变电站的火灾预警方法、装置、介质和系统与流程

本技术涉及变电站的火灾预警，具体而言，涉及一种变电站的火灾预警方法、装置、介质和系统。

背景技术：

1、无人值守变电站不仅能够实现对远程电力系统的监控和管理，同时也能够提高电力系统的智能化程度和自动化程度。无人值守变电站在现代电力输配电系统中扮演着至关重要的角色，但是，无人值守变电站存在着许多意外事故、火灾等的安全风险，其中最为严重的风险之一就是火灾事故。无人值守变电站与传统变电站不同，无人值守变电站缺乏人员巡查的环节，一旦发生火灾事故，很可能会给变电站带来严重的影响。变电站的传统消防设置方法不能较早发现火灾隐患，对于火灾确认不具备快速高效的技术手段。对于大型变电站，人力无法全面的掌控场内的消防状态。火灾消防发生率直接影响整个变电站的正常运行。由于多数变电站为无人值守变电站，探测器报警信息是否准确，是否发生误报现象，运用传统的技术手段不便确认，灭火是否有效更无从谈起。因此，如何有效地预防和探测无人值守变电站的火灾事故，已经成为无人值守变电站安全保障的重要问题之一。

2、但工程上广泛采用的都是传统单一传感器的火灾探测器。尤其是一般的变电站火灾探测报警装置是以普通的只针对单一参数温度或烟雾进行探测感烟、感温型探测器为主的探测器进行探测的。但随着火灾自动探测系统应用的扩大，采用传统的烟雾浓度和温度来判别烟雾粒子的方法已经不能满足应用要求。因为非火灾粒子的存在，粒子特性很不稳定，采集到的信号具有一定的随机性，也使得任何一种固定的探测算法都不能有效地识别烟雾粒子。因此仅仅从它的原始信号来识别是不可能的。由于不同粒子受激后的散射光强受到外界噪声和系统噪声的影响，具有随机性和不确定性，传感器探测火灾发展情况过于单一，不同传感器所监测到的不同类型及不同火情误判情况多发，误判是绝对需要避免的，信息误判是致命的。由于传统单一式传感器的火灾探测是通过采集探测现场单一的火灾参数信息，采取简单的阈值算法判断火灾的发生。这种基于单一火灾信息物理量的探测器很难准确地反映出具有不同表现形式的火灾的整体特征，加上这种探测器对火灾特征信号响应灵敏度的不均匀性，火灾信号的随机性和不确定性，单一参数的探测容易造成火灾预警的误报、漏报以及迟报。现实中的火灾多种多样，又具有较大的偶然性和不稳定性，单一监测参数的异常并不能充分说明火灾发生，只有在多参数出现一定程度的异常时，才能说明火灾可能发生。早期阶段的火灾现象和虚假火灾现象常常混杂在一起，而由传感器采集的火灾参数是事先未知的或不能确定的信号，它不仅随时间的变化而变化，其他环境变化和电子噪声等都可能引起它的变化，而且这种变化往往与火灾参数变化特征基本相似，在探测器的安装位置及环境特征事先无法确定的情况下，无论采用什么样的固定算法都是不能完全满足要求的。所以火灾探测是一种非线性结构的问题，用经典的数学建模方法是很难精确描述的。

3、恶劣天气易造成传感器老化和失灵，雨雪天气可能使摄像头模糊，极端天气下的通讯异常也将给数据采集和传输带来巨大的困难。目前，大部分数据中心对于火情探测只针对一种火灾特征参量进行火情判断，且需要监控室值班人员启动灭火开关才开始灭火动作，这种方式的缺点在于无法第一时间对发生火情空间进行初步灭火、遏制火情发展，且当监控室无人管理、无人值守、无人处理时，消防主机一直处于关闭状态，消防设备无法起到有效的灭火功能。传统智能辅助控制系统受限于技术和理念的影响，一次设备在线监测系统、火灾报警系统、安防系统、消防系统相互独立、通信规约不统一，形成孤岛，无法实现设备之间的联动、配合，不但增加设备费用及调试成本，而且后期难以满足运维要求。

4、现有方案在烟雾、温度等物理量达到指定状态时进行报警，报警时一般火灾已经产生或火势较大，已经产生危害并造成损失，不利于初期控制；设备进行预报警时状态单一，分为报警、故障状态，不具备实时数据监测功能，不能进行数据分析，不能进行趋势变化研判。由于缺少中间数据，不具备隐患发现及排查功能；信息对外传输时，只具备上传功能，不具备下传控制功能，且信息量单一，不利于统一监视管理，不能进行远程控制；灭火联动时依赖的逻辑关系为设备的状态信息，不能对现场情况进行二次核实；维护管理一般按照传统纸质文件记录，管理手段落后，不符合快速响应及大数据时代的发展要求。融入电力物联网的变电站智慧消防系统同样包含4层框架：感知层、网络层、平台层、应用层，是电力物联网的具体实践。但它并不是孤关于方案及设备选的，而是融入了电力物联网的消防，是电力物联网的一部分。

5、即现有方案的变电站的火灾预警方法只能采集单一监测参数，然而单一监测参数的异常并不能充分说明火灾发生，从而导致预警的准确度较低。

技术实现思路

1、本技术的主要目的在于提供一种变电站的火灾预警方法、装置、介质和系统，以至少解决现有方案的变电站的火灾预警方法只能采集单一监测参数，然而单一监测参数的异常并不能充分说明火灾发生，从而导致预警的准确度较低的问题。

2、为了实现上述目的，根据本技术的一个方面，提供了一种变电站的火灾预警方法，该方法包括：

3、获取至少三种火灾用传感器采集的火灾隐患数据，并对所述火灾隐患数据进行归一化处理，得到归一化火灾隐患数据，所述火灾用传感器包括点型感烟火灾探测器、线型感烟火灾探测器、感温火灾探测器、火焰探测器、烟雾传感器、微波传感器和温度传感器；

4、采用烟雾粒子智能识别算法，通过边缘计算识别线路电气火灾隐患，以多模态数据为基础对所述归一化火灾隐患数据进行融合，以识别变电站火灾隐患，得到多模态融合数据；

5、以多模态融合数据作为神经网络模型的输入，通过神经网络技术和随机梯度下降算法，不断调整所述神经网络模型中各层的权值和阈值，得到最终神经网络模型，所述最终神经网络模型的输出包括无火概率、明火概率、阴燃火概率以及火灾危害程度；

6、依据光纤的光时域反射和后向拉曼散射温度效应，将当前实时温度测量值与预设的报警参数值进行比较，得到比较结果，根据最终神经网络模型的输出结果和比较结果，确定是否生成预警信息。

7、可选地，对所述火灾隐患数据进行归一化处理，得到归一化火灾隐患数据，包括：

8、根据确定所述归一化火灾隐患数据；

9、其中，f(x)为所述归一化火灾隐患数据，x0为所述火灾隐患数据中的量程最小值，a为归一化系数，x为所述火灾隐患数据中的特征参数测量值。

10、可选地，在以多模态融合数据作为神经网络模型的输入，通过神经网络技术和随机梯度下降算法，不断调整所述神经网络模型中各层的权值和阈值的过程中，所述方法还包括：

11、采用概率图模型对称连接所述神经网络模型，求得所述神经网络模型的能量函数最小时对应的参数，由能量函数计算出所述概率图模型的概率分布，得到概率值，以优化所述概率图模型的参数；

12、同时对所述权值进行随机初始化，对所述权值的初始值进行优化预训练，以优化所述权值的初始值。

13、可选地，在以多模态数据为基础对所述归一化火灾隐患数据进行融合，以识别变电站火灾隐患，得到多模态融合数据的过程中，所述方法还包括：

14、在所述多模态数据的融合方式为数据级融合的情况下，基于所述数据级融合对结构化的广域测量系统和数据采集与监控系统的数据进行融合，同时对非结构化的变电站电力设备的可见光和红外图像数据进行融合。

15、可选地，在以多模态数据为基础对所述归一化火灾隐患数据进行融合，以识别变电站火灾隐患，得到多模态融合数据的过程中，所述方法还包括：

16、在所述多模态数据的融合方式为特征级融合的情况下，基于电流幅值畸变度、故障能值以及开关量信息特征融合的隐患故障进行诊断，并依据数据特征、物理含义及融合目标对多模态数据进行特征提取；

17、采用卷积神经网络对不同特征的同构数据和异构数据进行融合，同时对非结构化图像和结构化应力数据进行融合，以提取图像数据纹理、动态特征、结构化电流数据小波特征和信息熵特征。

18、可选地，在以多模态数据为基础对所述归一化火灾隐患数据进行融合，以识别变电站火灾隐患，得到多模态融合数据的过程中，所述方法还包括：

19、在所述多模态数据的融合方式为决策级融合的情况下，对同一组的模态数据或对不同的模态数据来与不同的决策结果进行融合，以进行多模态数据的融合；

20、确定变电站为节点，且确定连接所述变电站的输电线路为边，各点直接与网关中心进行传输，将节点和边的属性设置为网络拓扑结构。

21、可选地，根据最终神经网络模型的输出结果和比较结果，确定是否生成预警信息，包括：

22、获取比较映射关系，所述比较映射关系表征所述最终神经网络模型的输出结果、所述比较结果和判断结果的映射关系，所述判断结果表征是否生成所述预警信息；

23、根据所述比较映射关系、所述最终神经网络模型的输出结果和所述比较结果，确定是否生成所述预警信息。

24、根据本技术的另一方面，提供了一种变电站的火灾预警装置，该装置包括：

25、获取单元，用于获取至少三种火灾用传感器采集的火灾隐患数据，并对所述火灾隐患数据进行归一化处理，得到归一化火灾隐患数据，所述火灾用传感器包括点型感烟火灾探测器、线型感烟火灾探测器、感温火灾探测器、火焰探测器、烟雾传感器、微波传感器和温度传感器；

26、第一处理单元，用于采用烟雾粒子智能识别算法，通过边缘计算识别线路电气火灾隐患，以多模态数据为基础对所述归一化火灾隐患数据进行融合，以识别变电站火灾隐患，得到多模态融合数据；

27、第二处理单元，用于以多模态融合数据作为神经网络模型的输入，通过神经网络技术和随机梯度下降算法，不断调整所述神经网络模型中各层的权值和阈值，得到最终神经网络模型，所述最终神经网络模型的输出包括无火概率、明火概率、阴燃火概率以及火灾危害程度；

28、第三处理单元，用于依据光纤的光时域反射和后向拉曼散射温度效应，将当前实时温度测量值与预设的报警参数值进行比较，得到比较结果，根据最终神经网络模型的输出结果和比较结果，确定是否生成预警信息。

29、根据本技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。

30、根据本技术的另一方面，提供了一种变电站的火灾预警系统，该系统包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。

31、应用本技术的技术方案，使用至少三种火灾用传感器，可以使得后续的判断更加符合实际工况，以多模态数据为基础对所述归一化火灾隐患数据进行融合，以识别变电站火灾隐患，得到多模态融合数据，以多模态融合数据作为神经网络模型的输入，通过神经网络技术和随机梯度下降算法，不断调整所述神经网络模型中各层的权值和阈值，得到最终神经网络模型，计算出无火、明火、阴燃火概率及火灾危害程度，以多传感器探测参数及其变化作为火灾判断数据基础，依据光纤的光时域反射和后向拉曼散射温度效应，避免产生bp算法通常存在学习效率低、收敛速度慢、易陷人局部最小状态的弊端，最后根据最终神经网络模型的输出结果和比较结果，确定是否生成预警信息，提高了火灾预警的准确度，进而解决了现有方案的变电站的火灾预警方法只能采集单一监测参数，然而单一监测参数的异常并不能充分说明火灾发生，从而导致预警的准确度较低的问题。