一种基于深度学习的电力智能防触电安全方法及系统与流程

本发明涉及配电网，特别是一种基于深度学习的电力智能防触电安全方法及系统。

背景技术：

1、为提高供电可靠性，减少停电时长，保证用户用电连续性，10kv～35kv配电网带电作业我国得到的快速发展，带电作业范围、作业次数逐步增长。

2、配电网带电作业与超高压输电线路作业存在显著的差异。超高压输电线路作业的特点是空间电场强度和作业距离较大，作业人员需要穿戴屏蔽服，并采用等电位方法进行高电位作业，以确保安全。而在配电网带电作业中，由于三相导线之间的空间距离较小，如果操作不当，就可能造成人身触电，系统出现单相接地、相间短路故障，造成人身伤亡事故。

3、带电作业属于特种作业，作业人员必须经过严格的培训，完全掌握带电作业技能，才能在保证安全的前提下开展带电作业工作。1958年，我国第一期带电作业培训班在鞍山电业局举办，但自1958年至今，我国大多数带电作业培训是在“不带电”环境下进行的。不带电培训，学员在培训中不存在触电风险，安全性相对较高。然而，由于学员在培训中明确的知晓作业点不带电，虽能掌握作业技能。但在实际工作中，作业点带电会影响作业人员的心理，甚至出现带电作业人员心理紧张、动作变形、无电作业的情况。因此，不带电作业培训难以训练出素质过硬的带电作业人员。然而，带电实训情况下，由于学员未能完全掌握作业技能，导致动作不熟练，使得带电实训中存在较大的人身触电安全隐患。

技术实现思路

1、鉴于现有的配电网带电作业培训和实施中存在安全隐患的问题，提出了本发明。

2、因此，本发明所要解决的问题在于如何在配电网带电作业中，实现对作业人员操作行为和电网参数的智能监控和风险预测，并进行自动化的安全预警与风险控制，以防止和减少触电事故的发生。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种基于深度学习的电力智能防触电安全方法，其包括通过传感器网络和智能设备实时收集电网环境参数、作业人员生理信号和动作数据，并进行预处理；基于隔离森林算法建立网格环境风险评估模型，并通过计算定量风险指数预测潜在风险；构建多模态安全评估模型，利用姿态、行为和生理信息综合分析作业人员的违规风险；将电网环境风险评估模型和多模态安全评估模型的输出结果作为输入，构建基于关联规则的风险关联分析模型，并评估触电风险。

5、作为本发明所述基于深度学习的电力智能防触电安全方法的一种优选方案，其中：通过计算定量风险指数预测潜在风险包括以下步骤：从故障样本中提取关键数值特征，并对关键数值特征进行归一化处理；根据历史统计数据和专业知识，为不同程度的故障参数分配定量风险指数；根据特征与风险指数之间的关系选择回归算法，若预期关系是线性的，则选择线性回归算法，若关系复杂、非线性或存在异常值，则选择svm回归算法；使用选定的算法，将关键数值特征作为输入，风险指数作为标签，训练回归模型；使用k折交叉验证方法选择模型的最优超参数，并在独立的测试集上评估模型的预测效果；针对已建立的回归模型进行特征重要性分析以精简模型，并仅保留最重要的特征；将优化的回归模型部署到预测平台中，实时进行风险预测，并输出故障电网参数的定量风险指数。

6、作为本发明所述基于深度学习的电力智能防触电安全方法的一种优选方案，其中：构建多模态安全评估模型包括以下步骤：收集作业人员在不同操作条件下的行为图像和视频样本，并使用openpose姿态估计算法提取姿势关键点，以构建姿态模型；使用lstm构建时间序列行为模型，以识别操作模式类别和不合规的操作；收集不同个体在正常和违规操作下的多模态生理信号，以构建行为生理标注数据集；基于卷积神经网络建立生理模型，以识别来自生理信号的行为并输出不合规概率；整合姿态模型、行为模型和生理模型，构建融合多模态信息的多模态安全评估模型；部署多模态安全评估模型，实时监控人员行动和生理信号以预测不合规风险，并使用反馈数据持续优化模型。

7、作为本发明所述基于深度学习的电力智能防触电安全方法的一种优选方案，其中：使用lstm构建时间序列行为识别模型包括以下步骤：构建包含lstm层神经网络的模型体系结构，将姿势关键点作为模型输入，并定义操作模式类别；使用标注的行为样本数据集训练lstm模型，并针对不同操作模式进行学习；通过调整lstm层数量和节点数优化模型准确率，并在测试集上评估模型对各类操作模式的识别效果；将经过训练和评估的模型部署到实际环境中，实时输入作业人员的姿态关键点数据；模型通过输出不同模式的置信度识别特定的作业行为模式，并根据作业行为模式判断违规风险。

8、作为本发明所述基于深度学习的电力智能防触电安全方法的一种优选方案，其中：操作模式类别包括正常操作模式、举高手臂操作模式、下蹲操作模式、多人协同操作模式、巡视操作模式以及故障处理操作模式，若检测到特定的手臂举高动作，并且没有其他明显异常情况，则判定为举高手臂操作模式；在电网巡视期间，若操作人员移动速度较慢持续时间较长，并且没有其他异常行为，则判定为巡视操作模式；若多名操作人员同时在同一区域内协同工作，他们的动作和位置互相协调且没有冲突，则判定为多人协同操作模式；若姿势关键点数据表明操作人员正在执行下蹲或弯腰动作，持续时间较长，并且没有其他异常情况，则判定为下蹲操作模式；若检测到特定的手势或动作序列，并且伴随有声音或其他传感器数据的特定模式，同时与事先定义的故障处理流程相匹配，则判定为故障处理操作模式；若未满足以上任何特定的操作模式规则，则判定为正常操作模式。

9、作为本发明所述基于深度学习的电力智能防触电安全方法的一种优选方案，其中：模型通过输出不同模式的置信度识别特定的作业行为模式包括以下步骤：对于每个模式，设置一个置信度阈值分布{σ1、σ2、σ3、σ4、σ5、σ6}；当举高手臂操作模式超过σ2，并且其他模式的置信度较低时，则判定为举高手臂操作模式，并根据预定义规则判断是否属于违规操作；当下蹲模式置信度超过阈值σ3，且符合下蹲时间等要求时，则判定为下蹲操作模式，需要综合其他信息判断违规与否；当多人协同操作模式、巡视操作模式和故障处理操作模式置信度超过对应阈值时，则进行工作环境判断，若这些操作模式在特定的工作环境中是正常且合理的，将判定为正常模式；若这些操作模式在特定的工作环境中是不合理的，则需要根据实际情况进行相应的调整和判断；若所有模式置信度均不通过阈值，则无法判定明确模式，标记为正常模式。

10、作为本发明所述基于深度学习的电力智能防触电安全方法的一种优选方案，其中：关联规则包括以下情况：若系统监测到电网电压偏离正常范围，电压风险指数升高，则判定存在触电风险，此时发出紧急警报以提醒作业人员和监管人员，并暂停所有正在进行的电网带电作业，同时实时监测和排查电压偏离问题以确定根本原因，一旦问题得到解决，则进行安全复查以确保电网恢复正常并不再存在触电风险；若系统监测到有多人协同操作，但行为不协调，且电网存在高风险情况，则判定存在触电风险，此时发出警报以提醒相关人员存在潜在的触电风险，停止相关操作并进行调查，了解为何多人协同操作不协调以及电网存在高风险情况的原因，并在解决问题后重新审查操作程序，以确保团队能够更好地应对类似情况并减少未来的触电风险；若电网环境安全，但作业人员行为不合规，则判定存在触电风险，此时立即向作业人员提供实时提醒并指导他们纠正行为，若作业人员的行为仍不合规，则暂停正在进行的作业，确保对作业人员的行为进行持续监控；若环境温度和湿度都高，且电网电流接近临界值，则判定触电风险极高，此时立即发出紧急警报，指导作业人员执行紧急撤离以确保安全脱离危险区域，同时采取措施来降低温度和湿度以降低触电风险。

11、第二方面，本发明实施例提供了一种基于深度学习的电力智能防触电安全系统，其包括数据收集模块，用于通过传感器网络和智能设备实时收集电网环境参数、作业人员生理信号和动作数据，并进行预处理；模型构建模块，用于基于隔离森林算法建立网格环境风险评估模型以预测潜在风险；多模态评估模块，用于构建多模态安全评估模型，利用姿态、行为和生理信息综合分析作业人员的违规风险，以实现实时监测和预测；关联规则模块，用于将电网环境风险评估模型和多模态安全评估模型的输出结果作为输入，构建基于关联规则的风险关联分析模型，以评估触电风险。

12、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的基于深度学习的电力智能防触电安全方法的步骤。

13、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的基于深度学习的电力智能防触电安全方法的步骤。

14、本发明有益效果为：本发明通过构建智能安全评估与控制系统，可有效降低配电网带电作业中的人身触电事故发生率，提高作业人员的安全性；应用深度学习技术实现对电网参数和人员行为的智能监测与风险预测，可主动识别隐患，进行事前预警干预，防范安全事故的产生；利用多源异构数据建立的数据驱动安全评估模型，可实现更精确、实时的复杂场景风险判断；通过智能风险关联分析实现电网环境风险与人员行为风险的动态关联与综合判断，可提高对触电风险的评估效果；基于评估结果的闭环控制策略优化可快速有效地降低和消除识别出的安全隐患。