一种基于电力工作票现场作业风险评估预测方法及装置与流程

1.本发明属于电力系统安全防护技术领域，具体涉及一种基于电力工作票现场作业风险评估预测方法及装置。


背景技术：

2.随着电网规模的日益扩大，电力作业活动日趋频繁，传统的人工现场监督检查和事后回顾的管控方式，已很难满足新形势下供电企业精益化、现代化的管理要求。电力企业有迫切的需求建立电力作业现场可视化和智能化管控平台，对电力作业现场进行更高效和智能化协同的监督和管理。电网检修工作票中蕴含大量有价值的信息，通过历史工作票的检索利用可以有效辅助检修工作票的决策，最终通过工作票风险分类，实现了各类配网作业的智能化风险评估。
3.目前电力现场作业一般采用人工安全监护的方式，但监护人员和作业人员一样容易受到外界因素影响，注意力可能会不集中，继而可能引发安全事故。随着电力作业活动日趋频繁，人工安全监护也存在效率低，人力资源浪费的问题。


技术实现要素：

4.有鉴于此，本发明旨在解决现有采用人工安全监护的方式对电力现场作业进行管控容易受到外界因素影响且效率低、人力资源浪费的问题。
5.为了解决上述技术问题，本发明提供以下技术方案：
6.第一方面，本发明提供了一种基于电力工作票现场作业风险评估预测方法，根据现场作业的风险因素构建作业风险评估指标体系，包括如下步骤：
7.获取电力现场作业的工作票；
8.利用人员信息库和大型安全工器具库拆分匹配工作票中的各项风险因素，并抽取工作票的语义信息，工作票中的各项风险因素根据作业风险评估指标体系确定；
9.利用预先训练好的基于kpca和elm的工作票文本分类器对工作票的语义信息进行识别；
10.根据专业风险评定标准库对识别后的工作票的内容进行风险赋值得到风险评分；
11.根据风险评分输出对应的风险等级。
12.进一步地，根据现场作业的风险因素构建作业风险评估指标体系具体包括：
13.选取现场作业的风险因素，风险因素包括人员因素及其子因素、设备因素及其子因素、作业方法及其子因素、工器具及其子因素和环境因素及其子因素；
14.根据各类风险因素及对应的子因素构建作业风险评估指标体系。
15.进一步地，基于kpca和elm的工作票文本分类器的预先训练过程具体包括：
16.从电网历史数据库中导入工作票文本数据并划分为训练样本集和测试样本集；
17.对训练样本集和测试样本集中每一类型的工作票文本数据进行分词和去停用词处理；
18.计算工作票文本数据中词的权值，将所有词的权值组成原始特征向量集合；
19.基于原始特征向量，采用核主成分分析方法从训练样本集中选择第一特征集合；
20.将第一特征集合作为输入，工作票类型作为输出，采用极限学习机对训练样本进行学习，建立文本分类器；
21.从测试样本集提取并选择第二特征集合，输入到建立好的文本分类器中，输出工作票的分类结果。
22.进一步地，采用结巴算法中的搜索引擎模式对工作票文本数据进行分词处理。
23.进一步地，工作票文本数据的词的权值根据下式进行计算：
[0024][0025]
式中，ti代表文本数据中的第i词,ω
ti
代表ti的权值，tfi为词ti出现的频率，n为文本数据的数量，df(ti)为包含ti的文本数据的数量，fi(d)表示计算词频率的函数。
[0026]
第二方面，本发明提供了一种基于电力工作票现场作业风险评估预测装置，包括：
[0027]
评估指标构建模块，用于根据现场作业的风险因素构建作业风险评估指标体系；
[0028]
内容匹配模块，用于利用人员信息库和大型安全工器具库拆分匹配工作票中的各项风险要素，并抽取工作票的语义信息，工作票中的各项风险要素根据作业风险评估指标体系确定；
[0029]
工作票分类模块，用于利用预先训练好的基于kpca和elm的工作票文本分类器对工作票的语义信息进行识别；
[0030]
风险评估模块，用于根据专业风险评定标准库对识别后的工作票的内容进行风险赋值得出风险评分；
[0031]
风险等级预测模块，用于根据风险评分输出对应的风险等级。
[0032]
进一步地，评估指标构建模块具体包括：
[0033]
指标确定模块，用于选取现场作业的风险因素，风险因素包括人员因素及其子因素、设备因素及其子因素、作业方法及其子因素、工器具及其子因素和环境因素及其子因素；
[0034]
体系构建模块，用于根据各类风险因素及对应的子因素构建作业风险评估指标体系。
[0035]
第三方面，本发明提供了一种基于电力工作票现场作业风险评估预测设备，设备包括处理器以及存储器：
[0036]
存储器用于存储计算机程序，并将计算机程序的指令发送至处理器；
[0037]
处理器根据计算机程序的指令执行如第一方面的一种基于电力工作票现场作业风险评估预测方法。
[0038]
第四方面，本发明提供了一种计算机存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如第一方面的一种基于电力工作票现场作业风险评估预测方法。
[0039]
综上，本发明提供了一种基于电力工作票现场作业风险评估预测方法及装置，通
过构建作业风险评估指标体系，利用预先训练好的作业现场风险智能评估模型对工作票进行计算，从而通过工作票内容确定该框架中各风险要素项的风险情况，并进一步评判其风险等级。本发明能够完全摆脱人的因素，有效降低作业现场安全风险。综合化的信息集成实现了数据共享，为管理决策提供支撑，节约了不同系统中同类数据的重复维护，节约了人工维护成本，实现经济效益。
附图说明
[0040]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0041]
图1为本发明实施例提供的一种基于电力工作票现场作业风险评估预测方法的流程示意图；
[0042]
图2为本发明实施例提供的作业风险评估指标体系的框架图；
[0043]
图3为本发明实施例提供的基于kpca和elm的工作票文本分类器的训练过程示意图。
具体实施方式
[0044]
为使得本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
[0045]
请参阅图1-3，本实施例提供一种基于电力工作票现场作业风险评估预测方法，包括：
[0046]
输入工作票，即获取电力现场作业的工作票。
[0047]
需要说明的是，工作票是检修人员在电力生产现场、设备、系统上进行检修、维护、安装、改造、调试、试验等工作(统称“检修工作”)的书面依据和安全许可证，是检修、运行人员双方共同持有、共同强制遵守的书面安全约定。工作票是准许在电气设备上工作的书面命令，也是执行保证安全技术措施的书面依据。
[0048]
利用人员信息库和大型安全工器具库自动拆解匹配工作票中各项风险要素，工作票中的风险要素根据作业风险评估指标体系得到。
[0049]
需要说明的是，本实施例中根据事故事件、违章及人员识别的18个风险因素，构建作业风险评估指标体系。
[0050]
如图2所示，作业风险评估指标体系中人员因素包括同类作业熟悉程度、工作负责人过往违章扣分情况、作业资格、主要工作班成员年龄4个子因素；设备因素包括设备类型、设备质量缺陷、施工机械检查缺陷3个子因素；作业方法包括作业方式、停电、交叉作业、作业性质、作业指导依据5个子因素；工器具包括安全工器具检查缺陷、个人防护用品检查缺陷2个子因素；环境因素包括作业天气、作业地段2个子因素；管理因素包括承载状态评价和
违章单位排名2个子因素。
[0051]
本实施例中主要从人员因素、设备因素、作业方法、工器具、环境因素共5类风险要素开展电力作业风险分析。
[0052]
进一步的，通过人员信息库和大型安全工器具库自动拆分匹配风险要素，即根据每次作业的工作票信息，匹配人员信息库和大型安全工器具库以获取更详细的人员信息和工器具信息，从而将单次作业内容拆解为人员情况、装备配置、作业性质、作业环境、重点“作业内容”共5类风险要素等内容。
[0053]
抽取工作票的内容，并基于kpca和elm混合模型文本分类算法进行计算，即抽取工作票的语义信息，利用预先训练好的基于kpca和elm的工作票文本分类器对工作票的语义信息进行识别。
[0054]
需要说明的是，根据上一步骤可以得到工作票中针对5类风险要素的工作票内容。基于工作票的内容，本实施例采用一种预先训练好的基于kpca和elm的工作票文本分类器对工作票的提取出的语义信息进行识别，从而开展基于5类风险要素项的现场作业风险评估。
[0055]
进一步的，如图3所示，本实施例中的基于kpca和elm的工作票文本分类器可以采用如下方法进行预先训练：
[0056]
1)划分文本分类的训练样本集合和测试样本集合，即从电网历史数据库中导入工作票文本数据并划分为训练样本集和测试样本集。
[0057]
2)文本预处理，即对训练样本集和测试样本集中每一类型的工作票文本数据进行分词和去停用词处理。
[0058]
需要说明的是，本实施例中采用结巴算法对工作票文本数据进行分词处理，其综合了字符串匹配分词和统计分词的特点。其中，除了其自带的词典外，根据其可以自定义词典的功能，添加了电力领域的专业词汇。若文本中出现词典内不包含的词，则使用基于概率统计的隐马尔科夫模型对其进行识别。
[0059]
另外，结巴算法有三种分词模式：全模式、精确模式、搜索引擎模式。本发明采用搜索引擎模式进行分词，既克服了全模式不能解决语句歧义的不足，又在精确模式的基础上提高了词组的号召率，其分词效果更符合实际。
[0060]
3)提取特征，即计算工作票文本数据中词的权值，将所有词的权值组成原始特征向量集合。
[0061]
需要说明的是，工作票文本数据的词的权值可以根据下式进行计算：
[0062][0063]
式中，ti代表文本数据中的第i词,ω
ti
代表ti的权值，tfi为词ti出现的频率，n为文本数据的数量，df(ti)为包含ti的文本数据的数量，fi(d)表示计算词频率的函数。
[0064]
全部词的权值组成集合f＝(ω
t1
,ω
t2
,...,ω
tm
)，m为所有词的数量。
[0065]
4)选择特征，即基于原始特征向量集合，采用核主成分分析方法从训练样本集中提取第一特征集合；
[0066]
需要说明的是，采用f作为文本分类的原始特征，由于f包含了许多特征，特征的维数高，而且一些特征之间会互相干扰，因此，还需要对原始特征进行选择，减少文本分类特征数量。
[0067]
具体的采用基于核主成分分析(kpca)选择文本分类特征(第一特征集和)。kpca引入函数φ将原始文本分类特征向量xk进行转换(n为xk的维度)，应满足：
[0068][0069]
文本分类的所有训练样本数据的协方差矩阵为：
[0070][0071]
对c
φ
的文本分类特征进行求解(λ为c
φ
的特征值，v为λ对应的特征向量)：
[0072]
λv＝c
φv[0073]
文本分类的特征向量v为：
[0074][0075]
其中，
[0076]
最后选择前k个值较大的文本分类特征作为有效的特征进行建模。
[0077]
5)极限学习机训练，得到文本分类器，即将第一特征集合作为输入，工作票类型作为输出，采用极限学习机对训练样本进行学习，建立文本分类器；
[0078]
需要说明的是，极限学习机(elm)是只有一个单层的向前神经网络，其工作原理和传统神经网络不同，如bp神经网络的权值通过梯度下降算法得到，而elm的权值通过解析表达式得到，没有中间迭代计算，elm的运行速度更快。设x表示输入样本的值，隐藏层的阈值、权值和节点分别为bi，αi和l，那么elm的输出值为：
[0079][0080]
式中g为隐藏层的激活函数，本文采用径向基函数，具体如下:
[0081][0082]
elm通过隐藏层的激活函数将全部文本数据划分为m个类别，采用h(x)表示g，那么上式变为：
[0083][0084]
最后根据elm的输出值f
l
(x)即可实现对输入的文本数据进行分类。
[0085]
6)输出分类结果：从测试样本集提取第二特征集合(利用测试样本集测试该文本分类器时，同样需参照训练样本集对测试样本集进行文本预处理、提取原始特征以及选择特征等处理)，并输入建立好的文本分类器中，输出工作票的分类结果。
[0086]
需要说明的是，根据上述步骤训练得到的作业现场风险智能评估模型可以对输入的工作票文本特征进行识别并自动分类。
[0087]
利用作业风险评定标准库进行风险赋值得出总分，即根据专业风险评定标准库对
计算后的工作票的内容进行风险赋值得出风险评分。
[0088]
需要说明的是，根据前述步骤可对工作票中各内容进行分类，然后再基于专业风险评定标准库中对于不同风险要素项的评定标准，综合得到分类后工作票的风险评分。具体操作是按不同风险要素赋予不同的权值，将工作票中5类风险要素按不同权值进行计算，从而得到对应的工作票的风险评分。
[0089]
输出风险等级，以便指导现场工作，即根据风险评分输出对应的风险等级，利用风险等级来指导电力现场的作业。
[0090]
本实施例提供了一种基于电力工作票现场作业风险评估预测方法，通过构建作业风险评估指标体系，利用预先训练好的作业现场风险智能评估模型对工作票进行计算，从而通过工作票内容确定该框架中各风险要素项的风险情况，并进一步评判其风险等级。本发明能够完全摆脱人的因素，有效降低作业现场安全风险。综合化的信息集成实现了数据共享，为管理决策提供支撑，节约了不同系统中同类数据的重复维护，节约了人工维护成本，实现经济效益。
[0091]
以上是对本发明的一种基于电力工作票现场作业风险评估预测方法的实施例进行的详细介绍，以下将对本发明的一种基于电力工作票现场作业风险评估预测装置的实施例进行详细的介绍。
[0092]
本实施例提供了一种基于电力工作票现场作业风险评估预测装置，包括：评估指标构建模块、内容匹配模块、工作票分类模块、风险评估模块以及风险等级预测模块。
[0093]
在本实施例中，评估指标构建模块用于根据现场作业的风险因素构建作业风险评估指标体系；
[0094]
需要说明的是，评估指标构建模块具体包括：
[0095]
指标确定模块，用于选取现场作业的风险因素，风险因素包括人员因素及其子因素、设备因素及其子因素、作业方法及其子因素、工器具及其子因素和环境因素及其子因素；
[0096]
体系构建模块，用于根据各类风险因素及对应的子因素构建作业风险评估指标体系。
[0097]
在本实施例中，内容匹配模块用于利用人员信息库和大型安全工器具库拆分匹配工作票的各项风险要素，并抽取工作票的语义信息，工作票的各项风险要素根据作业风险评估指标体系确定。
[0098]
在本实施例中，工作票分类模块用于利用预先训练好的基于kpca和elm的工作票文本分类器对工作票的语义信息进行识别。
[0099]
在本实施例中，风险评估模块用于根据专业风险评定标准库对识别后的工作票的内容进行风险赋值得出风险评分；
[0100]
在本实施例中，风险等级预测模块用于根据风险评分输出对应的风险等级。
[0101]
需要说明的是，本实施例提供的一种基于电力工作票现场作业风险评估预测装置用于实现前述实施例的一种基于电力工作票现场作业风险评估预测方法，各模块的具体设置以实现该方法为准，在此不再赘述。
[0102]
以上是对本发明的一种基于电力工作票现场作业风险评估预测装置的实施例进行的详细介绍，以下将对本发明的一种基于电力工作票现场作业风险评估预测设备的实施
例进行详细的介绍。
[0103]
本实施例提供了一种基于电力工作票现场作业风险评估预测设备，设备包括处理器以及存储器：
[0104]
存储器用于存储计算机程序，并将计算机程序的指令发送至处理器；
[0105]
处理器根据计算机程序的指令执行如前述实施例的一种基于电力工作票现场作业风险评估预测方法。
[0106]
以上是对本发明的一种基于电力工作票现场作业风险评估预测设备的实施例进行的详细介绍，以下将对本发明的一种计算机存储介质的实施例进行详细的介绍。
[0107]
本实施例提供了一种计算机存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如前述实施例的一种基于电力工作票现场作业风险评估预测方法。
[0108]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。