本发明涉及电力工程，具体为一种基于深度学习的电力作业风险判别方法及系统。
背景技术：
1、电力作业是指在电力系统中进行设备安装、调试、检修和运行等一系列活动。这些活动通常包括发电、输电和配电以及电力设备的维护和修理。电力作业涉及广泛的技术和专业知识，操作人员需要对电力系统的功能和安全操作有深入的理解。电力系统的稳定和效率直接关系到国民经济和社会生活的正常运行，因此，确保电力作业的安全和高效是极其重要的。
2、电力作业风险主要包括电击、设备故障、操作错误和自然灾害影响等。对于电力作业风险进行判别主要目的在于提前发现潜在的危险，从而采取预防措施，避免事故的发生。通过有效的风险判别，可以保护作业人员的生命安全，防止财产损失，同时确保电力供应的稳定性和可靠性。
3、传统的电力作业风险判别方法主要在于定期的设备检查。这种方法虽然在一定程度上能够防范事故的发生，但仍然存在许多不足。例如，定期检查无法覆盖所有设备的所有运行时刻，难以做到全面监控。此外，随着电力系统的规模扩大和设备的复杂化，传统方法更是显得力不从心，无法满足高效和精确管理的需求。
4、现有的电力作业风险判别方法多依赖于技术监测和数据分析。监控系统广泛应用于实时监测设备状态和作业环境，通过收集数据如电流、电压、温度等参数，利用预设的阈值进行异常检测。数据分析方法，尤其是基于机器学习的模型，能够从历史事故数据中学习并预测潜在风险，实现风险的早期判别。此外，模拟和数字孪生技术也被用于模拟电力系统操作，通过虚拟环境预测风险并测试不同的应对策略。这些方法提高了风险管理的准确性和效率，为电力作业安全提供了坚实的技术支持。
5、例如，现有技术申请号为cn202011508995.4的中国专利公开了一种电力行业现场作业风险管控系统，首先，通过建立全面的现场作业风险项目台账，对重大风险因素进行系统判别和实时监控，进一步通过制定和实施针对性的预防性维保措施，强化了风险管理。该方法有效整合了风险预警、前期风险教育、现场预防性维护以及施工后的总结，确保每一个作业环节都受到严格监控和管理。通过这种方法，管理者能够及时获得重要的风险信息，提前采取措施预防事故发生，确保电力作业的安全性。此外，在申请号为cn202310655491.2的中国专利公开了一种电力作业风险的预警系统，包括电力作业单风险分析模块和预警分析模块，以实现对电力作业单的全面风险管理。电力作业单获取模块负责收集作业单并传递至风险分析模块，后者深入分析这些作业单，判别潜在风险要素及相关历史事故信息，并形成风险汇集表。此表随后发送至预警分析模块，该模块利用历史数据进行风险排查并发出相应预警。这一系统不仅支持对电力作业单的即时风险分析和预警，还允许进行长期的系统性风险评估，从而使工作人员能够从短期和长期的角度有效管理作业风险，极大提高了电力作业的安全性和效率。然而，现有的电力作业风险判别方法未能考虑结合多源数据融合进行实时深度学习分析，同时缺乏对于操作人员行为和状态的全面监控，这导致在处理复杂和动态环境中的适应性和预测精度上存在不足。
6、为此，提出一种基于深度学习的电力作业风险判别方法及系统。
技术实现思路
1、本发明的目的在于提供一种基于深度学习的电力作业风险判别方法及系统。首先，对多源数据进行采集，多源数据包括第一数据、第二数据、第三数据和第四数据；然后，对多源数据进行预处理，获取第一处理数据、第二处理数据、第三处理数据和第四处理数据；进一步，将第一处理数据和第二处理数据进行拼接得到第一拼接数据，将第三处理数据和第四处理数据进行拼接得到第二拼接数据；最后，将第一拼接数据和第二拼接数据输入到所述风险判别模型中，依次通过特征分析层、特征融合层和风险判别层，以获得最终的风险判别结果。这一过程旨在系统地评估和判别潜在的电力作业风险，确保操作的安全性。
2、为实现上述目的，本发明提供如下技术方案：
3、一种基于深度学习的电力作业风险判别方法，包括：
4、对多源数据进行采集；所述多源数据包括第一数据、第二数据、第三数据和第四数据；
5、对所述多源数据进行预处理，得到第一处理数据、第二处理数据、第三处理数据和第四处理数据；
6、将所述第一处理数据和所述第二处理数据进行拼接，得到第一拼接数据；
7、将所述第三处理数据和所述第四处理数据进行拼接，得到第二拼接数据；
8、构建风险判别模型，将所述第一拼接数据和所述第二拼接数据输入到所述风险判别模型中，依次通过特征分析层、特征融合层和风险判别层，获取风险判别结果；
9、所述特征分析层用于分别对所述第一拼接数据和所述第二拼接数据进行特征提取和训练，得到第一分析特征向量和第二分析特征向量；
10、所述特征融合层将所述第一分析特征和所述第二分析特征进行融合，得到综合分析特征；所述综合分析特征用于为最终的风险判断提供依据；
11、所述风险判别层根据所述综合分析特征对电力作业风险进行判别，输出所述风险判别结果；所述风险判别结果为电力作业风险为低风险、中风险和高风险的概率值；
12、收集历史电力作业风险数据，构建电力作业风险数据集；所述电力作业风险数据集用于对所述风险判别模型进行模型训练。
13、所述第一数据为操作数据，包括操作人员上岗的视频数据，通过摄像头进行获取，用于分析操作人员的安全设备佩戴情况；所述第二数据为人员数据，包括操作人员的心率数据和是否饮酒状态；所述第二数据通过穿戴设备来获取；所述第三数据为设备数据，包括设备的电压、电流和温度；所述第三数据通过传感器实时获取；所述第四数据为环境数据，包括是否下雨、温度数据和湿度数据。
14、所述对所述多源数据进行预处理的具体步骤包括：
15、从所述第一数据中提取关键帧，所述关键帧为操作人员工作区域的帧；对所述关键帧进行尺寸调整和灰度化处理；应用边缘检测图像处理技术对所述关键帧进行判别并标记安全装备的穿戴情况，得到所述第一处理数据；所述安全装备包括安全帽、绝缘手套和安全绳；
16、对所述第二数据进行数据清洗，检查并修正异常值或缺失数据；
17、将所述第二数据中的心率数据归一化到0至1中，得到预处理心率数据；
18、将所述第二数据中的饮酒状态转换为二元特征，使用0和1表示，得到预处理饮酒状态；所述0和1分别表示未饮酒和已饮酒；
19、将所述预处理心率数据和所述预处理饮酒状态进行拼接，得到所述第二处理数据；
20、对所述第三数据进行所述数据清洗，检查并修正异常值或缺失数据；
21、使用巴特沃斯滤波器去除电压和电流数据中的高频噪声；
22、对所述第三数据进行归一化处理；
23、将设备的电压、电流和温度进行拼接，得到所述第三处理数据；
24、将是否下雨转换为二元特征，使用0和1表示，所述0和1分别表示未下雨和下雨；
25、对温度数据和湿度进行所述数据清洗和所述归一化处理；
26、将所述是否下雨、所述温度数据和所述湿度数据进行拼接，得到所述第四处理数据。
27、所述特征分析层包含第一网络结构、第二网络结构和多风险交互注意力机制；所述第一网络结构和第二网络结构均为lstm网络结构；其中，所述第一网络结构用于对所述第一拼接数据进行分析，得到第一分析特征；第二网络结构用于对所述第二拼接数据进行分析，得到第二分析特征；所述第一分析特征和所述第二分析特征经过所述多风险交互注意力机制的处理，得到所述第一分析特征向量和所述第二分析特征向量；
28、所述多风险交互注意力机制的处理过程包括：
29、首先，生成交互矩阵，具体公式为：
30、
31、然后，计算注意力分数，具体公式为：
32、aij＝vtσ(iij+ui+uj)；
33、进一步，规范化注意力权重，具体公式为：
34、
35、最后，再进行特征融合，具体公式为：
36、
37、其中，表示特征拼接，用于将不同来源的特征向量拼接在一起；wij是可学习的权重矩阵，针对每一对特征组合定制；bij是偏置项，用于调整交互矩阵的输出；fi和fj分别是不同网络结构处理后的特征；v是全局权重向量，用于将交互矩阵转换为标量注意力分数；σ是激活函数；ui和uj是与特征fi和fj相关的偏置向量；fi·fj表示两个特征的元素乘积。
38、所述对所述风险判别模型进行模型训练的具体过程包括：
39、收集数据：从所述历史电力作业风险数据中收集5000条历史电力作业风险数据；所述历史电力作业风险数据包括所述第一数据、所述第二数据、所述第三数据和所述第四数据；
40、数据标记：标记所述历史电力作业风险数据对应的风险判别结果；所述风险等级根据所述风险判别结果来确定；所述风险等级包括1、2和3，分别对应低风险、中风险和高风险；
41、数据预处理：对所述第一数据、所述第二数据、所述第三数据和所述第四数据分别进行预处理操作；
42、将所述5000条所述历史风险数据按照7:3的比例划分为训练集和验证集；
43、通过所述训练集对所述风险判别模型进行训练；通过所述验证集对所述风险判别模型进行验证和优化。
44、所述模型训练包括优化损失函数，所述优化损失函数的公式为：
45、
46、其中，c为类别总数，在风险判别中，包括无风险、低风险、中风险和高风险；wc为类别c的权重；yc是一个独热编码的标签，当样本实际属于类别c，yc为1，否则yc为0；pc为模型预测样本属于类别c的概率；yc+1是为了计算顺序损失而转换的类别标签，如果样本实际类别大于等于c+1，则为1，否则为0；λ是调节参数。
47、一种基于深度学习的电力作业风险判别系统，包括：
48、数据采集单元，用于获取第一数据、第二数据、第三数据和第四数据；
49、数据处理单元，用于对所述第一数据、所述第二数据、所述第三数据和所述第四数据分别进行预处理操作，得到第一处理数据、第二处理数据、第三处理数据和第四处理数据；
50、数据拼接单元，用于将第一处理数据和第二处理数据进行拼接，得到第一拼接数据；将第三处理数据和第四处理数据进行拼接，得到第二拼接数据；
51、数据分析单元，构建风险判别模型，用于对所述第一拼接数据和所述第二拼接数据进行分析，得到风险判别结果。
52、所述第一数据为操作数据，包括操作人员上岗的视频数据，通过摄像头进行获取，用于分析操作人员的安全设备佩戴情况；所述第二数据为人员数据，包括操作人员的心率数据和是否饮酒状态；所述第二数据通过穿戴设备来获取；所述第三数据为设备数据，包括设备的电压、电流和温度；所述第三数据通过传感器实时获取；所述第四数据为环境数据，包括是否下雨、温度值和湿度值。
53、对所述风险判别模型进行模型训练的具体过程包括：
54、收集数据：从历史电力作业风险数据中收集5000条历史电力作业风险数据；所述历史电力作业风险数据包括所述第一数据、所述第二数据、所述第三数据和所述第四数据；
55、数据标记：标记所述历史电力作业风险数据对应的风险判别结果；所述风险判别结果包括1、2和3，分别对应低风险、中风险和高风险；
56、数据预处理：对所述第一数据、所述第二数据、所述第三数据和所述第四数据分别进行预处理操作；
57、将所述5000条所述历史风险数据按照7:3的比例划分为训练集和验证集；
58、通过所述训练集对所述风险判别模型进行训练；通过所述验证集对所述风险判别模型进行验证和优化。
59、所述模型训练包括优化损失函数，所述优化损失函数的公式为：
60、
61、其中，c为类别总数，在风险判别中，包括低风险、中风险和高风险；wc为类别c的权重；yc是一个独热编码的标签，当样本实际属于类别c，yc为1，否则yc为0；pc为模型预测样本属于类别c的概率；yc+1是为了计算顺序损失而转换的类别标签，如果样本实际类别大于等于c+1，则为1，否则为0；λ是调节参数。
62、与现有技术相比，本发明的有益效果为：
63、1、本发明通过采集多源数据对电力作业风险进行分析，为电力作业风险判别提供了一种全面分析的视角，通过整合操作数据、人员数据、设备数据和环境数据，本方法能够全方位地评估风险因素，从而提供更为精准的风险预测。这种综合分析方法使得风险评估不仅限于单一视角，而是通过多维度的交叉验证，大幅提高了风险判断的可靠性和准确性。
64、2、本发明在特征分析阶段，利用两个lstm网络结构分别对第一拼接数据和第二拼接数据进行细致分析，有效的捕捉了数据中的时间依赖性特征。此外，结合多风险交互注意力机制，本方法能够在不同风险因素之间动态调整注意力分配，进一步增强模型的预测能力和准确度。这种复合模型结构不仅优化了特征提取过程，还通过精确地判别关键风险驱动因素，为电力作业的风险评估提供了坚实的数据支撑。
65、3、本发明在模型训练过程中，采用优化损失函数从而更好地处理类别不平衡问题，通过引入权重来强调少数类的重要性，有效地提高了风险判别模型对高风险事件的判别能力，这种方法不仅优化了模型的学习过程，还确保了在实际应用中能够对电力作业中的潜在高风险进行准确预测，从而为采取预防措施提供了时间窗口。
1.一种基于深度学习的电力作业风险判别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的电力作业风险判别方法，其特征在于，所述第一数据为操作数据，包括操作人员上岗的视频数据，通过摄像头进行获取，用于分析操作人员的安全设备佩戴情况；所述第二数据为人员数据，包括操作人员的心率数据和是否饮酒状态；所述第二数据通过穿戴设备来获取；所述第三数据为设备数据，包括设备的电压、电流和温度；所述第三数据通过传感器实时获取；所述第四数据为环境数据，包括是否下雨、温度数据和湿度数据。
3.根据权利要求1所述的一种基于深度学习的电力作业风险判别方法，其特征在于，所述对所述多源数据进行预处理的具体步骤包括：
4.根据权利要求1所述的一种基于深度学习的电力作业风险判别方法，其特征在于，所述特征分析层包含第一网络结构、第二网络结构和多风险交互注意力机制；所述第一网络结构和第二网络结构均为lstm网络结构；其中，所述第一网络结构用于对所述第一拼接数据进行分析，得到第一分析特征；第二网络结构用于对所述第二拼接数据进行分析，得到第二分析特征；所述第一分析特征和所述第二分析特征经过所述多风险交互注意力机制的处理，得到所述第一分析特征向量和所述第二分析特征向量；
5.根据权利要求1所述的一种基于深度学习的电力作业风险判别方法，其特征在于，所述对所述风险判别模型进行模型训练的具体过程包括：
6.根据权利要求5所述的一种基于深度学习的电力作业风险判别方法，其特征在于，所述模型训练包括优化损失函数，所述优化损失函数的公式为：
7.一种基于深度学习的电力作业风险判别系统，其特征在于，包括：
8.根据权利要求7所述的一种基于深度学习的电力作业风险判别系统，其特征在于，所述第一数据为操作数据，包括操作人员上岗的视频数据，通过摄像头进行获取，用于分析操作人员的安全设备佩戴情况；所述第二数据为人员数据，包括操作人员的心率数据和是否饮酒状态；所述第二数据通过穿戴设备来获取；所述第三数据为设备数据，包括设备的电压、电流和温度；所述第三数据通过传感器实时获取；所述第四数据为环境数据，包括是否下雨、温度值和湿度值。
9.根据权利要求7所述的一种基于深度学习的电力作业风险判别系统，其特征在于，对所述风险判别模型进行模型训练的具体过程包括：
10.根据权利要求9所述的一种基于深度学习的电力作业风险判别系统，其特征在于，所述模型训练包括优化损失函数，所述优化损失函数的公式为：
