一种基于发电企业安全风险智能预测模型的数据处理方法及系统与流程

本技术涉及数据处理，尤其涉及一种基于发电企业安全风险智能预测模型的数据处理方法及系统。

背景技术：

1、随着发电企业规模的扩大和运营复杂性的增加，安全风险的管理与控制变得愈发重要。传统的安全风险评估方法多依赖于人工经验和定期检查，这种方式不仅效率低下，而且难以全面、准确地捕捉潜在的安全风险。因此，如何运用先进的数据处理技术和智能算法，实现对发电企业安全风险的智能预测和实时监控，成为当前亟待解决的问题。

2、目前，虽然已有一些基于数据分析和机器学习算法的安全风险预测模型被提出，但这些模型在实际应用中仍面临诸多问题。例如，模型对数据质量要求较高，在数据的粒度尺度较大的情况下，预测的结果数据对应的数据粒度尺度也较大，在导入模型时一直采用高精度的数据可以得到更为详细的预测结果，但长时间对处理设备的运算能力需求较大，同时长时间获取高精度的检测数据，也增加了人工和设备成本。

技术实现思路

1、本技术实施例提供一种基于发电企业安全风险智能预测模型的数据处理方法及系统，以改善上述问题。

2、为达到上述目的，本技术采用如下技术方案：

3、第一方面，本技术实施例提出了一种基于发电企业安全风险智能预测模型的数据处理方法，适用于一种基于发电企业安全风险智能预测模型的数据处理系统，基于发电企业安全风险智能预测模型的数据处理系统包括控制器，方法适用于控制器，包括：

4、获取训练集，并利用训练集对神经网络训练模型进行训练，神经网络训练模型用于将输入的监测信息以及输入的风险指数，输出预的测风险指数与预测的风险信息；

5、在第一监测周期获取信息粒度为第一粒度的第一监测信息，并将第一监测信息输入至训练好的神经网络训练模型，根据神经网络模型的输出结果，获取第一风险信息与第一风险指数；

6、将第一风险指数与预设阈值相比对，若第一风险指数大于等于预设阈值，则在第二周期获取信息粒度为第二粒度的第二监测信息，其中，第二粒度小于第一粒度；

7、将第二监测信息输入至训练好的神经网络训练模型，根据神经网络模型的输出结果，获取第二风险信息与第二风险指数。

8、结合第一方面，在一些实施方式中，方法还包括：

9、将第一风险指数与预设阈值相比对，若第一风险指数小于预设阈值，则在第二周期获取信息粒度为第二粒度的第二监测信息，其中，第二粒度大于第一粒度；

10、将第二监测信息输入至训练好的神经网络训练模型，根据神经网络模型的输出结果，获取第二风险信息与第二风险指数。

11、结合第一方面，在一些实施方式中，方法还包括：

12、将第二风险指数与预设阈值相比对，若第二风险指数大于等于预设阈值，则在第三周期获取信息粒度为第三粒度的第二监测信息，其中，第三粒度小于第二粒度。

13、结合第一方面，在一些实施方式中，获取训练集，并利用训练集对神经网络训练模型进行训练，神经网络训练模型用于将输入的监测信息以及输入的风险指数，输出预测风险指数与预测风险信息，包括：

14、获取多个监测信息，多个风险指数以及多个风险信息，一个监测信息、一个风险指数与一个风险信息组成一个固定的训练组，其中，多个监测信息具有不同的信息粒度；

15、将多个训练组导入神经网络训练模型并进行迭代计算，当计算过程满足预设条件时停止计算并输出训练好的神经网络训练模型。

16、结合第一方面，在一些实施方式中，将多个训练组导入神经网络训练模型并进行迭代计算，当计算过程满足预设条件时停止计算并输出训练好的神经网络训练模型，包括：

17、确定每一个训练组中，监测信息的组成成分，组成成分包括至少三个监测数据；

18、将同一组中的风险指数与风险信息融合并形成单一向量；

19、将三个监测数据作为三个不同的维度，构成同一训练组中的风险信息的特征向量并进行迭代计算；

20、将三个监测数据作为三个不同的维度，构成同一训练组中的风险指数的特征向量并进行迭代计算。

21、结合第一方面，在一些实施方式中，将多个训练组导入神经网络训练模型并进行迭代计算，当计算过程满足预设条件时停止计算并输出训练好的神经网络训练模型，包括：

22、将一个监测信息导入神经网络训练模型并获取神经网络模型的输出的风险信息与风险指数；

23、神经网络模型的输出的风险信息与风险指数，与导入经网络训练模型的监测信息同一训练组的风险信息与风险指数进行比对，并获取误差值；

24、当误差值小于预设误差值时，停止训练并输出训练好的神经网络训练模型。

25、结合第一方面，在一些实施方式中，将神经网络模型的输出的风险信息与风险指数，与导入经网络训练模型的监测信息同一训练组的风险信息与风险指数进行比对，并获取误差值，包括：

26、获取风险信息与风险指数对应的权重，其中，风险信息对应的权重为a,风险指数对应的权重为b；

27、基于神经网络模型的输出的风险信息与导入经网络训练模型的监测信息同一训练组的风险信息确定第一条件值；

28、基于神经网络模型的输出的风险指数与导入经网络训练模型的监测信息同一训练组的风险指数确定第二条件值；

29、基于第一条件值与第二条件值确定误差值，并满足：

30、

31、其中，为误差值，为第一条件值，为第二条件值。

32、结合第一方面，在一些实施方式中，基于神经网络模型的输出的风险信息与导入经网络训练模型的监测信息同一训练组的风险信息确定第一条件值，满足：

33、当＞时，

34、当＜时，

35、其中，为神经网络模型的输出的风险信息的对应值，为导入经网络训练模型的监测信息同一训练组的风险信息的对应值。

36、结合第一方面，在一些实施方式中，基于神经网络模型的输出的风险指数与导入经网络训练模型的监测信息同一训练组的风险指数确定第二条件值，满足：

37、当＞时，

38、当＜时，

39、其中，为神经网络模型的输出的风险指数的对应值，为导入经网络训练模型的监测信息同一训练组的风险指数的对应值。

40、第二方面，本技术实施例提出了一种基于发电企业安全风险智能预测模型的数据处理系统，基于发电企业安全风险智能预测模型的数据处理系统包括控制器，该系统被配置为：

41、获取训练集，并利用训练集对神经网络训练模型进行训练，神经网络训练模型用于将输入的监测信息以及输入的风险指数，输出预的测风险指数与预测的风险信息；

42、在第一监测周期获取信息粒度为第一粒度的第一监测信息，并将第一监测信息输入至训练好的神经网络训练模型，根据神经网络模型的输出结果，获取第一风险信息与第一风险指数；

43、将第一风险指数与预设阈值相比对，若第一风险指数大于等于预设阈值，则在第二周期获取信息粒度为第二粒度的第二监测信息，其中，第二粒度小于第一粒度；

44、将第二监测信息输入至训练好的神经网络训练模型，根据神经网络模型的输出结果，获取第二风险信息与第二风险指数。

45、结合第二方面，在一些实施方式中，该系统被配置为：

46、将第一风险指数与预设阈值相比对，若第一风险指数小于预设阈值，则在第二周期获取信息粒度为第二粒度的第二监测信息，其中，第二粒度大于第一粒度；

47、将第二监测信息输入至训练好的神经网络训练模型，根据神经网络模型的输出结果，获取第二风险信息与第二风险指数。

48、结合第一方面，在一些实施方式中，方法还包括：

49、将第二风险指数与预设阈值相比对，若第二风险指数大于等于预设阈值，则在第三周期获取信息粒度为第三粒度的第二监测信息，其中，第三粒度小于第二粒度。

50、结合第二方面，在一些实施方式中，该系统被配置为：

51、获取训练集，并利用训练集对神经网络训练模型进行训练，神经网络训练模型用于将输入的监测信息以及输入的风险指数，输出预测风险指数与预测风险信息，包括：

52、获取多个监测信息，多个风险指数以及多个风险信息，一个监测信息、一个风险指数与一个风险信息组成一个固定的训练组，其中，多个监测信息具有不同的信息粒度；

53、将多个训练组导入神经网络训练模型并进行迭代计算，当计算过程满足预设条件时停止计算并输出训练好的神经网络训练模型。

54、结合第二方面，在一些实施方式中，该系统被配置为：

55、将多个训练组导入神经网络训练模型并进行迭代计算，当计算过程满足预设条件时停止计算并输出训练好的神经网络训练模型，包括：

56、确定每一个训练组中，监测信息的组成成分，组成成分包括至少三个监测数据；

57、将同一组中的风险指数与风险信息融合并形成单一向量；

58、将三个监测数据作为三个不同的维度，构成同一训练组中的风险信息的特征向量并进行迭代计算；

59、将三个监测数据作为三个不同的维度，构成同一训练组中的风险指数的特征向量并进行迭代计算。

60、结合第二方面，在一些实施方式中，该系统被配置为：

61、将多个训练组导入神经网络训练模型并进行迭代计算，当计算过程满足预设条件时停止计算并输出训练好的神经网络训练模型，包括：

62、将一个监测信息导入神经网络训练模型并获取神经网络模型的输出的风险信息与风险指数；

63、神经网络模型的输出的风险信息与风险指数，与导入经网络训练模型的监测信息同一训练组的风险信息与风险指数进行比对，并获取误差值；

64、当误差值小于预设误差值时，停止训练并输出训练好的神经网络训练模型。

65、结合第二方面，在一些实施方式中，该系统被配置为：

66、将神经网络模型的输出的风险信息与风险指数，与导入经网络训练模型的监测信息同一训练组的风险信息与风险指数进行比对，并获取误差值，包括：

67、获取风险信息与风险指数对应的权重，其中，风险信息对应的权重为a,风险指数对应的权重为b；

68、基于神经网络模型的输出的风险信息与导入经网络训练模型的监测信息同一训练组的风险信息确定第一条件值；

69、基于神经网络模型的输出的风险指数与导入经网络训练模型的监测信息同一训练组的风险指数确定第二条件值；

70、基于第一条件值与第二条件值确定误差值，并满足：

71、

72、其中，为误差值，为第一条件值，为第二条件值。

73、结合第二方面，在一些实施方式中，该系统被配置为：

74、基于神经网络模型的输出的风险信息与导入经网络训练模型的监测信息同一训练组的风险信息确定第一条件值，满足：

75、当＞时，

76、当＜时，

77、其中，为神经网络模型的输出的风险信息的对应值，为导入经网络训练模型的监测信息同一训练组的风险信息的对应值。

78、结合第一方面，在一些实施方式中，基于神经网络模型的输出的风险指数与导入经网络训练模型的监测信息同一训练组的风险指数确定第二条件值，满足：

79、当＞时，

80、当＜时，

81、其中，为神经网络模型的输出的风险指数的对应值，为导入经网络训练模型的监测信息同一训练组的风险指数的对应值。

82、本发明实施例第三方面提出一种电子设备，电子设备包括：

83、至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本发明实施例第一方面提出方法。

84、本发明实施例第四方面提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例第一方面提出方法。

85、综上，上述方法及装置具有如下技术效果：

86、本技术实施例提出的一种基于发电企业安全风险智能预测模型的数据处理方法，在第一监测周期获取信息粒度为第一粒度的第一监测信息，并将第一监测信息输入至训练好的神经网络训练模型，根据神经网络模型的输出结果，获取第一风险信息与第一风险指数，然后，将第一风险指数与预设阈值相比对，若第一风险指数大于等于预设阈值，则在第二周期获取信息粒度为第二粒度的第二监测信息，其中，第二粒度小于第一粒度，最后，将第二监测信息输入至训练好的神经网络训练模型，根据神经网络模型的输出结果，获取第二风险信息与第二风险指数。本技术实施例提出的一种基于发电企业安全风险智能预测模型的数据处理方法，通过神经网络训练模型输出的风险指数来判断当前的风险状态，当风险状态较高时，在之后的周期中，获取信息粒度尺度更小的监测数据，即更为精细的监测数据，来对实际的风险进行预测，使第二周期的预测结果也更精细，便于风险的排查与管控。当风险状态较低时，检测数据对应的粒度尺度较小，节省了检测成本。