基于边缘计算的输电线路电缆沟作业安全管控方法及系统与流程

1.本发明涉及电力作业现场安全管控技术领域，具体涉及基于边缘计算的输电线路电缆沟作业安全管控方法及系统。


背景技术：

2.在电力安全生产管理中，对现场作业安全的控制管理，一直是各级单位安全控制管理的重要内容之一。为保证安全作业生产，工作和试验现场都需要进行有效的安全管控，包括对作业人员的作业过程进行监管。
3.井下敷设电缆作业过程中管控的重点包括有害气体检测和作业人员体征监测，现有技术中对于井下敷设电缆作业过程的安全性预测仅能预测是否会发生风险以及发生风险的可能性，却不能在知道可能发生风险的时候导致井下作业风险的具体因素，从而无法及时消除风险。


技术实现要素：

4.针对上述现有技术存在的问题，本发明提供了一种基于边缘计算的输电线路电缆沟作业安全管控方法、系统、相关设备及可读存储介质，，
5.本技术提供了基于边缘计算的输电线路电缆沟作业安全管控方法，应用于与多种边缘智能终端通信的边缘计算装置，所述方法包括：
6.基于边缘智能终端发送的井下作业安全监控程序启动请求，获取边缘智能终端采集的数据并确定作业人员以及井下环境具备井下安全作业条件；
7.向边缘智能终端发送井下作业过程监控数据采集指令，实时接收井下作业过程监控数据并进行井下作业风险预测；
8.当确定存在风险时，分析多种类型监控数据对于风险预测值的贡献程度；
9.获取贡献程度大于第二预设阈值的监控数据类型对应的优先级，若存在第一优先级类型监控数据，则向作业人员发出第一安全告警信息，所述第一安全告警信息用于指示作业人员停止井下作业。
10.优选的，所述获取贡献程度大于第二预设阈值的监控数据类型对应的优先级，还包括：若不存在第一优先级类型监控数据，则向作业人员发出第二安全告警信息，所述第二安全告警信息用于指示指示作业人员进行实时井下作业条件调整。
11.优选的，所述实时接收井下作业过程监控数据并进行井下作业风险预测，包括：
12.基于待预测时间前的第一时长的历史监控数据提取风险预测因子，所述第一时长根据所述历史待预测时间的预测误差的变化趋势动态变化；
13.基于提取的风险预测因子，通过至少两种风险预测模型对进行风险预测，获取风险预测数据，所述预测数据包括风险预测的概率；
14.基于至少两种风险预测模型的风险预测数据进行合并，得到井下作业风险预测值。
15.优选的，所述第一时长根据所述历史待预测时间的预测误差的变化趋势动态变化，包括：
16.获取当前待预测时间t前的m个历史待预测时间t
i
对应的预测结果与实际结果的误差值e
i
，以及用于获取历史待预测时间t
i
预测值的预测时间t
i
前的历史监控数据时长t
i
，所述t
i
表示当前待预测时间t前第i个历史待预测时间；
17.根据m个历史待预测时间t
i
时的e
i
的增降趋势，确定第一时长的降增状态。
18.优选的，所述基于待预测时间前的第一时长的历史监控数据提取风险预测因子，采用卷积网络模型提取高层次数据变化特征。
19.优选的，所述分析多种类型监控数据对于风险预测值的贡献程度，包括：
20.对于确定存在风险时对应的同一时刻采集的多种类型监控数据，记为一个原始特征向量；
21.针对每一个原始特征向量生成一个测试特征向量集合，所述测试特征向量集合中的每个测试特征向量为基于所述原始特征向量中每个维度数据进行同等变化得到的；
22.针对测试特征向量集合中的每个测试特征向量进行风险预测得到对应的风险预测结果；
23.根据所述测试特征向量对应的风险预测结果和原始特征向量对应的风险预测结果的差异，确定原始特征向量中每个维度数据对于原始特征向量对应的风险预测结果的贡献程度；
24.基于所述原始特征向量和对应的每个维度数据的贡献程度数据作为训练样本，训练得到风险贡献程度分析模型；
25.基于训练完成的风险贡献程度分析模型，对于确定存在风险时对应的同一时刻采集的多种类型监控数据进行贡献程度分析。
26.优选的，所述根据所述测试特征向量对应的风险预测结果和原始特征向量对应的风险预测结果的差异，确定原始特征向量中每个维度数据对于原始特征向量对应的风险预测结果的贡献程度，包括：
27.对所述预测结果的差异进行归一化处理；
28.基于归一化处理后的所述差异确定原始特征向量中每个维度数据对于原始特征向量对应的风险预测结果的贡献程度。
29.本技术提供了基于边缘计算的输电线路电缆沟作业安全管控系统，包括：
30.应用于与多种边缘智能终端通信的边缘计算装置，所述系统包括：
31.井下作业前安全管控单元，用于基于边缘智能终端发送的井下作业安全监控程序启动请求，获取边缘智能终端采集的数据并确定作业人员以及井下环境具备井下安全作业条件；
32.井下作业过程风险预测单元，用于向边缘智能终端发送井下作业过程监控数据采集指令，实时接收井下作业过程监控数据并进行井下作业风险预测；
33.井下作业过程风险因素分析单元，用于当确定存在风险时，分析多种类型监控数据对于风险预测值的贡献程度；
34.风险处理策略单元，用于获取贡献程度大于第二预设阈值的监控数据类型对应的优先级，在存在第一优先级类型监控数据，向作业人员发出第一安全告警信息，所述第一安
全告警信息用于指示作业人员停止井下作业。
35.本技术提供了一种输电线路电缆沟作业安全管控设备，包括存储器和处理器；
36.所述存储器，用于存储程序；
37.所述处理器，用于执行所述程序，实现上述输电线路电缆沟作业安全管控方法的各个步骤。
38.本技术提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述输电线路电缆沟作业安全管控方法的各个步骤。
39.本发明的基于边缘计算的输电线路电缆沟作业安全管控方法及系统，具备如下有益效果：通过多种采集数据进行风险预测，实现全方位缆沟作业安全管控，当确定存在风险时，对于导致风险最关键的因素进行分析，通过分析可以判定导致风险的关键因素，并根据该关键因素确定消除风险的策略，提高了电缆沟作业安全管控的效率，最大程度避免了电缆沟作业风险发生。
附图说明
40.图1是本技术实施例的基于边缘计算的输电线路电缆沟作业安全管控方法流程图；
41.图2是本技术实施例的风险预测方法流程图；
42.图3是申请实施例的基于边缘计算的输电线路电缆沟作业安全管控系统的结构框图。
具体实施方式
43.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
44.参见图1，本技术实施例提供了一种基于边缘计算的输电线路电缆沟作业安全管控方法，应用于与多种边缘智能终端通信的边缘计算装置，所述方法包括：
45.基于边缘智能终端发送的井下作业安全监控程序启动请求，获取边缘智能终端采集的数据并确定作业人员以及井下环境具备井下安全作业条件；
46.向边缘智能终端发送井下作业过程监控数据采集指令，实时接收井下作业过程监控数据并进行井下作业风险预测；
47.当确定存在风险时，分析多种类型监控数据对于风险预测值的贡献程度；
48.获取贡献程度大于第二预设阈值的监控数据类型对应的优先级，若存在第一优先级类型监控数据，则向作业人员发出第一安全告警信息，若不存在第一优先级类型监控数据，则向作业人员发出第二安全告警信息，所述第二安全告警信息用于指示指示作业人员进行实时井下作业条件调整，所述第一安全告警信息用于指示作业人员停止井下作业。
49.本实施例中，上述获取边缘智能终端采集的数据并确定作业人员以及井下环境具备井下安全作业条件，包括：
50.基于电缆沟井口的第一边缘智能终端采集的作业环境气体检测数据，确定井下作
业环境是否安全；
51.基于作业现场第二边缘智能终端采集的作业人员随身配备安全装备的设备标识扫描数据，确定作业人员安全装备是否正确齐全。
52.具体的，在井下作业前，用排风扇对井下作业环境进行通风。将排风扇分别部署作业井口及相邻的井口处。经20至30分钟的通风后，通过有害气体监测仪对两个井口的气体进行检测，将有害气体检测数据传输到边缘计算装置中，基于边缘计算装置有害气体检测分析，确认井下气体浓度是否达到无毒、无害，是否可以进行井下作业。
53.本技术实施例中，通过多种边缘智能终端采集的数据对电缆沟作业安全进行分析，在井下作业前确定井下环境符合安全作业条件同时作业人员身体状态符合安全作业条件，提高井下作业安全性，在井下作业过程中，通过对作业人员自身身体健康状态、井下环境以及井上监护人监护情况的监控，全方位对井下作业过程进行安全管控。
54.在本技术中，通过多种采集数据进行风险预测，这里进行风险预测可以是预测多种风险的概率，当整体风险概率值大于第一预设阈值时，可以确定为存在风险，考虑到导致风险的因素有多种，不同因素导致的风险有不同的风险消除方法，所以本技术中，当确定存在风险时，对于导致风险最关键的因素进行分析，具体的，通过分析多种类型监控数据对于风险预测值的贡献程度确定导致风险最关键的因素，在本技术中，当导致风险最关键的因素中存在第一优先级类型的监控数据，则确定立即停止井下作业，该第一优先级类型的监控数据表征当该类监控数据发生异常时对井下作业的安全影响最大，应立即停止井下作业，比如井下作业人员的身体健康体征状态数据可以为第一优先级类型的监控数据。
55.参见图2，本技术实施例中，实时接收井下作业过程监控数据并进行井下作业风险预测，包括：
56.基于待预测时间前的第一时长的历史监控数据提取风险预测因子，本实施例中采用卷积网络模型提取高层次数据变化特征，所述第一时长根据所述历史待预测时间的预测误差的变化趋势动态变化；
57.基于提取的风险预测因子，通过至少两种风险预测模型对进行风险预测，获取风险预测数据，所述预测数据包括风险预测的概率；
58.基于至少两种风险预测模型的风险预测数据进行合并，得到井下作业风险预测值。
59.上述实时接收井下作业过程监控数据并进行井下作业风险预测，包括：
60.基于作业人员随身携带的第三边缘智能终端采集用于分析井下作业环境是否安全的作业环境气体检测数据；
61.基于作业人员随身携带的第四边缘智能终端采集用于分析作业人员健康状态是否正常的作业人员体征状态数据；
62.基于作业现场的第五边缘智能终端采集用于分析作业现场是否具有监护人的视频监控数据；
63.基于作业环境气体检测数据、作业人员体征状态数据、视频监控数据进行井下作业风险预测，具体的，作业环境气体检测数据包括多种气体浓度的检测，例如含氧量、co浓度、硫化氢的浓度，作业人员体征状态数据包括血氧值、心率值等。
64.对于基于井下作业过程监控数据进行井下作业风险预测，包括通过作业环境气体
检测数据、作业人员体征状态数据等时序数据结合作业现场监护人存在状态数据进行井下作业风险预测，其中，包括：
65.基于作业现场监护人存在状态以及预设的风险因子风险值映射表，得到对应的风险预测因子风险值，例如当作业现场存在监护人时，风险预测因子风险值设为1，否则风险预测因子风险值设为0；
66.对于作业环境气体检测数据、作业人员体征状态数据等时序数据，通过历史数据提取风险预测因子，并进行风险预测，为了避免单一风险预测模型的不准确性，本实施例中采用至少两个风险预测模型进行风险预测，基于多个风险预测模型的预测结果进行合并，该合并方式可以采用加权融合；
67.其中基于历史监控数据提取风险预测因子时，考虑到作业环境气体检测数据、作业人员体征状态数据的复杂变化，对于历史监控数据对应的第一时长采用自适应变化方法，根据实时监控数据的变化特征动态更新第一时长，具体的，根据历史预测结果中误差的增长或降低来调整第一时长的大小。
68.具体的，第一时长根据所述历史待预测时间的预测误差的变化趋势动态变化，包括：
69.获取当前待预测时间t前的m个历史待预测时间t
i
对应的预测结果与实际结果的误差值e
i
，以及用于获取历史待预测时间t
i
预测值的预测时间t
i
前的历史监控数据时长t
i
，所述t
i
表示当前待预测时间t前第i个历史待预测时间；
70.根据m个历史待预测时间t
i
时的e
i
的增降趋势，确定第一时长的降增状态。
71.具体的，可根据历史预测误差、以及预设的模糊推理规则表，确定第一时长的调整值。该预设的模糊推理规则表基于历史预测误差增长第一时长降低，历史预测误差减小第一时长增长的原则设置，可以包括当m个历史待预测时间t
i
时的e
i
整体属于增长趋势时，第一时长相应降低对应的调整值，当m个历史待预测时间t
i
时的e
i
上一时刻属于增长趋势，上一时刻前整体属于降低趋势时，第一时长相应降低对应的另一调整值等。
72.上述分析多种类型监控数据对于风险预测值的贡献程度，包括：
73.对于确定存在风险时对应的同一时刻采集的多种类型监控数据，记为一个原始特征向量；
74.针对每一个原始特征向量生成一个测试特征向量集合，所述测试特征向量集合中的每个测试特征向量为基于所述原始特征向量中每个维度数据进行同等变化得到的；
75.针对测试特征向量集合中的每个测试特征向量进行风险预测得到对应的风险预测结果；
76.根据所述测试特征向量对应的风险预测结果和原始特征向量对应的风险预测结果的差异，确定原始特征向量中每个维度数据对于原始特征向量对应的风险预测结果的贡献程度；
77.基于所述原始特征向量和对应的每个维度数据的贡献程度数据作为训练样本，训练得到风险贡献程度分析模型；
78.基于训练完成的风险贡献程度分析模型，对于确定存在风险时对应的同一时刻采集的多种类型监控数据进行贡献程度分析。
79.本实施例中，通过对原始特征向量中的每个维度数据对风险预测结果的贡献程度
分析，获取导致风险最关键的数据因素，具体的，基于所述原始特征向量中每个维度数据进行同等变化得到测试特征向量，可以是：在不同类型数据标准化后，对于一个原始特征向量，基于一个维度数据不变化，剩余维度数据同比例增长，得到一个测试特征向量，同理可以得到每个维度数据单独变化时对应的测试特征向量；
80.通过上述风险贡献程度分析模型，可以判定导致风险的关键因素，并根据该关键因素确定消除风险的策略，例如，当该关键因素为作业人员体征状态数据时，确定立即停止井下作业同时对井下作业人员提供相应的援救措施，当该关键因素为含氧量、co浓度、硫化氢的浓度因素时，可以发出告警同时安排对井下环境进行通风直至井下气体浓度是否达到安全作业条件。
81.为了更好的比较不同维度数据对于风险预测结果的贡献程度，将所述一侧结果的差异进行归一化，从而确定原始特征向量中每个维度数据对于风险预测结果的贡献权重。对应的，上述根据所述测试特征向量对应的风险预测结果和原始特征向量对应的风险预测结果的差异，确定原始特征向量中每个维度数据对于原始特征向量对应的风险预测结果的贡献程度，包括：
82.对所述预测结果的差异进行归一化处理；
83.基于归一化处理后的所述差异确定原始特征向量中每个维度数据对于原始特征向量对应的风险预测结果的贡献程度。
84.下面对本技术实施例公开的基于边缘计算的输电线路电缆沟作业安全管控系统进行描述，下文描述的基于边缘计算的输电线路电缆沟作业安全管控系统与上文描述的基于边缘计算的输电线路电缆沟作业安全管控方法可相互对应参照。
85.参见图3，本技术实施例公开了一种基于边缘计算的输电线路电缆沟作业安全管控系统，应用于与多种边缘智能终端通信的边缘计算装置，所述系统包括：
86.井下作业前安全管控单元，用于基于边缘智能终端发送的井下作业安全监控程序启动请求，获取边缘智能终端采集的数据并确定作业人员以及井下环境具备井下安全作业条件；
87.井下作业过程风险预测单元，用于向边缘智能终端发送井下作业过程监控数据采集指令，实时接收井下作业过程监控数据并进行井下作业风险预测；
88.井下作业过程风险因素分析单元，用于当确定存在风险时，分析多种类型监控数据对于风险预测值的贡献程度；
89.风险处理策略单元，用于获取贡献程度大于第二预设阈值的监控数据类型对应的优先级，在存在第一优先级类型监控数据，向作业人员发出第一安全告警信息，所述第一安全告警信息用于指示作业人员停止井下作业。
90.本技术实施例提供了一种输电线路电缆沟作业安全管控设备，包括存储器和处理器；
91.所述存储器，用于存储程序；
92.所述处理器，用于执行所述程序，实现上述输电线路电缆沟作业安全管控方法的各个步骤。
93.在本技术实施例中，处理器、通信接口、存储器、通信总线的数量为至少一个，且处理器、通信接口、存储器通过通信总线完成相互间的通信；
94.处理器可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
95.存储器可能包含高速ram存储器，也可能还包括非易失性存储器(non
‑
volatile memory)等，例如至少一个磁盘存储器；
96.其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于实现上述的基于边缘计算的输电线路电缆沟作业安全管控方法的各个步骤。
97.本技术实施例提供了一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现上述的输电线路电缆沟作业安全管控方法的各个步骤。具体的，该可读存储介质上存储的计算机程序的细化功能和扩展功能可参照上文描述。
98.本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。