基于多源数据的电力作业人员实时行为安全预警.pdf
《基于多源数据的电力作业人员实时行为安全预警.pdf》由会员分享,可在线阅读,更多相关《基于多源数据的电力作业人员实时行为安全预警.pdf(8页珍藏版)》请在咨信网上搜索。
1、计算机与现代化JISUANJI YU XIANDAIHUA2023年第10期总第338期文章编号:1006-2475(2023)10-0084-08收稿日期:2022-10-10;修回日期:2023-04-21基金项目:国家重点研发计划项目(2020YFB0905900);国家电网有限公司总部科技项目(SGTJDK00DWJS2100223)作者简介:张楠(1989),女,河北廊坊人,高级工程师,博士,研究方向:电力高性能传感与异构网络,E-mail:;李温静(1984),女,山西运城人,高级工程师,博士,研究方向:电力系统通信及其自动化,E-mail:liwenjing_;通信作者:刘彩(1
2、991),女,福建武夷山人,工程师,本科,研究方向:电力大数据,E-mail:;谢可(1981),男,山西太原人,高级工程师,博士,研究方向:电力系统通信及其自动化,E-mail:;马世乾(1988),男,天津人,高级工程师,博士,研究方向:电力系统及其自动化,E-mail:;肖钧浩(1997),男,黑龙江哈尔滨人,助理工程师,研究方向:电力系统自动化,E-mail:;邹枫(1990),男,福建龙岩人,工程师,本科,研究方向:电力大数据,E-mail:。0引言近年来,我国的电力行业得到了前所未有的发展,各种电力系统中的复杂任务在人工智能的辅助下取得突破。一直以来,电力能源安全被视为国家高质量发
3、展、改善人民生活水平和社会长治久安的一个关键问题,“十三五”期间,我国电网输送能力由2015年的1.1亿kW提高到2020年的2.3亿千瓦kW,其中特高压占比高达 61%1。相应地,全国用电量从 2015年5.74万亿kWh提升至2021年8.11万亿kWh,并且呈现稳步增加的趋势。国家“十四五”规划中的5G基站建设、东数西算数据中心、新能源电动汽车以及八纵八横的高铁项目建设都是用电需求量较大的项目,电力供应保障便是项目建设的前提。与此同时,在国家电网项目建设过程中,仍时而发生电力物联网作业人员安全事故。因此,建立一个电力作业人员的实时行为安全预警系统具有重要的意义。据国家能源局截至2021年
4、10月全国电力安全生产情况数据统计,我国每年都会发生数十起电力安全事故,导致几十名作业人员死亡,从侧面反映出我国电力安全生产中的不足,例如:电力作业人员工作流程不规范、作业人员安全意识不足等。据杜邦公司对安全生产事故的统计,作业人员的不安全行为导致事故率高达 96%2。海因里希曾对美国 75000起工业基于多源数据的电力作业人员实时行为安全预警张楠1,李温静1,刘彩1,谢可1,马世乾2,肖钧浩1,邹枫1(1.国网信息通信产业集团有限公司,北京 102211;2.国网天津市电力公司,天津 300010)摘要:为了在电网建设过程中,减少安全事故的发生及保障电力作业人员安全,提出一种基于三维残差卷积
5、神经网络(R3D)模型的决策融合的行为识别模型。首先,将采集的视频数据集进行数据清洗和增强;然后,用多个角度采集的数据集分别训练对应的R3D模型;进一步地,将多个R3D模型进行决策级融合;最后,通过构建云平台,将电力作业人员可能存在的违规行为或危险行为进行实时预警。实验结果表明,该模型具有识别精度高、参数量少等优点,表明本文提出的行为安全预警方法能够快速准确地做出预警,为电网建设提供安全保障。关键词:电力施工;不安全行为;R3D模型;云平台;预警系统;决策融合;多源数据中图分类号:TP391.4文献标志码:ADOI:10.3969/j.issn.1006-2475.2023.10.013Rea
6、l-time Behavioral Safety Warning for Power Operators Based on Multi-source DataZHANG Nan1,LI Wen-jing1,LIU Cai1,XIE Ke1,MA Shi-qian2,XIAO Jun-hao1,ZOU Feng1(1.State Grid Information and Communication Industry Group Co.,Ltd.,Beijing 102211,China;2.State Grid Tianjin Electric Power Company,Tianjin 300
7、010,China)Abstract:In order to reduce the occurrence of safety accidents and ensure the safety of power operators in the process of powergrid construction,a behavior recognition model based on decision fusion of three dimensional residual convolutional neural network(R3D)models is proposed.First,the
8、 captured video dataset is subjected to data cleaning and enhancement;then,the corresponding R3D models are trained with the datasets collected from multiple angles;further,the multiple R3D models are fusedat the decision level;finally,the possible violations or dangerous behaviors of power operator
9、s are warned in real-time by building a cloud platform.The experimental results show that the model has the advantages of high recognition accuracy and a lownumber of parameters,which proves that the behavior safety early warning method proposed in this paper can make early warningquickly and accura
10、tely and provide a safety guarantee for power grid construction.Key words:power construction;unsafe behavior;R3D model;cloud platform;early warning system;decision fusion;multi-source data2023年第10期安全事故进行调查得知作业人员的不安全行为导致的事故占 88%,其中 98%的事故是通过预防可以避免的3。我国对于安全事故统计研究表明,作业人员的不安全行为导致的事故占总体的85%4-5。因此对作业人员的不安
11、全行为进行预警,可以有效地降低安全事故的发生6-7。值得注意的是,随着电子芯片的微型化以及互联网的高效传输,人们可以通过一些便携式摄像头实时获取现场画面,并及时作出决策8。与此同时,深度学习在图像视频识别领域获得了较大进展9。本文针对当前电力作业人员的在电力施工作业时面临的安全问题,结合电力物联网环境提出一种基于 R3D模型和云平台的电网作业人员实时行为安全预警技术。通过多个便携式摄像头捕捉不同角度的电力物联网作业人员实时行为画面传输到电力分析云平台,通过R3D模型进行多源数据融合决策,识别出由于作业人员行为不规范可能导致的安全事故,进一步通过现场广播告知作业人员,同时将现场画面同步传输至安全
12、生产调度室进行监督。1国内外研究现状电力作业人员行为安全预警分为行为识别和安全预警2个模块,其核心是人员的行为识别模块。行为识别模块有2个重要因素:人员外部形象和运动轨迹10。想得到良好性能的识别及预警系统,需要从这2个方面提取有效的信息,然而,行为识别及安全预警模块在处理视频时,往往伴随而来的是高复杂的信息与干扰。国内外对于人员行为预警方法有许多研究,现有文献主要从传统机器学习和深度学习2个方面进行研究。1.1基于传统机器学习的人员行为安全预警基于传统机器学习的作业人员行为安全预警主要是应用支持向量机(SVM)、特征组合等方式进行预警。文献 11 将人的不安全行为检测归纳为人身检测、侵入性检
13、测和多人协同作业检测3个方面来分析不安全行为检测预警。其人身检测采用SVM与方向梯度直方图(HOG)特征组合的方法进行判断。他们的侵入性检测采用基于视频监控、传感器以及现场人员反馈信息的多源数据融合方法进行判断。同时,文献 11 中也提到了多人协同作业采用多监控协同检测方法,是对图像中人员数量与间隔实时判断。通过地铁施工不安全行为检测框架对施工不安全行为进行实时检测。该方法能够识别安全帽及危险区域等,但无法分析出作业人员的行为是否存在安全问题。文献 12 提出一种基于机器学习和图像识别的电力作业现场安全监督。通过梯度方向直方图和向量机来开展完全帧人员检测工作,最后通过OpenCV图像处理技术分
14、析人员是否已进入警戒区域。然而该方法主要针对作业人员是否闯入警戒区域进行识别,不能针对电力作业人员的违规动作进行识别。1.2基于深度学习的人员行为安全预警近些年来,随着深度神经网络的深入研究与不断创新,在图像处理领域取得了很多成就。深度学习在图像处理上的优越性、高效性,使得学者们将其引入面向视频的行为识别领域13。BP神经网络是常用的一种网络形式,文献 14提出的预警系统由4个二级指标及17个三级指标构成的评价体系能有效地对建筑工人的安全行为进行评价和预警,将安全状态分为优秀、良好和较差3种情况,采用反向传播(BP)神经网络,然而该预警模型是通过对建筑工人的问卷调查等情况进行评价,无法对建筑工
15、人进行实时监控,提供作业时的安全保护。文献 15 采用事故统计分析、文献分析、质性访谈方法获取不安全行为影响因素,从组织、个人、外在环境、设备4个方面建立不安全行为预警指标体系,建出“23-9-4”3层结构的BP神经网络预警模型,然而该预警模型是提前预测、防控不安全行为状态,无法对建筑工人的实时安全行为进行预测。类似地,文献16 利用BP神经网络对于高海拔隧道施工人员的不安全行为进行预警,也存在上述的一些问题。文献 17 通过 YOLOv4网络模型识别井下人员佩戴安全帽情况,再通过OpenPose算法及ST-GCN模型对监控视频中的矿工行为进行识别。该井下人员不安全行为识别与预警系统为井下人员
16、的安全管理提供了新的思路。由于ST-GCN模型存在行为识别精度偏低的问题,所以以R3D为核心技术,构建生成了一个云平台,该云平台用于实时分析处理从施工现场捕获的电力物联网作业人员实施作业画面,当模型检测出可能存在危险动作或违规行为时能够及时发出预警。文献 18 提出一种基于深度学习的电力作业人员行为识别技术。通过OpenPose的危险识别技术,通过对电力作业人员骨骼关键点信息进行姿态感知并实时对施工人员的违规行为进行检测识别发出警告。然而该方法只能对预设数据集标注的站立、走路、跳跃、摔倒和下蹲5个动作进行识别,这种方法在面对复杂的电力环境下识别有限。文献 19 提出一种基于深度学习的电力作业异
17、常行为识别系统的设计与实现。通过一种基于双流Faster R-CNN的目标检测方法,实现了电力作业现场的目标检测功能,主要检测在作业时电力工人是否按照电工安全操作规程的要求正确穿戴必须的安全防护物件。然而该方法仍是针对作业人员的安全佩戴进行检查,无法有效地对作业人员的行为进行监测。1.3基于其他领域方法的人员行为安全预警不仅是在计算机视觉领域,在人员行为安全预警任务上,也可以利用其他技术。文献 20 从作业人员实时位置数据、作业人员属性及装备数据、作业人员危险动作数据出发,构建了基于BIM(建筑信息模型)技术和定位技术的地铁施工事故预警系统,通过采集层、数据输入层、数据处理层、模型应用层等4大
18、层级结构进行安全预警。然而该文只是停留在理论阶段张楠,等:基于多源数据的电力作业人员实时行为安全预警85计算机与现代化2023年第10期的分析,还无法通过实验进行验证。综上一些现有文献对于作业人员行为安全预警方法,对不同场景下的不同任务进行了研究,从传统的机器学习到深度学习等都或多或少存在识别准确率低、难以匹配现实高复杂度场景、无法实时识别行为模式等问题。本文针对上述可能存在的问题,提出一种基于多源数据融合的电力作业人员安全预警方法。2问题描述针对电力物联网领域的多模态作业人员行为安全预警任务,抽象其问题描述。考虑一个需要执行电力作业安全预警任务的场地L,其中有n个可供预警的摄像头 C=Ci,
19、i=1,2,n,对于任意的 CiC,其对应的角度参数为 i,在可控决策区间)Tk,Tk+1内(按电力作业任务划分),其所拍摄的电力作业视频素材(场地L上的实时预警监控)被定义为Vki。进一步地根据预设间隔,将Vki按间隔进行切帧,在筛选掉异常值后得到一组可供决策的图像序列Pki。现有训练 完 备 的 多 角 度 神 经 网 络 模 型 Mi=Mi,j,j=1,2,l,每一组图像序列都将被输入对应的模型中并且得出预测值Ai,k,整理后整体预测向量被定义为Ak。值得注意的是,这里的多角度电力人员行为安全预测结果是以概率的形式输出,并且对于常规的决策级融合算法,融合结果一般被描述为:AL,k=i=1
20、nAi,k wi,k,L(1)其中,AL,k为加权融合后的决策值,Ai,k为第i个安全预警摄像头提供的素材对应的预测值,wi为第i个摄像头被赋予的权重,这里的权重与模型在角度为i的摄像头所获得数据的表现有所联系。为了有效衡量权重选择的正确与否,定义效果指标PF,其具体计算为:PF=1n(q-a+1)j=aqi=1nwi|rij-1,rij 0,1(2)其中,a为起始计算样本,q为当前计算样本,wi为第i个摄像头被赋予的权重,rij为Mi预测类别与实际第j个样本类别的异或,于是传统加权融合在这里可以被描述为一个最大化问题:maxPF。进一步地对于每一个摄像头权重的更新,可以简化被描述为:wi=w
21、i+,ri=0wi,ri=1(3)其中,wi为更新后的权重,ri为当前预测的样本类别与Mi模型预测类别的异或,为预测错误模型的权重调整参数,为预测正确模型的权重偏置,它可以被如下公式计算:=wii=1nwi|ri-11i=1nwi ri(4)其本质即减少预测错误模型的权重再按预测正确模型的权重占比进行重新分配。本文中还使用了感知机模型来进行融合预测,即将多个模型给出的结果作为数据输入新的网络中,由训练完备的分类网络给出合适的预测值。为了更清晰地描述这个问题,本文给出其具体结构化描述:1)输入:(1)用于实际预警的反馈区间参数,即可控决策区间)Tk,Tk+1;(2)第i个摄像头所拍摄的视频素材(
22、场地L上的实时预警监控)Vki;(3)预设切帧间隔;(4)训练完备的多角度神经网络模型 Mi=Mi,j,j=1,2,l;(5)训练完备的感知机模型。2)输出:基于多角度模型的行为安全识别预测值,由决策级融合得到。3)目标:在感知机结构下的融合,需要对融合网络误差最小化。在一般的加权融合过程中,需要对预测正确模型的收益进行最大化,即:max(PF=1n(q-a+1)j=aqi=1nwirij),rij 0,13基于R3D的人员安全预警方法以 R3D为核心技术,构建生成一个云平台。该云平台用于实时分析处理从施工现场捕获的电力物联网作业人员实施作业画面,当模型检测出可能存在危险动作或违规行为时能够及
23、时发出预警。3.1基于R3D的行为识别及安全预警解决方案本文基于R3D建立的模型分为5个步骤进行实现,如图1所示。第一步:数据采集、清洗。将从不同数据源采集的数据进行融合,按照步长将视频提取图像帧,对图像帧进行裁剪,使其成为同一尺寸的图像帧,利于批量照片预处理;而后将图像帧降噪,减少数字图像中噪声以便后续机器学习可以从中获得更多信息;最后将图像帧进行增强使数据更加满足实际生产生活中的复杂情况。第二步:GAN网络生成样本。通过构建GAN网络,对大量电力数据集进行学习,主要学习数据集在数学层面上的分布规律,构建出合理的映射函数,从而生成大量模仿真实的样本数据用于模型的训练。GAN网络由生成器和判别
24、器2个部分组成,生成器通过不断优化其网络,产生虚假数据使得判别器无法判断真假;判别器通过不断优化自身网络,尽可能地从数据中判断真假。2个网络不断博弈,最终使得模型达到纳什平衡,其目标函数为:minGmaxDV()D,G=Q+TQ=EiPx()ilogD()iT=EjPj()jlog()1-D()G()j(5)其中,V(D,G)为 GAN 的目标函数,D 网络是判别函数,G网络是生成函数,EiPx()ilogD()i表示电力数据集中的样本被判定为真实电力数据概率的数学期望,EjPj()jlog()1-D()G()j表示的是从随机噪声Pj(j)中采样生成的虚假电力数据样本,经过生成函数得到电力图像
25、,送入判别函数,其预测为负对数的数学期望。862023年第10期第三步:模型训练与验证。将先前得到的电力数据集划分为训练集与验证集,其中训练集又根据不同视觉角度将视频划分为不同类别进行训练,得到若干个多角度的R3D模型。最关键的环节在于将同一动作的不同角度的结果进行模型融合,最后通过叠加一层全连接层将正面、侧面以及背面不同角度的模型进行加权融合后输出预测值。经验证集后不断调整模型参数以达到预期值。第四步:R3D模型决策融合。在实际电力物联网作业下,将不同的摄像头放置在不同的角度记录作业人员的作业画面。通过分析拍摄的角度应用不同的R3D模型进行判断。最终将同一时刻不同角度拍摄的画面进行决策级融合
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 数据 电力 作业 人员 实时 行为 安全 预警
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。