单排序的一致性检验：

31、首先，求判断矩阵b的最大特征根为：

32、

33、式中，bwa为判断矩阵b与主观权重向量wa的乘积；(bwa)i为bwa的第i个分量；

34、其次，计算一致性指标ci：

35、

36、再求一致性比例cr：

37、

38、式中，ri为期望随机一致性指标，通过查表获得；

39、最后进行一致性检验：若一致行比例cr的值低于0.1，则说明断矩阵b具有可靠的一致性；如不满足一致性检验，则调专家打分值，直到满足要求为止。

40、更进一步的，所述步骤3中，用熵权法确定评价指标的客观权重wbi具体包括：

41、步骤321：构建判断矩阵b

42、通过判断矩阵b表示风险等级相关因素的重要性，对于一级指标ag，其对应的二级指标ag1,ag2,...,agh，由于每一个二级指标对一级指标ag都存在影响，基于对一级指标ag的影响程度对二级指标agi和agj做两两判断比较，i＝1,2,....h，j＝1,2,....h；根据1-9标度法得出的判断矩阵b如下：

43、

44、式中，bij为专家打分值，i＝1,2,....h，j＝1,2,....h；h为一级指标ag对应的二级指标个数；

45、步骤322：对各专家打分值进行归一化处理：

46、

47、式中，pij为归一化结果；

48、步骤323：确定第i项二级指标的熵值ei：

49、

50、步骤324：对熵值进行归一化：

51、使用所有指数相符的极大值熵为：

52、所有指数的熵权ei为：

53、

54、步骤325：计算评价指标的差异系数hi：

55、hi＝1-ei

56、步骤326：根据差异性系数计算评价指标的客观权重wbi为：

57、

58、得：

59、wb＝(wb1,wb2…wbh)

60、式中，wbi为一级指标ag下第i个二级指标的客观权重，wb为一级指标ag下所有二级指标客观权重组成的客观权重向量。

61、更进一步的，所述步骤3中，结合主观权重wai和客观权重wbi形成静态权重wci，具体为：

62、根据最小信息熵原理，利用拉格朗日乘子法得出权重组合公式：

63、

64、wc＝(wc1,wc2…wch)

65、式中，wci为一级指标ag下第i个二级指标agi的静态权重值，wc为一级指标ag下所有二级指标静态权重组成的静态权重向量；

66、同理，对一级指标进行专家打分形成判断矩阵，然后确定主观权重和客观权重，通过拉格朗日乘子法形成静态权重，得到一级指标静态权重组成的静态权重向量(w1,w2,w3)。

67、更进一步的，所述步骤3中，在静态权重wci的基础上进行动态赋权，具体为：

68、步骤331：对于一级指标ag下某个超过预警值的异常的第i个二级指标agi的权重值调整为：

69、

70、式中，wdi为第i个二级指标agi的动态权重；wci为异常的第i个二级指标agi的静态权重；wk为所有异常二级指标的静态权重；s为异常二级指标组成的集合；

71、步骤332：对于一级指标ag下处于正常范围t内的第j个二级指标agj的权重值调整为：

72、

73、式中，wdj为第j个二级指标agj的动态权重；wcj和wo分别为正常的第j个二级指标agj和所有正常二级指标的静态权重；t为正常二级指标组成的集合；

74、步骤333：对于静态权重小于预设值，但指标参数发生突变时会导致危险性超出预期的指标的静态权重，即第p个二级指标agp的静态权重wcp调整为：

75、

76、式中，wdp为第p个二级指标agp的动态权重值，x为指标的监测值，α为风险等级v1的上限值，β为修正因子；

77、步骤334：通过步骤331、步骤332、步骤333确定的二级指标动态权重，组成一级指标ag下所有二级指标动态权重组成的动态权重向量wd：

78、更进一步的，所述步骤2中，将电气火灾的风险状态分为5个等级，从低到高依次分别为健康、正常、异常、风险、报警，表示成风险评语集的集合形式：v＝{v1，v2，v3，v4，v5}；

79、步骤4中，各风险等级的风险评语集的隶属度区间和对应隶属函数为：

80、1)v1∈[μ1，μ2)

81、

82、2)v2∈[μ2，μ4)

83、

84、3)v3∈[μ4，μ6)

85、

86、4)v4∈[μ6，μ8)

87、

88、5)v5∈[μ8，μ9)

89、

90、式中，a(x)表示隶属函数，x为定量指标的监测值或定性指标的打分值，μ1为风险评语集v1的下限，μ2为风险评语集v1的上限和v2的下限，μ4为风险评语集v2的上限和v3的下限，μ6为风险评语集v3的上限和v4的下限，μ8为风险评语集v4的上限和v5下限，μ9为风险评语集v5的上限；μ3为μ2和μ4的平均值，μ5为μ4和μ6的平均值，μ7为μ6和μ8的平均值；k2，k3和k3为简化系数，取值如下：

91、

92、

93、

94、通过上述过程可以得到一级指标a1、a2、a3对应的二级指标agh隶属于风险等级{v1，v2，v3，v4，v5}的隶属度向量，然后将agh的隶属度向量组合形成隶属度矩阵r1、r2、r3。

95、更进一步的，所述步骤5中，通过模糊综合评价获得评价结果构成风险评估数据集，具体步骤如下：

96、步骤511：计算二级指标的综合评价向量：

97、

98、式中，是模糊综合运算符，在模糊数学中称为模糊算子；rg为一级指标ag下二级指标agh的隶属度向量组合形成的隶属度矩阵；(wd1,wd2…wdh)为一级指标ag下的二级指标权重向量；

99、步骤512：将qg组合形成二级指标的综合评价矩阵q，q为3×5大小的矩阵；然后计算一级指标的综合评价向量：

100、

101、式中，o为电气火灾风险评价结果的风险向量；采用最大隶属度原则获得电气火灾的风险等级；

102、步骤513：最大隶属度有效性判断：

103、

104、

105、式中，max{oi}和sec{oi}分别表示评估结果中第一大和第二大隶属度值，β0和γ0分别表示评估结果中最大隶属度值和第二大隶属度值占隶属度值总和的比例；

106、步骤514：计算最大隶属度有效度δ：

107、

108、当δ小于0.5时，采用置信度准则评价风险级别：

109、

110、式中，a为置信度，v1,v2…v5为风险等级评价集，ux(vj)为一级指标ag属于vj风更进一步的，所述步骤6中，通过建立bp神经网络模型对模糊综合评价结果的数据进行模型训练：

111、步骤611：确定bp神经网络结构：

112、输入层节点数设置为二级指标个数c1＝15；

113、输出层节点数设置为风险等级个数c3＝5；

114、隐藏层节点数c2通过经验公式设置为：

115、

116、式中，a1为1～10之间的常数；

117、步骤612：划分数据集：

118、将模糊综合评价数据的80％用来作为训练集，20％作为验证集；

119、步骤613：其余超参设计：

120、初始权重采用xavier初始化设定神经网络权重；选择sigmoid函数作为激活函数；采用交叉熵作为损失函数来计算损失；采取自适应学习率adam算法不断调整学习率的大小来控制模型收敛速度和稳定性；在训练过程中，同时使用验证集进行验证，当验证集上的性能不再提升或开始下降时，停止训练，防止过拟合，并避免在训练集上过多地训练网络；

121、步骤614：实时风险预测：

122、在电气线路的实际运行中，采集二级指标的参数值输入到训练好的bp神经网络模型中对电气火灾进行实时风险评估。

123、本发明的有益效果是：本发明为了有效的评估低压配电系统电气火灾的风险状态，根据专家经验和监测参数的实时状态，建立了基于模糊综合评价的bp神经网络模型，评估模型以电气火灾风险评估体系为基础，建立了相关隶属度函数，结合动态权重以及模糊综合评价来获得电气火灾风险评估的数据集，然后用bp神经网络进行模型训练实现电气火灾的实时风险评估，且具有较高的评估准确率。