技術(shù)特征：

1.一種變電站的火災(zāi)預(yù)警方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，對所述火災(zāi)隱患數(shù)據(jù)進行歸一化處理，得到歸一化火災(zāi)隱患數(shù)據(jù)，包括：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，在以多模態(tài)融合數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入，通過神經(jīng)網(wǎng)絡(luò)技術(shù)和隨機梯度下降算法，不斷調(diào)整所述神經(jīng)網(wǎng)絡(luò)模型中各層的權(quán)值和閾值的過程中，所述方法還包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，在以多模態(tài)數(shù)據(jù)為基礎(chǔ)對所述歸一化火災(zāi)隱患數(shù)據(jù)進行融合，以識別變電站火災(zāi)隱患，得到多模態(tài)融合數(shù)據(jù)的過程中，所述方法還包括：

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，在以多模態(tài)數(shù)據(jù)為基礎(chǔ)對所述歸一化火災(zāi)隱患數(shù)據(jù)進行融合，以識別變電站火災(zāi)隱患，得到多模態(tài)融合數(shù)據(jù)的過程中，所述方法還包括：

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，在以多模態(tài)數(shù)據(jù)為基礎(chǔ)對所述歸一化火災(zāi)隱患數(shù)據(jù)進行融合，以識別變電站火災(zāi)隱患，得到多模態(tài)融合數(shù)據(jù)的過程中，所述方法還包括：

7.根據(jù)權(quán)利要求1至6中任一項所述的方法，其特征在于，根據(jù)最終神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果和比較結(jié)果，確定是否生成預(yù)警信息，包括：

8.一種變電站的火災(zāi)預(yù)警裝置，其特征在于，包括：

9.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)包括存儲的程序，其中，在所述程序運行時控制所述計算機可讀存儲介質(zhì)所在設(shè)備執(zhí)行權(quán)利要求1至7中任意一項所述的方法。

10.一種變電站的火災(zāi)預(yù)警系統(tǒng)，其特征在于，包括：一個或多個處理器，存儲器，以及一個或多個程序，其中，所述一個或多個程序被存儲在所述存儲器中，并且被配置為由所述一個或多個處理器執(zhí)行，所述一個或多個程序包括用于執(zhí)行權(quán)利要求1至7中任意一項所述的方法。

技術(shù)總結(jié)
本申請?zhí)峁┝艘环N變電站的火災(zāi)預(yù)警方法、裝置、介質(zhì)和系統(tǒng)，該方法通過神經(jīng)網(wǎng)絡(luò)技術(shù)和隨機梯度下降算法，不斷調(diào)整神經(jīng)網(wǎng)絡(luò)模型中各層的權(quán)值和閾值，得到最終神經(jīng)網(wǎng)絡(luò)模型，計算出無火、明火、陰燃火概率及火災(zāi)危害程度，以多傳感器探測參數(shù)及其變化作為火災(zāi)判斷數(shù)據(jù)基礎(chǔ)，依據(jù)光纖的光時域反射和后向拉曼散射溫度效應(yīng)，避免產(chǎn)生BP算法通常存在學習效率低、收斂速度慢、易陷人局部最小狀態(tài)的弊端，最后根據(jù)最終神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果和比較結(jié)果，確定是否生成預(yù)警信息，提高了火災(zāi)預(yù)警的準確度，解決了現(xiàn)有方案的變電站的火災(zāi)預(yù)警方法只能采集單一監(jiān)測參數(shù)，然而單一監(jiān)測參數(shù)的異常并不能充分說明火災(zāi)發(fā)生，從而導致預(yù)警的準確度較低的問題。

技術(shù)研發(fā)人員：林永昌,李新海,周恒,肖星,孟晨旭,曾令誠,池蓮慶,張勇志,張永挺,練志斌,羅其鋒,韓彥微,楊永健,范德和,曾威,謝紹敏,吳棉廷,湯曉暉
受保護的技術(shù)使用者：廣東電網(wǎng)有限責任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6