【技术实现步骤摘要】
本申请涉及电力，具体而言，涉及一种有限空间的安全预警方法、装置、电子设备及存储介质。
技术介绍
1、在电力施工中，有限空间作业常涉及密闭或通风不良的区域，这些空间包括电力设备的井道、隧道、变电站内部等，在这些环境中进行作业时面临着诸多挑战，因此，确保作业人员在有限空间内作业的安全是至关重要的。
2、然而，当前的预警系统多依赖于单一数据源，如气体浓度或氧气水平的监测，这种方法存在一定的局限性，单一数据源无法全面的反映有限空间内的所有潜在风险，同时由于有限空间内环境变化迅速且具有高度动态性，这种动态变化无法通过单一的数据源进行实时捕捉，进而影响预警的准确性，另外，作业人员的生理状态也是影响作业安全的重要因素，但现有的预警系统通常忽视了这一点，并且当前的预警系统不能根据作业人员的状态以及有限空间内环境的变化实时调整预警方式，导致预警不够可靠。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请提供了一种有限空间的安全预警方法、装置、电子设备及存储介质，以至少解决现有技术中往往基于单一数据源对有限空间进行安全预警导致预警可靠性差的技术问题。
2、为了实现上述目的，根据本申请的一个方面，提供了一种有限空间的安全预警方法，包括：根据有限空间内的目标数据确定有限空间内的实际安全评分，其中，目标数据至少包括有限空间内的环境数据、设备数据、作业人员的人员状态数据、作业数据；将实际安全评分输入至安全状态神经网络中，得到目标评分，其中，目标评分
3、可选地，安全状态神经网络通过以下步骤训练得到，包括：获取有限空间内的历史数据，其中，历史数据至少包括有限空间内的历史环境数据和历史作业人员的人员状态数据；从历史数据中提取关键特征，根据每个关键特征的权重将关键特征进行融合得到不同时刻的特征向量，其中，关键特征至少包括有限空间内的历史环境参数和历史作业人员的生理特征，其中，历史环境参数至少包括温度、湿度、气体浓度、氧气含量，历史作业人员的生理特征至少包括心率、血压、血氧饱和度；根据特征向量和每个特征向量的风险评分值得到多模态数据集；基于多模态数据集训练得到安全状态神经网络。
4、可选地，基于多模态数据集训练得到安全状态神经网络，包括：获取初始神经网络的初始学习率、输入层神经元数量、输出层神经元数量，其中，初始学习率用于表征初始神经网络中的对权重和偏置向量初始设定的更新频率；根据初始学习率和衰减因子确定初始神经网络的目标学习率，其中，目标学习率用于提高初始神经网络的收敛速度，衰减因子用于表征初始学习率的衰减的速率；根据输入层神经元数量和输出层神经元数量确定初始神经网络的隐藏层的目标数量和每个隐藏层的神经元数量，其中，隐藏层位于初始神经网络的输入层和输出层之间，目标数量和神经元数量用于提高初始神经网络的性能；根据多模态数据集对初始神经网络进行多次迭代训练，训练得到安全状态神经网络。
5、可选地，在基于多模态数据集训练得到安全状态神经网络之后，有限空间的安全预警方法还包括：将多模态数据集分为n个子集，其中，n为大于1的整数；对安全状态神经网络进行k轮测试操作，得到k个预测结果，其中，每轮测试操作用于选择n个子集中的任意一个子集作为目标测试集，并将除目标测试集之外的子集作为目标训练集，使用目标训练集对安全状态神经网络进行一轮测试，使用测试后的安全状态神经网络对目标测试集进行预测，得到一个预测结果；根据k个预测结果确定安全状态神经网络的k个准确率，其中，k个准确率中的第j个准确率用于表征k轮测试操作中第j轮测试操作下安全状态神经网络的预测准确程度；计算k个准确率的平均值作为安全状态神经网络的预测准确率。
6、可选地，根据预警阈值、实际安全评分以及目标评分生成预警信息，包括：计算实际安全评分和目标评分的绝对差值；根据绝对差值和调整系数对预警阈值进行更新，得到目标预警阈值；根据目标预警阈值和实际安全评分生成预警信息。
7、可选地，根据目标预警阈值和实际安全评分生成预警信息，包括：根据有限空间内的环境数据以及环境数据的权重确定第一数值，其中，第一数值用于表征由于有限空间内的环境因素所造成的风险强度；将第一数值和第二数值的绝对差值作为目标差值；根据目标预警阈值、第一数值、第二数值以及目标差值确定有限空间内的风险类型，其中，风险类型用于区分有限空间风险的来源类别；根据实际安全评分和至少一个预设风险阈值确定有限空间内的风险级别，其中，风险级别用于表征有限空间内的风险程度；根据风险类型和风险级别生成预警信息。
8、可选地，根据目标预警阈值、第一数值、第二数值以及目标差值确定有限空间内的风险类型，包括：在第一数值大于第二数值且目标差值大于目标预警阈值的情况下，确定有限空间内出现第一类风险，其中，第一类风险用于表征由环境因素造成的风险；在第一数值小于第二数值且目标差值大于目标预警阈值的情况下，确定有限空间内出现第二类风险，其中，第二类风险用于表征由作业人员的身体因素造成的风险；在目标差值小于或等于目标预警阈值的情况下，确定有限空间内出现第三类风险，其中，第三类风险用于表征由环境因素和作业人员的身体因素共同造成的风险。
9、根据本申请的另一方面，还提供了一种有限空间的安全预警装置，包括：确定单元，根据有限空间内的目标数据确定有限空间内的实际安全评分，其中，目标数据至少包括有限空间内的环境数据、设备数据、作业人员的人员状态数据、作业数据；输入单元，将实际安全评分输入至安全状态神经网络中，得到目标评分，其中，目标评分用于表征有限空间内的整体安全风险水平；生成单元，根据预警阈值、实际安全评分以及目标评分生成预警信息，其中，预警阈值根据实际安全评分和目标评分进行周期性调整。
10、根据本申请的另一方面，还提供了一种电子设备，其中，电子设备包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行上述的有限空间的安全预警方法。
11、根据本申请的另一方面，还提供了一种计算机可读存储介质，其中，计算机可读存储介质中存储有计算机程序，其中，在计算机程序运行时，使得计算机可读存储介质所在设备执行上述的有限空间的安全预警方法。
12、由上述内容可知，在本申请中，首先根据有限空间内的多个数据源确定有限空间内的实际安全评分，保证了数据来源的全面性，接着将实际安全评分输入至安全状态神经网络中，得到目标评分，其中，目标评分用于表征有限空间内的整体安全风险水平，然后再根据预警阈值、实际安全评分以及目标评分生成预警信息，其中，预警阈值根据实际安全评分和目标评分进行周期性调整，确保了预警的可靠性。
13、相比于现有技术中基于单一数据源对作业人员在有限空间作业时进行安全预警，本申请根据有限空间内实本文档来自技高网...
【技术保护点】
1.一种有限空间的安全预警方法，其特征在于，包括：
2.根据权利要求1所述的有限空间的安全预警方法，其特征在于，所述安全状态神经网络通过以下步骤训练得到，包括：
3.根据权利要求2所述的有限空间的安全预警方法，其特征在于，基于所述多模态数据集训练得到所述安全状态神经网络，包括：
4.根据权利要求2所述的有限空间的安全预警方法，其特征在于，在基于所述多模态数据集训练得到所述安全状态神经网络之后，所述有限空间的安全预警方法还包括：
5.根据权利要求1所述的有限空间的安全预警方法，其特征在于，根据预警阈值、所述实际安全评分以及所述目标评分生成预警信息，包括：
6.根据权利要求5所述的有限空间的安全预警方法，其特征在于，根据所述目标预警阈值和所述实际安全评分生成预警信息，包括：
7.根据权利要求6所述的有限空间的安全预警方法，其特征在于，根据所述目标预警阈值、所述第一数值、所述第二数值以及所述目标差值确定所述有限空间内的风险类型，包括：
8.一种有限空间的安全预警装置，其特征在于，包括：
9.
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，在所述计算机程序运行时，使得所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的有限空间的安全预警方法。
...【技术特征摘要】
1.一种有限空间的安全预警方法，其特征在于，包括：
2.根据权利要求1所述的有限空间的安全预警方法，其特征在于，所述安全状态神经网络通过以下步骤训练得到，包括：
3.根据权利要求2所述的有限空间的安全预警方法，其特征在于，基于所述多模态数据集训练得到所述安全状态神经网络，包括：
4.根据权利要求2所述的有限空间的安全预警方法，其特征在于，在基于所述多模态数据集训练得到所述安全状态神经网络之后，所述有限空间的安全预警方法还包括：
5.根据权利要求1所述的有限空间的安全预警方法，其特征在于，根据预警阈值、所述实际安全评分以及所述目标评分生成预警信息，包括：
6.根据权利要求5所述的有限空间的安全预警方法，其特征在于，根据所述目标预警阈值和所述实际安全评分生成...
【专利技术属性】
技术研发人员：黄伟豪，李新海，罗其锋，孟晨旭，肖星，吴棉廷，周恒，池莲庆，叶杰宏，曾令诚，陈伟雄，练志斌，梁景明，王伟平，曾威，李嘉俊，刘宝吉，侯伟，
申请(专利权)人：广东电网有限责任公司中山供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。