一种基于动态权重调整的电气火灾风险评估方法与流程

摘要: 本发明涉及电气火灾安全评估,特别涉及一种基于动态权重调整的电气火灾风险评估方法。背景技术:1、随着人均用电量持续攀升,电气火灾已成为各类火灾的首要原因。据应急管...
一种基于动态权重调整的电气火灾风险评估方法与流程

本发明涉及电气火灾安全评估,特别涉及一种基于动态权重调整的电气火灾风险评估方法。

背景技术:

1、随着人均用电量持续攀升,电气火灾已成为各类火灾的首要原因。据应急管理部消防救援局统计,已查明原因的火灾中约有33.6%系电气原因引起,其中以短路、过负荷、接触不良等问题为主。低压配电网络结构复杂、规模庞大、运维管理薄弱,电气火灾隐患尤为突出,给消防治理工作带来了很大挑战。

2、目前,国内外学者在电气火灾风险评估领域已开展过相关研究。franca等提出将电气火灾风险基于三个变量的组合划分为五个风险状态,从定性方面对电气火灾风险进行了分析。马子超等提出基于层次熵和雷达图的电气火灾风险评估方法,用熵权法对层次分析法权重进行修正。su等基于高层建筑电气火灾的发生机理,提出了一种考虑非对称邻近性混合决策的电气火灾风险评估模型。宿磊等采用改进的德尔菲法获取评估指标体系,结合区间topsis方法对风险因子进行辨识。

3、然而,在现有电气火灾风险评估实践中,评估方法多为静态评估,缺乏时效性。电气火灾的本质是能量异常释放与可燃物相互作用的动态过程,其风险特征具有多因素性和时变性。现有技术未能有效融合电气线路实时运行数据,导致评估结果缺乏时效性与客观性。

4、此外,指标权重分配多为固定权重,难以反映参数动态变化对风险的影响。当某些电气参数如电流、温度、漏电电流等发生异常变化时,其在整个风险评估中的相对重要程度会发生显著变化。固定权重无法捕捉这种动态变化,导致评估结果失真。

5、再者,多回路指标融合处理方式不合理。在实际低压配电网络中,存在多个配电回路。现有技术中对多回路指标参数的融合处理通常采用最大值法或平均权重分配法。最大值法易将风险状态显著放大,使评估结果失真;平均权重分配法则容易丢失隐患回路的信息,使得存在风险隐患时整个系统的评估状态仍为正常。

6、最后,评估结果难以追溯关键致灾因子。现有评估方法大多仅输出风险等级,无法进一步识别导致风险升高的关键指标,难以为后续的火灾防控决策提供针对性的依据。

7、综上所述,现有电气火灾风险评估方法在动态性、权重合理性、指标融合科学性以及关键因子识别等方面存在明显局限性,容易导致评估结果与实际情况存在偏差,无法满足电气火灾风险精准防控的实际需求。

技术实现思路

1、本发明提供了一种基于动态权重调整的电气火灾风险评估方法,实现对建筑低压配电线路电气火灾风险的动态、客观、精准评估。

2、为达到上述目的,本发明采用如下技术方案:

3、本发明提供了基于动态权重调整的电气火灾风险评估方法,方法包括以下步骤:

4、步骤s1:构建电气火灾风险评估指标体系,从电气因素、环境因素、空间因素和人为因素四个维度选取评估指标;

5、步骤s2:采用组合赋权法确定各评估指标的初始权重,包括采用层次分析法确定指标的主观权重,采用熵权法确定指标的客观权重,并根据最小信息熵原理将主观权重和客观权重组合得到组合权重;

6、步骤s3:构建各评估指标的动态加权策略,根据指标的实时监测数据动态调整权重;

7、步骤s4:对多回路监测数据进行加权融合处理,根据各回路各指标所处的风险等级赋予不同的权重进行加权融合;

8、步骤s5:采用模糊综合评价法对融合后的指标数据进行综合评价,生成训练数据集;

9、步骤s6:构建bp神经网络模型并进行训练;

10、步骤s7:利用训练好的bp神经网络模型进行电气火灾风险评估;

11、步骤s8:基于贝叶斯反向推理识别关键风险因子。

12、作为优选的,所述步骤s2中采用层次分析法确定指标的主观权重,包括:

13、构造判断矩阵,利用9级标度法,通过比较每层不同元素之间的重要程度来建立判断矩阵;

14、将判断矩阵按列进行归一化处理;

15、计算归一化后矩阵每行中所有元素的乘积,求该乘积的n次方根并归一化得到特征向量,即为主观权重向量;

16、进行一致性检验,计算一致性比例cr,当cr<0.1时,判断矩阵通过一致性检验。

17、作为优选的,所述步骤s2中采用熵权法确定指标的客观权重,包括:

18、构建评价矩阵,设有m个评价对象,n个评价指标;

19、对指标进行标准化处理,对于正向指标和负向指标采用不同的标准化公式;

20、计算第j个指标下第i个评价对象占该指标的比重;

21、计算第j个指标的熵值;

22、计算第j个指标的差异系数;

23、根据差异系数计算第j个指标的熵权。

24、作为优选的,所述步骤s2中根据最小信息熵原理将主观权重和客观权重组合,得到组合权重:

25、

26、其中,为第j个指标的组合权重,为第j个指标的主观权重,为第j个指标的客观权重,为第k个指标的主观权重,为第k个指标的客观权重,n为指标总数,j和k为指标序号,取值范围为1,2,…,n。

27、作为优选的,所述步骤s3中对于大部分指标,当监测值超过预警边界值时,采用以下变权公式:

28、当时:

29、

30、当时:

31、

32、其中,为第j个指标在时刻t的动态权重;为第j个指标的组合初始权重;α为权重调节系数,取值范围为0.5~2.0;为第j个指标的预警边界值;为第j个指标的最大允许值。

33、作为优选的,所述步骤s3中对于具有突变特性的指标,采用以下变权公式:

34、当 ≥ 时:

35、

36、其中,β为突变调节系数,取值范围为1.0~3.0。

37、作为优选的,所述步骤s3中对动态调整后的权重进行归一化处理:

38、

39、其中,为归一化后的第j个指标在时刻t的动态权重,满足。

40、作为优选的,所述步骤s4中将各指标的风险等级区间划分为五个等级{v1, v2,v3, v4, v5},分别对应风险状态:正常、基本正常、异常、风险、报警;

41、确定各回路指标值对应的风险等级权重:

42、

43、计算第j个指标的融合值:

44、其中,为第j个指标经多回路加权融合后的值;n为配电回路总数;为第i个回路第j个指标的监测值;为第i个回路第j个指标值对应的风险等级权重。

45、作为优选的,所述步骤s5中采用模糊综合评价法,包括:

46、构建隶属度函数,采用梯形函数与三角函数相结合的隶属度函数形式;

47、计算各指标的隶属度向量,构建模糊评价矩阵;

48、计算模糊综合评价结果b:

49、

50、其中,为评估对象属于第k个风险等级的隶属度。

51、根据最大隶属度原则确定风险等级。

52、作为优选的,所述步骤s6中构建bp神经网络结构,包括输入层、第一隐含层、第二隐含层和输出层;

53、第一隐含层节点数通过以下经验公式确定:

54、

55、其中,m为输出层节点数,a为1~10之间的常数;

56、第二隐含层节点数通过以下经验公式确定:

57、

58、其中,为1~10之间的常数。

59、作为优选的,所述步骤s6中采用误差反向传播算法对网络进行训练,前向传播过程中隐含层和输出层的输出为:

60、

61、其中,为第l-1层第v个节点到第l层第u个节点的连接权重,为第l层第u个节点的阈值,f(·)为激活函数,采用sigmoid函数:

62、

63、输出层采用softmax函数将输出转换为概率分布:

64、

65、采用交叉熵作为损失函数:

66、

67、作为优选的,所述步骤s8中基于贝叶斯反向推理识别关键风险因子,包括:

68、将评估得到的风险等级作为证据输入贝叶斯网络;

69、设定电气火灾风险状态为最高风险等级v5,基于贝叶斯网络进行反向推理,计算各指标节点的后验概率:

70、

71、其中,nodej为第j个指标节点;

72、根据后验概率大小对各指标进行排序,识别对电气火灾风险影响最显著的关键因子。

73、作为优选的,所述基于动态权重调整的电气火灾风险评估系统,包括:

74、数据采集模块,用于实时采集各配电回路各评估指标的监测数据;

75、数据预处理模块,用于对采集的数据进行清洗、滤波和标准化处理;

76、多回路融合模块,用于对多回路监测数据进行加权融合处理;

77、动态权重计算模块,用于根据实时监测数据计算各指标的动态权重;

78、风险评估模块,内置训练好的bp神经网络模型,用于根据融合后的指标数据和动态权重输出电气火灾风险评估结果;

79、关键因子识别模块,用于基于贝叶斯网络进行反向推理,识别关键风险因子;

80、预警输出模块,用于根据评估结果输出风险等级和预警信息;

81、显示模块,用于显示各指标的实时监测数据、动态权重、风险评估结果和关键因子信息。

82、与现有技术相比,本发明具有如下有益效果:

83、1、本发明通过构建多维度评估指标体系,采用层次分析法与熵权法相结合的组合赋权策略确定初始权重,兼顾了专家经验的主观判断和样本数据的客观信息,形成主观赋权、客观赋权和动态调整的三层权重确定机制,使权重分配更加合理。

84、2、本发明通过引入动态加权策略,根据指标的实时监测数据动态调整各指标在风险评估中的权重,使评估结果能够实时反映电气线路运行状态的变化,克服了现有静态评估方法时效性不足的缺陷,实现电气火灾风险的动态评估。

85、3、本发明提出了一种基于风险等级加权的多回路指标融合方法,根据各回路各指标所处的风险等级赋予不同的权重进行加权融合,既避免了最大值法放大局部风险的问题,又克服了平均值法淹没隐患信息的缺陷,提升多回路指标融合的合理性。

86、4、本发明通过贝叶斯网络反向推理,能够在给定风险等级的条件下计算各指标的后验概率,从而精准识别对电气火灾风险影响最显著的关键因子,实现关键风险因子的精准识别,为后续的火灾防控决策提供针对性的依据。

87、5、本发明采用模糊综合评价生成训练数据集,bp神经网络进行学习和预测,两者结合充分发挥了模糊综合评价处理模糊信息的优势和bp神经网络自学习、强泛化的能力,评估精度高、泛化能力强。