一种智能化变电站违章作业预警系统的制作方法

本发明涉及智能监控，尤其涉及一种智能化变电站违章作业预警系统。

背景技术：

1、变电站作为电力系统的重要组成部分，其正常运行和安全稳定对电网运行至关重要。变电站存在大量的电气设备和高电压电源，因此变电站的运维和施工工作需要遵守严格的安全规范和标准。如果发生违规操作，可能会导致重大安全事故，对人员、设备和环境造成巨大损失，甚至会对电网的正常运行产生严重影响。

2、智能化变电站违章作业预警系统是一种利用计算机视觉和图像识别技术，对变电站内可能存在的违章作业行为进行监控、预警和管理的智能化系统。它可以对变电站内的操作人员、设备和场景等进行智能识别，发现和预警可能存在的安全隐患和违规行为，及时采取措施避免事故的发生。

3、专利cn115115474a公开了一种电力作业违章数据分析方法和系统，针对不同的数据分析需求，构建了不同的目标预警模型，通过设置定时任务的方式，在达到任务节点时，采集各目标预警模型所需要输入的参数数据，运行各目标预警模型，得到运行结果，最后提取运行结果为发生预警的违章数据，对违章数据和运行结果进行可视化显示。但该发明仍然简单使用匹配算法，不能解决在变电站这种复杂场景下，对于违章行为准确预警。该系统使用离线系统，即对于已经存在的违章数据分析，并不能实时分析上传画面及时制止预警违章行为。

4、但本技术发明人在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：传统变电站违章作业预警系统使用有线监控网络对于作业区域进行监控，而服务器所使用单一匹配算法智能度较低，匹配速度慢，容易出现漏报或者误报，不能及时对于违章操作进行预警。

技术实现思路

1、本技术实施例通过提供一种智能化变电站违章作业预警系统，解决了现有技术中预警系统不能实时、准确预警违章操作的技术问题，实现了在变电站复杂环境中准确识别工作人员违章操作并预警的效果。

2、本系统包括信息采集模块、图像识别模块、预警信息匹配模块、预警通知模块、系统优化模块：信息采集模块，用于获取变电站数据信息，并实时上传到服务器，所述变电站数据信息包括关键作业区域影像信息、设备及位置传感器测量参数；图像识别模块，用于提取上传到服务器中的影像数据人员的行为特征，包括姿态、操作动作、工具使用特征；预警信息匹配模块，用于根据变电站安全规范设计相应的预警数据库，基于往期影像数据，建立机器学习模型，同时采取规则匹配算法及机器学习模型，对图像识别模块进行预测和识别；预警通知模块，用于根据预警信息匹配模块识别结果发出警报；系统优化模块，用于记录和归类预警信息，优化预警系统。

3、进一步的，图像识别模块中通过cnn卷积神经网络算法，对输入图像数据进行特征提取，具体步骤如下：图像数据通过卷积层进行卷积运算，提取输入数据中的局部特征，形成特征图；对特征图经池化层降采样，减少特征图的大小，保留图像动作特征；经过卷积层和池化层处理后，将特征图展开成一维向量，然后将其送入全连接层进行处理，并使用softmax函数对输出进行归一化处理，得到对各类别的预测概率。

4、进一步的，卷积运算，是将原始图像与卷积核进行卷积操作，提取卷积后的特征图ci,j，卷积公式如下：

5、

6、其中，i和j表示当前卷积窗口的中心像素在输入特征图中的位置，

7、ii+m-1,j+n-1表示输入影像i中第(i+m-1，j+n-1)个像素的值，km,n表示卷积核k中第(m，n)个元素的值，其中，i是原始影像，k是卷积核，c是卷积后的特征图，m和n是卷积核的大小。

8、进一步地，池化层有最大池化和平均池化，公式如下：

9、最大池化：

10、f(x，y)＝maxm，n∈rx，y(im，n)，

11、其中，rx，y表示以特征图中第(x，y)个像素为中心的池化区域，(im，n)表示特征图中第(m，n)个像素的值。最大池化的作用是从池化区域中选择最大的像素值作为该区域的输出特征值，可以保留最显著的特征信息。

12、平均池化：

13、

14、其中，rx，y表示池化区域的像素个数，即池化区域的面积，(im，n)表示特征图中第(m，n)个像素的值。平均池化的作用是对池化区域内的像素值进行平均，得到池化区域的平均值作为该区域的输出特征值，可以平滑特征图，并保留一些次要的特征信息。

15、进一步的，信息匹配模块是根据变电站安全操作规范建立预警数据库，用于描述和匹配所要识别的图像信息特征，具体步骤如下：采用机器学习的方法，通过变电站往期影像数据，建立机器学习分类模型；匹配引擎通过对输入数据进行特征提取和比对，找出与所建立的数据库中匹配的部分实现对所建立的预警数据库的匹配和执行；结合机器学习模型和规则匹配的方法，同时对行为进行分类和匹配；在行为识别和规则匹配的过程中，设定相应的阈值，当行为的概率值超过设定的阈值时，则判断为违规行为，触发预警。

16、进一步的，机器学习分类模型为决策树算法模型，训练该模型步骤如下：数据预处理：对于给定的数据集，进行预处理，包括数据清洗、缺失值处理、特征编码操作，以便能够被决策树算法使用；属性选择：从所有可用的属性中选择最优的属性作为当前节点的分裂属性，以便于将数据集划分为不同的子集；使用信息增益或者信息增益比评估属性的重要性；生成决策树：根据选择的属性对数据集进行划分，生成子树，并在子树中递归执行属性选择和划分操作，直到数据集中的样本全部属于同一类别或者满足停止条件；决策树的剪枝：为了防止过拟合，需要对生成的决策树进行剪枝；一般分为预剪枝和后剪枝两种方法，其中预剪枝是在决策树生成过程中进行剪枝，而后剪枝是在决策树生成完成后再进行剪枝，用以得出优化后决策树模型；模型评估：对生产的决策树使用测试集对生成的决策树进行测试，计算模型的准确率、召回率、回归率指标，使模型符合设计要求。

17、进一步的，最优的属性选择方法为：在决策节点选择最佳划分点时，需要计算每个特征的划分标准，划分标准包括信息增益和基尼指数；

18、所述信息增益表示一个特征对分类的贡献程度，通过以下公式表示：

19、

20、

21、其中，gain(d,a)是所求信息增益，d表示数据集，a表示特征，v表示特征a的每个取值，dv表示特征a取值为v的子集，v∈values(a)表示特征a的取值集合，ent(dv)表示数据集d的信息熵，其中y表示数据集中样本的类别集合，pk表示样本属于类别k的概率。

22、进一步的，所述基尼指数，基尼指数gini_index是基于基尼不纯度的概念来计算的，表示一个特征对分类的影响程度，通过以下公式表示：

23、

24、

25、其中，gini(d)表示数据集d的基尼不纯度，pk表示样本属于类别k的概率，a表示特征，v表示特征a的每个取值，dv表示特征a取值为v的子集，values(a)表示特征a的取值合集。

26、进一步地通过匹配引擎来实现对所建立的预警规则库中规则的匹配和执行，具体实现步骤为：定义数据库：将业务规范抽象成数据库的形式，包括规范的名称、描述、触发条件和执行动作；构建匹配引擎：使用匹配引擎框架来构建匹配引擎，将数据库编译成可执行的规则对象，存储在规则引擎中；传入事实数据：将需要进行匹配的事实数据，包括图像识别的特征信息和传感器识别的关键参数传入匹配引擎中；特征匹配：匹配引擎根据传入的事实数据和构建的数据库，进行特征匹配，找出满足条件的规则；执行动作：匹配引擎执行匹配到数据库中的动作，将结果输出。

27、进一步的，结合机器学习模型和特征匹配的方法，同时对行为进行分类和匹配，具体如下：对于图像特征提取进行分类，对不同的动作进行标注，使其进入不同的模块匹配之中；对标注为低风险系数的动作特征，仅由匹配引擎对其匹配，输出匹配结果；对于标注为复杂动作、高风险系数动作以及数据库中未标注的动作特征，在匹配引擎匹配之后，再由机器学习模型进行匹配，输出结果。

28、本发明具有以下有益效果：

29、(1)智能化变电站违章作业预警系统，通过决策树算法对所识别的特征数据进行匹配分类，实现对于配电场景的快速识别，并可以对于安全参数有一定预测能力分析能力，减小危险发生概率。

30、(2)智能化变电站违章作业预警系统，通过匹配引擎和机器学习模型结合的模式对于图像特征进行匹配，提高了匹配速度很准确率和智能化水平。

31、(3)智能化变电站违章作业预警系统，通过cnn卷积神经网络算法，对输入图像数据进行特征提取，提高了特征提取效率和系统运行速度。

32、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。