具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

参照图1所示，本发明提出一种烟草仓库智能化电气火灾预警系统，包括：外界环境参数检测模块、电气设备参数模块、电气火灾预警服务器、中央控制系统、风险信息显示与推送模块；

所述电气火灾预警服务器分别与所述外界环境参数检测模块、电气设备参数模块和中央控制系统连接；所述风险信息显示与推送模块和所述中央控制系统连接。

一般来说，火灾探测器指的是能够识别是否发生火灾的仪器。行业内常用的有：多采用的剩余电流式和测温式电气火灾监控探测器。剩余电流式电气火灾监控探测器只能检测漏电电流，对短路，负荷过载等问题不能进行有效的防范；另外，线路老化后导致其绝缘性变差，从而产生漏电电流，此时剩余电流式探测器经常会产生不必要的误动作，影响系统的准确率。而测温式电气火灾监控探测器的报警原理是当采集到的温度超过设置的阈值后触发报警。同时此类监测系统无法反映电气系统的综合运行状态，比如电压、频率、电流、温度等关键因素的关联变化与相干作用。但其原理基本均采用阈值法，当被保护线路中的被探测参数(漏电电流、电线温度等)超过报警基准值时，才能发出报警控制信号，指示报警部位，并无预警预测火灾风险的能力。

本发明在综合考虑电气火灾的共性和烟草仓库场所电气火灾的特性后，选取最具代表性的电流、电压、环境温度和线温作为风险预警的指标体系，通过电气设备参数模块采集电气系统的电压、电流、功率等数据，以及外界环境参数检测模块采集电气系统的环境温度和线温等数据。

此预警系统中采用WIFI传输和RS485网络传输方式，将采集的数据传输至火灾预警服务器中完成预警信息的处理和风险水平的计算，参照图2所示。所述中央控制系统，用于控制整个预警系统的运行和操作；所述风险信息显示与推送模块，用于火灾预警信息的呈现、推送和发布。

传统的火灾报警装置(例如德国西门子公司的Cerberus ECO FS18)仅部署感温和感烟探测器，且其哪里需要就安装的布置方案也不完全合理。为了解决这一问题，本发明将针对场所实际情况确定出合理的布点与监测方案，且其电流，电压，功率，环境温度不同传感器的布置位置布点方案及架构均根据厂区情况进行设计,依据烟草配送中心的功能单元对配送中心进行区域划分：将发生电气火灾能导致停产、波及范围大、造成巨大损失和伤害的关键设备作为一个监控单元，将电气火灾危险性大且资金密度大(例如高架库区)的区域作为一个监控单元，将具有相同生产工艺、工艺装置特点的区域划分为一个监控单元。

本发明还提出一种烟草仓库智能化电气火灾预警方法，具体包括以下步骤：

S1、通过所述外界环境参数检测模块和所述电气设备参数模块采集电流、电压、环境温度和线温数据；

S2、基于模糊综合评价确定学习样本

S2.1、确定评语集：根据模糊综合评价法，确定预警的风险等级评语集V＝{极低风险，低风险，中等风险，高风险，极高风险}，(由于危险是绝对的，安全是相对的，只要电气设备处于运行状态，风险是不可避免的，其中极低风险和低风险无需报警，中等风险告知设备管理员持续关注，高风险对设备管理员进行报警，极高风险将报警信息告知设备管理员和厂区安全管理人员)，为了定量化反映模糊综合评价的结果，将各等级对应的评价的评价区间设定为{0-20，20-40，40-60，60-80，80-100}；

S2.2、基于模糊综合评价生成评语集：选取厂区采集的电气设备电流、电压、电功率、环境温度和线温，首先通过k-means聚类算法按照质心数n_clusters等于5生成5簇数据集合，再通过k近邻算法选取每簇数据集合中的典型数据(即距离簇心最近的点集)，为了使评语集的打分更客观反映实际电气火灾的风险水平，邀请N位该领域专家对每个数据的风险水平进行打分，并依次计算打分的平均值：

其中，A:每组数据专家打分的均值；N:专家总人数；第i位专家对该组数据打分的分值。

S2.3、由于现场采集的数据大多为中等风险及以下，利用这样的数据进行训练同样也不会得到高风险的输出，为了得到高风险的数据，通过实验室实验，基于多因素耦合，综合考虑电流，电压，温度，线温等因素，通过电缆温升加载耦合实验获取高风险和极高风险的数据情形；

最后得到的训练数据如表1所示：

表1

S3、构建BP神经网络模型，并将所述学习样本按照比例划分为训练集和测试集；

其中，BP神经网络的结构如图3所示。

其中，其BP神经网络的结构主要包括输入层，隐藏层和输出层。

数据的归一化处理：输入层输入的数据即为S1得出的数据，将数据的80％用于BP神经网络模型的训练，20％用于检测检验模型预测的准确程度。

S4、将所述训练集输入到所述BP神经网络模型中进行训练，并采用测试集进行效果测试，得到训练好的火灾预警模型；

在BP算法中，一般激活函数选取Sigmoid函数，为了加快模型的训练学习速度，需要对数据进行归一化处理：

其中，是归一化后的数据，X_max和X_min分别为样本X_n的最大值和最小值。

模型训练：将训练数据输入BP神经网络模型，分别经过初始化权重-隐含层计算-输出层计算的正向传递过程和权值更新的反向传递过程，当20％测试集的测试效果达到可接受水平，则模型训练完成。

S5、将所述S1中采集的数据输入到火灾预警模型进行实时电气风险水平预测，并生成电气风险水平报告。

将模型算法部署至云服务器或厂区服务器室，监测设备通过监测电流、电压、电功率、环境温度和线温，通过网络传输至预警模型，即可实时告知用户风险水平，从而达到风险预警和管控的目的，为了得到区域的电气风险水平，要对每个单元(单个电气设备)的风险水平进行加权累计

式中，R表示区域总体风险水平，w_i表示每个单元电气风险的权重，R_i表示每个单元的风险水平。

除此之外，多维度、多渠道火灾风险预警：系统可以实时显示各个布点位置的状态参数值和风险水平值、电气火灾综合风险水平判断结果，并可以导出为风险水平报告，可以为公司后续的维护提供建议措施，电气火灾综合风险水平判断结果。多维度主要是指分层级、分范围进行预警信息的发布和推送，如根据预测的综合风险水平高低程度不同，预警信息会发布和推送给不同层次和范围的企业领导层、安全管理层、生产管理层、现场操作层等人员。多渠道是指利用智能手机APP、PC客户端等先进设备，进行火灾预警信息的网络信息化传递,；同时运用可视化的实现工具完成数据到可视化图像的转换，在传统文字与声光报警的基础之上，采取直观形象的图形演示、多媒体动画等表达手段，尤其是利用地理信息系统进行高火灾风险区域精准定位手段，进行预警信息的推送与发布。

应急联动：相较于以往的火灾报警装置只能进行报警无法联动消灭已经产生的火灾，该系统可通过与烟草企业现有的应急处理处置系统(如自动喷淋、超音速灭火等)的有机融合，在发生不可预见事故时进行及时有效的应急处理处置。

此外，该烟草仓库智能化电气火灾预警系统现场应用效果理想，并将部署到更多的烟草物流行业公司，切实降低烟草仓库的火灾危险。且本发明成果不仅能够应用于生产厂房、库房的电气火灾事故预警，同时可以广泛应用于办公场所，高层住宅楼等的电气火灾预警，项目的研究成果具有广阔的应用前景和工程价值。

综上，本发明实现了以下技术效果：

(1)全面、实时关键参数监测与分析：由于采用了多因素耦合综合预警，消除了以往单一因素阈值不精确。

(2)智慧化火灾风险预测：系统能够根据实时监控的火灾风险关键影响因素数据，通过所建立的基于模糊综合评判理论和BP神经网络技术对电气火灾综合风险预测模型进行综合分析，确定风险发生的可能性和风险后果严重程度量化值，最终确定电气火灾综合风险水平数值。该系统具有自学习和自我完善功能，可达到高精度和高可靠性的风险预测目的。

(3)多维度、多渠道火灾风险预警：预警信息会发布和推送给不同层次和范围的企业领导层、安全管理层、生产管理层、现场操作层等人员。利用智能手机APP、PC客户端等先进设备，进行火灾预警信息的网络信息化传递,同时运用可视化的实现工具完成数据到可视化图像的转换。

4)自动化应急处理处置系统可通过与烟草企业现有的应急处理处置系统(如自动喷淋、超音速灭火等)的有机融合，在发生不可预见事故时进行及时有效的应急处理处置。应急系统的启动与运行均由本系统输出的高精度和高准确度的警示信息进行控制，实现对各类电气安全事故的迅速响应、科学决策、有序调度和高效处置等目的。

以所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。