CN112242036A - 一种变电站火灾报警方法及*** - Google Patents
一种变电站火灾报警方法及*** Download PDFInfo
- Publication number
- CN112242036A CN112242036A CN201910585103.1A CN201910585103A CN112242036A CN 112242036 A CN112242036 A CN 112242036A CN 201910585103 A CN201910585103 A CN 201910585103A CN 112242036 A CN112242036 A CN 112242036A
- Authority
- CN
- China
- Prior art keywords
- fire
- probability value
- substation
- acquiring
- threshold value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 65
- 238000012790 confirmation Methods 0.000 claims abstract description 17
- 239000000779 smoke Substances 0.000 claims description 54
- 230000015654 memory Effects 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 abstract description 5
- 230000004044 response Effects 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 230000009977 dual effect Effects 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 206010000369 Accident Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/186—Fuzzy logic; neural networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Fuzzy Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种变电站火灾报警方法及***，其中方法包括：按照第一预设时间间隔获取第一监控模式输出发生火灾的第一概率值；当所述第一概率值大于或等于第一阈值时发出报警信号；获取第二监控模式输出发生火灾的第二概率值；当所述第二概率值大于或等于第二阈值时，发出灭火启动信号；当所述第二概率值小于第二阈值时，发出火灾确认提示信号。本发明提供的实施例，在两种监控模式共同作用下对火灾情况进行判断，准确性高，并行处理数据快，双模式下更能保证实时监控的灵敏度，相应的监测响应时间也能大幅降低，在很复杂的变电站环境下依旧能保持高的火灾监控效率。
Description
技术领域
本发明涉及消防安全技术领域，具体涉及一种变电站火灾报警方法及***。
背景技术
变电站***是国家电力***的核心，是电力传输的载体。若变电站发生火灾事故，会中断区域电力的传输与使用，扼断工农业生产，影响正常生活秩序，带来巨大社会经济损失。与传统建筑物相比，变电站建筑结构独特、电力设备繁多，工作环境为高压、高电流、高负荷状态。引发变电站内发生火灾事故的因素也具备独特性，体现在：遭受雷击天气、电力线路接触不良、短路漏电产生电弧、电气设备故障、人为操作失误等。必须发展并推广针对性的变电站建筑内火灾监控报警***，实现变电站消防安全，提升变电站防火安全性能，最大限度降低变电站***火灾事故风险。
传统技术存在缺点是对烟雾浓度、温湿度等参数的监控缺乏准确性和灵敏性，很难实现全覆盖监控；仅判定特征参数值的高低，数据分析不彻底、不精细，难以准确发出报警信号；监测范围具备局限性，难以快速准确识别已发生或将要发生火灾的区域。
发明内容
因此，本发明提供的一种变电站火灾报警方法及***，克服了现有技术中对于变电站内火灾状况不能快速准确识别的缺陷。
第一方面，本发明实施例提供一种变电站火灾报警方法，包括如下步骤：按照第一预设时间间隔获取第一监控模式输出发生火灾的第一概率值；当所述第一概率值大于或等于第一阈值时发出报警信号；获取第二监控模式输出发生火灾的第二概率值；当所述第二概率值大于或等于第二阈值时，发出灭火启动信号；当所述第二概率值小于第二阈值时，发出火灾确认提示信号。
在一实施例中，所述的变电站火灾报警方法，还包括：按照第二预设时间间隔获取第二监控模式输出发生火灾的第二概率值，所述第二预设时间间隔大于所述第一预设时间间隔；当所述第二概率值大于或等于第二阈值时发出报警信号，并获取第一监控模式输出发生火灾的第一概率值；当所述第一概率值大于或等于第一阈值时，发出灭火启动信号；当所述第一概率值小于第一阈值时，发出火灾确认提示信号。
在一实施例中，所述获取第一监控模式输出发生火灾的第一概率值的步骤，包括：获取传感器采集所述变电站的环境及运行参数；将所述环境及运行参数输入第一识别模型获取发生火灾的第一概率值。
在一实施例中，所述变电站的环境及运行参数包括：变电站的温度，变电站的湿度，烟雾浓度，线路温度，三相电线路电流、保护电路剩余电流值及线路电压。
在一实施例中，所述获取第二监控模式输出发生火灾的第二概率值的步骤，包括：获取图像采集设备采集的烟雾图像；获取所述烟雾图像的特征数据，包括烟雾颜色数据特征、纹理特征数据特征、运动数据特征；将所述烟雾图像的特征数据输入第二识别模型，获取发生火灾的第二概率值。
在一实施例中，所述的变电站火灾报警方法还包括：获取火灾报警的误判数据，将所述误判数据输入所述第一识别模型及第二识别模型，实时更新所述第一识别模型及第二识别模型中的关键参数。
在一实施例中，第一识别模型和/或第二识别模型为训练好的神经网络模型。
第二方面，本发明实施例提供一种变电站火灾报警***，包括：第一概率值获取模块，用于获取第一监控模式输出发生火灾的第一概率值；报警信号发出模块，用于当所述第一概率值大于或等于第一阈值时发出报警信号；第二概率值获取模块，用于获取第二监控模式输出发生火灾的第二概率值；灭火启动信号发出模块，用于当所述第二概率值大于或等于第二阈值时，发出灭火启动信号；火灾确认模块，用于当所述第二概率值小于第二阈值时，当所述第二概率值小于第二阈值时，发出火灾确认提示信号。
第三方面，本发明实施例提供一种计算机设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例第一方面所述的变电站火灾报警方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的变电站火灾报警方法。
本发明技术方案，具有如下优点：
1、本发明实施例提供的变电站火灾报警方法及***，在两种监控模式共同作用下对火灾情况进行判断，准确性高，并行处理数据快，双模式下更能保证实时监控的灵敏度，相应的监测响应时间也能大幅降低，在很复杂的变电站环境下依旧能保持高的火灾监控效率。
2、本发明实施例提供的变电站火灾报警方法及***，根据实时监测的样本数据，可逐步完善双模式的自学习模型，自学习能力强，适用性更广。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的变电站火灾报警方法的一个具体示例的流程图；
图2为本发明实施例提供的变电站火灾报警方法的另一个具体示例的流程图；
图3为本发明实施例提供的基于传感器模式进行监控的一个具体示例的流程图；
图4为本发明实施例提供的基于烟雾图像模式进行监控的过程一个具体示例的流程图；
图5为本发明实施例提供的变电站火灾报警***的一个具体示例的组成图；
图6为本发明实施例提供的变电站火灾报警***的另一个具体示例的组成图；
图7为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种变电站火灾报警方法，包括两种变电站信息数据采集方式：基于物联网传感器采集参数数据集的传感器模式和基于监控视频采集的烟雾图像模式，将这两种模式采集的数据分别输入到神经网络模型中输出火灾发生的概率，根据两者的输出概率判断火灾情况。
本发明实施例提供的变电站火灾报警方法，如图1所示，包括如下步骤：
步骤S1:按照第一预设时间间隔获取第一监控模式输出发生火灾的第一概率值；
本发明实施中，第一监控模式为基于物联网传感器采集参数数据集的传感器模式，每隔一分钟(仅以此举例，不以此为限)处理器获取传感器采集所述变电站的环境及运行参数；具体的，相应的传感器采集不同时间、工作模式、天气、正常和异常状态下的变电站内环境温度、环境湿度、烟雾浓度、线路温度、线路电流、保护电路剩余电流值、线路电压等变电站的温度，变电站的湿度，烟雾浓度，线路温度，三相电线路电流、保护电路剩余电流值及线路电压。将环境及运行参数输入第一识别模型获取发生火灾的第一概率值，第一识别模型可以为BP神经网络模型。
步骤S2:当第一概率值大于或等于第一阈值时发出报警信号。
本发明实施中，当基于传感器模式输出的概率值大于预设的阈值时，处理器发出报警信号，报警信号可以光闪信号，也可以是鸣笛声，也可以信号灯和鸣笛声同时响应，以上仅以此举例，不以此为限。
步骤S3:获取第二监控模式输出发生火灾的第二概率值。
本发明实施中，第二监控模式为基于监控视频采集的烟雾图像模式，处理器在发生报警信号后，同时获取变电站内的烟雾图像，提取获取烟雾图像的特征数据，包括烟雾颜色数据特征、纹理特征数据特征、运动数据特征；将烟雾图像的特征数据输入第二识别模型，获取发生火灾的第二概率值，第二识别模型可以为CNN神经网络模型。
步骤S4:当第二概率值大于或等于第二阈值时，发出灭火启动信号。
本发明实施中，当烟雾图像模式输出的概率值大于或等于对应的阈值时，发出灭火启动信号，启动消防联动装置。
步骤S5:当第二概率值小于第二阈值时，发出火灾确认提示信号。
本发明实施中，当烟雾图像模式输出的概率值小于对应的阈值时，处理器发出火灾确认提示信号，提示工作人员去现场确定是否发生火灾，同时能够及时排除变电站内出现的异常或故障。
在一实施例中，如图2所示，上述的变电站火灾报警方法，还包括：
步骤S6:按照第二预设时间间隔获取第二监控模式输出发生火灾的第二概率值，第二预设时间间隔大于所述第一预设时间间隔。
本发明实施例中，每隔十分钟(仅以此举例，不以此为限)处理器获取基于监控视频采集的烟雾图像模式输出的第二概率值。
步骤S7:当第二概率值大于或等于第二阈值时发出报警信号。
本发明实施中，当基于烟雾图像模式输出的概率值大于预设的阈值时，处理器发出报警信号，报警信号可以光闪信号，也可以是鸣笛声，以上仅以此举例，不以此为限。
步骤S8:获取第一监控模式输出发生火灾的第一概率值。
在处理器发出报警信号后，处理器同时获取基于传感器模式输出的概率值，并与预设阈值进行比对。
步骤S9:当第一概率值大于或等于第一阈值时，发出灭火启动信号。
本发明实施中，当传感器模式输出的概率值大于或等于对应的阈值时，发出灭火启动信号，相关的灭火设备开启。
步骤S10:当第一概率值小于第一阈值时，发出火灾确认提示信号。
本发明实施中，当传感器模式输出的概率值小于对应的阈值时，处理器发出火灾确认提示信号，提示工作人员去现场确定是否发生火灾，同时能够及时排除变电站内出现的异常或故障。
在一具体实施例中，基于传感器模式进行监控的过程，如图3所示，包括：
步骤1：基于物联网传感器采集不同时间、工作模式、天气、正常和异常状态下的变电站内环境温度(温度传感器采集)、环境湿度(湿度度传感器采集)、烟雾浓度(烟雾浓度探测仪采集)、线路温度(线路温度采集器采集)、线路电流(三相电流采集器采集)、保护电路剩余电流值(剩余电流采集器采集)、线路电压(电压信号采集器采集)作为火灾参数数据集，并对各数据集进行预处理后进行特征提取。
步骤2：利用BP神经网络模型对火灾参数的特征数据进行多层特征融合的监督式深度学习，得到变电站多维参数的相关性特征参数的输出模型。
步骤3：实时监控变电站内传感器火灾参数的相关性特征数据，实时监控评估变电站的火灾风险，根据BP神经网络模型输出的预测概率判定是否发出报警命令、启动消防联动装置。
其中，对BP神经网络训练过程中的数据集包括：变电站内温度F1，站变电内湿度F2，烟雾浓度F3，线路温度F4，三相电线路电流F5、F6、F7，保护电路剩余电流值F8，线路电压F9。
神经网络训练过程中样本标签定义为：人工手动触发报警器或者烟雾报警探测器触发报警的特征作为样本标签，手动报警或探测器触发报警的样本标签为1，否者为0；
对BP神经网络训练过程包括：
1.定义网络结构：输入层为9个神经元节点；3层隐含层，节点分别为7个，5个，3个；输出层为2个节点；
2.激活函数采用Sigmoid函数
3.输出层使用Softmax激活函数
4.学习率定义为0.7；
5.随机选取正常(样本标签为0)或异常(样本标签为1)工作情况下各特征参数，得到训练样本数据集为：T＝{(x1,x2,x3,x4,x5,x6,x7,x8,x9,y)}，其中y真实标签值；
6.发生火灾并发出预警的真实值y为[1 0]T，正常工作的训练集真实值y为[0 1]T。
根据神经网络训练过程获得变电站内火灾报警传感器模式的自学习神经网络输出模型。
根据各个传感器实时监测的各火灾参量值，定义预测特征向量：T＝{(x1,x2,x3,x4,x5,x6,x7,x8,x9)}，代入传感器模式的自学习神经网络输出模型，根据输出层的Softmax激活函数计算出两个概率值[P1P2]T，定义P1大于0.5，则发出报警，反之，不需要发出报警信号。
在一具体实施例中，基于烟雾图像模式进行监控的过程，如图4所示，包括：
步骤1：在变电站内利用视频监控***采集典型可燃物燃烧烟雾数据集；采集烟雾数据后扣除背景，利用图像合成技术将烟雾图像与变电站内场所融合，模拟变电站内发生火灾后的烟雾数据；
步骤2：提取变电站内烟雾的特征数据，包括烟雾颜色数据特征、纹理特征数据特征、运动数据特征；
步骤3：随机选取一定比例的烟雾数据作为训练集样本，另一部分作为测试集样本，测试样本中增加水雾、粉尘等干扰样本数据集；训练样本集可通过随机选取70％以上的所述变电站内烟雾样本，其余为测试样本，可设置部分干扰源，样本数据集为统一规格、格式，预先将采集到的劣质数据去除。
步骤4：基于CNN卷积神经网络模型，结合训练集数据样本，对CNN网络模型进行前向传播和误差反向传播，获取所述变电站内烟雾CNN网络模型；其中，CNN网络模型中交替设置卷积层与池化层，最后用全连接层连接，卷积层与池化层交替使用可对烟雾特征进行抽象化，全连接层可将所述交替卷积与池化层提取的烟雾特征进行综合，输出层可输出烟雾特征的后验概率。
本发明实施例的CNN网络模型结构中，包含7层：输入层，卷积层1、池化层1、卷积层2、池化层2、全连接层、输出层。前三层主要用于提取烟雾颜色特征，第四层可获取局部烟雾纹理特征，第五层可获取烟雾运动特征。卷积层和池化层是对输入数据进行卷积操作，即对上一层烟雾特征卷积求和加上一定偏置，每次迭代后，卷积求和的加权因子以及偏置随后向传播将会更新。其中，卷积加权因子及偏置更新过程定义为后向传播，正向传播结束后输出层获取各烟雾特征参数的概率，根据烟雾标签与输出概率值，可求得依次迭代过程中的损失函数，根据损失函数，按照梯度下降法反向更新各层之间的卷积加权因子以及偏置，期间还需结合学习率，本发明学习率为0.7。
步骤5：利用变电站内监控***得到烟雾图像，经过视频图像预处理后，提取图像的烟雾颜色、纹理及运动特征，作为测试数据集，将数据集作为CNN卷积网络输入层，获取经CNN网络模型向前传播后的输出层对应各烟雾特征参数的后验概率，并根据后验概率与预设阈值判定是否发生火灾，若发生火灾，对报警及灭火消防设备发出动作指令。
在本发明实施例中，处理器还记录火灾报警的误判数据，将所述误判数据输入第一识别模型及第二识别模型，实时更新第一识别模型及第二识别模型中的关键参数，即通过实时的样本数据可逐步完善双模式的自学习模型。
在本发明实施例提供的变电站火灾报警方法，在两种监控模式共同作用下对火灾情况进行判断，准确性高，并行处理数据快，双模式下更能保证实时监控的灵敏度，相应的监测响应时间也能大幅降低，在很复杂的变电站环境下依旧能保持高的火灾监控效率，且根据实时监测的样本数据，可逐步完善双模式的自学习模型，自学习能力强，适用性更广。
实施例2
本发明实施例提供的一种变电站火灾报警***，如图5所示，包括：
第一概率值获取模块1，用于获取第一监控模式输出发生火灾的第一概率值；此模块执行实施例1中的步骤S1所描述的方法，在此不再赘述。
报警信号发出模块2，用于当所述第一概率值大于或等于第一阈值时发出报警信号；此模块执行实施例1中的步骤S2所描述的方法，在此不再赘述。
第二概率值获取模块3，用于获取第二监控模式输出发生火灾的第二概率值；此模块执行实施例1中的步骤S3所描述的方法，在此不再赘述。
灭火启动信号发出模块4，用于当所述第二概率值大于或等于第二阈值时，发出灭火启动信号；此模块执行实施例1中的步骤S4所描述的方法，在此不再赘述。
火灾确认模块5，用于当所述第二概率值小于第二阈值时，当所述第二概率值小于第二阈值时，发出火灾确认提示信号。此模块执行实施例1中的步骤S5所描述的方法，在此不再赘述。
在一实施例中，上述第二概率值获取模块3还用于按照第二预设时间间隔获取第二监控模式输出发生火灾的第二概率值，所述第二预设时间间隔大于所述第一预设时间间隔；此模块执行实施例1中的步骤S6所描述的方法，在此不再赘述。
上述报警信号发出模块2还用于当所述第二概率值大于或等于第二阈值时发出报警信号，此模块执行实施例1中的步骤S7所描述的方法，在此不再赘述。
第一概率值获取模块1还用于获取第一监控模式输出发生火灾的第一概率值；此模块执行实施例1中的步骤S8所描述的方法，在此不再赘述。
灭火启动信号发出模块4还用于当上述第一概率值大于或等于第一阈值时，发出灭火启动信号；此模块执行实施例1中的步骤S9所描述的方法，在此不再赘述。
火灾确认模块5还用于当所述第一概率值小于第一阈值时，发出火灾确认提示信号。此模块执行实施例1中的步骤S10所描述的方法，在此不再赘述。
在一实施例中，所述变电站火灾报警***，如图6所示，还包括：
误判数据获取及模型参数更新模块6，用于获取火灾报警的误判数据，将所述误判数据输入第一识别模型及第二识别模型，实时更新所述第一识别模型及第二识别模型中的关键参数。本实施例中的第一识别模型用于识别第一监控模式的数据集，输出第一概率，第二识别模型用于识别第二监控模式的数据集，输出第二概率。其中，第一监控模式为基于物联网传感器采集参数数据集的传感器模式，第二监控模式为基于监控视频采集的烟雾图像模式。
本发明实施例提供的变电站火灾报警***，在两种监控模式共同作用下对火灾情况进行判断，准确性高，并行处理数据快，双模式下更能保证实时监控的灵敏度，相应的监测响应时间也能大幅降低，在很复杂的变电站环境下依旧能保持高的火灾监控效率，且根据实时监测的误判样本数据，可逐步完善双模式的自学习模型，自学习能力强，适用性更广。
实施例3
本发明实施例提供一种计算机设备，如图7所示，包括：至少一个处理器401，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1的变电站火灾报警方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1的变电站火灾报警方法。
其中，通信总线402可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固降硬盘(英文：solid-state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。
其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器404还用于存储程序指令。处理器401可以调用程序指令，实现如本申请执行实施例1中的变电站火灾报警方法。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行实施例1的变电站火灾报警方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固降硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种变电站火灾报警方法，其特征在于，包括如下步骤：
按照第一预设时间间隔获取第一监控模式输出发生火灾的第一概率值；
当所述第一概率值大于或等于第一阈值时发出报警信号；
获取第二监控模式输出发生火灾的第二概率值；
当所述第二概率值大于或等于第二阈值时，发出灭火启动信号；
当所述第二概率值小于第二阈值时，发出火灾确认提示信号。
2.根据权利要求1所述的变电站火灾报警方法，其特征在于，还包括：
按照第二预设时间间隔获取第二监控模式输出发生火灾的第二概率值，所述第二预设时间间隔大于所述第一预设时间间隔；
当所述第二概率值大于或等于第二阈值时发出报警信号，并获取第一监控模式输出发生火灾的第一概率值；
当所述第一概率值大于或等于第一阈值时，发出灭火启动信号；
当所述第一概率值小于第一阈值时，发出火灾确认提示信号。
3.根据权利要求1或2所述的变电站火灾报警方法，其特征在于，所述获取第一监控模式输出发生火灾的第一概率值的步骤，包括：
获取传感器采集所述变电站的环境及运行参数；
将所述环境及运行参数输入第一识别模型获取发生火灾的第一概率值。
4.根据权利要求3所述的变电站火灾报警方法，其特征在于，所述变电站的环境及运行参数包括：
变电站的温度，变电站的湿度，烟雾浓度，线路温度，三相电线路电流、保护电路剩余电流值及线路电压。
5.根据权利要求1或2所述的变电站火灾报警方法，其特征在于，所述获取第二监控模式输出发生火灾的第二概率值的步骤，包括：
获取图像采集设备采集的烟雾图像；
获取所述烟雾图像的特征数据，包括烟雾颜色数据特征、纹理特征数据特征、运动数据特征；
将所述烟雾图像的特征数据输入第二识别模型，获取发生火灾的第二概率值。
6.根据权利要求1-5任一所述的变电站火灾报警方法，其特征在于，还包括：获取火灾报警的误判数据，将所述误判数据输入所述第一识别模型及第二识别模型，实时更新所述第一识别模型及第二识别模型中的关键参数。
7.根据权利要求6所述的变电站火灾报警方法，其特征在于，所述第一识别模型和/或第二识别模型为训练好的神经网络模型。
8.一种变电站火灾报警***，其特征在于，包括：
第一概率值获取模块，用于获取第一监控模式输出发生火灾的第一概率值；
报警信号发出模块，用于当所述第一概率值大于或等于第一阈值时发出报警信号；
第二概率值获取模块，用于获取第二监控模式输出发生火灾的第二概率值；
灭火启动信号发出模块，用于当所述第二概率值大于或等于第二阈值时，发出灭火启动信号；
火灾确认模块，用于当所述第二概率值小于第二阈值时，当所述第二概率值小于第二阈值时，发出火灾确认提示信号。
9.一种计算机设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7中任一所述的变电站火灾报警方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7中任一所述的变电站火灾报警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910585103.1A CN112242036A (zh) | 2019-07-01 | 2019-07-01 | 一种变电站火灾报警方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910585103.1A CN112242036A (zh) | 2019-07-01 | 2019-07-01 | 一种变电站火灾报警方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112242036A true CN112242036A (zh) | 2021-01-19 |
Family
ID=74175414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910585103.1A Pending CN112242036A (zh) | 2019-07-01 | 2019-07-01 | 一种变电站火灾报警方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112242036A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629465A (zh) * | 2023-07-26 | 2023-08-22 | 成都源轮讯恒科技有限公司 | 智能电网视频监控与风险预测响应*** |
| CN117115991A (zh) * | 2023-08-24 | 2023-11-24 | 广州市声讯电子科技股份有限公司 | 一种森林防火预警方法和*** |
| CN117152896A (zh) * | 2023-09-11 | 2023-12-01 | 北京北元电器有限公司 | 一种电气火灾监控方法及*** |
| CN117373196A (zh) * | 2023-11-17 | 2024-01-09 | 北京北元电器有限公司 | 一种电气火灾报警方法及*** |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334924A (zh) * | 2007-06-29 | 2008-12-31 | 丁国锋 | 一种火灾探测***及其火灾探测方法 |
| CN101458865A (zh) * | 2008-05-09 | 2009-06-17 | 丁国锋 | 一种火灾探测***及方法 |
| CN102708647A (zh) * | 2012-06-25 | 2012-10-03 | 北京中恩时代科技有限责任公司 | 图像和多波段红外紫外复合型火灾探测***及方法 |
| CN104933841A (zh) * | 2015-04-30 | 2015-09-23 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
| CN105205968A (zh) * | 2015-08-14 | 2015-12-30 | 南车株洲电力机车有限公司 | 一种火灾监测控制*** |
| CN105336081A (zh) * | 2015-11-26 | 2016-02-17 | 电子科技大学中山学院 | 一种基于模糊神经网络的电气火灾监控终端及其处理步骤 |
| CN106251568A (zh) * | 2016-10-26 | 2016-12-21 | 山东大学 | 一种基于紫外与图像检测技术的火灾报警安防***及方法 |
| CN107016814A (zh) * | 2017-05-31 | 2017-08-04 | 合肥视尔文化创意有限公司 | 一种火灾智能预警*** |
| CN107469257A (zh) * | 2016-11-04 | 2017-12-15 | 安徽中科中涣防务装备技术有限公司 | 一种车用电池箱预警灭火***及方法 |
| CN108230602A (zh) * | 2018-03-06 | 2018-06-29 | 林春旭 | 基于Labview的电气火灾预警*** |
| CN109243132A (zh) * | 2018-11-30 | 2019-01-18 | 江苏中实电子有限公司 | 一种灭火设备自动感温启动器及方法 |
-
2019
- 2019-07-01 CN CN201910585103.1A patent/CN112242036A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334924A (zh) * | 2007-06-29 | 2008-12-31 | 丁国锋 | 一种火灾探测***及其火灾探测方法 |
| CN101458865A (zh) * | 2008-05-09 | 2009-06-17 | 丁国锋 | 一种火灾探测***及方法 |
| CN102708647A (zh) * | 2012-06-25 | 2012-10-03 | 北京中恩时代科技有限责任公司 | 图像和多波段红外紫外复合型火灾探测***及方法 |
| CN104933841A (zh) * | 2015-04-30 | 2015-09-23 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
| CN105205968A (zh) * | 2015-08-14 | 2015-12-30 | 南车株洲电力机车有限公司 | 一种火灾监测控制*** |
| CN105336081A (zh) * | 2015-11-26 | 2016-02-17 | 电子科技大学中山学院 | 一种基于模糊神经网络的电气火灾监控终端及其处理步骤 |
| CN106251568A (zh) * | 2016-10-26 | 2016-12-21 | 山东大学 | 一种基于紫外与图像检测技术的火灾报警安防***及方法 |
| CN107469257A (zh) * | 2016-11-04 | 2017-12-15 | 安徽中科中涣防务装备技术有限公司 | 一种车用电池箱预警灭火***及方法 |
| CN107016814A (zh) * | 2017-05-31 | 2017-08-04 | 合肥视尔文化创意有限公司 | 一种火灾智能预警*** |
| CN108230602A (zh) * | 2018-03-06 | 2018-06-29 | 林春旭 | 基于Labview的电气火灾预警*** |
| CN109243132A (zh) * | 2018-11-30 | 2019-01-18 | 江苏中实电子有限公司 | 一种灭火设备自动感温启动器及方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629465A (zh) * | 2023-07-26 | 2023-08-22 | 成都源轮讯恒科技有限公司 | 智能电网视频监控与风险预测响应*** |
| CN116629465B (zh) * | 2023-07-26 | 2024-01-12 | 李波 | 智能电网视频监控与风险预测响应*** |
| CN117115991A (zh) * | 2023-08-24 | 2023-11-24 | 广州市声讯电子科技股份有限公司 | 一种森林防火预警方法和*** |
| CN117152896A (zh) * | 2023-09-11 | 2023-12-01 | 北京北元电器有限公司 | 一种电气火灾监控方法及*** |
| CN117373196A (zh) * | 2023-11-17 | 2024-01-09 | 北京北元电器有限公司 | 一种电气火灾报警方法及*** |
| CN117373196B (zh) * | 2023-11-17 | 2024-04-05 | 北京北元电器有限公司 | 一种电气火灾报警方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112242036A (zh) | 一种变电站火灾报警方法及*** | |
| CN111734885B (zh) | 一种换流阀在线监测与评估的方法及*** | |
| CN112034766A (zh) | 一种基于物联网的实验室安全管理*** | |
| CN110456234B (zh) | 故障电弧的检测方法、装置和*** | |
| CN113516820B (zh) | 一种火灾预警方法和预警*** | |
| CN103324128A (zh) | 电力调度自动化***中一次设备故障告警综合压缩方法 | |
| Sultan Mahmud et al. | Smart fire detection system with early notifications using machine learning | |
| CN116453056A (zh) | 目标检测模型构建方法和变电站异物入侵检测方法 | |
| CN112834865A (zh) | 一种电力***二次回路故障快速查找器 | |
| CN117612345A (zh) | 一种电力设备状态监测报警***及方法 | |
| CN110650243B (zh) | 一种报警方法、装置、存储介质以及终端 | |
| CN117607590A (zh) | 一种高压开关柜故障预警检测方法 | |
| CN117595504A (zh) | 一种电网运行状态的智能监测预警方法 | |
| CN117110794A (zh) | 一种电缆故障智能诊断***及方法 | |
| CN116951328A (zh) | 基于大数据的排水管线运行智慧监控*** | |
| Li et al. | Fire detecting for dense bus ducts based on data fusion | |
| CN115100592B (zh) | 一种输电通道外破隐患识别方法、装置及存储介质 | |
| CN110232769A (zh) | 基于大数据统计的分布式零售终端模块化预警方法 | |
| CN114942364A (zh) | 一种基于知识图谱技术的变电站故障诊断方法与*** | |
| CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、***及存储介质 | |
| CN115100838A (zh) | 车辆起火预警方法、装置、设备、介质及计算机程序产品 | |
| KR20140139804A (ko) | 퍼지 로직 적용 지식 베이스 기반에 의한 전기화재 원인 진단 시스템 및 방법 | |
| CN114550046A (zh) | 火灾隐患识别方法、装置、处理器、存储介质和电子设备 | |
| CN113449015A (zh) | 电网故障处理方法、装置及电子设备 | |
| Ji et al. | Enhancing Transmission Line Safety: Real-Time Detection of Foreign Objects Using MFMAM-YOLO Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |