在日常生活和工作中，建筑物火災對人們的生命和財產(chǎn)安全構成了重大威脅。據(jù)研究顯示，超過95%的建筑火災起因于建筑內部的電氣線路或設備故障[1]。這類火災被稱為電氣火災，其具有高度的隱蔽性、較長的發(fā)展周期以及極高的危害性。與一般火災相比，電氣火災的撲救還伴隨著觸電和爆炸的風險，可能導致嚴重的事故和巨大損失。然而，電氣火災的發(fā)生發(fā)展過程極其復雜，前期特征信號微弱，難以被識別，導致其難以定量化描述[2]。此外，中國正處于電氣系統(tǒng)和設備改造升級的緩沖期，這進一步加大了電氣火災防控的難度[3]，有效識別和表征電氣火災始終是行業(yè)內的一大技術難題[4]。

傳統(tǒng)的電氣火災預測方法僅通過電參數(shù)與固定閾值來比較判斷線路風險，將設定的閾值作為報警的唯一標準。這種方法忽視了線路長期接近閾值的高風險狀態(tài)，容易受到環(huán)境和噪聲的影響，導致短暫的過閾值而無法鑒別其背后是否存在真實的火災風險，進而產(chǎn)生誤判。為了解決這些問題，本文在[5]研究的基礎，提出了一種基于硬件平臺采集數(shù)據(jù)并通過云平臺和神經(jīng)網(wǎng)絡判斷風險的電氣火災風險預測預警方法。該方法利用電氣火災的多種特征參數(shù)進行風險預測，構建了基于高低頻循環(huán)神經(jīng)網(wǎng)絡的電氣火災預警系統(tǒng)。

盡管溫度可以通過硬件進行實時采集，但溫度預測依然至關重要。電氣火災的早期信號往往非常微弱，溫度變化可能不明顯，容易被忽視。溫度的緩慢上升可能是正常工作負載的結果，但在特定情況下，如故障累積或線路老化，可能會引發(fā)突然的過熱甚至火災。溫度預測模型(如LSTM)能夠通過對歷史數(shù)據(jù)的分析，識別潛在的危險趨勢，即使當前溫度在正常范圍內，預測模型也能揭示未來溫度可能的急劇上升，從而提供預警。此外，預測結合歷史數(shù)據(jù)和多種參數(shù)，可以對異常進行更智能的判斷，減少誤報。本研究引入了分位預警機制，通過統(tǒng)計學方法定量評估預測結果的不確定性，為預警提供風險等級劃分，期望為電氣火災風險的提前、動態(tài)感知提供一種新方法。

2. 系統(tǒng)方案設計

2.1. 電氣火災的探測與溫度關系研究

電氣火災參量的探測感知

電氣火災的發(fā)生發(fā)展往往伴隨電氣線路、設備電壓、電流、溫度、煙氣濃度、聲光等信號的變化[6]。電信號的探測技術起源較早，目前高性能芯片可以準確探測并改變電壓、電流和頻率等參量[7]?；馂男盘柕奶綔y技術起步較晚，常見的有感煙、感溫、火焰和氣體探測器[8]。經(jīng)過長期技術改進，高維度模糊算法、Boltzmann濾波和Bayes推理等各類復雜的數(shù)學處理算法被集成于探測器[9]火源識別和精準定位[10]等方面的研究取得長足進步。電氣火災參量探測感知技術的發(fā)展確保了電氣參數(shù)采集準確，為電氣火災的分析提供了較高質量的原始數(shù)據(jù)支持。

2.2. 電氣線路溫度場研究

電氣線路作為電能傳輸和分配的主要載體，在商場等室內環(huán)境中，由于用電負荷較大，電氣設備數(shù)量眾多，敷設規(guī)范常常難以保障。這種不規(guī)范的敷設會導致線路老化，進而影響其性能，產(chǎn)生過熱現(xiàn)象，增加火災和爆炸等嚴重事故的風險，給人身安全和財產(chǎn)造成嚴重威脅。因此，對電氣線路，尤其是線芯溫度的監(jiān)測，顯得尤為重要。這不僅有助于預防電氣火災的發(fā)生，還能確保電氣線路的安全與可靠運行。

本章將以單芯聚氯乙烯絕緣銅導線為研究對象，探討其運行過程中的溫度場特性，為電氣線路的溫度監(jiān)測提供理論支持。

2.2.1. 導線三維溫度場導熱數(shù)學模型

導線的溫度場模型主要通過三維導熱方程來描述。隨著電流的流動，導線因電阻效應而發(fā)熱，溫度隨之升高。熱量通過線芯逐層向外傳導，形成穩(wěn)定的溫度場。在三維溫度場模型中，溫度的分布和變化受導熱方程控制[11]，具體為：

其中，ρ為材料的密度，c為材料的比熱容，λx、λy、λz分別為傳熱介質在x、y、z方向上的導熱系數(shù)，Q為電氣線路的熱損耗。該公式通過分析電氣線路中溫度的時空分布，提供了溫度隨時間變化的基礎。尤其在過載或短路情況下，導體中Q的值顯著增加，導致溫度急劇升高，進而使得電氣火災的風險加大。

在實際應用中，當導線在負載電流作用下產(chǎn)生電阻熱時，溫度場的分布在不同的環(huán)境溫度和負荷條件下會有所變化。該模型不僅能用于預測電氣線路溫度的穩(wěn)態(tài)分布，還可應用于動態(tài)熱特性的分析，以便有效評估火災風險。

2.2.2. 導線溫度場的產(chǎn)生與傳熱原理

在前一節(jié)中，我們構建了電氣線路的三維溫度場導熱數(shù)學模型，以便準確地獲取研究對象的三維溫度分布。為了更深入地理解電氣線路溫度場的形成及其傳熱機制，有必要進行詳細探討。

根據(jù)電氣線路的運行特性，可以將其視為一個帶有內部熱源的導熱體。在運行過程中，線路內部的導體會產(chǎn)生熱量，并通過導熱將熱量傳遞到絕緣層。絕緣層的外表面則通過熱輻射和對流兩種方式與周圍環(huán)境進行熱量交換。

根據(jù)傳熱學的基本原理，電氣線路的導熱和散熱過程受到多種因素的影響，這些因素包括絕緣層的導熱系數(shù)、外表面的對流換熱系數(shù)以及環(huán)境溫度等。本節(jié)將基于電氣線路的運行特性，探討溫度場的形成機制和導熱原理。電氣線路中的溫度場形成過程主要涉及導體的發(fā)熱及熱量的傳遞。

Q=I²R   (2)

式中：I為流過導線電流大小，R為導線線芯單位長度電阻大小。

該熱量產(chǎn)生的溫度變化通過傳導、對流和輻射等方式傳遞至周圍環(huán)境。尤其是在大電流情況下，發(fā)熱量顯著增加，形成較高溫度的局部區(qū)域。導線在通電過程中，熱流量Q隨溫度梯度增加，且沿著徑向傳遞。基于傅里葉定律，熱流量可以表示為：

Q=?λ?T/?x   (3)

式中，?T/?x增為溫度梯度。當電流I升高或電阻R增大時，熱流量Q增加，導致局部溫度升高。如果線路散熱不足或絕緣受損，溫度升高至材料極限，可能引發(fā)火災。

2.2.3. 線芯與絕緣層的熱傳導與散熱計算

電氣線路的熱量通過導線和絕緣層的傳導散發(fā)至外部環(huán)境。導線線芯的熱量首先傳遞到絕緣層，絕緣層則通過對流和輻射將熱量散發(fā)出去[12]。三層傳熱過程可以簡化為熱傳導模型，通過以下公式描述溫度梯度：

其中，Tc表示線芯的溫度，Ts表示絕緣層的外表面溫度，r0和ri分別為線芯和絕緣層的半徑，k為材料的導熱系數(shù)。該公式揭示了絕緣層溫度梯度與導熱效率的關系：當導線內部發(fā)熱量較高時，溫度逐層傳遞至表面，而傳導系數(shù)和半徑差影響了散熱效率。

在環(huán)境溫度較高或負載較大的情況下，絕緣層傳導散熱的速率可能不足以平衡電流帶來的發(fā)熱量，導致溫度在絕緣層內部積聚，從而增大火災風險。通過該傳熱模型，可以有效評估不同工況下導線的熱累積情況。

2.2.4. 線芯溫度計算模型

為準確評估導線的火災風險，需要對線芯溫度進行精確計算。在實際應用中，利用表面溫度Ts和環(huán)境溫度來估算線芯溫度Tc是一種有效的方法?；谀芰科胶庠?，線芯溫度的估算模型如下：

其中，Tc為線芯溫度，q_v為單位體積發(fā)熱量，k為導熱系數(shù)。此模型提供了一種簡便的方法，用于在已知表面溫度和環(huán)境溫度的情況下估算線芯溫度。特別是在線路發(fā)生短路或電流突變時，通過該模型可以預測溫度的迅速升高，進而判斷火災風險。該溫度計算模型為電氣火災的預防提供了理論支持，便于在不同運行條件下評估導線的溫升情況。

2.2.5. 溫度場影響因素分析

電氣線路溫度場的分布受多重因素影響，主要包括導線材料特性、電流強度、環(huán)境溫度及對流換熱系數(shù)。導線的電阻率隨溫度變化，通常在高溫下電阻增大，進一步加劇發(fā)熱，因此環(huán)境溫度的高低對導線線芯溫度影響不可忽視[13]。此外，電流I和環(huán)境溫度T_a對線路溫度變化的影響可通過以下公式描述：

T=T_a+I²R/h      (6)

其中，T為導線表面溫度，R為導線的電阻，h為對流換熱系數(shù)。當電流較大時，導線的溫度顯著上升；若外部環(huán)境溫度較高或散熱條件較差，導線溫度會進一步升高。當導線溫度超過材料的耐熱極限時，絕緣層可能出現(xiàn)老化或損壞，從而顯著增加電氣火災的風險。

此外，電氣線路的散熱效率還受到周圍空氣流速、溫濕度條件等因素影響。換熱系數(shù)較低的環(huán)境(如封閉空間)容易導致導線溫度上升較快，積熱難以散發(fā)。通過對這些影響因素的分析，可以在設計和運行中加強針對性的溫度管理，降低火災發(fā)生的可能性。

2.2.6. 小結

綜上所述，電氣線路的溫度場分布通過三維導熱模型、傳熱原理、熱傳導與散熱過程、溫度計算模型及其影響因素得到系統(tǒng)分析。通過溫度場的建立，能夠有效預測電氣線路的火災風險。線路溫度的升高不僅取決于電流負荷和材料特性，還與環(huán)境溫度、散熱條件密切相關。溫度模型中的關鍵公式為線路的實時監(jiān)測和火災預防提供了理論支持，為電氣設備的設計和運行優(yōu)化提供了重要依據(jù)。這一分析為預測和控制火災風險提供了可行的技術手段，有助于提升電氣線路的安全性。

2.3. 系統(tǒng)總體方案

Figure 1. Overall system scheme design

圖1. 系統(tǒng)總體方案設計

本系統(tǒng)旨在通過閉環(huán)流程實現(xiàn)電氣火災風險的高效預測與預警。系統(tǒng)由前端探測器、4G模塊、云平臺和深度學習模型組成。探測器實時監(jiān)測電氣參數(shù)，并通過4G模塊將數(shù)據(jù)上傳至云平臺。云平臺負責數(shù)據(jù)存儲、處理和回傳。經(jīng)過特征提取的數(shù)據(jù)被送至HF-LSTM和LF-LSTM網(wǎng)絡，分析電氣參數(shù)變化，提取關鍵特征。系統(tǒng)利用30天連續(xù)數(shù)據(jù)訓練深度學習模型，實時預測溫度并評估風險。風險評估結果通過云平臺發(fā)送至硬件平臺，控制線路開關，并使用OLED和移動應用通知用戶風險等級。系統(tǒng)設計方案如圖1所示。

2.4. 硬件采集設計

2.4.1. 硬件架構設計

硬件采集主要由主控模塊、信息采集模塊、4G Cat1通信模塊、顯示模塊和電路保護部分等構成，硬件架構設計框圖如圖2所示。采用STM32F103C8T6作為監(jiān)測節(jié)點的主控制器，該款芯片主頻可達72 MHz，有待機、停止、睡眠3種可選工作模式，有利于硬件采集低功耗的設計，同時存儲容量可達64 Kb，有利于電路簡化而不用擴展。STM32主控負責控制系統(tǒng)運行，實時采集電流、功率和溫度數(shù)據(jù)，通過4G Cat1模塊利用MQTT協(xié)議將信息傳輸至阿里云平臺。OLED顯示屏和RGB燈實時顯示電路狀態(tài)，增強用戶體驗。電路保護部分則通過繼電器控制電源，確保系統(tǒng)在異常情況下的安全性。整體設計確保了高效的數(shù)據(jù)采集與傳輸，同時保障了系統(tǒng)的穩(wěn)定性和安全性。

Figure 2. Hardware architecture design block diagram

圖2. 硬件采集架構設計框圖

2.4.2. 4G Cat1通信模塊

Air780E是合宙通信推出的LTE Cat.1 bis通信模塊，采用移芯EC618平臺，支持 LTE 3GPP Rel.13 技術。支持4G全網(wǎng)通，可適應不同的運營商和產(chǎn)品，確保應用的最大靈活性。其不僅通信距離遠、信號收發(fā)靈敏度高，而且誤碼率低、抗干擾能力強。

2.4.3. 單相交流電測計量部分

電能計量部分負責采集電路的電流、功率等參數(shù)，主要由電流互感器、電壓互感器和電能計芯片組成。我們把單相交流電測計量部分封裝為模塊，不同用戶可以根據(jù)需要選擇不同的量程。本方案中的電壓量程為1~380 V，電流量程為0.1~50 A，可以滿足大部分的測量范圍。電能芯片經(jīng)過信號放大、濾波、模數(shù)轉換后讀取電壓、電流互感器的值，再通過MODBUS-RTU協(xié)議傳輸給MCU。原理圖如圖3所示。

Figure 3. Schematic diagram of single-phase AC power measurement module

圖3. 單相交流電測計量模塊原理圖

2.4.4. 電路保護部分

瞬態(tài)火災防護采用自恢復保險絲，提高了實用性降低了成本。漸變態(tài)火災多為老化、長期過負荷等，通常表現(xiàn)為線纜或設備溫度長期異常，這部分與本地模型預測聯(lián)動可以很好預防，當預測電路有漸變態(tài)火災風險時，可以遠程控制或者主板自動設置繼電器關閉整個電路保護安全，排查風險。原理圖如圖4所示。

Figure 4. Circuit protection schematic diagram

圖4. 電路保護部分原理圖

2.5. 預測模型框架設計

在實際情況下，電氣線路溫度的振蕩規(guī)律由用電行為、電氣系統(tǒng)狀態(tài)和環(huán)境等多種復雜因素共同決定，預測參數(shù)及其影響因素具有顯著的時序特性。循環(huán)神經(jīng)網(wǎng)絡(recurrent neural network, RNN)對這類預測問題的處理效果較好。我們選擇RNN其中的LSTM網(wǎng)絡，因為其在非常適合處理和預測時間序列中間隔和延遲非常長的事件，可以構建低頻電氣參數(shù)的循環(huán)神經(jīng)網(wǎng)絡(LF-LSTM)和高頻電氣參數(shù)的循環(huán)神經(jīng)網(wǎng)絡(HF-LSTM)，分別研究電氣線路溫度隨電氣參數(shù)變化的周期特性和線路的溫升特性。

2.5.1. 高低頻循環(huán)神經(jīng)網(wǎng)絡訓練原理

低頻循環(huán)神經(jīng)網(wǎng)絡(LF-LSTM)是將歷史低頻電氣參數(shù)數(shù)據(jù)作為輸入所訓練出來的模型，其主要作用是監(jiān)測長期用電器的使用狀態(tài)和對用電規(guī)律和溫度變化進行周期性分析。歷史低頻電氣參數(shù)數(shù)據(jù)是指以采樣頻率為3分鐘一次，連續(xù)采集過去三十天用戶電氣線路當中電流、功率和溫度數(shù)據(jù)。

高頻循環(huán)神經(jīng)網(wǎng)絡(HF-LSTM)是線路快速溫升時采集的高頻數(shù)據(jù)訓練出的模型，其能更好反應氣線路的溫升特性與電氣參數(shù)的關系，挖掘線路的溫升規(guī)律和故障機制。歷史高頻電氣參數(shù)數(shù)據(jù)是線路故障溫升時采樣頻率為一秒一次的高頻電氣參數(shù)數(shù)據(jù)。

上述兩種循環(huán)神經(jīng)網(wǎng)絡結構相似，不同之處在于輸入的參數(shù)不同，分別研究電氣線路溫度隨電氣參數(shù)變化的周期特性和線路的溫升特性。

Figure 5. RNN unit structure diagram

圖5. RNN單元結構示意圖

如圖5所示，矩形框包含一個基本的RNN單元。圖中，χ表示每個單元的輸入向量，包含多維電氣參數(shù)組，包括電壓U、電流I、溫度T。輸入向量的維度為到u，輸出向量的維度為w，隱藏層的維度為v。每個時刻t下的參數(shù)組合表示為：

經(jīng)過歸一化處理后，輸入RNN單元得到x′，然后通過激活函數(shù)計算得到無量綱的激活值h。接著，利用權重矩陣Wu×v將激活值轉換為隱藏層c，表示為：

經(jīng)過一系列門限計算，得到隱藏層的保留值x′′。然后，通過輸出函數(shù)預測下一個時間節(jié)點的歸一化結果y′_n+1，完成一個RNN單元的計算。

隨后，按照滑動窗口方法，依次處理數(shù)據(jù)集中的所有組合，從而得到各個時刻的預測值，每個單元的隱藏層保留值都會參與下一個RNN單元的計算，以便保留多個時刻的溫度變化特征。通過預測溫度與實際溫度計算出均方根誤差RMSE (root mean square error)和損失函數(shù)Loss，計算公式如下：

Q表示單次迭代計算的單元總數(shù)。

初始階段，模型參數(shù)進行初始化，隨后模型通過多輪迭代過程進行訓練，每一輪中模型都會進行前向傳播以生成預測值，并通過計算預測值與真實值之間的Loss及RMSE來評估性能。這些指標用于指導后續(xù)的反向傳播算法調整模型參數(shù)，以減少預測誤差。整個訓練過程重復進行，直到損失函數(shù)的值不再顯著下降或達到設定的迭代次數(shù)，最終模型的性能通過計算其RMSE和相關性能指標來確定。此過程典型地展示了使用梯度下降法優(yōu)化RNN參數(shù)的方法，并通過連續(xù)的性能評估確保模型逐步優(yōu)化。

通過上述模型優(yōu)化原理，將歷史低頻電氣數(shù)據(jù)和歷史高頻電氣數(shù)據(jù)，即過去30天的高低頻數(shù)據(jù)作為輸入訓練得到LF-LSTM和HF-LSTM。

在基于LF-LSTM和HF-LSTM的溫度預測方法中，我們首先通過LF-LSTM模型得到低頻預測結果，通過HF-LSTM模型得到高頻預測結果。最終的預測溫度通過加權計算得到，公式如下：

其中，W_H和W_L表分別是高頻預測結果和低頻預測結果的權重。

權重的計算基于低頻模型的真實溫度值和歷史低頻電氣參數(shù)數(shù)據(jù)中的溫度最大值，以體現(xiàn)當前溫度的風險低頻預測結果權重W_L：

高頻預測結果權重W_H：

式中，T_Lt是指t時刻低頻模型的真實溫度值。Tmax是指t 時刻之前歷史低頻電氣參數(shù)數(shù)據(jù)中的溫度最大值。

這種權重計算方式能夠很好地反映出當?shù)皖l模型預測結果T_Lt在上升時，線路處在高風險狀態(tài)。具體而言，當T_Lt增大時，對應的W_L減小，而W_H增大，這樣可以使得高頻預測結果對最終預測溫度的影響增加，從而提高預測的準確性。

2.5.2. 線路安全系數(shù)

本實驗采用的是分位報警的方法，將預警n分位是指對預測結果總體進行多次抽樣，并計算出相應的統(tǒng)計結果，那么在%的情況下，預測結果都會在該區(qū)間內，分為70%，80%，90%，99%。預警分位是由預測溫度與實際溫度誤差的標準差與概率分布所計算出來的區(qū)間，計算公式如下：

Confidence_Interval_n=T±A_n?Residuals_std    (14)

Confidence_Interval_n是溫度預警n分位，T是預測溫度，A_n是n分位所對應的臨界值，本實驗是基于t分布，所以臨界值可以通過t分布表查詢，Residuals_std是預測誤差的標準方差。

溫度預警分位和真實溫度得到線路安全系數(shù)，當真實值低于預測溫度預警70%分位，則線路安全系數(shù)為良，處于70%分位至80%分位之間為中，處于80%分位至90%分位之間則為差，處于90%分位至99%分位之間為及格，超過99%分位則報警。

3. 系統(tǒng)軟件設計

基于高低頻循環(huán)神經(jīng)網(wǎng)絡的電氣火災預警實施的具體步驟如下：

步驟1，電氣參數(shù)數(shù)據(jù)采集模塊在過去30天，以3 min/次的低頻不間斷采集家庭線路的電流、功率和溫度得到歷史低頻電氣參數(shù)數(shù)據(jù)，當大于0.5時，采集模塊以1 s/次的高頻采集電參數(shù)得到歷史高頻電氣參數(shù)數(shù)據(jù)。步驟2，將得到的歷史高頻電氣參數(shù)數(shù)據(jù)和歷史低頻電氣參數(shù)數(shù)據(jù)輸入循環(huán)神經(jīng)網(wǎng)絡，訓練分別得到HF-LSTM和LF-LSTM。步驟3，分別由HF-LSTM和LF-LSTM得到第31天的高頻預測結果TH和低頻預測結果TL。步驟4，由第31天中t時刻的TL和過去30天歷史低頻電氣參數(shù)數(shù)據(jù)中溫度最大值計算出t時刻TH所對應的權重WH，并計算出高低頻結合預測溫度T。步驟5，根據(jù)預測溫度T與真實值誤差和統(tǒng)計學中置信區(qū)間的計算公式得出溫度預警分位，并比較真實值與溫度預警分位的關系，得到線路火災安全系數(shù)。從而實現(xiàn)火災提前報警。

3.1. 高低頻循環(huán)神經(jīng)網(wǎng)絡設計

電氣參數(shù)數(shù)據(jù)是由采集模塊按照不同頻率采集而來，在采集的過程中會受到環(huán)境的干擾，并且數(shù)據(jù)量總量極大，所以異常數(shù)據(jù)在模型訓練中不容忽視。本實驗采用Hampel過濾器的方法處理異常數(shù)據(jù)，其原理基于中位數(shù)絕對偏差的概念。通過實驗表明，定義窗口大小為7，閾值倍數(shù)為3時，能夠很好的過濾調異常數(shù)據(jù)。

實驗結果表明，采用2層LSTM構建的循環(huán)神經(jīng)網(wǎng)絡，第一層隱藏層節(jié)點數(shù)為20，第二層隱藏層節(jié)點數(shù)為25，時間步長為30，模型學習率為0.01，批量處理大小為32，訓練輪次為40，激活函數(shù)為ReLU，模型具有較好的預測能力。

火災預警時，線路溫度的預測至關重要，如果只是單一地采用低頻模型進行預測對于線路快速溫升所產(chǎn)生的火災預測能力較弱，不能及時分析出線路異常溫升的原因，存在一定的延時性，反之，如果始終采用高頻模型進行預測，那么需要龐大的數(shù)據(jù)量，這會加大數(shù)據(jù)處理難度和增加方案實施的成本，所以我們提出了高低頻結合預測的方法有效的解決了上訴問題，實現(xiàn)對線路溫度的精準預測。

在傳統(tǒng)的火災預警方法中，盡管預測出所需要的參數(shù)值后也無法直觀反應出火災危險等級，這將導致電氣火災預測出的信息出現(xiàn)孤島效應，為克服這一問題，我們提出了分位預警的方法。預警分位通過實際值與預測值之間誤差來體現(xiàn)，提升了電氣火災風險評估的動態(tài)性和風險預測結果的可操作性。

3.2. 硬件部分軟件流程與設計

主控STM2F103C8T6通過MODBUS-RTU協(xié)議與單相交流電測計量模塊通信，通過規(guī)定的協(xié)議讀取不同線圈的參數(shù)可以得到單相交流電測計量模塊測量的電流、電壓、功率的值，讀取ADC的值得到NTC電阻上的電壓值，進而計算出此時NTC的阻值得到相應的溫度。系統(tǒng)剛運行時先按照不同的采樣頻率(低頻3分鐘/次或高頻1秒/次)對電路參數(shù)進行采集然后按照一定的格式將數(shù)據(jù)通過串口傳遞給Air780模塊進行上傳到物聯(lián)網(wǎng)云平臺，決定采樣頻率由本地模型預測得出的危險系數(shù)。本地深度學習模型也是通過MQTT協(xié)議將數(shù)據(jù)傳遞給物聯(lián)網(wǎng)平臺，物聯(lián)網(wǎng)云平臺再云流轉后通過MQTT發(fā)送給Air780E模塊，實現(xiàn)硬件與軟件模型的聯(lián)通。硬件模塊Air780E 4G、阿里云物聯(lián)網(wǎng)平臺、本地模型MQTT部署。硬件模塊Air780E 4G支持LuatOS，可通過Lua語言進行二次開發(fā)。主要任務包括：通過阿里云物聯(lián)網(wǎng)平臺提供的三元組(設備名稱、設備ID、設備密鑰)實現(xiàn)設備與云平臺的安全連接；接收MCU發(fā)送的電路信息，實現(xiàn)有效信息交換；按預設頻率上傳采集數(shù)據(jù)(如傳感器讀數(shù))到指定發(fā)布地址。

在阿里云物聯(lián)網(wǎng)平臺上，設備通過三元組認證并連接到云平臺。平臺簡化了設備管理和數(shù)據(jù)處理流程[14]。開發(fā)者可以創(chuàng)建設備，獲取唯一三元組信息，配置合適的Topic，通過這些Topic進行數(shù)據(jù)上傳和指令下發(fā)，實現(xiàn)設備通信的精細控制。本地模型的MQTT部署采用開源的Paho MQTT庫實現(xiàn)本地數(shù)據(jù)處理和模型推理。通過配置的MQTT客戶端連接到阿里云物聯(lián)網(wǎng)平臺的MQTT服務器，實現(xiàn)消息收發(fā)；發(fā)布設備屬性數(shù)據(jù)，訂閱特定Topic的消息，并進行相應的業(yè)務處理；接收數(shù)據(jù)后，通過本地模型推理或分析，并將結果發(fā)布或傳遞回云平臺實現(xiàn)環(huán)路通信。通過以上三部分的協(xié)同工作，構建了一個完整的物聯(lián)網(wǎng)系統(tǒng)，能夠高效地進行數(shù)據(jù)采集、傳輸和處理，實現(xiàn)硬件設備與云平臺的無縫連接及本地智能處理。硬件系統(tǒng)流程圖如圖6所示。

Figure 6. Hardware system flow chart

圖6. 硬件系統(tǒng)流程圖

4. 系統(tǒng)測試與數(shù)據(jù)分析

在測試之前，首先要對前端硬件采集部分進行部署，將多個大功率電器連接到硬件采集電路上，并長時間運行，模擬電路故障情況。運行采集電路，連接到阿里云，將采集數(shù)據(jù)上傳到阿里云。如圖7所示。

Figure 7. Experimental scene diagram

圖7. 實驗場景圖

4.1. 硬件采集上傳數(shù)據(jù)功能驗證

在阿里云平臺的監(jiān)控平臺，通過預設的物理模型，可以實時查看電流、電壓、功率、溫度四個信息，如圖8所示。

Figure 8. Alibaba Cloud platform receives hardware upload data

圖8. 阿里云平臺接收硬件上傳數(shù)據(jù)

4.2. 本地模型與阿里云互聯(lián)功能驗證

運行本地模型，可以看到本地模型接收到阿里云平臺流轉過來的硬件采集到的數(shù)據(jù)并打印出來，如圖9所示。

Figure 9. The local model receives IOT data

圖9. 本地模型接收物聯(lián)網(wǎng)數(shù)據(jù)

4.3. 電氣線路溫度預測結果準確性驗證

以在實驗室采集的30天數(shù)據(jù)為例進行展示，對電氣線路溫度進行預測，訓練數(shù)據(jù)選取的時間范圍為第17到30天，采用2 d的數(shù)據(jù)預測下一個時間節(jié)點的參數(shù)，預測時間范圍為第19到20天。本文選取典型溫度變化特征的預測結果進行展示，結果如圖10所示。采用LF-LSTM和HF-LSTM相結合的方式可以較準確地預測電氣線路溫度劇烈變化的時間范圍，但溫度預測值也較為準確，測量結果的RMSE值均在0.5℃以下，較為精準。

Figure 10. Comparison of predicted and actual electrical line temperature

圖10. 電氣線路溫度預測值與實際值的對比

4.4. 電氣火災與溫度關系的驗證

通過實驗室模擬電氣線路運行過程，改變導線運行電流，模擬不同負載下線路情況，利用控制變量法進行對照試驗，研究不同電流下、不同溫度下，探討電氣線路(以聚氯乙烯絕緣銅導線為研究對象)在不同負載和環(huán)境溫度條件下的溫度場特性，分析其對電氣火災風險的影響。

實驗使用的導線為BV2.5聚氯乙烯絕緣單芯銅導線其特征參數(shù)可查，查閱BV2.5聚氯乙烯絕緣銅導線的工作手冊可知長時間運行最大電流為30 A，表面最高限定溫度70℃。環(huán)境溫度利用溫度計直接測量，實驗過程中利用空調保持環(huán)境溫度恒定。

實驗測試取電流5 A、10 A、15 A、20 A、25 A、30 A、35 A經(jīng)行實驗研究，測試導線在恒定室溫20攝氏度和26攝氏度下不同電流作用下的表面溫度和形變情況，重點觀察有無溫度突變情況，以及在什么情況下發(fā)生突變。實驗采用一臺能產(chǎn)生低壓大電流的恒流源，可以直接將導線加載到回路中。實驗圖如圖11所示。

Figure 11. Experimental process diagram

圖11. 實驗過程圖

電氣線路通電運行一小時后，電纜溫度場的變化緩慢，溫升較小，電纜溫度場逐步趨于穩(wěn)定；運行兩小時后，導線溫度場處于穩(wěn)定狀態(tài)，基本無變化因此實驗過程中保持導線運行兩小時后再進行導線溫度等數(shù)據(jù)測量。使用NTC測溫儀測量表面溫度10組，求平均值為表面溫度的實測值。測量數(shù)據(jù)見表1。

Table 1. Measured temperature result data

表1. 測量溫度結果數(shù)據(jù)

實驗結果詳細揭示了環(huán)境溫度與電流負載對聚氯乙烯(PVC)絕緣導線表面溫度的顯著影響。在不同條件下，隨著電流增大和環(huán)境溫度升高，導線表面溫度呈顯著上升趨勢，尤其在電流達到20 A時，溫度變化速率加快，導致明顯的溫度突增現(xiàn)象。在20℃環(huán)境下，導線表面溫度最高可達74℃；而在26℃環(huán)境下，表面溫度最高測得81℃，超出安全溫度范圍，且導線發(fā)生了明顯的形變。在高負載電流和高環(huán)境溫度條件下，導線溫度場變化顯著，進一步增加了電氣火災的潛在風險。

根據(jù)《北京市地方標準電氣防火檢測技術規(guī)范》(DB11/065-2010)規(guī)定，PVC絕緣導線的線芯長期運行溫度最高不應超過70℃。然而實驗結果表明，在高負載和高環(huán)境溫度的共同作用下，導線溫度持續(xù)超出該限值，表現(xiàn)出過熱現(xiàn)象。導線溫度長期處于高位不僅會導致導線材料老化、絕緣層受損，進而影響導線的電氣性能，還會導致絕緣層軟化、熔化甚至燃燒，從而引發(fā)電氣火災。

進一步分析實驗結果可以看出，當電流接近最大額定值30 A且環(huán)境溫度升至26℃時，導線表面溫度快速接近極限值，在極端情況下可能超出導線材料的耐溫能力。導線長期處于高溫狀態(tài)將引發(fā)絕緣材料的降解，加速絕緣層的老化，并增加火災隱患。此外，導線的形變也是值得關注的安全問題，其一旦超過安全負荷，可能導致機械性能下降或斷裂，進一步加劇火災風險。

4.5. 預測結果準確性驗證

為深入驗證分位預警功能在電氣線路溫度變化預測及其火災風險評估中的準確性與有效性，我們對第19天至第20天期間的溫度數(shù)據(jù)進行了系統(tǒng)性收集與分析。這一過程包括生成溫度預測值的累積概率分布曲線，以便更好地理解溫度變化的趨勢和潛在風險。通過對比溫度預測與實際測得的溫度數(shù)據(jù)，我們觀察到多條溫度預測的累積概率分布函數(shù)(F曲線)能夠有效覆蓋實際溫度的變化范圍，顯示出較高的擬合度。

在電路滿負荷運轉46分鐘后，發(fā)現(xiàn)溫度出現(xiàn)了顯著的快速上升現(xiàn)象，實際溫度值超出了99%預測曲線的范圍。這一異常情況明確指示出存在較高的火災風險，電路系統(tǒng)因此迅速觸發(fā)了報警機制，以保障設備的安全運行。同時硬件電路通過繼電器切斷電源，蜂鳴器發(fā)出聲音起到提醒作用，OLED屏幕顯示當前線路為危險，如圖12所示。

Figure 12. Hardware circuit alarm cut off circuit

圖12. 硬件電路報警切斷電路

這些實驗結果充分驗證了分位預警功能在識別溫度變化及預測火災風險方面的有效性與準確性。圖13展示了實際溫度與預測溫度的分位曲線圖，而圖14則為快速升溫點的放大視圖。綜上所述，電氣線路實際溫度所處的預警分位及分位的上升速率可以很好地衡量電氣線路的火災。

Figure 13. Temperature quartile graph

圖13. 溫度分位曲線圖

Figure 14. An enlarged view of the rapid heating point

圖14. 快速升溫點的放大圖

5. 結語

為實現(xiàn)電器火災的早期預警與高效識別，本方案采用硬件采集 + 物聯(lián)網(wǎng)平臺 + 本地神經(jīng)網(wǎng)絡模型的模式可以有效解決中國電氣火災防控技術難題。硬件采集安裝電氣火災本質安全保護裝置，能迅速切斷瞬態(tài)電氣火災的發(fā)展路徑。同時，硬件采集變頻采樣并實時回傳數(shù)據(jù)至本地模型，通過模型的強大數(shù)據(jù)挖掘和處理能力計算漸變態(tài)電氣火災風險并進行預警。這種方法結合了兩種方式，為中國電氣火災防治提供了新模式，并為消費物聯(lián)網(wǎng)給出了底層硬件的創(chuàng)新解決方案，提供了一種新的火災預警技術和硬件。

將本文所述的溫度預測方法置于物聯(lián)網(wǎng)平臺的云端綜合處理軟件內，利用平臺存儲的電氣線路關鍵參數(shù)進行電氣火災風險的預測預警。平臺維護期間，通過采集的電氣參數(shù)，挖掘電氣線路溫度變化的周期性規(guī)律和故障特征，對預測模型進行訓練，使其具備不同場景的定量表征能力。平臺工作期間，實時回收關鍵電氣參數(shù)，利用訓練模型對電氣線路溫度進行預測和分位預警，實現(xiàn)對漸變態(tài)電氣火災風險的提前、動態(tài)感知。

NOTES

*通訊作者。