CN105185022A - 基于多传感器信息融合的变电站火灾探测***及探测信息融合方法 - Google Patents

Abstract

一种基于多传感器信息融合的变电站火灾探测***及探测信息融合方法，该探测***包括吸气式复合探测机构、第一监测主机以及监控平台，吸气式复合探测机构包括吸气管道及与吸气管道连接相通的吸气泵和n个复合探测器，第一监测主机同时与n个复合探测器及监控平台连接，该探测信息融合方法应用信息融合技术对多个传感器进行同步探测的多个变电站火灾特征信息进行处理和综合，实现了信息的优化和复合探测器中多个传感器一起协同工作、联合操作的优势。本发明的优点是安装方便、灵活，能够适应复杂的探测环境，拓展探测范围，提高灵敏度，降低误报率，大幅度提高了可靠辨别真假火灾的能力以及变电站火灾预警的效率性和准确性。

Description

基于多传感器信息融合的变电站火灾探测***及探测信息融合方法

技术领域：

本发明属于变电站安全技术领域，具体讲是一种基于多传感器信息融合的变电站火灾探测***及探测信息融合方法。

背景技术：

目前，变电站火灾探测报警装置以普通的感烟、感温型探测器为主，该探测器只针对单一参数温度或烟雾进行探测。现实中的火灾多种多样，又具有较大的偶然性和不稳定性，早期阶段的火灾现象和虚假火灾现象常常混杂在一起，传统的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，容易受到环境的干扰，存在误报和漏报的现象。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。

发明内容：

本发明要解决的技术问题是，提供一种安装方便、灵活，能够适应复杂的探测环境，拓展探测范围，提高灵敏度，降低误报率，大幅度提高了可靠辨别真假火灾的能力以及变电站火灾预警的效率性和准确性的基于多传感器信息融合的变电站火灾探测***及探测信息融合方法。

本发明的技术解决方案是，提供一种具有以下结构的基于多传感器信息融合的变电站火灾探测***，该探测***包括吸气式复合探测机构、第一监测主机以及监控平台，吸气式复合探测机构包括吸气泵、吸气管道以及n个复合探测器，吸气泵和n个复合探测器均与吸气管道连接相通，n个复合探测器均与第一监测主机连接，第一监测主机与监控平台连接。吸气泵用于抽取燃烧空气并过滤灰尘，吸气管道传输经过滤过的燃烧空气。

本发明所述的基于多传感器信息融合的变电站火灾探测***，其中，每个复合探测器均包括两个特征传感器、第一A/D模块、第一CPU模块、第一电源模块以及第一通信模块，两个特征传感器均与第一A/D模块连接，第一CPU模块连接在第一A/D模块与第一通信模块之间，第一电源模块与第一CPU模块连接，第一通信模块与第一监测主机连接，两个特征传感器为温度传感器、气体传感器、湿度传感器及火焰传感器中的任意两个，包括火焰、温度、湿度、CO、CO₂、HCl、SO₂、Nox等变电站火灾特征信息参数传感器。复合探测器中的特征传感器实时采集由吸气管道传输过来的火灾特征气体，并由第一A/D模块进行A/D信号处理，供第一CPU模块接收与处理数据。

本发明所述的基于多传感器信息融合的变电站火灾探测***，其中，第一监测主机包括第二通信模块、第二CPU模块、第三通信模块、第二电源模块、第一手动输入模块、第一声光报警输出模块、第一显示模块以及第一TFT液晶显示屏，第二通信模块两端分别与复合探测器及第二CPU模块连接，第二电源模块、第一手动输入模块、第一声光报警输出模块及第一显示模块均与第二CPU模块连接，第一TFT液晶显示屏与第一显示模块连接，第三通信模块一端与第二CPU模块连接，其另一端与监控平台连接。第一监测主机中的第二CPU模块集中汇总通过Internet网传输过来的吸气式复合探测器的第一CPU模块多路信息参数，第一手动输入模块进行手动输入设置参数，并控制第一声光报警输出模块工作与否及第一显示模块显示内容，第一声光报警输出模块进行声光报警，第一显示模块实时显示参数信息、数值、报警信息。

本发明所述的基于多传感器信息融合的变电站火灾探测***，其中，监控平台包括电脑主机、显示屏以及键盘，电脑主机与第一监测主机连接，显示屏和键盘均与电脑主机连接。电脑主机接收Internet网传输过来的第一监测主机中第二CPU模块的多路信息参数并进行信息融合处理，根据处理结果判断火灾危险情况并输出探测结果。显示屏显示探测结果、火灾信息及数值、火灾危险情况、报警信息等。键盘供工作人员操作显示屏，控制输出模块及参数设置，如输出模块报警与否及参数设置、修改、删减、添加等。

本发明所述的基于多传感器信息融合的变电站火灾探测***，其中，探测***还包括SF₆探测器和第二监测主机，SF₆探测器与吸气管道连接相通，第二监测主机分别与SF₆探测器和监控平台连接。本发明兼具SF₆气体泄漏监测报警功能，通过监测SF₆气体泄漏浓度进行报警及提示。

本发明所述的基于多传感器信息融合的变电站火灾探测***，其中，SF₆探测器包括SF₆传感器、第二A/D模块、第三CPU模块、第三电源模块以及第四通信模块，SF₆传感器与第二A/D模块连接，第三CPU模块连接在第二A/D模块与第四通信模块之间，第三电源模块与第三CPU模块连接，第二监测主机包括第五通信模块、第四CPU模块、第六通信模块、第四电源模块、第二手动输入模块、第二声光报警输出模块、第二显示模块以及第二TFT液晶显示屏，第五通信模块两端分别与SF₆探测器中的第四通信模块及第四CPU模块连接，第四电源模块、第二手动输入模块、第二声光报警输出模块及第二显示模块均与第四CPU模块连接，第二TFT液晶显示屏与第二显示模块连接，第六通信模块一端与第四CPU模块连接，其另一端与监控平台连接。

本发明还公开了一种基于多传感器信息融合的变电站火灾探测***的探测信息融合方法，该探测信息融合方法包括以下步骤：

步骤1、信息层处理：通过特征传感器采集原始探测信息，包括温度、湿度、CO浓度、CO2浓度、HCl浓度、SO2浓度、NOx浓度、SF6浓度，并对这些数据进行修正与归一化预处理；

步骤2、特征层处理：应用神经网络算法对信息层信息进行特征提取，并对特征信息进行综合分析与处理，包括BP神经网络的建模、训练及应用；

步骤3、决策层处理：利用特征层融合的结果，根据实际决策需求，应用模糊推理算法对特征信息进行进一步综合处理与分析，给出最终的无火/明火/阴燃火概率、火灾危害程度以及SF6泄漏程度；

步骤4、基于WebSocket技术，进行火灾探测报警信号的服务器推送技术，即浏览器和服务器只需要要做一个握手的动作，然后，浏览器和服务器之间就形成了一条快速通道，两者之间就直接可以数据互相传送。这样，当需要及时反馈火灾信息或情况比较紧急的火灾报警信号时，由服务器即时推送到各浏览器，提升快速反应能力。

本发明所述的基于多传感器信息融合的变电站火灾探测***的探测信息融合方法，其中，步骤1具体包括以下步骤：

步骤1.1、对采集的数据进行检查，看数据是否完整、是否有坏数据，各数据量之间是否存在逻辑矛盾，如数据不完整或存在较多坏数据，则做舍弃处理，放弃采集周期的该组数据，如数据存在局部缺失或畸变，并由其他正常数据可做验证，则可通过插值法完成数据的修补，生成完整一组数据；

步骤1.2、将输入量模糊化，使输入量均变换成隶属度函数为高斯函数或是sigmoid函数的值域在0～1范围内的数。这样小仅可以防止小数值被大数值淹没，也能防止因相差很大的数使网络校正进程缓慢。将输入量模糊化也相当于将训练集进行了归一化。

本发明所述的基于多传感器信息融合的变电站火灾探测***的探测信息融合方法，其中，步骤2具体包括以下步骤：

步骤2.1、BP神经网络的建模阶段的输入量为温度、湿度、CO浓度、CO₂浓度、HCl浓度、SO₂浓度、NOx浓度、SF₆浓度以及这些量在一段时间内变化量的累加，输出量为明火概率、阴燃火概率、无火概率、设备危险概率、人员危险概率及SF₆泄露程度，这些输出信息将作为决策层的输入信息；

步骤2.2、BP神经网络采用改进算法，关键是火灾探测训练样本的构建，包括训练方式、初始样本的生成及修正。

本发明所述的基于多传感器信息融合的变电站火灾探测***的探测信息融合方法，其中，步骤2.2具体包括以下步骤：

步骤2.2.1、采用批处理训练方式训练样本；

步骤2.2.2、结合过往火灾事故现场的采集信息，并根据各应用场景中不同采集量的具体特征，采用专家知识库的方式，完成初始样本的构建，同时将历史火灾样本信息分为训练集和测试集，以训练集为基础生成训练样本数据，并采用训练样本数据对神经网络进行训练，然后采用测试集对所生成的神经网络模型进行测试，如果测试集的分析结果与实际结果契合度比较高，则认为所构建的训练样本是合理的，如果契合度较低，则需要对训练样本集进行调整，完成训练样本的修正；

步骤2.2.3、部分采集量(如温度、湿度等)受外界环境变化影响明显，采集***无从区分是环境条件变化引起或是火灾发展过程引起。环境条件在不同的季节有不同的基数，如果不加区别采用统一的分析算法，则会造成较大的偏差，因此***根据一年中不同日期平均温湿的变化趋势对温湿度指标进行修正，提升判断准确率。

本发明的有益效果是：本发明中的各个吸气式复合探测器能够适应复杂的探测环境，灵敏度高，吸气管道安装方便、灵活，探测***中的各个吸气式复合探测器以及吸气管道可以根据现场环境及气流变化进行布置，克服了常规探测器不能有效探测气流变化无常和难以被探测到的场所的缺点，实现了对变电站火灾多功能区域多特征信息的同步探测。通过信息融合技术对多维参数进行优化组合、处理与判断，判断时根据不同传感器在一定时间间隔内对环境的不同反应，拓展了探测范围，提高了灵敏度和效率，降低了误报率，这不但大幅度提高了可靠辨别真假火灾的能力，而且大大提高了变电站火灾预警的效率性和准确性。

附图说明：

图1是本发明基于多传感器信息融合的变电站火灾探测***的整体结构示意图；

图2是本发明基于多传感器信息融合的变电站火灾探测***的功能方框图；

图3是本发明基于多传感器信息融合的变电站火灾探测***的探测信息融合方法中的BP神经网络算法模型训练流程图。

具体实施例：

下面结合附图和具体实施例对本发明基于多传感器信息融合的变电站火灾探测***及探测信息融合方法作进一步详细说明：

如图1所示，本发明基于多传感器信息融合的变电站火灾探测***包括吸气式复合探测机构、第一监测主机2、监控平台3、SF₆探测器23和第二监测主机24。吸气式复合探测机构包括吸气泵4、吸气管道5以及n个复合探测器6，吸气泵4、n个复合探测器6以及SF₆探测器23均与吸气管道5连接相通。

如图2所示，本具体实施例中，每个复合探测器6均包括两个特征传感器7、第一A/D模块8、第一CPU模块9、第一电源模块10以及第一通信模块11。第一监测主机2包括第二通信模块12、第二CPU模块13、第三通信模块14、第二电源模块15、第一手动输入模块16、第一声光报警输出模块17、第一显示模块18以及第一TFT液晶显示屏19。监控平台3包括电脑主机20、显示屏21以及键盘22。SF₆探测器23包括SF₆传感器25、第二A/D模块26、第三CPU模块27、第三电源模块28以及第四通信模块1。第二监测主机24包括第五通信模块29、第四CPU模块30、第六通信模块31、第四电源模块32、第二手动输入模块33、第二声光报警输出模块34、第二显示模块35以及第二TFT液晶显示屏36。

两个特征传感器7均与第一A/D模块8连接，第一CPU模块9连接在第一A/D模块8与第一通信模块11之间，第一电源模块10与第一CPU模块9连接，第一通信模块11通过Internet网与第一监控主机2中第二通信模块12的连接。两个特征传感器7根据变电站燃烧实际情况，由温度传感器、气体传感器、湿度传感器及火焰传感器中的任意两个组合而成，包括火焰、温度、湿度、CO、CO₂、HCl、SO₂、Nox等变电站火灾特征信息参数传感器。

第二通信模块12与第二CPU模块13连接，第二电源模块15、第一手动输入模块16、第一声光报警输出模块17及第一显示模块18均与第二CPU模块13连接，第一TFT液晶显示屏19与第一显示模块18连接，第三通信模块14一端与第二CPU模块13连接，第三通信模块14另一端通过Internet网与监控平台3中的电脑主机20连接。显示屏21和键盘22均与电脑主机20连接。

SF₆传感器25与第二A/D模块26连接，第三CPU模块27连接在第二A/D模块26与第四通信模块1之间，第三电源模块28与第三CPU模块27连接，第四通信模块1通过Internet网与第二监测主机24中的第五通信模块29连接。

第五通信模块29与第四CPU模块30连接，第四电源模块32、第二手动输入模块33、第二声光报警输出模块34及第二显示模块35均与第四CPU模块30连接，第二TFT液晶显示屏36与第二显示模块35连接，第六通信模块31一端与第四CPU模块30连接，第六通信模块31另一端通过Internet网与监控平台3中的电脑主机20连接。

复合探测器和监测主机中的第一CPU模块9、第二CPU模块13、第三CPU模块27以及第四CPU模块30以MC9S08DZ60芯片为核心，复合探测器中的第一A/D模块8和第二A/D模块26以ADS1110芯片为核心。

本发明基于多传感器信息融合的变电站火灾探测***的工作原理是：各特征传感器7将采集到的火灾特征信息模拟信号通过第一A/D模块9转换成数字信号后传输给复合探测器6中第一CPU模块9后，再通过第一通信模块11、Internet网以及第二通信模块12传输给第一监控主机2中的第二CPU模块13，对该功能区域探测器探测到的特征信息进行汇总，通过第一手动输入模块16手动操作第一TFT液晶显示屏19的显示内容，如特征信息及其数值、报警信息及时间等，当出现险情便可由第一声光报警输出模17进行声光报警。第一监控主机2将第二CPU模块13汇总后的多路信息经过第三通信模块14及Internet网传输给监控平台3中的电脑主机20，进行信息融合处理，信息融合后的处理信息通过监控平台3的显示屏21界面实时显示出来，包括火灾特征信息及数值、火灾危险概率、火灾危害程度、报警信息及时间、声光报警等，同时通过键盘22操作显示屏21界面可以进行参数输入、删减、添加、修改等。另外，SF₆探测器23、第二监测主机24与监控平台3之间的工作原理与复合探测器6、第一监控主机2以及监控平台3之间的工作原理类似，故SF₆泄露程度也可在监控平台3的显示屏21界面上实时显示出来。

本发明中的探测信息融合方法总体上包括信息层处理、特征层处理及决策层处理三过程，其具体步骤如下阐述：

a)信息层处理

信息层处理包括采集、预处理及存储三个过程，首先采用专用的数据采集服务程序，采集监测现场的温度、湿度、CO浓度、CO₂浓度、HCl浓度、SO₂浓度、NOx浓度、SF₆浓度等，周期性轮询完成数据采集过程，周期设为5s。由于采集到的模拟信号易受干扰源影响，因此传感器输出的信号是不能直接为***使用的，要对于传感器采集到的数据，进行一系列如过滤、放大等处理后进入火灾监测***，并对数据修正及归一化预处理，其中修正过程是对数据进行检查，看数据是否完整、是否有坏数据，各数据量之间是否存在逻辑矛盾等，如数据不完整或存在较多坏数据，则做舍弃处理，放弃采集周期的该组数据，如数据存在局部缺失或畸变，并由其他正常数据可做验证，则可通过插值法等完成数据的修补，生成完整一组数据；归一化过程是因为输入结点物理量各小相同，数量值相差很大，所以应该首先将输入量模糊化，使输入量均变换成隶属度函数为高斯函数或是sigmoid函数的值域在0～1范围内的数，这样小仅可以防止小数值被大数值淹没，也能防止因相差很大的数使网络校正进程缓慢，将输入量模糊化也相当于将训练集进行了归一化。修正及归一化后存储数据并供特征层提取。

b)特征层处理

火灾探测是个复杂的非线性***，难以用数据的方法建模，而神经网络可以准确地表达出非线性***，所以利用BP神经网络提取的特性信息进行融合处理，包括建模、训练及应用过程。其中：

建模阶段关键是确定输入量、输出量、隐层数、学***稳变化过程，即提请特征层对所有信息进行特征提取，再根据提取的特征得出最终火灾判断，这样既可以最大限度的采集火情信号，并在早期识别火灾隐患，又可以减少对具有显著火灾特征信息的计算处理，降低误报警；隐层节点选取是否恰当对整个网络能否正常工作具有重要的意义，隐层单元数选取过多时，学***稳。因此可以考虑将学习步长取为一个与学习进度有关的变量，在学习刚开始时，取的相对大些，随着迭代的进行减少步长值。一般对于简单的问题，通常将学习步长取为一个常数，且满足0<学习步长<1；在开始学习时，必须给各个连接权值、阀值赋一个初值，初值赋的不恰当，会影响学习精度且学习速率很慢，此外，由于***是非线性的，初始值对于学习是否到达局部最小和是否能收敛的关系很大，权值一般取随机数，而且权值的要求比较小，这样可以保证每个神经元一开始都在它们转换函数变化最大的地方进行，实际应用中初始权值取[-1，1]之间的随机数，且各随机数不能同时相等。

表1神经网络输入值列表

BP神经网络应用到火灾探测***中作为特征融合器，先要利用己知的火灾数据的对网络进行学***均，能够保持结果的稳定性；由于火灾具有极大的破坏性，依靠实际场景生成训练样本是不切实际的，但历史火灾记录所采集的事故现场信息则具有重要的参考价值，因此结合过往火灾事故现场的采集信息，并根据各应用场景中不同采集量的具体特征，采用专家知识库的方式，构建完整的训练样本数据，在构建样本数据时，将历史火灾样本信息分为训练集(占总样本的67％)和测试集(占总样本的33％)；以训练集为基础生成训练样本数据，并采用训练样本数据对神经网络进行训练；然后采用测试集对所生成的神经网络模型进行测试，如果测试集的分析结果与实际结果契合度比较高(90％以上)，则认为所构建的训练样本是合理的，如果契合度较低，则需要对训练样本集进行调整，完成训练样本的反馈修正。另外，采集数据时还要考虑环境条件的影响，因为部分采集量(如温度、湿度等)受外界环境变化影响明显，采集***无从区分是环境条件变化引起或是火灾发展过程引起，环境条件在不同的季节有不同的基数，如果不加区别采用统一的分析算法，则会造成较大的偏差，因此***根据一年中不同日期平均温湿的变化趋势对温湿度指标进行修正，提升判断准确率。

样本构建完成后，进入BP网络的学习过程，BP网络的学习过程由前向计算过程和误差反向传播过程组成。在前向计算过程中，输入量从输入层经隐含层逐层计算，并传向输出层，每层神经元的状态只影响下一层神经元的状态。如输出层不能得到期望的输出，则转入误差反向传播过程，误差信号沿原来的连接通道返回，逐次调整网络各层的权值和阀值，直至到达输入层。上述过程反复进行，不断调整各层的权值和阀值，使得网络误差最小或达到所期望的要求时，学习训练过程结束。模型训练流程如图3所示。

调整好权值后，***由学习状态转移到工作状态，接收信息层的输入，并计算出无火/明火/阴燃火概率、火灾危害程度、SF₆泄漏情况等，这些输出信息将作为决策层的输入信息，如表2所示；

表2神经网络输出值列表

c)决策层处理

利用特征层融合的结果，根据实际决策需求，应用模糊推理算法对特征信息进行进一步综合处理与分析，给出最终的无火/明火/阴燃火概率、火灾危害程度、SF6泄漏程度等。首先对策层的输入量与输出量进行模糊化，即将决策层的输入(神经网络输出)信号模糊化为3级：小(PS)、中(PM)、大(PB)，采用三角形函数建立其隶属函数；决策层的输出信号(火灾概率、火灾危害程度、SF6泄漏)模糊化分成4个模糊集：无(PN)、小(PS)、中(PM)、大(PB)，采用三角形函数建立其隶属函数，然后对模糊量建立控制规则模糊推理，控制规则是以“IF…THEN…”的形式出现，包括3个输入(无火概率p1、明火概率p2、阴燃火概率p3)2个输出(火灾概率p、火灾危害程度)如表3所示，采用玛达尼法进行模糊逻辑推理，最后采用重心法对模糊推理的结果进行去模糊化，得到精确的结果，包括火灾概率、火灾危害程度、SF₆泄漏程度等。

表3模糊控制规则

火灾及SF₆探测信息需即时由服务器推反馈到监控平台页面，以便及时通知专责人员进行快速处理，因此合理的火灾报警服务器推送技术对早期探测火灾极其重要。本***采用了WebSocket技术，该技术只会产生很小的开销，并且实时性很高。在以前HTTP协议中所谓的keep-aliveconnection是指在一次TCP连接中完成多个HTTP请求，但是对每个请求仍然要单独发header；所谓的polling是指从客户端(一般就是浏览器)不断主动的向服务器发HTTP请求查询是否有新数据，这两种模式有一个共同的缺点，就是除了真正的数据部分外，服务器和客户端还要大量交HTTPheader，这样会占用很多的宽带，信息交换效率很低，而且它们建立的“长连接”都是伪长连接，所以以前服务器消息推送不仅对服务器产生大量的开销，而且实时性差。WebSocket解决的第一个问题是，通过第一个HTTPrequest建立了TCP连接之后，之后的交换数据都不需要再发HTTPrequest了，使得这个长连接变成了一个真长连接，但是不需要发送HTTPheader就能交换数据，此外WebSocket还是一个双通道的连接，即在同一个TCP连接上既可以发也可以收信息，同时兼有multiplexing功能，即几个不同的URI可以复用同一个WebSocket连接。WebSocket技术实现推送信息时，浏览器和服务器只需要要做一个握手的动作，然后，浏览器和服务器之间就形成了一条快速通道，两者之间就直接可以数据互相传送，这样，当需要及时反馈火灾信息或情况比较紧急的火灾报警信号时，由服务器即时推送到各浏览器，提升快速反应能力。

上述对实施例的描述是为便于该技术领域的普通技术人员能理解及应用发明。熟悉本领域技术的人员显然可以容易对这些实施例做出各种修改，并把此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例。本领域技术人员根据发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围内。上述实施例中给出的是针对本发明请求保护的技术方案的一种实施方式中采用的器件型号，实际上本发明请求保护的装置并不局限于以上型号的器件。用户可以选择其他具有类似功能的产品来代替。

Claims (10)

1.一种基于多传感器信息融合的变电站火灾探测***，其特征在于：该探测***包括吸气式复合探测机构、第一监测主机(2)以及监控平台(3)，所述吸气式复合探测机构包括吸气泵(4)、吸气管道(5)以及n个复合探测器(6)，所述吸气泵(4)和n个复合探测器(6)均与吸气管道(5)连接相通，所述n个复合探测器(6)均与第一监测主机(2)连接，所述第一监测主机(2)与监控平台(3)连接。

2.根据权利要求1所述的基于多传感器信息融合的变电站火灾探测***，其特征在于：每个复合探测器(6)均包括两个特征传感器(7)、第一A/D模块(8)、第一CPU模块(9)、第一电源模块(10)以及第一通信模块(11)，两个特征传感器(7)均与第一A/D模块(8)连接，所述第一CPU模块(9)连接在第一A/D模块(8)与第一通信模块(11)之间，所述第一电源模块(10)与第一CPU模块(9)连接，所述第一通信模块(11)与第一监测主机(2)连接，两个特征传感器(7)为温度传感器、气体传感器、湿度传感器及火焰传感器中的任意两个。

3.根据权利要求1所述的基于多传感器信息融合的变电站火灾探测***，其特征在于：所述第一监测主机(2)包括第二通信模块(12)、第二CPU模块(13)、第三通信模块(14)、第二电源模块(15)、第一手动输入模块(16)、第一声光报警输出模块(17)、第一显示模块(18)以及第一TFT液晶显示屏(19)，所述第二通信模块(12)两端分别与复合探测器(6)及第二CPU模块(13)连接，所述第二电源模块(15)、第一手动输入模块(16)、第一声光报警输出模块(17)及第一显示模块(18)均与第二CPU模块(13)连接，所述第一TFT液晶显示屏(19)与第一显示模块(18)连接，所述第三通信模块(14)一端与第二CPU模块(13)连接，其另一端与监控平台(3)连接。

4.根据权利要求1所述的基于多传感器信息融合的变电站火灾探测***，其特征在于：所述监控平台(3)包括电脑主机(20)、显示屏(21)以及键盘(22)，所述电脑主机(20)与第一监测主机(2)连接，所述显示屏(21)和键盘(22)均与电脑主机(20)连接。

5.根据权利要求1所述的基于多传感器信息融合的变电站火灾探测***，其特征在于：探测***还包括SF₆探测器(23)和第二监测主机(24)，所述SF₆探测器(23)与吸气管道(5)连接相通，所述第二监测主机(24)分别与SF₆探测器(23)和监控平台(3)连接。

6.根据权利要求5所述的基于多传感器信息融合的变电站火灾探测***，其特征在于：所述SF₆探测器(23)包括SF₆传感器(25)、第二A/D模块(26)、第三CPU模块(27)、第三电源模块(28)以及第四通信模块(1)，所述SF₆传感器(25)与第二A/D模块(26)连接，所述第三CPU模块(27)连接在第二A/D模块(26)与第四通信模块(1)之间，所述第三电源模块(28)与第三CPU模块(27)连接，所述第二监测主机(24)包括第五通信模块(29)、第四CPU模块(30)、第六通信模块(31)、第四电源模块(32)、第二手动输入模块(33)、第二声光报警输出模块(34)、第二显示模块(35)以及第二TFT液晶显示屏(36)，所述第五通信模块(29)两端分别与SF₆探测器(23)中的第四通信模块(1)及第四CPU模块(30)连接，所述第四电源模块(32)、第二手动输入模块(33)、第二声光报警输出模块(34)及第二显示模块(35)均与第四CPU模块(30)连接，所述第二TFT液晶显示屏(36)与第二显示模块(35)连接，所述第六通信模块(31)一端与第四CPU模块(30)连接，其另一端与监控平台(3)连接。

7.一种基于多传感器信息融合的变电站火灾探测***的探测信息融合方法，其特征在于：该探测信息融合方法包括以下步骤：

步骤1、信息层处理：通过特征传感器(7)采集原始探测信息，包括温度、湿度、CO浓度、CO₂浓度、HCl浓度、SO₂浓度、NOx浓度、SF₆浓度，并对这些数据进行修正与归一化预处理；

步骤2、特征层处理：应用神经网络算法对信息层信息进行特征提取，并对特征信息进行综合分析与处理，包括BP神经网络的建模、训练及应用；

步骤3、决策层处理：利用特征层融合的结果，根据实际决策需求，应用模糊推理算法对特征信息进行进一步综合处理与分析，给出最终的无火/明火/阴燃火概率、火灾危害程度以及SF6泄漏程度；

步骤4、基于WebSocket技术，进行火灾探测报警信号的服务器推送技术，让浏览器和服务器做一个握手的动作，使浏览器和服务器之间形成一条快速通道，两者之间就直接可以数据互相传送。

8.根据权利要求7所述的基于多传感器信息融合的变电站火灾探测***的探测信息融合方法，其特征在于：所述步骤1具体包括以下步骤：

步骤1.1、对采集的数据进行检查，看数据是否完整、是否有坏数据，各数据量之间是否存在逻辑矛盾，如数据不完整或存在较多坏数据，则做舍弃处理，放弃采集周期的该组数据，如数据存在局部缺失或畸变，并由其他正常数据可做验证，则可通过插值法完成数据的修补，生成完整一组数据；

步骤1.2、将输入量模糊化，使输入量均变换成隶属度函数为高斯函数或是sigmoid函数的值域在0～1范围内的数。

9.根据权利要求7所述的基于多传感器信息融合的变电站火灾探测***的探测信息融合方法，其特征在于：所述步骤2具体包括以下步骤：

步骤2.1、BP神经网络的建模阶段的输入量为温度、湿度、CO浓度、CO₂浓度、HCl浓度、SO₂浓度、NOx浓度、SF₆浓度以及这些量在一段时间内变化量的累加，输出量为明火概率、阴燃火概率、无火概率、设备危险概率、人员危险概率及SF₆泄露程度，这些输出信息将作为决策层的输入信息；

步骤2.2、BP神经网络采用改进算法，关键是火灾探测训练样本的构建，包括训练方式、初始样本的生成及修正。

10.根据权利要求9所述的一种基于多传感器信息融合的变电站火灾探测方法，其特征在于：所述步骤2.2具体包括以下步骤：

步骤2.2.1、采用批处理训练方式训练样本；

步骤2.2.2、结合过往火灾事故现场的采集信息，并根据各应用场景中不同采集量的具体特征，采用专家知识库的方式，完成初始样本的构建，同时将历史火灾样本信息分为训练集和测试集，以训练集为基础生成训练样本数据，并采用训练样本数据对神经网络进行训练，然后采用测试集对所生成的神经网络模型进行测试，如果测试集的分析结果与实际结果契合度比较高，则认为所构建的训练样本是合理的，如果契合度较低，则需要对训练样本集进行调整，完成训练样本的修正；

步骤2.2.3、***根据一年中不同日期平均温湿的变化趋势对温湿度指标进行修正，提升判断准确率。