CN116342999A - 超高压变电站开放空间火灾烟雾检测与识别方法 - Google Patents
超高压变电站开放空间火灾烟雾检测与识别方法 Download PDFInfo
- Publication number
- CN116342999A CN116342999A CN202310019404.4A CN202310019404A CN116342999A CN 116342999 A CN116342999 A CN 116342999A CN 202310019404 A CN202310019404 A CN 202310019404A CN 116342999 A CN116342999 A CN 116342999A
- Authority
- CN
- China
- Prior art keywords
- fire
- transformer substation
- ultra
- high voltage
- smoke
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 102
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 230000002265 prevention Effects 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 239000002243 precursor Substances 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 19
- 239000000203 mixture Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 13
- 230000006978 adaptation Effects 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 9
- 238000010438 heat treatment Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000010206 sensitivity analysis Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000002485 combustion reaction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- 238000012764 semi-quantitative analysis Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 208000025274 Lightning injury Diseases 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 3
- 238000004587 chromatography analysis Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010304 firing Methods 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000002955 isolation Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000001483 mobilizing effect Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 9
- 230000009467 reduction Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000009545 invasion Effects 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000001976 improved effect Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading 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
- A62C37/00—Control of fire-fighting equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Emergency Management (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及超高压变电站开放空间火灾烟雾检测与识别方法,方法包括以下步骤:步骤1:评估超高压变电站电气设备火灾预警及防火灭火现状的实用性,并提取超高压变电站典型设备发生火灾的前兆敏感因子;步骤2:基于多物理量监测数据的超高压变电站火灾可能性主控敏感指标建立;步骤3:基于智慧消防的火灾预警应急处置,确定火灾预警的动态阈值;步骤4:基于变电站现有的视频摄像头***采用深度学***台;本发明具有基于深度学习、智能预警、提升火灾预警与防控能力、降低设备安全风险的优点。
Description
技术领域
本发明属于变电站火灾检测技术领域,具体涉及超高压变电站开放空间火灾烟雾检测与识别方法。
背景技术
变电站火灾具有突发性强、影响广、损失大的特点,近年来,变电站火灾事故时有发生,一旦发生火灾,往往会出现“火烧连营”的连锁效应,轻则造成设备故障,重则造成电网大面积停电、甚至出现人身事故,特别是500kV及以上超高变电站在电力***中承担关键的枢纽作用,其中的充油设备装备大量绝缘油,一旦发生火灾后果尤为严重,超特高压变电站处在大型室外开放空间,一直以来其火灾的早期探测和识别都是业界难题,目前变电站内常见的感烟火灾探测器受限于器接触式的探测原理,容易受非火灾颗粒的干扰,且不能适用于室内大空间和室外开放空间的火灾报警的不足;因此,提供一种基于深度学习、智能预警、提升火灾预警与防控能力、降低设备安全风险的超高压变电站开放空间火灾烟雾检测与识别方法是非常有必要的。
发明内容
本发明的目的是为了克服现有技术的不足,而提供一种基于深度学习、智能预警、提升火灾预警与防控能力、降低设备安全风险的超高压变电站开放空间火灾烟雾检测与识别方法。
本发明的目的是这样实现的:超高压变电站开放空间火灾烟雾检测与识别方法,所述的方法包括以下步骤:
步骤1:评估超高压变电站电气设备火灾预警及防火灭火现状的实用性,并提取超高压变电站典型设备发生火灾的前兆敏感因子;
步骤2:基于多物理量监测数据的超高压变电站火灾可能性主控敏感指标建立;
步骤3:基于智慧消防的火灾预警应急处置,确定火灾预警的动态阈值;
步骤4:基于变电站现有的视频摄像头***采用深度学习对超高压变电站开放空间进行火灾烟雾检测与识别;
步骤5:构建基于智慧消防的超高压变电站火灾预警与灭火智能化平台。
所述的步骤1具体包括以下步骤:
步骤1.1:梳理超高压变电站大型充油设备、电力电容器、干式电抗器设备的致火机理,并对可能发生的雷击过电压、外来施工动火作业、节假日活动外在诱发火灾的因素进行归纳总结;
步骤1.2:分析超高压变电站现有火灾监测手段及灭火装置,并对其实用性进行评估;
步骤1.3:结合不同电气火灾灭火介质的特点,选择适用于扑灭变电站不同设备火灾的灭火介质;
步骤1.4:基于现有灭火设备,针对变电站火灾灭火装置进行合理布置策略,采用***安全分析法对火灾隐患设进行正向演化推理,深入分析其运行过程中可能导致火灾发生的情况,得到超高压变电站主要电气设备火灾的前兆敏感因子,对超高压变电站当前火灾预警与灭火措施的现状及实用性进行综合评估。
所述的步骤2具体包括以下步骤:
步骤2.1:将引起火灾的因素分为内部电气设备因素和外在诱因;
步骤2.2:对于内部电气设备因素,监测电流和电压致热型设备红外图谱、红外温度状态信息,并结合现场已有的感温、感烟探头、感温电缆、红外测温摄像头、视频摄像头、有源无线遥感测温装置和油色谱在线监测装置设备;
步骤2.3:采用有线电力专网与5G通讯网相结合的方式快速进行各类监测数据的全方位采集和传输;
步骤2.4:采用LoRa无线物联网技术实现变电站消防***间的低功耗安全通信,获得完整的数据图谱,包含温度、烟雾浓度、气味、油色谱信息;
步骤2.5:分别针对电压致热型和电流致热型电气设备采用半定量分析即事件树分析法对各自的监测指标在火灾发生过程中的控制程度进行半定量描述,确定超高压变电站火灾发生可能性的主控敏感指标;
步骤2.6:针对外在诱火因素,分别通过变电站安防视频***和避雷器在线监测***实时监测外来火源和雷击过电压情况。
所述的步骤2.5中的事件树分析法具体为:事件树分析法是***安全分析方法一种常用的运用归纳推理的风险分析方法,它在给定的一个初始事件的前提下,分析由初始事件导致的各种可能的事故和描述事故的发生发展过程以及确定导致事故的初始事件与后续事件的关系;事件树是用一系列二叉分支点表示事故的可能发展情况,这些分支点代表后续事件是否发生这两种可能的状态,在分支节点处,事件树分成上下两条路径,通常上分支表示“是”,下分支表示“否”,依次考虑每个后续事件的两种状态,将成功或起作用的状态画在下一级分支的上分支中,而将失败或不起作用的状态画在下一级分支的下分支中,层层递进,以此类推直到结果事件为止;如果后续事件发生与否对输入事件的发展没有影响,那么事件树在该节点处就没有分支,直到下一后续事件;首先需要确定各分支节点事件的概率即成功或失败,再计算每个最终事件结果的概率,该值为初始事件概率与各分支节点概率之积,最终事件概率为: 式中,A表示初始事件;B、C、D表示后续事件发生的状态;和表示后续事件不发生的状态;若结果事件S2、S4、S6、S7为事故事件,则发生事故的总概率等于它们的概率总和,即P=P(S2)+P(S4)+P(S6)+P(S7)(8)。
所述的步骤3具体包括以下步骤:
步骤3.1:通过变电站火灾灵敏度分析预警机制,分别针对电流致热型和电压致热型设备的不同负载情况,确定其发生火灾可能性的动态阈值;
步骤3.2:若火灾敏感指标超过阈值,联动工业视频信息,将视频片段输入深度自编码高斯混合模型进行异常检测,进一步确认火灾发生的可能性,降低火灾报警的误报率;
步骤3.3:搭建消防设施智慧日常管控***,利用无线传感、物联网、大数据技术,对消防设施、器材状态进行智能化感知、识别、定位与跟踪,进行实时有效监控,实现站内消防***运行数据的智能化采集和高效监管定位;
步骤3.4:制定火灾应急处置方案,通过调动着火附近区域内所有工业视频以及变电站内智能巡检机器人进行火势观察,对消控室、现场人员灭火行为、带电安全距离和设备隔离实施远方协调和指挥,依据实际设备着火情况启动相应的灭火消防设施,实现火灾的全方位、信息化智能控制与灭火,确保变电站安全。
所述的步骤3.2中的深度自编码高斯混合模型具体为:深度自编码高斯混合模型包括压缩网络和估计网络两个子结构;
其中压缩网络是一个深度全卷积自编码网络,通过这个自编码可以得到输入视频块x的低维表示zr,同时得到输入x与重构的x′之间的重构误差zc,然后进行拼接操作形成z;
估计网络是一个多层的全连接前馈神经网络,输入为z,经过多层全连接得到一个概率分布,这个概率分布的长度即为混合高斯分布中高斯成分的个数,通过输出概率判断输入是否为异常。
所述的步骤4具体包括以下步骤:
步骤4.1:基于深度域适应的变电站火灾烟雾图像检测模型:
步骤4.2:基于深度迁移学习的变电站火灾烟雾图像分类模型。
所述的步骤4.1具体包括以下步骤:
步骤4.11:综合考虑检测火灾烟雾检测模型的准确率与运行速度,采用具有相似结构的快速检测模型单步多框目标检测算法即SSD算法与多尺度卷积神经网络即MSCNN分别作为烟雾图像检测的基础模型;
步骤4.12:采用变分自编码器生成火灾烟雾图像,采用生成的图像和域适应方法来提升检测模型的泛化性能;
步骤4.13:依托两种模型采用卷积层分支作为检测分支的结构特点,在网络结构上增加卷积层分支作为域分支,检测分支与域分支分别执行检测任务与域鉴别任务;
步骤4.14:在模型训练过程中,在执行检测任务的同时,通过整体网络结构中的权重更新控制,采用对抗训练策略执行域鉴别和域混淆,从而保证模型检测性能与域不变性。
所述的步骤4.2具体包括以下步骤:
步骤4.21:采用不同域适应结构构造真实烟雾特征空间,提取烟雾域不变特征,训练得到泛化性更高的烟雾图像分类模型;
步骤4.22:针对现场特高压变电站烟雾图像样本不足的问题,采用变分自编码器即VAE编码器生成模型生成丰富多样的合成火灾烟雾图像,用来训练烟雾图像分类模型;
步骤4.23:使用域适应方法构造烟雾图像分类网络,使用生成烟雾图像集作为源数据集,真实烟雾图像集作为目标集,同时训练烟雾图像分类模型;
步骤4.24:网络执行烟雾与非烟雾的类别分类任务,以及生成与真实的属性分类任务,通过梯度反转层使得训练过程中属性分类的损失逐渐增大,即混淆合成与真实的属性类别;
步骤4.25:为进一步对齐两者的特征分布,采用相关性对齐的方法使得合成烟雾与真实烟雾的特征分布均匀混合;
步骤4.26:分析训练集中生成烟雾图像与真实烟雾图像样本的数量比例以及烟雾与非烟雾图像样本的数量比例对模型训练的影响。
所述的步骤5具体包括以下步骤:
步骤5.1:搭建超高压变电站视频***、火灾探测***、火灾报警控制***、灭火装置***之间的组网模式和联动控制机制;
步骤5.2:根据各分区域内设备及各自可燃物的燃烧特性,选择相应的探测器进行组合,并分布在变电站各分区域内;
步骤5.3:搭建分区域内的火灾探测器对各分区域内的温度、气体浓度、烟雾浓度探测信息的通讯策略;
步骤5.4:结合步骤2中的主控敏感指标、步骤3中的智慧消防管理与火灾预警机制,在火灾报警控制器及主服务器经信息综合判断,将报警及状态信号发送到有人值守的中心站,中心站自动或远程手动启动火灾报警器的灭火联动功能,形成超高压变电站的多区域智慧消防集中监控平台。
本发明的有益效果:本发明为超高压变电站开放空间火灾烟雾检测与识别方法,适用于各电压等级变电站电力设备火灾风险实时状态评估、监测预警、应急响应及快速有效处置,切实提高其运行安全性和经济性,促进变电站消防管控能力整体提升,提升公司电气设备火灾防控能力,在使用中,本发明采用基于多物理量的火灾监测技术,实现火灾的有效感知,采用有线专网与5G通讯网相结合的方式快速进行各类监测数据的全方位采集和传输,利用LoRa无线技术搭建不同监测设备和消防设备之间的物联网,实现消防信息的快速高效传递;采用基于大数据与深度学***台,切实提升变电站消防安全,对各类火灾隐患及时预警,提前隔离故障设备,减少设备受损程度及过火面积,减少经济损失,能够进一步提高变电站火灾防控效率,降低设备安全风险,减少供电负荷损失,从而提升电网供电可靠性;本发明采用基于多物理量融合监控技术、采用基于灵敏度分析的预警机制,有助于实现对变电站设备过热、外来火灾隐患侵入、着火等异常状况的提前预判和及时告警,为运维检修决策提供依据,可解决超高压电气监测设备提取到的火灾特征信号类型单一,信息较少等问题;本发明具有基于深度学习、智能预警、提升火灾预警与防控能力、降低设备安全风险的优点。
附图说明
图1为本发明的超高压变电站电气设备火灾预警及防火灭火现状实用性评估示意图。
图2为本发明的基于多物理量监测的防火监控技术示意图。
图3为本发明的基于智慧消防的火灾预警应急处置方案示意图。
图4为本发明的基于智慧消防的超高压变电站火灾预警与灭火智能化平台构建示意图。
图5为本发明的智能化平台的结构示意图。
图6为本发明的事件树模型示意图。
图7为本发明的基于深度自编码-高斯混合模型的异常检测方法流程。
具体实施方式
下面结合附图对本发明做进一步的说明。
实施例1
如图1-7所示,超高压变电站开放空间火灾烟雾检测与识别方法,所述的方法包括以下步骤:
步骤1:评估超高压变电站电气设备火灾预警及防火灭火现状的实用性,并提取超高压变电站典型设备发生火灾的前兆敏感因子;
步骤2:基于多物理量监测数据的超高压变电站火灾可能性主控敏感指标建立;
步骤3:基于智慧消防的火灾预警应急处置,确定火灾预警的动态阈值;
步骤4:基于变电站现有的视频摄像头***采用深度学习对超高压变电站开放空间进行火灾烟雾检测与识别;
步骤5:构建基于智慧消防的超高压变电站火灾预警与灭火智能化平台。
本发明为超高压变电站开放空间火灾烟雾检测与识别方法,适用于各电压等级变电站电力设备火灾风险实时状态评估、监测预警、应急响应及快速有效处置,切实提高其运行安全性和经济性,促进变电站消防管控能力整体提升,提升公司电气设备火灾防控能力,在使用中,本发明采用基于多物理量的火灾监测技术,实现火灾的有效感知,采用有线专网与5G通讯网相结合的方式快速进行各类监测数据的全方位采集和传输,利用LoRa无线技术搭建不同监测设备和消防设备之间的物联网,实现消防信息的快速高效传递;采用基于大数据与深度学***台,切实提升变电站消防安全,对各类火灾隐患及时预警,提前隔离故障设备,减少设备受损程度及过火面积,减少经济损失,能够进一步提高变电站火灾防控效率,降低设备安全风险,减少供电负荷损失,从而提升电网供电可靠性;本发明采用基于多物理量融合监控技术、采用基于灵敏度分析的预警机制,有助于实现对变电站设备过热、外来火灾隐患侵入、着火等异常状况的提前预判和及时告警,为运维检修决策提供依据,可解决超高压电气监测设备提取到的火灾特征信号类型单一,信息较少等问题;本发明具有基于深度学习、智能预警、提升火灾预警与防控能力、降低设备安全风险的优点。
实施例2
如图1-7所示,超高压变电站开放空间火灾烟雾检测与识别方法,所述的方法包括以下步骤:
步骤1:评估超高压变电站电气设备火灾预警及防火灭火现状的实用性,并提取超高压变电站典型设备发生火灾的前兆敏感因子;
步骤2:基于多物理量监测数据的超高压变电站火灾可能性主控敏感指标建立;
步骤3:基于智慧消防的火灾预警应急处置,确定火灾预警的动态阈值;
步骤4:基于变电站现有的视频摄像头***采用深度学习对超高压变电站开放空间进行火灾烟雾检测与识别;
步骤5:构建基于智慧消防的超高压变电站火灾预警与灭火智能化平台。
所述的步骤1具体包括以下步骤:
步骤1.1:梳理超高压变电站大型充油设备、电力电容器、干式电抗器设备的致火机理,并对可能发生的雷击过电压、外来施工动火作业、节假日活动外在诱发火灾的因素进行归纳总结;
步骤1.2:分析超高压变电站现有火灾监测手段及灭火装置,并对其实用性进行评估;
步骤1.3:结合不同电气火灾灭火介质的特点,选择适用于扑灭变电站不同设备火灾的灭火介质;
步骤1.4:基于现有灭火设备,针对变电站火灾灭火装置进行合理布置策略,采用***安全分析法对火灾隐患设进行正向演化推理,深入分析其运行过程中可能导致火灾发生的情况,得到超高压变电站主要电气设备火灾的前兆敏感因子,对超高压变电站当前火灾预警与灭火措施的现状及实用性进行综合评估。
所述的步骤2具体包括以下步骤:
步骤2.1:将引起火灾的因素分为内部电气设备因素和外在诱因;
步骤2.2:对于内部电气设备因素,监测电流和电压致热型设备红外图谱、红外温度状态信息,并结合现场已有的感温、感烟探头、感温电缆、红外测温摄像头、视频摄像头、有源无线遥感测温装置和油色谱在线监测装置设备;
步骤2.3:采用有线电力专网与5G通讯网相结合的方式快速进行各类监测数据的全方位采集和传输;
步骤2.4:采用LoRa无线物联网技术实现变电站消防***间的低功耗安全通信,获得完整的数据图谱,包含温度、烟雾浓度、气味、油色谱信息;
步骤2.5:分别针对电压致热型和电流致热型电气设备采用半定量分析即事件树分析法对各自的监测指标在火灾发生过程中的控制程度进行半定量描述,确定超高压变电站火灾发生可能性的主控敏感指标;
步骤2.6:针对外在诱火因素,分别通过变电站安防视频***和避雷器在线监测***实时监测外来火源和雷击过电压情况。
所述的步骤2.5中的事件树分析法具体为:事件树分析法是***安全分析方法一种常用的运用归纳推理的风险分析方法,如图6所示,它在给定的一个初始事件的前提下,分析由初始事件导致的各种可能的事故和描述事故的发生发展过程以及确定导致事故的初始事件与后续事件的关系;事件树是用一系列二叉分支点表示事故的可能发展情况,这些分支点代表后续事件是否发生这两种可能的状态,在分支节点处,事件树分成上下两条路径,通常上分支表示“是”,下分支表示“否”,依次考虑每个后续事件的两种状态,将成功或起作用的状态画在下一级分支的上分支中,而将失败或不起作用的状态画在下一级分支的下分支中,层层递进,以此类推直到结果事件为止;如果后续事件发生与否对输入事件的发展没有影响,那么事件树在该节点处就没有分支,直到下一后续事件;首先需要确定各分支节点事件的概率即成功或失败,再计算每个最终事件结果的概率,该值为初始事件概率与各分支节点概率之积,最终事件概率为:
式中,A表示初始事件;B、C、D表示后续事件发生的状态;/>和表示后续事件不发生的状态;若结果事件S2、S4、S6、S7为事故事件,则发生事故的总概率等于它们的概率总和,即P=P(S2)+P(S4)+P(S6)+P(S7)(8)。
所述的步骤3具体包括以下步骤:
步骤3.1:通过变电站火灾灵敏度分析预警机制,分别针对电流致热型和电压致热型设备的不同负载情况,确定其发生火灾可能性的动态阈值;
步骤3.2:若火灾敏感指标超过阈值,联动工业视频信息,将视频片段输入深度自编码高斯混合模型进行异常检测,进一步确认火灾发生的可能性,降低火灾报警的误报率;
步骤3.3:搭建消防设施智慧日常管控***,利用无线传感、物联网、大数据技术,对消防设施、器材状态进行智能化感知、识别、定位与跟踪,进行实时有效监控,实现站内消防***运行数据的智能化采集和高效监管定位;
步骤3.4:制定火灾应急处置方案,通过调动着火附近区域内所有工业视频以及变电站内智能巡检机器人进行火势观察,对消控室、现场人员灭火行为、带电安全距离和设备隔离实施远方协调和指挥,依据实际设备着火情况启动相应的灭火消防设施,实现火灾的全方位、信息化智能控制与灭火,确保变电站安全。
所述的步骤3.2中的深度自编码高斯混合模型具体为:深度自编码高斯混合模型包括压缩网络和估计网络两个子结构,如图7所示,左边部分为压缩网络,右边部分为估计网络;
其中压缩网络是一个深度全卷积自编码网络,通过这个自编码可以得到输入视频块x的低维表示zr,同时得到输入x与重构的x′之间的重构误差zc,然后进行拼接操作形成z;
估计网络是一个多层的全连接前馈神经网络,输入为z,经过多层全连接得到一个概率分布,这个概率分布的长度即为混合高斯分布中高斯成分的个数,通过输出概率判断输入是否为异常。
所述的步骤4具体包括以下步骤:
步骤4.1:基于深度域适应的变电站火灾烟雾图像检测模型:
步骤4.2:基于深度迁移学习的变电站火灾烟雾图像分类模型。
所述的步骤4.1具体包括以下步骤:
步骤4.11:综合考虑检测火灾烟雾检测模型的准确率与运行速度,采用具有相似结构的快速检测模型单步多框目标检测算法即SSD算法与多尺度卷积神经网络即MSCNN分别作为烟雾图像检测的基础模型;
步骤4.12:采用变分自编码器生成火灾烟雾图像,采用生成的图像和域适应方法来提升检测模型的泛化性能;
步骤4.13:依托两种模型采用卷积层分支作为检测分支的结构特点,在网络结构上增加卷积层分支作为域分支,检测分支与域分支分别执行检测任务与域鉴别任务;
步骤4.14:在模型训练过程中,在执行检测任务的同时,通过整体网络结构中的权重更新控制,采用对抗训练策略执行域鉴别和域混淆,从而保证模型检测性能与域不变性。
所述的步骤4.2具体包括以下步骤:
步骤4.21:采用不同域适应结构构造真实烟雾特征空间,提取烟雾域不变特征,训练得到泛化性更高的烟雾图像分类模型;
步骤4.22:针对现场特高压变电站烟雾图像样本不足的问题,采用变分自编码器即VAE编码器生成模型生成丰富多样的合成火灾烟雾图像,用来训练烟雾图像分类模型;
步骤4.23:使用域适应方法构造烟雾图像分类网络,使用生成烟雾图像集作为源数据集,真实烟雾图像集作为目标集,同时训练烟雾图像分类模型;
步骤4.24:网络执行烟雾与非烟雾的类别分类任务,以及生成与真实的属性分类任务,通过梯度反转层使得训练过程中属性分类的损失逐渐增大,即混淆合成与真实的属性类别;
步骤4.25:为进一步对齐两者的特征分布,采用相关性对齐的方法使得合成烟雾与真实烟雾的特征分布均匀混合;
步骤4.26:分析训练集中生成烟雾图像与真实烟雾图像样本的数量比例以及烟雾与非烟雾图像样本的数量比例对模型训练的影响。
所述的步骤5具体包括以下步骤:
步骤5.1:搭建超高压变电站视频***、火灾探测***、火灾报警控制***、灭火装置***之间的组网模式和联动控制机制;
步骤5.2:根据各分区域内设备及各自可燃物的燃烧特性,选择相应的探测器进行组合,并分布在变电站各分区域内;
步骤5.3:搭建分区域内的火灾探测器对各分区域内的温度、气体浓度、烟雾浓度探测信息的通讯策略;
步骤5.4:结合步骤2中的主控敏感指标、步骤3中的智慧消防管理与火灾预警机制,在火灾报警控制器及主服务器经信息综合判断,将报警及状态信号发送到有人值守的中心站,中心站自动或远程手动启动火灾报警器的灭火联动功能,形成超高压变电站的多区域智慧消防集中监控平台。
在本实施例中,本发明的逻辑关系如图1-4所示,具体实施方案如下:首先,梳理超高压变电站关键电气设备致火机理、归纳总结外在诱发火灾的因素、分析现有监测手段及灭火介质、装置,并采用***安全分析法对隐患设备整个运行流程进行正向演化推理,得出超高压变电站主要电气设备火灾的前兆敏感因子及致火指标,对现有电气火灾灭火介质和灭火设备进行实用性评估,提出变电站火灾灭火装置布置策略,为后续超高压变电站智慧消防、火灾防控***的建立奠定设备基础,接着,围绕项目研究目标,搭建基于智慧消防的超高压变电站火灾预警与灭火智能化平台;
本发明的基于智慧消防的超高压变电站火灾预警与灭火智能化平台包含感知层、网络层、平台层和应用层,如图5所示,平台搭建的具体实施步骤为:
步骤一:搭建***感知层:根据各分区域内设备及各自可燃物的燃烧特性,选择相应的探测器进行组合,结合超高压变电站现有监测装置,对各分区域内电气设备的温度信息、油色谱信息、视频信息和消防设施的位置、状态信息进行探测,形成***感知层,为超高压电气设备火灾预警与灭火智能化平台提供基础数据来源;
步骤二:搭建***网络层,实现感知层设备与***平台的无缝对接:将有线电力专网、5G通讯网相结合进行感知层监测数据的快速传输,采用LoRa无线物联网技术实现变电站消防***间的低功耗安全通信;
步骤三:搭建***平台层:采用B/S架构开发设计***平台层前端应用,搭建由千兆网络交换机、智能算法服务器、主***服务器、LoRa数据处理服务器等硬件设备组成的平台层后端***,实现对各类物联网传感器及节点设备的管理、协调与监控,研究半定量分析(事件树)方法、限值评估法、灵敏度预警机制、深度自编码高斯混合模型等智能算法,在平台层实现对主控敏感指标的提取、对消防设备的健康评估和对火灾的及时预警;
步骤四:搭建***应用层:***应用层以运维作业及灭火实际需求为导向,实现设备操作智能联动,搭建视频***、火灾探测***、火灾报警控制***、灭火装置等***之间的联动控制机制,对消防设备的状态信号和火灾报警信号分别处理,研究针对不同信号的响应机制。
本发明具有以下优点:一、提出变电站关键设备火灾灵敏度分析预警方法,探求变负载下关键设备火灾可能性的动态阈值确定方法,实现火灾异常的自动报警;二、提出采用有线专网与5G通讯网相结合的方式快速进行各类火灾监测数据的全方位采集和传输,采用LoRa无线物联网技术实现变电站消防***间的低功耗安全通信,全面感知设备火灾信息;三、搭建基于智慧消防理念的超高压电气设备火灾预警与灭火智能化平台,满足消防动态化和多单位协同作战需求,实现火灾扩火面积的有效控制及可靠灭火;四、弥补超高压变电站消防薄弱环节,评估当前消防***的实用性;五、基于多物理量监测的防火监控和预警技术,引入智慧消防的理念,提升超高压变电站消防智慧化水平;六、基于物联网与移动通讯技术实现火灾探测***不同终端与火灾报警***以及灭火设施之间的有效通讯与联动,提升火灾预警与防控能力。
本发明为超高压变电站开放空间火灾烟雾检测与识别方法,适用于各电压等级变电站电力设备火灾风险实时状态评估、监测预警、应急响应及快速有效处置,切实提高其运行安全性和经济性,促进变电站消防管控能力整体提升,提升公司电气设备火灾防控能力,在使用中,本发明采用基于多物理量的火灾监测技术,实现火灾的有效感知,采用有线专网与5G通讯网相结合的方式快速进行各类监测数据的全方位采集和传输,利用LoRa无线技术搭建不同监测设备和消防设备之间的物联网,实现消防信息的快速高效传递;采用基于大数据与深度学***台,切实提升变电站消防安全,对各类火灾隐患及时预警,提前隔离故障设备,减少设备受损程度及过火面积,减少经济损失,能够进一步提高变电站火灾防控效率,降低设备安全风险,减少供电负荷损失,从而提升电网供电可靠性;本发明采用基于多物理量融合监控技术、采用基于灵敏度分析的预警机制,有助于实现对变电站设备过热、外来火灾隐患侵入、着火等异常状况的提前预判和及时告警,为运维检修决策提供依据,可解决超高压电气监测设备提取到的火灾特征信号类型单一,信息较少等问题;本发明具有基于深度学习、智能预警、提升火灾预警与防控能力、降低设备安全风险的优点。
Claims (10)
1.超高压变电站开放空间火灾烟雾检测与识别方法,其特征在于:所述的方法包括以下步骤:
步骤1:评估超高压变电站电气设备火灾预警及防火灭火现状的实用性,并提取超高压变电站典型设备发生火灾的前兆敏感因子;
步骤2:基于多物理量监测数据的超高压变电站火灾可能性主控敏感指标建立;
步骤3:基于智慧消防的火灾预警应急处置,确定火灾预警的动态阈值;
步骤4:基于变电站现有的视频摄像头***采用深度学习对超高压变电站开放空间进行火灾烟雾检测与识别;
步骤5:构建基于智慧消防的超高压变电站火灾预警与灭火智能化平台。
2.如权利要求1所述的超高压变电站开放空间火灾烟雾检测与识别方法,其特征在于:所述的步骤1具体包括以下步骤:
步骤1.1:梳理超高压变电站大型充油设备、电力电容器、干式电抗器设备的致火机理,并对可能发生的雷击过电压、外来施工动火作业、节假日活动外在诱发火灾的因素进行归纳总结;
步骤1.2:分析超高压变电站现有火灾监测手段及灭火装置,并对其实用性进行评估;
步骤1.3:结合不同电气火灾灭火介质的特点,选择适用于扑灭变电站不同设备火灾的灭火介质;
步骤1.4:基于现有灭火设备,针对变电站火灾灭火装置进行合理布置策略,采用***安全分析法对火灾隐患设进行正向演化推理,深入分析其运行过程中可能导致火灾发生的情况,得到超高压变电站主要电气设备火灾的前兆敏感因子,对超高压变电站当前火灾预警与灭火措施的现状及实用性进行综合评估。
3.如权利要求1所述的超高压变电站开放空间火灾烟雾检测与识别方法,其特征在于:所述的步骤2具体包括以下步骤:
步骤2.1:将引起火灾的因素分为内部电气设备因素和外在诱因;
步骤2.2:对于内部电气设备因素,监测电流和电压致热型设备红外图谱、红外温度状态信息,并结合现场已有的感温、感烟探头、感温电缆、红外测温摄像头、视频摄像头、有源无线遥感测温装置和油色谱在线监测装置设备;
步骤2.3:采用有线电力专网与5G通讯网相结合的方式快速进行各类监测数据的全方位采集和传输;
步骤2.4:采用LoRa无线物联网技术实现变电站消防***间的低功耗安全通信,获得完整的数据图谱,包含温度、烟雾浓度、气味、油色谱信息;
步骤2.5:分别针对电压致热型和电流致热型电气设备采用半定量分析即事件树分析法对各自的监测指标在火灾发生过程中的控制程度进行半定量描述,确定超高压变电站火灾发生可能性的主控敏感指标;
步骤2.6:针对外在诱火因素,分别通过变电站安防视频***和避雷器在线监测***实时监测外来火源和雷击过电压情况。
4.如权利要求3所述的超高压变电站开放空间火灾烟雾检测与识别方法,其特征在于:所述的步骤2.5中的事件树分析法具体为:事件树分析法是***安全分析方法一种常用的运用归纳推理的风险分析方法,它在给定的一个初始事件的前提下,分析由初始事件导致的各种可能的事故和描述事故的发生发展过程以及确定导致事故的初始事件与后续事件的关系;事件树是用一系列二叉分支点表示事故的可能发展情况,这些分支点代表后续事件是否发生这两种可能的状态,在分支节点处,事件树分成上下两条路径,通常上分支表示“是”,下分支表示“否”,依次考虑每个后续事件的两种状态,将成功或起作用的状态画在下一级分支的上分支中,而将失败或不起作用的状态画在下一级分支的下分支中,层层递进,以此类推直到结果事件为止;如果后续事件发生与否对输入事件的发展没有影响,那么事件树在该节点处就没有分支,直到下一后续事件;首先需要确定各分支节点事件的概率即成功或失败,再计算每个最终事件结果的概率,该值为初始事件概率与各分支节点概率之积,最终事件概率为:
5.如权利要求1所述的超高压变电站开放空间火灾烟雾检测与识别方法,其特征在于:所述的步骤3具体包括以下步骤:
步骤3.1:通过变电站火灾灵敏度分析预警机制,分别针对电流致热型和电压致热型设备的不同负载情况,确定其发生火灾可能性的动态阈值;
步骤3.2:若火灾敏感指标超过阈值,联动工业视频信息,将视频片段输入深度自编码高斯混合模型进行异常检测,进一步确认火灾发生的可能性,降低火灾报警的误报率;
步骤3.3:搭建消防设施智慧日常管控***,利用无线传感、物联网、大数据技术,对消防设施、器材状态进行智能化感知、识别、定位与跟踪,进行实时有效监控,实现站内消防***运行数据的智能化采集和高效监管定位;
步骤3.4:制定火灾应急处置方案,通过调动着火附近区域内所有工业视频以及变电站内智能巡检机器人进行火势观察,对消控室、现场人员灭火行为、带电安全距离和设备隔离实施远方协调和指挥,依据实际设备着火情况启动相应的灭火消防设施,实现火灾的全方位、信息化智能控制与灭火,确保变电站安全。
6.如权利要求5所述的超高压变电站开放空间火灾烟雾检测与识别方法,其特征在于:所述的步骤3.2中的深度自编码高斯混合模型具体为:深度自编码高斯混合模型包括压缩网络和估计网络两个子结构;
其中压缩网络是一个深度全卷积自编码网络,通过这个自编码可以得到输入视频块x的低维表示zr,同时得到输入x与重构的x′之间的重构误差zc,然后进行拼接操作形成z;
估计网络是一个多层的全连接前馈神经网络,输入为z,经过多层全连接得到一个概率分布,这个概率分布的长度即为混合高斯分布中高斯成分的个数,通过输出概率判断输入是否为异常。
7.如权利要求1所述的超高压变电站开放空间火灾烟雾检测与识别方法,其特征在于:所述的步骤4具体包括以下步骤:
步骤4.1:基于深度域适应的变电站火灾烟雾图像检测模型:
步骤4.2:基于深度迁移学习的变电站火灾烟雾图像分类模型。
8.如权利要求7所述的超高压变电站开放空间火灾烟雾检测与识别方法,其特征在于:所述的步骤4.1具体包括以下步骤:
步骤4.11:综合考虑检测火灾烟雾检测模型的准确率与运行速度,采用具有相似结构的快速检测模型单步多框目标检测算法即SSD算法与多尺度卷积神经网络即MSCNN分别作为烟雾图像检测的基础模型;
步骤4.12:采用变分自编码器生成火灾烟雾图像,采用生成的图像和域适应方法来提升检测模型的泛化性能;
步骤4.13:依托两种模型采用卷积层分支作为检测分支的结构特点,在网络结构上增加卷积层分支作为域分支,检测分支与域分支分别执行检测任务与域鉴别任务;
步骤4.14:在模型训练过程中,在执行检测任务的同时,通过整体网络结构中的权重更新控制,采用对抗训练策略执行域鉴别和域混淆,从而保证模型检测性能与域不变性。
9.如权利要求7所述的超高压变电站开放空间火灾烟雾检测与识别方法,其特征在于:所述的步骤4.2具体包括以下步骤:
步骤4.21:采用不同域适应结构构造真实烟雾特征空间,提取烟雾域不变特征,训练得到泛化性更高的烟雾图像分类模型;
步骤4.22:针对现场特高压变电站烟雾图像样本不足的问题,采用变分自编码器即VAE编码器生成模型生成丰富多样的合成火灾烟雾图像,用来训练烟雾图像分类模型;
步骤4.23:使用域适应方法构造烟雾图像分类网络,使用生成烟雾图像集作为源数据集,真实烟雾图像集作为目标集,同时训练烟雾图像分类模型;
步骤4.24:网络执行烟雾与非烟雾的类别分类任务,以及生成与真实的属性分类任务,通过梯度反转层使得训练过程中属性分类的损失逐渐增大,即混淆合成与真实的属性类别;
步骤4.25:为进一步对齐两者的特征分布,采用相关性对齐的方法使得合成烟雾与真实烟雾的特征分布均匀混合;
步骤4.26:分析训练集中生成烟雾图像与真实烟雾图像样本的数量比例以及烟雾与非烟雾图像样本的数量比例对模型训练的影响。
10.如权利要求1所述的超高压变电站开放空间火灾烟雾检测与识别方法,其特征在于:所述的步骤5具体包括以下步骤:
步骤5.1:搭建超高压变电站视频***、火灾探测***、火灾报警控制***、灭火装置***之间的组网模式和联动控制机制;
步骤5.2:根据各分区域内设备及各自可燃物的燃烧特性,选择相应的探测器进行组合,并分布在变电站各分区域内;
步骤5.3:搭建分区域内的火灾探测器对各分区域内的温度、气体浓度、烟雾浓度探测信息的通讯策略;
步骤5.4:结合步骤2中的主控敏感指标、步骤3中的智慧消防管理与火灾预警机制,在火灾报警控制器及主服务器经信息综合判断,将报警及状态信号发送到有人值守的中心站,中心站自动或远程手动启动火灾报警器的灭火联动功能,形成超高压变电站的多区域智慧消防集中监控平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310019404.4A CN116342999A (zh) | 2023-01-06 | 2023-01-06 | 超高压变电站开放空间火灾烟雾检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310019404.4A CN116342999A (zh) | 2023-01-06 | 2023-01-06 | 超高压变电站开放空间火灾烟雾检测与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116342999A true CN116342999A (zh) | 2023-06-27 |
Family
ID=86891973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310019404.4A Pending CN116342999A (zh) | 2023-01-06 | 2023-01-06 | 超高压变电站开放空间火灾烟雾检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342999A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093904A (zh) * | 2023-10-19 | 2023-11-21 | 合肥工业大学 | 一种变电站火灾探测数据采集方法 |
CN117787143A (zh) * | 2024-02-23 | 2024-03-29 | 国网天津市电力公司城东供电分公司 | 变电站毒害气体的气流分布场重构方法及***、电子设备 |
-
2023
- 2023-01-06 CN CN202310019404.4A patent/CN116342999A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093904A (zh) * | 2023-10-19 | 2023-11-21 | 合肥工业大学 | 一种变电站火灾探测数据采集方法 |
CN117093904B (zh) * | 2023-10-19 | 2024-03-12 | 合肥工业大学 | 一种变电站火灾探测数据采集方法 |
CN117787143A (zh) * | 2024-02-23 | 2024-03-29 | 国网天津市电力公司城东供电分公司 | 变电站毒害气体的气流分布场重构方法及***、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116342999A (zh) | 超高压变电站开放空间火灾烟雾检测与识别方法 | |
CN112464813B (zh) | 山火的监测方法及装置 | |
CN112766909A (zh) | 适用于舰船消防安全的智能管控***及方法、计算机介质 | |
CN102682560B (zh) | 一种船舶舱室火灾连锁报警等级评估装置 | |
CN101251942B (zh) | 地下空间火灾智能检测预警预报方法及装置 | |
CN113344326B (zh) | 特殊作业现场动态隐患识别和风险评估***和方法 | |
CN110120143A (zh) | 一种炼化企业易燃易爆区域烟雾智能监测*** | |
CN1963878A (zh) | 高层建筑火灾智能监测预警预报装置 | |
CN116708510B (zh) | 一种煤矿多灾害耦合环境下采集数据的处理方法及其*** | |
CN112991657A (zh) | 基于5g通信技术的森林火灾智能预警控制*** | |
CN117612345A (zh) | 一种电力设备状态监测报警***及方法 | |
CN117392801A (zh) | 一种电缆沟火灾预警*** | |
CN117409526A (zh) | 一种电气火灾极早期预警监测***及灭火方法 | |
CN114387662A (zh) | 煤矿井下人员不安全行为识别方法 | |
CN105527929B (zh) | 一种工厂安全问题的智能追踪监控***及其监控方法 | |
CN115664006B (zh) | 一种增量配电网智能管控一体化平台 | |
CN200979734Y (zh) | 高层建筑火灾智能监测预警预报装置 | |
Yang et al. | A multi-sensor characteristic parameter fusion analysis based electrical fire detection model | |
CN115562201A (zh) | 一种基于智能物联的生产监测应急预警方法 | |
Xie et al. | A new anomaly detector of flare pilot based on siamese network | |
CN115115117A (zh) | 基于区块链的智慧处理分析*** | |
Wang et al. | Transformer Fire Identification Method Based on Multi-Neural Network and Evidence Theory | |
CN103440728A (zh) | 分布智能控制船舶消防***连锁性失效测评方法 | |
Xu et al. | Research on executing equipment control algorithm based on multi-sensor pipe gallery | |
Gao et al. | A method of information fusion based on fuzzy neural network and its application |
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 |