0 引言

    隨著我國現代化進程的推進，電的使用已經深入到各行各業(yè)生產和生活中,，低壓配電系統(tǒng)所占比例越來越大,，居民用電量急劇上升。電作為一種重要的能源,，對經濟和生活起著巨大作用的同時也帶來了電氣安全隱患,。據公安部消防局統(tǒng)計，2006年～2015年這十年內,，我國每年由于電氣故障引發(fā)的火災總數占總火災起數的比例高達30%,，其帶來的財產損失和人員傷亡情況在總火災損失中占比52%^[1],。

    由于影響企業(yè)電氣安全性因素很多，因素之間的關聯性存在非線性,，長期以來電氣安全評估處于一個空白區(qū)域,，只能憑借人工經驗觀察、每月巡檢的儀表測量記錄,、文字描述等方式確定企業(yè)的用電安全是否合格,。這種方式大大取決于企業(yè)電工的經驗和技術水平以及數據記錄的準確性和完整性。在實際調研中,，這種方式往往存在很大漏洞,，給企業(yè)安全評估帶來隱患。因此,，基于人工智能模型的電氣安全風險系數預測與診斷顯得尤為重要^[2],。

1 電氣安全管理現狀

    在我國，承擔低壓配電系統(tǒng)電氣安全監(jiān)測的設備主要是電氣火災監(jiān)控系統(tǒng)設施,，其發(fā)展起源于國外,，主要應用在高層建筑、公共社區(qū),、文物建筑以及工況企業(yè),，通過監(jiān)測漏電電流和溫度等參數，判斷是否超出預定閾值,，達到對配電箱電氣安全進行監(jiān)測的目的,。但從近年來國內的電氣火災數據來看，電氣火災監(jiān)控系統(tǒng)逐年推廣應用,，電氣火災占比總數仍然維持在30%以上,，究其原因主要有幾點^[3]：

    (1)孤島式電氣安全管理弊端

    傳統(tǒng)孤島式的用電安全監(jiān)控管理模式不能有效形成閉環(huán)監(jiān)管。在現有運營模式下,，電氣火災監(jiān)控系統(tǒng)一般采用局域網進行集中監(jiān)控,，導致身處一線物業(yè)電工技術人員只有在值班室才能了解整個配電運行情況，電氣安全隱患的及時處理和事后處理結果得不到反饋,。電氣安全隱患問題存在嚴重的信息不對稱,，上層管理人員作為企業(yè)的負責人缺乏合適的工具掌握企業(yè)配用電系統(tǒng)安全。

    (2)電氣火災防控技術缺乏

    現有電氣火災防控技術缺乏,，大部分僅僅涉及溫度和漏電測量功能,。對由于用戶的用電習慣、用電負載類型以及配電系統(tǒng)設計考慮不合理情況,，導致配變出現三相不平衡,，諧波過載，在三相四線制的低壓配電系統(tǒng)中,，表現出中性線存在過大電流甚至短路情況,，無法進行有效識別和偵測^[4],。

    (3)缺乏大數據判定電氣隱患

    缺乏平臺體系，無法通過數據支撐決策,。傳統(tǒng)電氣火災監(jiān)控系統(tǒng)主要是通過報警閾值設置,，一旦過限就啟動報警，無法有效挖掘問題的原因所在,，對后續(xù)指導排除安全隱患指導作用不明顯,。也無法通過共享數據平臺實現事件故障診斷,、評估分析和緊急預案指導^[5],。

2 解決方案

2.1 設計理念

    電氣安全管理系統(tǒng)從智能程度上劃分，可分為描述型,、診斷型,、預測型和指導型，如圖1所示,。描述型側重于報警,，當探測器實時監(jiān)測數據達到電氣運行危險參數閾值時，發(fā)出報警信號,。診斷型在描述型系統(tǒng)基礎之上,，增加了時間維度，能夠對歷史數據進行分析,，獲取故障發(fā)生時的電氣參數特征,，診斷電氣故障類型，針對性地解決某類電氣故障問題,。指導型和預測型系統(tǒng)在診斷型系統(tǒng)架構上,，增加了用戶用電行為分析、負荷特征和類比分析,、電氣安全風險評估,、知識決策樹等功能。能夠基于真實傳感數據智能評估用戶電氣安全等級,，無需人工評判,，依據長期動態(tài)的監(jiān)控數據自動為用戶提供專業(yè)的診斷報告和應對措施^[6-7]。

2.2 方案思路

    結合系統(tǒng)設計理念和現階段行業(yè)存在的痛點問題,，提出了以下四點思路：

    (1)系統(tǒng)能夠將電氣安全隱患顯性化,，將用戶用電安全和能耗信息數據化，將應用場景用電安全風險等級化,。

    (2)能夠通過新型技術解決傳統(tǒng)孤島式電氣安全管理存在的信息不對稱問題,，建立多方互動溝通交流。

    (3)系統(tǒng)能夠針對多種電氣安全隱患問題實現在線偵測,，多維度展示隱患根本問題,，建立隱患與數據之間的關聯性,，將人工經驗逐步轉變?yōu)槠髽I(yè)用電管理知識庫。

    (4)具備強大的服務功能,，電氣安全問題絕不僅僅停留在工具層面,，而是真正打通用戶側需求，建立一套隱患監(jiān)督排查治理機制,。從發(fā)現問題,，到診斷原因，到預測分析,，再到指導行為,。

2.3 系統(tǒng)架構

    新型電氣安全智能管理系統(tǒng)主要分為2層，分別是感知層和應用層,，系統(tǒng)架構如圖2所示,。感知層主要通過前端探測器分別對變壓器側和用戶用電末端配電系統(tǒng)進行7×24小時實時數據監(jiān)測，建立配電系統(tǒng)基礎數據單元結構模型,。在應用層上,，系統(tǒng)分為3個版塊，分別是電氣安全管理,、故障管理與評估預測以及輔助決策部分^[8],。

2.4 配電系統(tǒng)評估模型設計步驟

    BP神經網絡評價模型主要分為兩大部分，后臺訓練學習模型和前臺監(jiān)督運行評價模型,，如圖3所示,。其具體設計步驟如下^[9]：

    (1)設計BP神經網絡結構，其結構包含中間隱層的層數,、輸入層,、輸出層和隱層的節(jié)點數。

    (2)選擇并確定系統(tǒng)模型的評價指標,，包括特征參數,、狀態(tài)。在這里特征參數主要為漏電,、溫度,、電壓、電流等電氣參數,。

    (3)提供學習樣本,，訓練神經網絡模型。在學習樣本選擇過程中,，應該設計多組能夠反映系統(tǒng)不同安全狀態(tài)程度的向量值,。

    (4)作用函數選擇，通常選擇非線形S型函數,。

    (5)建立系統(tǒng)電氣安全評價模型,，通過網絡學習確定網絡輸入,、輸出和隱節(jié)點數量以及其關聯程度網絡權值和偏置值。

    (6)在系統(tǒng)模型的安全評估過程中,，對訓練好的神經網絡將實際評估參數樣本的特征值經過處理后輸入到具有推理功能的神經網絡監(jiān)測模型中,，得到評價安全的結果參數。而這個評價結果參數反過來又可以作為新的學習樣本輸入到訓練模型中不斷迭代,，調整網絡權值和偏置值得到最優(yōu)模型,。

3 基于神經網絡的電氣安全評價案例分析

3.1 風險模型網絡學習樣本

    對電氣火災安全隱患因素進行分類，可以選擇配電系統(tǒng)電壓,、電流,、漏電電流、線纜溫度,、三相不平衡,、諧波電流作為電氣安全評價指標,，現以5個配電箱的6個電氣安全綜合評價指標作為初始輸入網絡學習樣本,，如表1所示。在這里,，設計了5組能夠反映系統(tǒng)不同安全狀態(tài)程度的向量值,，分別是：[-0.5，-0.5,，-1.5,，0.5，-1.5,，-1.5],、[0.5，-0.5,，-1.0,，-0.5，-1.0,，-0.5],、[0.5，-0.5,，0.0,，0.5，-0.5,，-0.5],、[1.5，1.5,，0.0,，0.5,，-1.5，-0.5],、[1.5,，1.0，1.5,，0.0,，0.5，0.5],，對應5種不同的安全程度等級,。

3.2 風險模型評價

    在輸入量變化區(qū)間為[-1.5，1.5],，學習因子為3.56,，動量因子為0.17，預設誤差值為10-5,，網絡結構為6×8×1,，模型迭代28 342次，所得的網絡評價結果如表2所示,，表明基于深度學習后的BP神經網絡的電氣安全評價模型對數據處理后的指標和期望是一致的,，此模型可用^[10]。

4 結束語

    本文主要對現階段國內電氣火災監(jiān)控系統(tǒng)存在的問題進行分析,，針對用電安全管理,，提出了基于物聯網、云計算,、大數據結合的電氣安全智能管理系統(tǒng),，建立基于BP神經網絡的電氣火災安全隱患評估模型，實現配電系統(tǒng)用電安全等級評估,，為避免電氣安全評估中建立復雜數學模型描述非線性關系提出了新的技術手段,。

參考文獻

[1] GB 50045—1995，高層民用建筑設計防火規(guī)范[S].1995.

[2] 譚世立,，彭浩明,，楊玲.電氣火災隱患成因及解決方案[J]．消防科學與技術，2014,，33(9).

[3] 佟瑞鵬,，馬懷儉.基于神經網絡理論的電氣安全綜合評價模型[J].哈爾濱理工大學學報，2010,，10(2)：84-87.

[4] 阮學峰,，韓水生，熊志剛，等.電氣故障診斷的系統(tǒng)方法[J].武漢大學學報(工學版),，2002,，35(2)：88-90.

[5] 趙鳳芝，包鋒.基于人工神經網絡的智能診斷系統(tǒng)(NNIDs)[J].計算機系統(tǒng)應用,，2000(1)：19-21.

[6] 錢剛,，達慶利.基于系統(tǒng)安全工程工程能力成熟模型的信息系統(tǒng)風險評估叨[J].管理工程學報，2001,，15(4)：58-60.

[7] 李季,，嚴東超.BP神經網絡改進算法在電氣故障診斷系統(tǒng)中的應用[J].電力科學與工程，2005(1)：69-72.

[8] 蔡自興,，徐光佑.人工智能及其應用[M].北京：清華大學出版社,，1996.

[9] YANG X S，DEB S.Engineering optimization by cuckoosearch[J].International Journal of Mathematical Modeling & Numerical Optimization,，2010,，1(4)：330-343.

[10] TIPPING M E.Sparse Bayesian learning and the rele-vancevector machine[J].Journal of Machine Learning Research，2001,，11(3)：211-244.

作者信息:

鄧宏斌1,，岳江水1，曾  定2

（1. 國家衛(wèi)星氣象中心,，北京100081,；2.北京勝頂智控科技有限公司，北京100082）