CN114648853A - 一种高压开关柜早期火灾模式识别与分级预警*** - Google Patents
一种高压开关柜早期火灾模式识别与分级预警*** Download PDFInfo
- Publication number
- CN114648853A CN114648853A CN202210239697.2A CN202210239697A CN114648853A CN 114648853 A CN114648853 A CN 114648853A CN 202210239697 A CN202210239697 A CN 202210239697A CN 114648853 A CN114648853 A CN 114648853A
- Authority
- CN
- China
- Prior art keywords
- fire
- early warning
- switch cabinet
- voltage switch
- fire extinguishing
- 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
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 230000009471 action Effects 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 16
- 239000003795 chemical substances by application Substances 0.000 claims description 54
- 238000012360 testing method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 16
- 238000009413 insulation Methods 0.000 claims description 14
- 239000007921 spray Substances 0.000 claims description 12
- 238000003909 pattern recognition Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000016507 interphase Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- UKACHOXRXFQJFN-UHFFFAOYSA-N heptafluoropropane Chemical compound FC(F)C(F)(F)C(F)(F)F UKACHOXRXFQJFN-UHFFFAOYSA-N 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- G08B17/12—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
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C3/00—Fire prevention, containment or extinguishing specially adapted for particular objects or places
- A62C3/16—Fire prevention, containment or extinguishing specially adapted for particular objects or places in electrical installations, e.g. cableways
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C31/00—Delivery of fire-extinguishing material
- A62C31/02—Nozzles specially adapted for fire-extinguishing
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C31/00—Delivery of fire-extinguishing material
- A62C31/28—Accessories for delivery devices, e.g. supports
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
- H02B1/26—Casings; Parts thereof or accessories therefor
- H02B1/28—Casings; Parts thereof or accessories therefor dustproof, splashproof, drip-proof, waterproof or flameproof
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Power Engineering (AREA)
- Fire Alarms (AREA)
Abstract
一种高压开关柜早期火灾模式识别与分级预警***，属于高压开关柜火灾预警技术领域，解决现有技术中针对高压开关柜火灾预警无法识别具体的火灾模式，因而无法实现分级预警和分级灭火的问题；通过安装在高压开关柜内的***头采集高压开关柜内电缆、绝缘可燃护套的火灾状态的视频图像，基于卷积神经网络的三级预警模型，在线精确评估并识别三种火灾模式，准确性高、识别速度快，并根据未着火、阴燃无明火、着火带明火3种火灾模式划分为三级预警，控制装置依据预警级别控制预警装置以及灭火***的动作，以此来保障高压开关柜的高效安稳运行；解决了高压开关柜早期火灾模式精确在线识别、预警及安全防护方面的技术难题。
Description
技术领域
本发明属于高压开关柜火灾模式识别及其预警技术领域，具体涉及一种高压开关柜早期火灾模式识别与分级预警***。
背景技术
高压开关柜作为一种执行电能分配和线路保护的设备，广泛应用于电力***发电、输电、变电、配电等环节。近年来，由于设备的质量参差不齐、运行环境复杂，部分城市变电站、配电室高压开关柜长期处于高负荷运行状态，过热、绝缘老化问题较为突出，导致开关柜跳闸、起火事故频发，严重威胁电网和人员安全。开关柜内电缆室与母线室内的电缆、绝缘可燃护套着火时，由于开关柜的密封性和内部狭小的空间以及设备可能仍然带电，给火灾扑救造成了很大困难。
高压开关柜内发生火灾时，及时在线监测柜内状况、精确识别柜内火灾模式和启动灭火***，对高压开关柜的安全运行具有重大的意义。但目前关于高压开关柜的早期安全预警方法及灭火***主要存在以下的不足，体现在：
(1)现有技术或方法主要倾向于开关柜内局部放电模式的识别，对过载荷、过热、绝缘老化或者短路引起的着火研究不足，缺乏实时在线识别火灾模式的方法和手段；
(2)现有技术手段仅监测开关柜动触头处的温度或者通过热红外成像技术来监测柜内温度，仅考虑火灾是否发生，无法在线识别具体的火灾模式；且该技术监测点单一且覆盖区域有限，难以全方位监测柜内可能存在的隐患；
(3)开关柜内安全预警与灭火动作单一，无法根据具体的火灾模式启动分级预警动作和灭火动作，预警与安全防护***的智能化水平偏低。
现有高压开关柜的安全监控技术基于柜内温度是否超过阈值，来判定高压开关柜的安全状态。该局部点状式温度评估方式覆盖面小，且到达阈值前的一段快速温升阶段难以评估。此外现有技术中关于高压开关柜早期火灾灭火***仍不完善，难以满足开关柜实际应用场所全方位早期预警及防护的需求。
申请公开日为2020年5月22日、申请公开号为CN111191693A的中国发明专利申请《基于卷积神经网络的识别高压开关柜热故障状态的方法》，解决了现有通过非接触测温法对高压开关柜柜体进行红外测温不能够直接指示出柜内发热部件和发热类型等热故障状态的缺点，实现以高压开关柜柜体温度识别热故障状态；但是该文献主要集中于热故障状态的监测，未对热故障持续积累引起的火灾及其模式进行识别与判断，进而无法基于开关柜早期火灾模式进行精准的分级预警动作。
发明内容
本发明的目的在于设计一种高压开关柜早期火灾模式识别与分级预警***，以解决现有技术中高压开关柜火灾预警无法识别具体的火灾模式，进而无法实现分级预警和分级灭火的问题。
本发明是通过以下技术方案解决上述技术问题的：
一种高压开关柜早期火灾模式识别与分级预警***，包括：高压开关柜柜体(1)、数据处理装置(2)、控制装置(3)、通讯装置(4)、预警装置、灭火***、***头(12)；所述的高压开关柜柜体(1)的母线室和电缆室内部均安装有***头(12)，***头(12)通过电缆与数据处理装置(2)连接，数据处理装置(2)通过电缆与控制装置(3)连接，控制装置(3)通过电缆与通讯装置(4)连接，所述的预警装置安装在高压开关柜柜体(1)的外部，通过电缆与控制装置(3)连接，用于显示早期火灾模式和启动声光报警动作；所述的数据处理装置(2)中嵌入有基于卷积神经网络的三级预警模型，所述的基于卷积神经网络的三级预警模型实时处理***头(12)输入的视频图像，并根据未着火、阴燃无明火、着火带明火3种火灾模式，对应输出一级预警状态、二级预警状态、三级预警状态信号给控制装置(3)，所述的灭火***的开启端通过电缆与控制装置(3)连接，控制装置(3)根据预警状态的级别，输出相应的控制信号用于控制预警装置以及灭火***的动作。
本发明通过安装在高压开关柜内的***头(12)采集高压开关柜内电缆、绝缘可燃护套的火灾状态的视频图像，基于卷积神经网络的三级预警模型，在线精确评估并识别三种火灾模式，准确性高、识别速度快，并根据未着火、阴燃无明火、着火带明火3种火灾模式划分为三级预警，控制装置(3)依据预警级别控制预警装置以及灭火***的动作，以此来保障高压开关柜的高效安稳运行。本发明通过上述技术方案的实施，解决了高压开关柜早期火灾模式精确在线识别、预警及安全防护方面的技术难题。
进一步地，所述的预警装置包括：终端设备(5)、显示屏(6)、声光报警装置(7)；所述的显示屏(6)安装在高压开关柜柜体(1)的面板上，所述的声光报警装置(7)安装在高压开关柜柜体(1)的顶部，所述的显示屏(6)和声光报警装置(7)均通过电缆与控制装置(3)连接，终端设备(5)通过电缆与通讯装置(4)连接。
进一步地，所述的灭火***包括：气体灭火剂储存罐(8)、电磁阀(9)、灭火剂喷头(10)、末端释放装置(11)；高压开关柜柜体(1)的母线室内部侧上方安装有灭火剂喷头(10)，母线室内部顶部安装有末端释放装置(11)，高压开关柜柜体(1)的电缆室内部侧面安装有灭火剂喷头(10)，高压开关柜柜体(1)的电缆室内部顶部安装有末端释放装置(11)，灭火剂喷头(10)和末端释放装置(11)均通过密封管道与气体灭火剂储存罐(8)连接，在气体灭火剂储存罐(8)的出口端的管道上设置电磁阀(9)，电磁阀(9)的控制端通过电缆与控制装置(3)连接。
进一步地，所述的基于卷积神经网络的三级预警模型的结构包括：输入层、卷积层C1、采样层S1、卷积层C1、采样层S2、全采样层和输出层；输出层与分类器函数Softmax函数相连，用于早期火灾模式的分类。
进一步地，所述的基于卷积神经网络的三级预警模型的训练方法如下：
步骤1、训练集与测试集的选取：分别在电缆室电缆绝缘故障和母线室相间绝缘故障两种故障模式下，电缆室和母线室内设置的***头(12)依次采集电缆和绝缘护套从正常状态、阴燃无明火状态至着火带明火状态的三个阶段的全过程视频，获取三个阶段不同的图像特征，对高压开关柜柜体(1)的电缆室和母线室分别进行多组试验，每组试验电缆室和母线室内的电缆和绝缘护套均经历三种火灾模式；每组试验的每种模式均采集规定时间的视频，采集的视频序列经Matlab处理成多帧图片，并根据被采集区域图像特征，确定不同火灾模式下特征图片的像素大小；
步骤2、模型的训练与测试：在进行训练前，将卷积神经网络的参数和结构初始化；基于获取的视频序列，将其分解成一定像素的图片序列，按比例将多帧图片划分为训练集和测试集；将训练集输入到卷积神经网络中进行训练，不断优化模型参数，直至收敛为止；收敛后的卷积神经网络通过测试集验证其精度及准确性，如不满足精度及准确性要求，再次通过测试集来进行参数优化，直至获取符合精度及准确性的卷积神经网络为止。
进一步地，所述的预警装置动作的情况如下：一级预警状态下控制室的终端设备(5)信息正常且声光报警装置(7)不启动；二级预警状态下控制室的终端设备(5)显示火警信息并启动声光报警装置(7)，声光报警装置(7)的警灯闪烁并伴随“嘀、嘀、嘀”的报警声音；三级预警状态下控制室的终端设备(5)信息显示火警信息并伴随显示终端的窗口抖动，声光报警装置(7)的警灯闪烁频率增快并伴随急促“嘀、嘀、嘀”的报警声音。
进一步地，所述的灭火***的动作情况如下：一级预警状态下，控制装置(3)不启动灭火***；二级火灾预警下，控制装置(3)发出开启信号给电磁阀(9)，气体灭火剂储存罐(8)中的气体灭火剂通过管道从灭火剂喷头(10)喷出，进行灭火；三级火灾预警下，控制装置(3)发出开启信号给电磁阀(9)，气体灭火剂储存罐(8)中的气体灭火剂通过管道从灭火剂喷头(10)喷出，进行灭火；同时布置在高压开关柜内的末端释放装置(11)达到温度阈值时破裂并释放气体灭火剂，通过灭火剂喷头(10)与末端释放装置(11)相互协同进行灭火。
进一步地，所述的数据处理装置(2)采用AMD 80188微型处理器、静态随机存取存储器SRAM以及RS232或RS485串行通讯接口。
进一步地，所述的控制装置(3)采用GST-LD-8301型输入输出模块、HJ-1825型输入输出模块、或SAN1800型输入输出模块。
进一步地，所述的高压开关柜柜体(1)采用铠装式、间隔式或箱式开关柜；所述的气体灭火剂储存罐(8)的气体灭火剂选用NY5112、二氧化碳CO2、七氟丙烷、CFA灭火剂或气溶胶；所述的末端释放装置(11)采用感温喷淋头。
本发明的优点在于：
本发明通过安装在高压开关柜内的***头(12)采集高压开关柜内电缆、绝缘可燃护套的火灾状态的视频图像，基于卷积神经网络的三级预警模型，在线精确评估并识别三种火灾模式，准确性高、识别速度快，并根据未着火、阴燃无明火、着火带明火3种火灾模式划分为三级预警，控制装置(3)依据预警级别控制预警装置以及灭火***的动作，以此来保障高压开关柜的高效安稳运行，本发明通过上述技术方案的实施，解决了高压开关柜早期火灾模式精确在线识别、预警及安全防护方面的技术难题。
附图说明
图1是发明实施例的一种高压开关柜火灾预警***结构图；
图2是发明实施例的基于卷积神经网络的深度学习火灾模式识别模型架构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中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作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。
下面结合说明书附图以及具体的实施例对本发明的技术方案作进一步描述：
实施例一
如图1所示，一种高压开关柜早期火灾模式识别与分级预警***，包括：高压开关柜柜体1、数据处理装置2、控制装置3、通讯装置4、终端设备5、显示屏6、声光报警装置7、气体灭火剂储存罐8、电磁阀9、灭火剂喷头10、末端释放装置11、***头12；所述的显示屏6安装在高压开关柜柜体1的面板上，所述的声光报警装置7安装在高压开关柜柜体1的顶部，所述的显示屏6和声光报警装置7均通过电缆与控制装置3连接，高压开关柜柜体1的母线室内部侧上方安装有灭火剂喷头10，母线室内部顶部安装有末端释放装置11，高压开关柜柜体1的电缆室内部左上方安装有灭火剂喷头10，高压开关柜柜体1的电缆室内部顶部安装有末端释放装置11，灭火剂喷头10和末端释放装置11均通过密封管道与气体灭火剂储存罐8连接，在气体灭火剂储存罐8的出口端的管道上设置电磁阀9，电磁阀9的控制端通过电缆与控制装置3连接，高压开关柜柜体1的母线室和电缆室内部均安装有***头12，***头12通过电缆与数据处理装置2连接，数据处理装置2通过电缆与控制装置3连接，控制装置3通过电缆与通讯装置4连接，通讯装置4通过电缆与终端设备5连接。
所述的气体灭火剂储存罐8、电磁阀9、灭火剂喷头10构成主动灭火***，所述的气体灭火剂储存罐8、电磁阀9、末端释放装置11构成被动协同灭火***，末端释放装置11安装在母线室或者电缆室的顶部中间位置，此位置处温度最为敏感，便于末端释放装置11的感温玻璃球达到温度阈值，从而触发被动协同灭火***工作；***头12安装于母线室或者电缆室的侧上方，防止柜内发生火灾时热辐射和烟气损害或者遮掩摄像；灭火剂喷头10安装于电缆室或者母线室的侧上方，增加气体灭火剂的有效作用范围。
所述的数据处理装置2是一种多功能嵌入式控制器，采用AMD 80188微型处理器、静态随机存取存储器SRAM以及RS232或RS485串行通讯接口。所述的控制装置3可以采用GST-LD-8301型输入输出模块、HJ-1825型输入输出模块、SAN1800型输入输出模块等。***头12实时采集母线室、电缆室内的视频图像，通过RS232或RS485串行通讯接口输入到AMD 80188微型处理器进行数据处理，处理后的视频数据再与静态随机存取存储器SRAM中存储的预警信息进行比较判断后，输出火灾模式以及预警级别信息，并将其传输至控制装置3，一方面控制装置3将火灾模式以及预警级别信息传送至显示屏6进行显示，同时将火灾模式以及预警级别信息传送至声光报警装置7进行声光报警；另一个方面，控制装置3根据火灾模式以及预警级别信息，控制电磁阀9启动气体灭火剂储存罐8对母线室、电缆室进行灭火。控制装置3再将火灾模式以及预警级别信息传送至通讯装置4，由通讯装置4通过局域网传送至终端设备5，终端设备包括设置在控制室的计算机，以及现场运维人员携带的手机，终端设备5根据火灾模式以及预警级别信息，实施差异化的预警动作，便于控制室内的人员发现危险源；同时，现场运维人员根据手机接收到的预警信息，及时快速地赶往现场，采取相应地措施保障高压开关1的安全运行。
如图2所示，本发明采用基于卷积神经网络的深度学习方法，来完成高压开关柜柜体1火灾模式的在线评估与识别工作。所述的卷积神经网络包括：输入层、卷积层和输出层构成。考虑到本发明的高压开关柜柜体1火灾模式共3种，分别为：未着火、阴燃无明火、着火带明火3种模式；本发明采用7层卷积神经网络模型结构，依次为：输入层、卷积层C1、采样层S1、卷积层C1、采样层S2、全采样层和输出层；输出层与分类器函数Softmax函数相连，用于柜内火灾模式的分类。
1、训练集与测试集的选取
根据消防救援规则，火灾发生的前5分钟，即前300秒是救援与灭火的最佳时间，因此分别取三种火灾模式下前300秒视频；
具体如下：
分别在电缆室电缆绝缘故障和母线室相间绝缘故障两种故障模式下，电缆室和母线室内设置的***头12依次采集电缆和绝缘护套从正常状态、阴燃无明火状态至着火带明火状态的三个阶段的全过程视频，获取三个阶段不同的视频特征，对高压开关柜柜体1的电缆室和母线室分别进行5组试验，每组试验电缆室和母线室内的电缆和绝缘护套均经历三种模式，即正常状态、阴燃无明火状态及着火带明火状态；每组试验的每种模式均采集300s视频，共采集9000s视频，采集的视频序列经Matlab处理成9000帧图片，并根据被采集区域视频特征，确定不同火灾模式下特征图片的区域大小，即合适的像素大小。
2、模型的训练与测试：在进行训练前，将卷积神经网络的参数和结构初始化；基于获取的视频序列，将其分解成一定像素的图片序列，按照4比1的比例，将9000帧图片划分为训练集和测试集，即7200帧图片作为训练集，1800帧图片作为测试集；将训练集输入到卷积神经网络中进行训练，不断优化模型参数，直至收敛为止；收敛后的卷积神经网络通过测试集验证其精度及准确性，如不满足精度及准确性要求，再次通过测试集来进行参数优化，直至获取符合精度及准确性的卷积神经网络为止；从而形成本发明的卷积神经网络火灾模式诊断模型。
3、将训练好的模型嵌入数据处理装置2中，电缆室和母线室内设置的***头12实时将采集到的视频图像传送到数据处理装置2中，数据处理装置2根据输入的视频图像实时诊断出高压开关柜柜体1火灾模式，并根据火灾模式的差异，输出三级预警状态，即：对应于正常状态的为一级预警状态，对应于阴燃无明火状态的为二级预警状态，对应于着火带明火状态的为三级预警状态，数据处理装置2将输出三级预警状态传送至控制装置3，控制装置3根据不同的预警级别，控制预警装置和灭火***的动作。
预警装置的动作：
一级预警状态下控制室的终端设备5信息正常且声光报警装置7不启动；
二级预警状态下控制室的终端设备5显示火警信息并启动声光报警装置7，声光报警装置7的警灯闪烁并伴随“嘀、嘀、嘀”的报警声音；
三级预警状态下控制室的终端设备5信息显示火警信息并伴随显示终端的窗口抖动，声光报警装置7的警灯闪烁频率增快并伴随急促“嘀、嘀、嘀”的报警声音。
预警动作一方面通过高压开关柜柜体1上的显示屏6和声光报警装置7启动预警动作，其中显示屏6将预警信息和高压开关柜柜体1内的火灾模式信息显示出来；另一方面，通讯装置4通过局域网将预警信息传送至控制室的终端设备5上。
灭火***的动作：
灭火***根据预警等级的不同，采取主动灭火***与被动协同灭火***相结合的灭火动作；
一级预警状态下，控制装置3不启动灭火***；
二级火灾预警下，高压开关柜线路停止运行，控制装置3发出开启信号给电磁阀9，气体灭火剂储存罐8中的气体灭火剂通过管道从灭火剂喷头10喷出，进行灭火；
三级火灾预警下，高压开关柜线路停止运行，控制装置3发出开启信号给电磁阀9，气体灭火剂储存罐8中的气体灭火剂通过管道从灭火剂喷头10喷出，进行灭火；同时布置在高压开关柜内的末端释放装置11达到温度阈值时破裂并释放气体灭火剂，通过灭火剂喷头10与末端释放装置11相互协同进行灭火。末端释放装置11采用感温喷淋头，其感温玻璃球破裂的温度阈值为60℃～65℃。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种高压开关柜早期火灾模式识别与分级预警***，其特征在于，包括：高压开关柜柜体(1)、数据处理装置(2)、控制装置(3)、通讯装置(4)、预警装置、灭火***、***头(12)；所述的高压开关柜柜体(1)的母线室和电缆室内部均安装有***头(12)，***头(12)通过电缆与数据处理装置(2)连接，数据处理装置(2)通过电缆与控制装置(3)连接，控制装置(3)通过电缆与通讯装置(4)连接，所述的预警装置安装在高压开关柜柜体(1)的外部，通过电缆与控制装置(3)连接，用于显示早期火灾模式和启动声光报警动作；所述的数据处理装置(2)中嵌入有基于卷积神经网络的三级预警模型，所述的基于卷积神经网络的三级预警模型实时处理***头(12)输入的视频图像，并根据未着火、阴燃无明火、着火带明火3种火灾模式，对应输出一级预警状态、二级预警状态、三级预警状态信号给控制装置(3)，所述的灭火***的开启端通过电缆与控制装置(3)连接，控制装置(3)根据预警状态的级别，输出相应的控制信号用于控制预警装置以及灭火***的动作。
2.根据权利要求1所述的一种高压开关柜早期火灾模式识别与分级预警***，其特征在于，所述的预警装置包括：终端设备(5)、显示屏(6)、声光报警装置(7)；所述的显示屏(6)安装在高压开关柜柜体(1)的面板上，所述的声光报警装置(7)安装在高压开关柜柜体(1)的顶部，所述的显示屏(6)和声光报警装置(7)均通过电缆与控制装置(3)连接，终端设备(5)通过电缆与通讯装置(4)连接。
3.根据权利要求1所述的一种高压开关柜早期火灾模式识别与分级预警***，其特征在于，所述的灭火***包括：气体灭火剂储存罐(8)、电磁阀(9)、灭火剂喷头(10)、末端释放装置(11)；高压开关柜柜体(1)的母线室内部侧上方安装有灭火剂喷头(10)，母线室内部顶部安装有末端释放装置(11)，高压开关柜柜体(1)的电缆室内部侧面安装有灭火剂喷头(10)，高压开关柜柜体(1)的电缆室内部顶部安装有末端释放装置(11)，灭火剂喷头(10)和末端释放装置(11)均通过密封管道与气体灭火剂储存罐(8)连接，在气体灭火剂储存罐(8)的出口端的管道上设置电磁阀(9)，电磁阀(9)的控制端通过电缆与控制装置(3)连接。
4.根据权利要求1所述的一种高压开关柜早期火灾模式识别与分级预警***，其特征在于，所述的基于卷积神经网络的三级预警模型的结构包括：输入层、卷积层C1、采样层S1、卷积层C1、采样层S2、全采样层和输出层；输出层与分类器函数Softmax函数相连，用于早期火灾模式的分类。
5.根据权利要求4所述的一种高压开关柜早期火灾模式识别与分级预警***，其特征在于，所述的基于卷积神经网络的三级预警模型的训练方法如下：
步骤1、训练集与测试集的选取：分别在电缆室电缆绝缘故障和母线室相间绝缘故障两种故障模式下，电缆室和母线室内设置的***头(12)依次采集电缆和绝缘护套从正常状态、阴燃无明火状态至着火带明火状态的三个阶段的全过程视频，获取三个阶段不同的图像特征，对高压开关柜柜体(1)的电缆室和母线室分别进行多组试验，每组试验电缆室和母线室内的电缆和绝缘护套均经历三种火灾模式；每组试验的每种模式均采集规定时间的视频，采集的视频序列经Matlab处理成多帧图片，并根据被采集区域图像特征，确定不同火灾模式下特征图片的像素大小；
步骤2、模型的训练与测试：在进行训练前，将卷积神经网络的参数和结构初始化；基于获取的视频序列，将其分解成一定像素的图片序列，按比例将多帧图片划分为训练集和测试集；将训练集输入到卷积神经网络中进行训练，不断优化模型参数，直至收敛为止；收敛后的卷积神经网络通过测试集验证其精度及准确性，如不满足精度及准确性要求，再次通过测试集来进行参数优化，直至获取符合精度及准确性的卷积神经网络为止。
6.根据权利要求2所述的一种高压开关柜早期火灾模式识别与分级预警***，其特征在于，所述的预警装置动作的情况如下：一级预警状态下控制室的终端设备(5)信息正常且声光报警装置(7)不启动；二级预警状态下控制室的终端设备(5)显示火警信息并启动声光报警装置(7)，声光报警装置(7)的警灯闪烁并伴随“嘀、嘀、嘀”的报警声音；三级预警状态下控制室的终端设备(5)信息显示火警信息并伴随显示终端的窗口抖动，声光报警装置(7)的警灯闪烁频率增快并伴随急促“嘀、嘀、嘀”的报警声音。
7.根据权利要求3所述的一种高压开关柜早期火灾模式识别与分级预警***，其特征在于，所述的灭火***的动作情况如下：一级预警状态下，控制装置(3)不启动灭火***；二级火灾预警下，控制装置(3)发出开启信号给电磁阀(9)，气体灭火剂储存罐(8)中的气体灭火剂通过管道从灭火剂喷头(10)喷出，进行灭火；三级火灾预警下，控制装置(3)发出开启信号给电磁阀(9)，气体灭火剂储存罐(8)中的气体灭火剂通过管道从灭火剂喷头(10)喷出，进行灭火；同时布置在高压开关柜内的末端释放装置(11)达到温度阈值时破裂并释放气体灭火剂，通过灭火剂喷头(10)与末端释放装置(11)相互协同进行灭火。
8.根据权利要求1所述的一种高压开关柜早期火灾模式识别与分级预警***，其特征在于，所述的数据处理装置(2)采用AMD 80188微型处理器、静态随机存取存储器SRAM以及RS232或RS485串行通讯接口。
9.根据权利要求1所述的一种高压开关柜早期火灾模式识别与分级预警***，其特征在于，所述的控制装置(3)采用GST-LD-8301型输入输出模块、HJ-1825型输入输出模块、或SAN1800型输入输出模块。
10.根据权利要求1所述的一种高压开关柜早期火灾模式识别与分级预警***，其特征在于，所述的高压开关柜柜体(1)采用铠装式、间隔式或箱式开关柜。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210239697.2A CN114648853A (zh) | 2022-03-09 | 2022-03-09 | 一种高压开关柜早期火灾模式识别与分级预警*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210239697.2A CN114648853A (zh) | 2022-03-09 | 2022-03-09 | 一种高压开关柜早期火灾模式识别与分级预警*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114648853A true CN114648853A (zh) | 2022-06-21 |
Family
ID=81993762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210239697.2A Pending CN114648853A (zh) | 2022-03-09 | 2022-03-09 | 一种高压开关柜早期火灾模式识别与分级预警*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114648853A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311807A (zh) * | 2022-07-11 | 2022-11-08 | 深圳市狮子王科技有限公司 | 一种充电桩火灾预警方法、存储介质及相关装置 |
| CN115350425A (zh) * | 2022-08-25 | 2022-11-18 | 国网安徽省电力有限公司电力科学研究院 | 一种高压开关柜火灾预警及抑制模拟研究装置 |
| CN115376291A (zh) * | 2022-08-04 | 2022-11-22 | 武汉科瑞新电气自动化有限公司 | 一种开关柜温度的预警方法、***及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150856A (zh) * | 2013-02-28 | 2013-06-12 | 江苏润仪仪表有限公司 | 火灾火焰视频监测预警***及火灾火焰检测方法 |
| CN108921039A (zh) * | 2018-06-07 | 2018-11-30 | 南京启德电子科技有限公司 | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 |
| CN111686392A (zh) * | 2020-06-23 | 2020-09-22 | 海南科技职业大学 | 一种全视场火情探测人工智能灭火*** |
| CN112316332A (zh) * | 2020-11-24 | 2021-02-05 | 国家电网有限公司 | 一种用于锂离子电池柜的多级预警消防装置及方法 |
| CN112349057A (zh) * | 2020-12-01 | 2021-02-09 | 北京交通大学 | 基于深度学习的室内烟雾和火灾检测方法 |
| KR20210128277A (ko) * | 2020-04-16 | 2021-10-26 | 양우태 | 실시간 스마트 소방 화재 감지 및 모니터링 시스템 |
| CN113763667A (zh) * | 2021-08-16 | 2021-12-07 | 镇江默勒电器有限公司 | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 |
| CN217162922U (zh) * | 2022-03-09 | 2022-08-12 | 国网安徽省电力有限公司电力科学研究院 | 一种高压开关柜火灾预警***及高压开关柜 |
-
2022
- 2022-03-09 CN CN202210239697.2A patent/CN114648853A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150856A (zh) * | 2013-02-28 | 2013-06-12 | 江苏润仪仪表有限公司 | 火灾火焰视频监测预警***及火灾火焰检测方法 |
| CN108921039A (zh) * | 2018-06-07 | 2018-11-30 | 南京启德电子科技有限公司 | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 |
| KR20210128277A (ko) * | 2020-04-16 | 2021-10-26 | 양우태 | 실시간 스마트 소방 화재 감지 및 모니터링 시스템 |
| CN111686392A (zh) * | 2020-06-23 | 2020-09-22 | 海南科技职业大学 | 一种全视场火情探测人工智能灭火*** |
| CN112316332A (zh) * | 2020-11-24 | 2021-02-05 | 国家电网有限公司 | 一种用于锂离子电池柜的多级预警消防装置及方法 |
| CN112349057A (zh) * | 2020-12-01 | 2021-02-09 | 北京交通大学 | 基于深度学习的室内烟雾和火灾检测方法 |
| CN113763667A (zh) * | 2021-08-16 | 2021-12-07 | 镇江默勒电器有限公司 | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 |
| CN217162922U (zh) * | 2022-03-09 | 2022-08-12 | 国网安徽省电力有限公司电力科学研究院 | 一种高压开关柜火灾预警***及高压开关柜 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311807A (zh) * | 2022-07-11 | 2022-11-08 | 深圳市狮子王科技有限公司 | 一种充电桩火灾预警方法、存储介质及相关装置 |
| CN115376291A (zh) * | 2022-08-04 | 2022-11-22 | 武汉科瑞新电气自动化有限公司 | 一种开关柜温度的预警方法、***及存储介质 |
| CN115350425A (zh) * | 2022-08-25 | 2022-11-18 | 国网安徽省电力有限公司电力科学研究院 | 一种高压开关柜火灾预警及抑制模拟研究装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114648853A (zh) | 一种高压开关柜早期火灾模式识别与分级预警*** | |
| US20190371147A1 (en) | Fire alarming method and device | |
| CN112034766A (zh) | 一种基于物联网的实验室安全管理*** | |
| CN108737577A (zh) | 医院设备安全立体监测云平台、***及其方法 | |
| CN112464813B (zh) | 山火的监测方法及装置 | |
| CN112072798A (zh) | 一种智能变电站消防辅控一体化监控***及监控方法 | |
| CN113018728B (zh) | 一种电缆隧道火灾分级研判消防*** | |
| CN111127815A (zh) | 一种分级预警控制的消防灭火***及方法 | |
| CN107947362A (zh) | 电气化铁路牵引供电智能辅助*** | |
| CN111210588A (zh) | 一种智能消防联动*** | |
| CN217162922U (zh) | 一种高压开关柜火灾预警***及高压开关柜 | |
| CN212543451U (zh) | 一种智能变电站消防辅控一体化监控*** | |
| CN111596637A (zh) | 一种智慧消防管理***及方法 | |
| CN114705959A (zh) | 一种电力电缆及通道在线监测*** | |
| CN109165751A (zh) | 医院电气安全立体监测云平台、***及其方法、电气*** | |
| CN110448841A (zh) | 一种智能灭火机器人的智能灭火控制*** | |
| CN112562246A (zh) | 电气设备火灾监测*** | |
| CN116421921A (zh) | 一种储能***消防策略可靠性评估装置和评估方法 | |
| CN107862824B (zh) | 输配电线路火灾事故监测与防破坏的远动装置及使用方法 | |
| CN108310700A (zh) | 一种基于图像火灾探测器的变电站电缆层灭火*** | |
| CN208780775U (zh) | 用于开关柜的放电监测***以及开关柜 | |
| CN110379118A (zh) | 列车车下防火智能监控***及方法 | |
| CN115019490A (zh) | 一种智能分析安全预警方法、装置、电子设备及存储介质 | |
| CN114915018A (zh) | 一种智能配电室监控*** | |
| CN104320629A (zh) | 一种电缆分支箱监控*** |
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 |