一种地下空间电动汽车火灾探测预警防控系统及方法与流程

本发明涉及火灾探测预警领域，更具体地说，它涉及一种地下空间电动汽车火灾探测预警防控系统及方法。

背景技术：

1、在地下空间中，针对电动汽车火灾探测和预警系统的设计与实施过程中，面临着多方面的困难和问题。这些困难主要归因于地下空间的特殊环境、电动汽车的火灾特性以及现有技术的局限性。

2、具体来说，电动汽车发生火灾分为充电和非充电状态，尤其是对于充电状态下的电动汽车，发生火灾的概率更高，对于充电状态下的电动汽车，火灾可能起源于车辆内部，尤其是电池系统，火灾初期可能难以通过外部探测手段识别，导致探测延迟，难以在火灾初期发现，而对于非充电状态下的电动汽车，由于地下空间相对封闭，空气流通不畅，烟雾扩散模式与开放空间不同，当发生火灾后，烟雾容易在局部空间内积聚，导致探测器无法及时、准确地感知火灾信号，可能无法有效探测，此外，由于地下空间环境复杂，温度、湿度、粉尘等因素可能对探测器造成干扰，增加了误报的可能性，影响探测的有效性。

3、因此，基于上述问题，需要对地下空间电动汽车火灾探测预警防控进行设计。

技术实现思路

1、针对现有技术存在的问题，本发明的目的在于提供一种地下空间电动汽车火灾探测预警防控系统及方法，实现地下空间电动汽车的高效火灾探测预警防控。

2、为实现上述目的，本发明提供了如下技术方案：所述地下空间电动汽车火灾探测预警防控系统包括：

3、数据多源采集模块：采集电车的充电数据，对地下空间进行区域分割，通过多传感器融合技术采集地下空间的综合数据；

4、数据处理模块：使用分段回归方法对周期时间内的充电数据和综合数据进行趋势分析，并进行预警标记，对标记后的电车或者区域进行重采样，获取警示数据集；

5、模型分析模块：构建火灾预警模型，将警示数据集输入训练好的火灾预警模型中，获取地下空间的火灾分析方案；

6、界面交互模块：提供可视化工具对火灾分析方案进行查看，并对火灾发生区域或者电车进行标记显示，进行界面交互。

7、优选地，所述充电数据包括各个电车的电流数据，充电数据的方法包括：

8、在充电桩上布置电流传感器，将数据采集设备连接到电流传感器，通过adc将模拟电流信号转换为数字信号，获取每个电车的充电数据；

9、地下空间的综合数据包括各个区域的温度值、烟雾浓度、气体数据和火焰数据；

10、多传感器融合技术包括在地下空间内部署节点，节点之间通过无线或有线网络连接，形成局域监控网，每个节点并行监测温度传感器、烟雾传感器、气体传感器、火焰传感器和电流传感器的数据，节点之间进行数据共享。

11、优选地，所述对地下空间进行区域分割的方法包括：

12、步骤a1：提取地下空间的三维区域图，在地下空间内随机选择一个基点，计算基点处的环境评估指数，根据三维区域图的横、纵方向，以基点为原点进行横、纵同方向上的双向延伸，当满足顿停条件时双向延伸停止，连接各个延伸点形成基矩形区域，并将基矩形区域标记在三维区域图上，对地下空间进行分割；

13、步骤a2：在基矩形区域外随机选择一个新的基点，计算新的基点处环境评估指数，从新的基点处双向延伸，其中一个延伸方向与基矩形区域的边线垂直时形成垂直点，且新的基点与垂直点之间的环境评估指数满足顿停条件时双向延伸停止，连接各个延伸点形成新的基矩形区域，并将新的基矩形区域标记在三维区域图上，再次对地下空间进行分割；

14、步骤a3：重复步骤a2，当剩余区域不能进行分割时，根据面积分割成独立的区域，直到三维区域图被完全分割时停止；

15、其中，、和为调整系数，表示空气流速，表示粉尘密度，表示温度值，表示湿度值，表示基点处的环境评估指数，表示界限阈值，表示延伸点处的环境评估指数。

16、优选地，所述使用分段回归方法对周期时间内的充电数据和综合数据进行趋势分析，并进行预警标记的方法包括：

17、对于充电数据和综合数据的每个数据类别，按照时间顺序对周期时间内的数据值进行排列，获取每个数据类别的时序数据集，使用窗口在时序数据集上滑动确定断点，通过断点将时序数据集分割成数据区间；

18、对于每个数据区间，通过曲线拟合获取每个数据区间的曲线表达，提取每个曲线表达的斜率以及在断点处的表达值，按照数据区间顺序依次对相邻曲线表达的斜率和表达值进行对比，若斜率和表达值相同，则表示曲线表达在断点处连续，不存在突变，否则，则表示曲线表达在断点处不连续，存在突变，并提取突变对应的电车标识或者区域，进行预警标记。

19、优选地，所述使用窗口在时序数据集上滑动确定断点，通过断点将时序数据集分割成数据区间的方法包括：

20、步骤b1：定义一个固定长度的窗口，初始化窗口的位置在第一个数据值上，计算窗口内的统计特征；

21、其中，和表示权重系数，表示窗口内数据值的方差，表示窗口内数据值的平均值；

22、步骤b2：将窗口移动到下一个数据值，更新窗口内的数据值并计算统计特征，获取相邻两个窗口内统计特征的绝对差值，若，则判定当前窗口的第一个数据值为断点，否则，不是断点；

23、其中，表示当前窗口内的统计特征，表示上一窗口内的统计特征，表示截断阈值，截断阈值可以通过实验数据分析或者经验进行设定；

24、步骤b3：重复步骤b2，直到窗口到达最后一个时序数据集的数据值时停止，收集所有的断点，通过断点将将时序数据集分割成数据区间，且最后一个区间包含了最后一个断点之后直到最后一个数据值的所有数据值。

25、优选地，所述对标记后的电车或者区域进行重采样，获取警示数据集的方法包括：

26、识别预警标记的电车标识或者区域，调整采样频率，对于充电状态下的电车，同时采集电车的充电数据和所在区域的综合数据，对于非充电状态下的电车，采集区域的综合数据；

27、其中，表示调整前的采样频率，表示调整后的采样频率，表示第个数据类别在第个数据区间上的斜率，表示数据类别的数量，表示数据区间的数量；

28、收集所有采样频率调整后的充电数据和综合数据，形成警示数据集。

29、优选地，所述火灾预警模型的构建方法包括：

30、设定共享层和任务专用头部；

31、共享层基于cnn与lstm层混合设计，cnn层先提取模型输入的局部时序特征，将cnn层的输出传递给lstm层，进一步提取时序的全局依赖特征；

32、任务专用头部的输入设定为共享层的输出，且任务专用头部包括充电状态检测头、火灾预测头、火灾类型分类头、火灾波及范围预测头和警戒程度评估头；

33、充电状态检测头设置二分类任务，包括充电或者未充电，用于判断电车是否处于充电状态，包括全连接层和输出层，使用sigmoid激活函数，设定损失函数为二分类交叉熵损失；

34、火灾预测头设置回归任务，包括全连接层和输出层，使用relu激活函数，用于预测火灾发生的概率，设定损失函数为均方误差；

35、火灾类型分类头用于检测导致火灾发生的影响因素，包括全连接层和输出层，使用relu激活函数，设定损失函数为多类交叉熵损失，多类交叉熵损失用于计算预测影响因素概率与真实标签之间的误差；

36、火灾波及范围预测头用于预测火灾的波及范围或扩散速度，包括全连接层和输出层，使用线性激活函数，设定损失函数为均方误差，用于衡量预测火灾波及范围或扩散速度与真实值之间的差异；

37、警戒程度评估头用于输出火灾警戒程度，包括全连接层和输出层，使用softmax激活函数，设定损失函数为多类交叉熵损失，用于计算预测警戒级别与真实标签之间的误差；

38、设定总损失函数为：

39、；

40、其中，、、、和表示权重系数，表示充电状态检测头的损失函数，表示火灾预测头的损失函数，表示火灾类型分类头的损失函数，表示火灾波及范围预测头的损失函数，表示警戒程度评估头的损失函数。

41、优选地，所述火灾分析方案包括电车的充电状态、火灾发生的概率、火灾发生的影响因素、火灾的波及范围或扩散速度和火灾警戒程度。

42、优选地，所述将警示数据集输入训练好的火灾预警模型中，获取地下空间的火灾分析方案，具体方法包括：

43、步骤d1：设置样本集，样本集包括t_u组样本，每组样本包括警示数据集以及对应的火灾分析方案，将样本集划分为s_j个批次，依次输入的构建好的火灾预警模型中进行训练；

44、步骤d2：使用自适应学习率策略，采用adam或sgd优化器，依次输出每个任务专用头部的损失函数，当总损失函数值不在发生变化时停止训练，得到训练好的火灾预警模型；

45、步骤d3：将警示数据集输入训练好的火灾预警模型中，获取当前地下空间的火灾分析方案。

46、一种地下空间电动汽车火灾探测预警防控方法，包括：

47、步骤s1：对地下空间进行区域分割，采集电车的充电数据和地下空间的综合数据；

48、步骤s2：使用分段回归方法对周期时间内的充电数据和综合数据进行趋势分析，并进行预警标记；

49、步骤s3：对标记后的电车或者区域进行重采样，获取警示数据集；

50、步骤s4：构建火灾预警模型；

51、步骤s5：将当前的警示数据集输入训练好的火灾预警模型中，获取地下空间的火灾分析方案，并进行界面展示。

52、与现有技术相比，本发明具备以下有益效果：

53、通过多源数据采集实现全面的数据收集和分析。这种多维度感知能够更准确地捕捉火灾发生前的异常变化，提升火灾预警的及时性和准确性。通过三维区域图的分割方法将地下空间划分为多个区域，针对每个区域进行独立监测。这种分割方式不仅提高了监控的精细度，还能使系统能够在发现风险时精准定位问题区域，便于快速采取应对措施。

54、分段回归方法用于对周期性数据进行趋势分析，结合滑动窗口确定数据的突变点，能够有效检测潜在的火灾风险，避免传统方法中的漏报和误报问题。在检测到异常后，通过对标记的电车或者区域进行重采样，调整数据采集频率。获取更密集的高精度数据，进一步提高预警的精度。

55、通过结合cnn与lstm的混合设计，系统可以同时提取局部和全局的时序特征，捕捉火灾发生前的复杂数据变化，进一步提高火灾预警的准确性。任务专用头部的多任务设计（充电状态检测、火灾预测、火灾类型分类、火灾波及范围预测和警戒程度评估）使得系统能够同时进行多方面的火灾分析，不仅能判断是否有火灾，还能分析火灾的来源、波及范围和严重程度，提供更全面的决策支持。

56、系统通过对不同数据类别和区域的趋势分析、断点检测和曲线拟合，能够更好地区别数据的正常波动和异常变化，减少了火灾预警中的误报和漏报问题。精准识别异常变化，结合火灾预警模型的智能分析，确保火灾预警更加可靠。