近年来中国电气火灾事故持续高发^[1]，短期内未得到有效改善。有效识别和表征电气火灾始终是行业内的一大技术难题^[2]。随着消防大数据、物联网和云平台等技术快速发展，火灾风险的动态评估逐渐具有可行性，这对电气火灾风险提前感知产生深远而积极的影响^[3]。本文在文[4]的基础上，提出了一种基于消防大数据的电气火灾风险预测预警方法^[5]，并进一步探明电气火灾关键表征参量的动态预测方法及预测结果与电气火灾风险之间的关系，以期为电气火灾风险的提前、动态感知提供一种新方法。

1 研究现状 1.1 电气火灾的危害性及防控现状

电气火灾发生发展过程极其复杂，前期特征信号微弱，难以被识别，导致其难以被定量化描述^[6]。另外，中国正处在电气系统和设备改造升级的缓冲期，这进一步加大了电气火灾防控的难度^[7]。近十余年火灾统计数据分析发现，中国电气火灾占所有火灾起数的比例最高(见图 1a)，而且长期保持在约30% 的水平(见图 1b)，这造成了大量人员伤亡和财产损失^[8]。

1.2 电气火灾的感知及其表征技术 1.2.1 电气火灾参量的探测感知

电气火灾的发生发展往往伴随电气线路、设备电压、电流、温度、烟气浓度、声和光等信号的变化^[9]。电信号的探测技术起源较早，目前高性能芯片可以准确探测并改变电压、电流和频率等参量^[10]。火灾信号的探测技术起步较晚，常见的有感烟、感温、火焰和气体探测器^[11]。经过长期技术改进，高维度模糊算法、Boltzmann滤波和Bayes推理等各类复杂的数学处理算法被集成于探测器^[12]，火源识别和精准定位^[13]等方面的研究取得长足进步。电气火灾参量探测感知技术的发展确保了电气参数采集准确，为电气火灾的分析提供了较高质量的原始数据支持。

1.2.2 电气火灾的物理特征

根据电气故障致灾过程的时间，可将电气火灾划分为瞬态电气火灾和渐变态电气火灾。前者致灾时间数量级短至秒、微秒甚至更短，后者为分钟、小时、天甚至更长。

瞬态电气火灾的诱发因素多为接触不良、漏电和短路等，表现为电弧放电、发光连接等现象，伴随电气参数和材料性状等特征剧烈变化。对此，王振宇^[14]探讨了电弧放电点火能对引燃周边介质的影响，Zhang等^[15]在实验条件下研究了接触不良导致电气火灾中的发光连接现象，并通过测量材料、环境和电气参数的变化探究了与电气火灾的联系。以上研究解释了电气火灾中各电气参数在不同故障类型下出现高频率变化特征的原因。

渐变态电气火灾的诱发因素多为老化、长期过负荷等，通常表现为线缆或设备温度长期异常。对此，邓文东等^[16]探究了交联聚乙烯电缆在持续过负荷状态下材料的老化行为及其对线路温升特性的影响。雷鸣等^[17]利用有限元法等方式探究了不同导线在不同工况条件下温度场的分布规律，黄雄峰等^[18]利用机器学习的思路提出了线缆温度预测的模型。以上研究总结了电力线缆或电气线路的温度时空变化规律、材料的前后变化及其与其他电气参数的关联，为电气火灾的表征提供了重要的物理依据，但依靠单一物理模型^[19]很难在复杂环境的持续干扰及短时间内充分刻画电气故障与火灾危险性的关系。

1.2.3 电气火灾风险的定量化表征

定量表征电气火灾风险的常用方法是根据采集的多类电气参数，在考虑一定物理意义的基础上，对电气火灾的风险进行推理。

Rose-Pehrsson等^[20]尝试使用神经网络或模糊算法等技术对火灾概率进行推理。张刚等^[21]在此基础上利用多传感器数据融合计算和模糊神经网络对电气火灾的可能性进行推理，提供了电气火灾概率的一类模糊化表征模式。

在安全科学与技术发展的推动下^[22]，风险的定量评估技术在应急管理和防灾减灾工作中发挥了举足轻重的作用。对此，罗东豪等^[23]提出了基于电气参数计算电气火灾风险数值的方法，为电气火灾风险的定量表征提供了思路。

随着深度学习、人工智能等技术快速发展，利用电气火灾的多种特征参量对电气火灾风险进行预测或预警成为可能。余琼芳^[24]考虑了电气参数的频域特征及其对电气火灾的影响，提出基于小波分析的电气火灾预警方法。赵月爱等^[25]提出多元电气参数融合感知与基于长短期记忆(long short-term memory，LSTM) 的电气参数预测模型，实现利用时序特征预测电气参数。以上研究为电气火灾风险的提前感知与预警提供了新思路，但只依赖某几个参量的数据特征对电气火灾危险性进行计算和研判，往往会忽略参量间的物理关联，风险研判结果的准确性和科学性存疑。

1.2.4 大数据技术在电气火灾风险预警领域的应用

大数据、云平台等技术的应用为电气火灾风险的综合防治奠定了硬件基础。谢正荣等^[26]采用数据重构的形式构建了大尺度时间范围内的电气火灾表征参量，并集成于前端探测芯片，有效提高了电气火灾预警的效费比。周克良等^[27]提出电气火灾监测平台中有关数据采集、传输、储存和通信等关键硬件设施的设计思路，为电气火灾预警计算和决策在云平台上的运用提供了解决方案。

1.3 防范电气火灾的新思路

渐变态电气火灾发生过程较漫长，因此有相对充足的时间对火灾风险进行研判。前期低风险状态下，系统低频工作也能实现火灾风险监控。临灾期信号波动频率增大，低频采样容易漏掉大量信息，因而增大系统采样和回传频率，可以充分发挥消防大数据平台的算法处理优势，对火灾风险进行更精准和及时的描述。

采用“前端探测+算法牵引”的方式构建一套电气防火辅助系统，通过深度学习算法挖掘电气火灾关键参量变化规律，揭示参量概率分布的预测方法，根据预测值与实际值的对比结果展现电气火灾风险，以提高风险定量化表征的准确性和及时性，为全面建设消防物联网^[28]奠定平台基础。

2 电气火灾关键表征参量的预测 2.1 渐变态电气火灾特点介绍

传统的电气火灾表征参量阈值预警模式存在不足，仅通过电流、电压、温度和剩余电流等监测值与阈值比较而判断线路火灾危险程度，往往会忽略信息间的时序关联性。阈值报警无法鉴别短暂过阈值是环境干扰还是存在真实的火灾风险(见图 2a)；长期临近阈值状态也不能排除火灾风险存在(见图 2b)。但在实际工作中，将设定的阈值作为报警的唯一标准并不科学，甚至会导致大量误报和漏报。

事实上，电气系统长期过负荷运行会导致电气线路出现持续的不可逆破坏，线路的超负荷承载能力逐渐减弱^[29]，以致失效，进而出现线路温度不受控的上升状态，最终导致发生渐变态电气火灾。这类电气火灾发生过程通常较缓慢，电气参数与用电行为呈现相似的变化规律。低功率用电状态下，线路温度长期处于低位，故障的特征信号被掩盖而难以被识别。高功率用电状态下，线路温度突变，探测器过低的数据回传频率使后台无法捕捉线路的灾变趋势。

2.2 电气线路温度预测原理

准确并及时表征电气线路超温故障火灾风险，需要解决以下问题：1) 判断电气线路是否处于高风险的用电期；2) 如何提前感知电气火灾关键表征参数的大致范围；3) 找到电气参数值与火灾风险的对应关系。

温度是衡量电气线路是否处于火灾危险状态的关键参量。温度何时出现大幅波动取决于用电状态何时大幅改变。大功率用电状态下，电气线路温度振荡的详细规律由用电行为、电气系统所处状态和环境共同决定。对此，按照图 3方式，在消防大数据平台系统上建立电气线路预测预警算法，利用电压、电流、温度和剩余电流等参数预测温度。利用6 min/组的低频率电气参数历史数据，对用电规律和温度变化进行周期性分析，确定线路温度开始出现振荡的时间范围；为探究线路的温升规律和故障机制，采用实验的方式创造电气线路超温故障，同时调高系统采样和回传频率，通过1 s/组的高频电气参数挖掘线路的温升规律和超温故障特性；利用频率低的电气参数历史数据和频率高的临灾数据实现电气线路温度的准确预测。

2.3 预测模型框架

实际情况下，电气线路温度振荡的详细规律由用电行为、电气系统所处状态和环境的复杂作用决定，预测参量及其影响因素都表现出显著的时序特性，循环神经网络(recurrent neural network，RNN)对这类预测问题的处理效果较好^[30]。对此，构造低频电气参数的循环神经网络(recurrent neural network for low-frequency data，LF-RNN)和高频电气参数的循环神经网络(recurrent neural network for high-frequency data，HF-RNN)，分别研究电气线路温度随电气参数变化的周期特性和线路的温升特性。

上述2种循环神经网络要素相同，如图 4a所示，矩形框包括一个RNN基本单元。图中，χ为每个单元的输入向量多维度电气参数组，为电压U、电流I、温度T和剩余电流RI的集合；u为输入向量维度，w为输出向量维度，v为隐藏层维度。每个时刻t下的参数组合表示如下：

$ \boldsymbol{\chi}_{t}=\left[U_{t}, I_{t}, T_{t}, \mathrm{RI}_{t}\right] . $

(1)

归一化后输入RNN单元得到χ′，经激活函数计算后得到无量纲的激活函数值h，然后通过权重矩阵W_u×v转换为隐藏层c, 表示如下：

$ \left[\boldsymbol{c}_{1}, \boldsymbol{c}_{2}, \cdots, \boldsymbol{c}_{v}\right]=\left[\boldsymbol{h}_{1}, \boldsymbol{h}_{2}, \cdots, \boldsymbol{h}_{u}\right] \cdot W_{u \times v} . $

(2)

通过一系列门限计算得到隐藏层保留值χ″; 通过输出函数得到输入集下一个时间节点预测值的归一化结果y′_u+1，从而完成一个RNN单元计算；接下来，再按图 4b展示的滑动窗口依次计算数据集内所有集合，并得到响应时刻的预测值。图 4b中，N表示计算网络单元，计算过程中每个单元隐藏层的保留值均参与下一个RNN单元的计算，从而保留多个时刻温度变化的特征。计算完成后，根据预测值y′与实际值y的关系计算该轮循环的损失函数D_Loss和方均误差(root mean square error，RMSE)^[31]函数D_RMSE，分别表示如下：

$ D_{\text {Loss }} =\frac{1}{2}\left(\boldsymbol{y}^{\prime}-\boldsymbol{y}\right)^{\mathrm{T}}\left(\boldsymbol{y}^{\prime}-\boldsymbol{y}\right), $

(3)

$ D_{\mathrm{RMSE}} =\sqrt{\frac{1}{Q}\left(\boldsymbol{y}^{\prime}-\boldsymbol{y}\right)^{\mathrm{T}}\left(\boldsymbol{y}^{\prime}-\boldsymbol{y}\right)} . $

(4)

其中：D_Loss采用平方损失函数，Q表示单次迭代计算的单元总数。由此完成单次循环内所有时间节点计算和温度预测，然后按照图 4c流程，以RMSE最小值为目标对模型进行优化。图 4c中，η表示学习效率；L表示训练次数，L_s表示第s次迭代的训练次数，下标0表示迭代初始步，其他带下标的字母同理。

采用超参数遍历^[32]的方法找到RMSE极优条件下对应的模型参数组合Θ^*，表示如下：

$ \boldsymbol{\varTheta}^{*}=[L, u, v, w, \eta]_{\min \mathrm{RMSE}} . $

(5)

2.4 样本数据

模型训练数据来源于一起发生于河北唐山某大型商铺的真实电气火灾案例。低频电气参数采集自安装在该商铺的多功能电气火灾监测装置；高频数据来源于对该商铺的故障模拟，通过加载阻性负载产生线路温升过程并高频采集电气参数，如表 1所示。表中低频数据和高频数据分别用于LF-RNN模型和HF-RNN模型训练，2类数据均通过消防大数据平台回收，导出后进行模型计算。其中HF-RNN训练，电参数需要转换为1 Hz的有效值；LF-RNN训练采用6 min^-1频率的数据，即在表 1中为2.78×10^-3 Hz。

2.5 预测效果

采用LF-RNN模型挖掘电气线路温度变化的周期性规律，利用表 1中的L类电气参数得到低频数据下模型的最优结构，对应参数组合Θ_LF^*，低频电气参数预测输入输出模式表示如下：

$ \boldsymbol{\chi}_{\mathrm{LF}} \rightarrow \boldsymbol{N}_{\mathrm{LF}}\left(\boldsymbol{\varTheta}_{\mathrm{LF}}^{*}, \boldsymbol{W}_{\mathrm{LF}}\right) \rightarrow T_{\mathrm{LF}}. $

(6)

其中：N_LF表示6 min/组低频电气参数下的电气线路温度预测模型；χ_LF、W_LF和T_LF分别表示LF-RNN预测模型中的输入参数组、权重矩阵和温度的单步长预测结果。

在高频数据下，电气参数存在更显著的物理关联，因此需要探究电气线路的温升特性与电气参数的关系。基于表 1中的H类电气参数，采用相同的优化方法得到最优参数组合Θ_HF^*，高频电气参数预测输入输出模式表示如下：

$ \boldsymbol{\chi}_{\mathrm{HF}} \rightarrow \boldsymbol{N}_{\mathrm{HF}}\left(\boldsymbol{\varTheta}_{\mathrm{HF}}^{*}, \boldsymbol{W}_{\mathrm{HF}}\right) \rightarrow T_{\mathrm{HF}} . $

(7)

其中：N_HF表示1 Hz高频电气参数下的电气线路温度预测模型；χ_HF、W_HF和T_HF分别表示HF-RNN预测模型中的输入参数组、权重矩阵和温度的单步长预测结果。

采用N_LF模型进行温度变化大致时间范围预测，N_HF模型进行温度变化详细规律预测，以6 min^-1的频率反馈预测数据。以上述河北唐山的真实电气火灾为例进行展示，对灾前的电气线路温度进行预测，训练数据选取的时间范围为1月17—31日，采用2 d的数据预测下一个时间节点的参数，预测时间范围为1月19—31日。本文选取典型温度变化特征的预测结果进行展示，结果如图 5所示。结果表明：采用LF-RNN和HF-RNN相结合的方式可以较准确地预测电气线路温度剧烈变化的时间范围，但温度预测值相对滞后于实际值的变化，对峰值的预测能力相对较差。1月19—22日预测结果的RMSE值均在4~5 ℃范围。较大的RMSE值导致RNN模型无法准确、及时预测电气线路温度值，因此需要分析误差来源并控制误差，修正预测温度与实际温度在时间上的偏差，进而实现火灾风险提前、准确感知。

3 电气火灾风险预警 3.1 温度预测的概率分布

为控制预测误差，同时找到预测值与电气线路火灾风险的关系，需要探究温度预测结果的概率分布及其与风险值的关系。事实上，利用RNN预测温度的变化过程，表示如下：

$ T_{\varphi}^{\prime}=\hat{R}\left(\left[\boldsymbol{\chi}_{\varphi-u}, \cdots, \boldsymbol{\chi}_{\varphi-2}, \boldsymbol{\chi}_{\varphi-1}\right], \boldsymbol{\varTheta}\right)+\varepsilon_{R}+\varepsilon . $

(8)

其中：T′_φ表示第φ个时刻的温度预测值；$ \hat{R}$表示RNN模型对温度的预测估计，中括号内表示φ-u至φ-1时刻范围内的模型输入物理参数组；Θ表示模型参数组，是式(5)的一般情况；ε_R表示模型误差，当Θ →Θ^*时，ε_R→0；ε表示其他干扰产生的误差，在模型完全准确预测的前提下应趋于正态分布。

模型的预测值与实际值的误差即残差值，由式(8)等式右边第1项与等式左边项的差值表示，衡量这一误差平均统计水平的RMSE值普遍位于图 5所示的4~5 ℃范围。为探究其影响因素，对误差进行估计，表示如下：

$ \begin{gather*} T_{\varphi}^{\prime}=\widehat{R}\left(\left[\boldsymbol{\chi}_{\varphi-u}, \cdots, \boldsymbol{\chi}_{\varphi-2}, \boldsymbol{\chi}_{\varphi-1}\right], \boldsymbol{\varTheta}\right)+ \\ \widehat{{\zeta}_{R}}\left(\lambda_{\varphi}, \boldsymbol{\varXi}\right)+{\zeta}_{\varepsilon} . \end{gather*} $

(9)

其中：$ \widehat{\zeta_{R}}$表示对RNN模型误差的估计函数；λ_φ表示与模型残差有关的时序特征；Ξ表示λ_φ的参数估计；ζ_ε表示温度预测误差的剩余部分，即温度二阶残差^[33]。

通过分析图 5的温度预测值与实际值在时间上的关系，发现温度突变处的温度预测出现迟滞效应，从而导致出现误差。为此，探究温度在一定时间窗长τ内的实际温度T的累积变化值与残差的关系，温度的累积变化值表示如下：

$ \begin{equation*} \vartheta_{\varphi}^{\tau}=\sum\limits_{k=1}^{\tau}\left(T_{\varphi-k+1}-T_{\varphi-k}\right) . \end{equation*} $

(10)

其中：ϑ_φ^τ为第φ时刻的前τ时间步骤范围内的温度累积变化值；T_φ-k表示在第φ时刻前的第k时间窗长的前时刻实际温度值，T_φ-k+1为该窗长的后时刻温度值。研究发现：当τ =3时, ϑ_φ^τ呈现较显著的线性关系, 如图 6所示。

对模型残差进行修正：

$ \widehat{\zeta_{R}}=\zeta_{R}\left(\vartheta_{\varphi}^{3}, \boldsymbol{\varXi}^{\circ}\right)+\zeta_{\varepsilon} . $

(11)

其中：Ξ°表示基于ϑ_φ³估计温度残差的模型参数，为线性方程的系数向量，即图 6所示的线性拟合一次项和常数项系数可表示为：

$ \boldsymbol{\varXi}^{\circ}=\left[\begin{array}{l} -0.751\;3 \\ -1.023\;4 \end{array}\right]. $

(12)

式(9)和(11)的形式确定后，对温度预测概率分布的研究实际转化成对温度二阶残差ζ_ε的分析。考虑温度残差线性回归采用最小二乘法^[34]进行，预测损失机制为平方损失函数^[35]，模型误差项主要受一阶导函数影响，因此对式(11)在Ξ°处进行一阶Taylor展开，表示如下：

$ \widehat{\zeta_{R}}=\zeta_{R}\left(\vartheta_{\varphi}^{\tau}, \boldsymbol{\varXi}^{\circ}\right)+\nabla_{\zeta, \varXi^{\circ}} \cdot\left(\boldsymbol{\varXi}-\boldsymbol{\varXi}^{\circ}\right)+\varepsilon_{\varXi, \varphi}+\zeta_{\varepsilon}. $

(13)

其中：ε_{Ξ, φ}表示ζ_R关于Ξ一阶Taylor展开的截断误差，∇_{ζ, Ξ°}表示ζ_R对Ξ偏微分在Ξ°处的值。

由此表达自由度ϱ、显著水平α下φ时刻关于ζ_ε的t分布置信区间上下限，表示如下：

$ \begin{gather*} \mathrm{CI}_{\zeta_{\varphi}, \alpha}=\hat{\zeta}_{\varepsilon, \varphi} \pm \\ t_{ϱ}^{1-\frac{\alpha}{2}} S \sqrt{1+\left(\nabla_{\zeta, \boldsymbol{\varXi}^{\circ}}\right)^{\mathrm{T}} \hat{\zeta}_{\varepsilon, \varphi}\left(\boldsymbol{J}^{\mathrm{T}} \boldsymbol{J}\right)\left(\nabla_{\zeta, \boldsymbol{\varXi}^{*}}\right) \hat{\zeta}_{\varepsilon, \varphi}} . \end{gather*} $

(14)

其中：$ t_{ϱ}^{1-\frac{\alpha}{2}}$表示自由度ϱ的t分布$ 1-\frac{\alpha}{2}$分位对应的标准值；S表示温度残差标准差的观测值；J表示温度残差估计$ \hat{\zeta}_{\varepsilon, \varphi}$关于Ξ的Jacobian矩阵^[36]；CI_{ζφ, α}表示φ时刻温度残差正态分布在α下的置信区间上下限。

本文样本为大数据级别，在ϱ极端大的情形下，t分布由中心极限定理^[37]近似认为是Z分布。分别令α=0.02, 0.04, 0.06, …, 0.98，可计算得到每个时间点置信水平在0.98, 0.96, 0.92, …, 0.02下ζ_ε置信区间上下限，分别对应累积概率分布的$ 1-\frac{\alpha}{2}$和$ \frac{\alpha}{2}$。由式(9)、(11)和(14)联合表示温度预测值与温度二阶残差值的一一对应关系，表示如下：

$ \begin{gather*} T_{\varphi, \alpha}^{\prime}=\boldsymbol{R}\left(\left[\boldsymbol{\chi}_{\varphi-u}, \cdots, \boldsymbol{\chi}_{\varphi-2}, \boldsymbol{\chi}_{\varphi-1}\right], \boldsymbol{\varTheta}^{\circ}\right)+ \\ \zeta_{R}\left(\vartheta_{\varphi}^{3}, \boldsymbol{\varXi}^{\circ}\right)+\mathrm{CI}_{\zeta_{\varphi, \alpha}} . \end{gather*} $

(15)

其中：Θ°表示RNN网络参数以RMSE最小为目标的一组临近最优值。因此，某个时刻温度预测值上下限对应的累积概率分布也应一一对应于温度二阶残差的上下限，二者均服从正态分布，表示如下：

$ \begin{align*} & F_{\text {up }}\left(T_{\varphi, \alpha}^{\prime}\right)=F_{\text {up }}\left(\mathrm{CI}_{\zeta_{\varphi, \alpha}}\right)=\max \left\{1-\frac{\alpha}{2}, \frac{\alpha}{2}\right\}, \\ & F_{\text {low }}\left(T_{\varphi, \alpha}^{\prime}\right)=F_{\text {low }}\left(\mathrm{CI}_{\zeta_{\varphi, \alpha}}\right)=\min \left\{1-\frac{\alpha}{2}, \frac{\alpha}{2}\right\} . \end{align*} $

(16)

其中：F_up和F_low分别表示正态分布概率上限值和下限值。式(15)和(16)表达了电气线路温度的概率分布预测法。按照上述流程，对真实电气火灾数据的温度值进行重新预测并得出结果。参与概率计算的数据时间范围为1月17—31日，数据计时起点为1月17日0 ∶ 00。得到的概率预测结果时间范围为1月19—31日。截取温度变化显著的时间范围以考察模型对温度变化的预测能力，并以1月19—22日的温度概率预测进行展示。其中，1月19日对应的时间范围为48—72 h，得到的结果如图 7所示。

由图 7可知，在误差修正机制下，温度预测值的迟滞现象得到改善。温度预测累积概率分布的1% 分位和99% 分位对实际温度有良好的覆盖效果。不同概率的温度预测曲线构成了多条“动态阈值”曲线，充分利用温度不同的概率分布与实际温度的关系可以灵活处理电气火灾的预警问题，从而规避图 4中传统电气火灾预警阈值设置不能反映真实电气线路火灾风险的问题。

3.2 电气火灾风险的分位预警

通过式(15)和式(16)能表达电气线路温度预测的概率分布情况，对实际温度值也有较好的覆盖效果，但是当线路温度变化过快时，由式(11)决定的温度预测补偿难以较好地修正温度预测的迟滞效应。事实上，这一整套预测模型同时加入了历史数据的LF-RNN模型和反映电气线路温升特性的HF-RNN模型的特征，理论上能较好地预测温度变化。然而图 7表明，温度变化过快导致预测模型无法充分预计电气线路温度上升，从而出现温度预测值在温度突变点低于实际温度值的情况，这说明电气线路处于较高的火灾高风险状态，该状态超出了预期。为探究这种超出预期的风险与温度预测概率分布的关系，分别选取19—22日这4 d中温度突变的时间段，具体分析温度预测概率与实际温度的关系，结果如图 8所示。

由图 8可知，多条温度预测累积概率F曲线组成了多个条带。F对应图 8中1%，10%，…，99%等多个取值，该曲线在某时刻的温度预测值含义为：温度预测值从绝对低温到该温度的累积概率为F，F值越小的曲线表示温度低于这条曲线的概率越小，而F值越大的曲线表示温度高于这条曲线的概率也越小。

当实际温度值显著高于某条F值较大的预测曲线时，电气线路出现超出预期的温升状态，图 8显示的1月19日约6∶00开始出现快速升温即是此种情况，实际温度值罕见地超过F为99%的温度预测曲线，表明该时间段的电气线路为高火灾风险的状态。当实际温度值显著低于某条F值较小的预测曲线时，预测模型过高地估计了线路温度的上升，这种情况通常发生在温度突变点之后，由式(11)所示的温度预测补偿机制决定，1月19日6∶30以后的温度预测结果就属于这种情况。除此之外，温度预测的概率分布范围都能较好地覆盖实际温度变化，1月20—22日的温度预测属于此种情况。

从上述案例不难看出，通过比较不同F值对应的温度预测曲线与实际温度曲线的关系，对电气线路火灾风险的表征效果较好。为此，将F值称为预警分位，F值对应的曲线称为预警分位曲线；比较预警分位曲线与实际温度的大小，将电气线路火灾风险状态进行预警的模式定义为分位预警。为了测试不同分位的温度预测曲线对实际温度的预测效果，详细对比了本文真实电气火灾案例2 943组数据不同预警分位曲线与实际温度曲线的关系，定义温度预测值高于实际值(5 ℃)的情况为过高估计，低于实际值的情况为过低估计，结果如表 2所示。结果表明，在预警分位为10%~30%时，电气线路预测值过度高于或过度低于实际值的发生概率均较低。事实上，图 7中温度实际值也多位于10% 预警分位曲线与30% 预警分位曲线之间。此时电气线路处在相对较低的火灾风险水平，该区间范围内的预警分位曲线能够充分估计电气线路的温度变化情况；而每当电气线路温度快速上升时，实际温度值通常从低于30% 的预警分位快速上升至更高的分位附近，在极端情况下甚至超过99% 的预警分位，此时电气线路处于较高的火灾风险状态，这符合实际情况。

综上所述，电气线路实际温度所处的预警分位及分位的上升速率可以很好地衡量电气线路的火灾风险大小。

3.3 展望与建议

采用“前端探测+算法牵引”的模式可以解决当前中国的电气火灾防控技术难题。一方面，在前端探测器安装电气火灾本质安全保护装置切断瞬态电气火灾发生发展途径；另一方面，通过前端探测器变频采样，实时回传至大数据平台，并利用大数据平台强大的数据挖掘和处理能力计算渐变态电气火灾风险，并进行预警。将以上2种方式相结合的做法为中国电气火灾防治的提供了一种新模式，同时为今后消防物联网的全面建设奠定了理论、技术和硬件基础。

将本文所述的温度预测方法置于大数据平台框架的云端综合处理软件内，使用平台存储电气线路或系统的关键参数，进行电气火灾风险的预测预警。在平台维护期间，充分利用采集的电气参数，挖掘电气线路或系统温度变化的周期性规律和故障特征，对预测模型进行训练，使其具备不同场景的电气火灾风险提前定量表征能力。在平台工作期间，实时回收关键电气参数，并利用训练模型对不同场景下的电气线路或系统的温度进行预测和分位预警，可以实现对渐变态电气火灾风险的提前、动态感知。

4 结论

本文分析了电气火灾防治技术的研究现状，总结“前端探测+算法牵引”的电气火灾风险预警新思路，具体如下：

1) 分析了渐变态电气火灾的特点，并在此基础上提出基于大数据的电气线路超温预故障火灾风险预警方法；构建了基于RNN模型的电气参数预测模型，利用真实电气火灾案例中的数据对模型进行训练，通过高频电气参数和低频电气参数分别训练HF-RNN和LF-RNN模型，挖掘电气线路温度变化的周期特性和线路温升故障特性，同时运用2种模型对电气线路的温度进行预测。

2) 分析了温度预测的误差来源，构建基于温度二阶残差正态分布的温度概率分布预测模型，得到的温度概率分布范围可实现对实际温度的良好覆盖效果。

3) 提出了预警分位的概念，利用实际温度与预警分位曲线的关系阐明电气线路的火灾风险特性，实现电气线路火灾风险的分位预警。在一定程度上克服了传统电气火灾阈值报警的信息孤岛效应，提升了电气火灾风险评估的动态性和风险预测结果的可操作性。