本发明专利技术涉及一种针对重大危险源应急处置的资源匹配方法、终端设备及可读存储介质，属于资源匹配方法技术领域。包括以下步骤S1.统计并整合辖区内的物资站点和服务器终端；建立多模深度学习模型，收集国内外对突发事件危险源应急处置典型案例，建设应急处置知识库，并结合事件权重、情景要素，进行典型分析和复盘演练，构建典型应景场景案例库、专家库和辅助决策库，通过这些数据来进行预训练，用来训练深度学习网络中的分类权重，并以此为基础，确定最终的优化好的调拨模型。本发明专利技术能对各种影响因素的权重做自动调整，并且同时可以根据需要手动固定某类因素的权重，使得方案的选择与预期接近。预期接近。预期接近。
【技术实现步骤摘要】
针对重大危险源应急处置的资源匹配方法、终端设备及可读存储介质
[0001]本专利技术涉及一种针对重大危险源应急处置的资源匹配方法、终端设备及可读存储介质，属于资源匹配方法
技术介绍
[0002]电力工程中重大危险源处理是指对可能导致事故的发生突发事件危险源，结合电网应急业务数据，获取应急事件各情景要素信息，自动生成的调度方案，为现场应急处理人员提供技术支持。为了实现整个过程的高效与快速，调拨方案模型的设计与实施都有着不可忽视的地位。但是，上述两者之间的关系并不一定是相互协调的，有可能存在不匹配甚至是矛盾的问题。往往面临应急需求、资源调度时间主观因素、客观因素及救援优先权评价等各种因素影响，因此需对全局应急资源调拨策略进行统筹分配优化与修正处理。而据专利技术人了解，目前应急资源调拨方案往往只考虑一种因素，如只考虑技术支持抵达现场的速度，而忽略了技术支持人员携带的物资与装备是否足够，或是忽略了这套方案是否具有足够的性价比。因此当前的针对重大危险源应急处置的资源匹配方法具有考虑因素较少且不全面的缺点。
技术实现思路
[0003]本专利技术目的是提供了一种针对重大危险源应急处置的资源匹配方法、终端设备及可读存储介质，本专利技术不仅可以针对各种数据进行有效统合处理，并且能够具有深度学习的优点，方便后续进行自动优化。为其在后续的情况研判、处置策略的设计、智能化匹配情景要素相关的应急资源的匹配等领域提高了计算效率，具有一定的实用性。
[0004]为实现上述目的，本专利技术提供一种针对重大危险源应急处置的资源匹配方法。
[0005]一种针对重大危险源应急处置的资源匹配方法，包括以下步骤：S1. 统计并整合辖区内的物资站点和服务器终端，其中：物资站点为电力维护人员物资存放地点，并且资源实时进行上传及更新，服务器应当时刻更新辖区电网负荷情况、台区供电情况及气象数据，服务器及时下载更新所负责的物资站点的全部信息，且服务器与地方总服务中心进行信息交互，包括接收总服务中心的事件信息，配置突发事件危险源能够共享物资站点的多项物资信息；S2. 建立多模深度学习模型，收集国内外对突发事件危险源应急处置典型案例，建设应急处置知识库，并结合事件权重、情景要素，进行典型分析和复盘演练，构建典型应景场景案例库、专家库和辅助决策库，通过这些数据来进行预训练，用来训练深度学习网络中的分类权重，并以此为基础，确定最终的优化好的调拨模型。
[0006]所述针对重大危险源应急处置的资源匹配方法优选方案，包括以下步骤：（1）服务中心将收到的突发事件危险源进行分类，将分类好的事件进行需求模糊化，对突发事件危险源的模糊需求量进行去模糊化处理，得到需求量的确定值，在此基础上
依据优先规则计算并分配各需求点的实际资源调度数量；（2）针对突发事件危险源的所属地进行从GIS地理信息系统定位，得到所示地的服务器信息，进一步获得完整的物资站点信息，将其进行数据化，作为深度学习模型输入后续深度学习进行计算；（3）多模物资匹配优化网络模型的建立以及使用：通过预训练的模型具备自动处理多种数据，生成多种援助方案并且对方案的效果进行自动排名的效果；（4）将上述收集到的信息进行数据化后按顺序进行拼接，数据化需要根据国内外突发事件危险源应急处置典型案例，建设应急处置知识库，并结合事件权重、情景要素，进行典型分析和复盘演练，构建典型应景场景案例库、专家库和辅助决策库，根据上述案例库、专家库和辅助决策库得到具体数据化方式，数据化的方式应为得到一维向量数组；（5）将得到的向量数组进行二维化，二维化的过程为：将数组长度N进行开方并且使用进一法，得到二维数组的长度L和宽度W，将上述L和W作为数据集尺寸输入到网络中，上述二维数组将有部分位数空缺，空缺位置全部置0；（6）将二维数据送入深度学习网络中进行处理，整体网络采用U
‑
NET模型，包括卷积模块、下采样层、上采样层、最大池化层，该网络模型模型整体是一个编码
‑
解码的结构；（7）资源需求量的确定与分配：通过得到的最优筛选结果，进行物资分配与人员调动。
[0007]所述针对重大危险源应急处置的资源匹配方法优选方案，在每一个卷积模块中都含有规定大小的卷积核与激活函数，1D卷积计算如下：，其中为第i个卷积核提取的特征，N为卷积核总个数，W和B是卷积核的权重和偏差，表示一维输入，表示为中的数据点的数量，卷积运算完成后，采用激活函数来实现卷积数据的非线性变换，激活函数，其计算公式为：，为第i个卷积核提取的特征，N为卷积核总个数，表示为一个函数，max表示取最大值，池化层定义如下： ，为表示第L层中第H个特征图的第U个神经元，V表示卷积核的宽度，J表示第J个池化核，M为池化核总个数，MAX表示取最大值。
[0008]所述针对重大危险源应急处置的资源匹配方法优选方案，其还包括损失函数量化预测值与实际值之间的分布差异，损失函数定义如下：，其中，P表示所有样本的数量，i为第i个
样本，Q表示所有数据类别的数量，c表示第c个类别，定义为第i个样本属于第c个类别的预测情况，为指标变量，定义为：如果第i个样本属于第c类，则 = 1；否则= 0，L表示损失函数。
[0009]此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，其中存储有多条指令，指令适于由终端设备的处理器加载并执行所述针对重大危险源应急处置的资源匹配方法。
[0010]此外，为实现上述目的，本专利技术还提供一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，指令适于由终端设备的处理器加载并执行所述针对重大危险源应急处置的资源匹配方法。
[0011]本专利技术的优点在于：本专利技术公开能考虑到更多样化的影响因素，针对现场突发情况进行资源智能调拨，能够保证在各应急事件得到解决的基础上，进一步提到效率和资源的合理化安排、调度；能对各种影响因素的权重做自动调整，并且同时可以根据需要手动固定某类因素的权重，使得方案的选择与预期接近。
附图说明
[0012]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。
[0013]图1是本专利技术实施例的架构图；图2是本专利技术危险源信息数据化示意图；图3是本专利技术深度学习模块网络流程图。
具体实施方式
[0014]下面将结合本专利技术实施例中的附图，对本专利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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0015]一种针对重大危险源应急处置的资源匹配方法，首先进行以下步骤：S1. 统计并整合辖区内的物资站点和服务器终端，其中：物资站点为电力维护人员物资存放地点，并且资源实时进行上传及更新以保证后续调度时情况真实，服务器应当时刻更新辖区电网负荷情况、台区供电情况及气象数据，服务器及本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种针对重大危险源应急处置的资源匹配方法，其特征在于，包括以下步骤：S1. 统计并整合辖区内的物资站点和服务器终端，其中：物资站点为电力维护人员物资存放地点，并且资源实时进行上传及更新，服务器应当时刻更新辖区电网负荷情况、台区供电情况及气象数据，服务器及时下载更新所负责的物资站点的全部信息，且服务器与地方总服务中心进行信息交互，包括接收总服务中心的事件信息，配置突发事件危险源能够共享物资站点的多项物资信息；S2. 建立多模深度学习模型，收集国内外对突发事件危险源应急处置典型案例，建设应急处置知识库，并结合事件权重、情景要素，进行典型分析和复盘演练，构建典型应景场景案例库、专家库和辅助决策库，通过这些数据来进行预训练，用来训练深度学习网络中的分类权重，并以此为基础，确定最终的优化好的调拨模型。2.根据权利要求1所述针对重大危险源应急处置的资源匹配方法，其特征在于，包括以下步骤：（1）服务中心将收到的突发事件危险源进行分类，将分类好的事件进行需求模糊化，对突发事件危险源的模糊需求量进行去模糊化处理，得到需求量的确定值，在此基础上依据优先规则计算并分配各需求点的实际资源调度数量；（2）针对突发事件危险源的所属地进行从GIS地理信息系统定位，得到所示地的服务器信息，进一步获得完整的物资站点信息，将其进行数据化，作为深度学习模型输入后续深度学习进行计算；（3）多模物资匹配优化网络模型的建立以及使用：通过预训练的模型具备自动处理多种数据，生成多种援助方案并且对方案的效果进行自动排名的效果；（4）将上述收集到的信息进行数据化后按顺序进行拼接，数据化需要根据国内外突发事件危险源应急处置典型案例，建设应急处置知识库，并结合事件权重、情景要素，进行典型分析和复盘演练，构建典型应景场景案例库、专家库和辅助决策库，根据上述案例库、专家库和辅助决策库得到具体数据化方式，数据化的方式应为得到一维向量数组；（5）将得到的向量数组进行二维化，二维化的过程为：将数组长度N进行开方并且使用进一法，得到二维数组的长度L和宽度W，将上述L和W作为数据...
【专利技术属性】
技术研发人员：李现州，邓国强，崔艾敏，王莎，张凯，陈明，宋震，
申请(专利权)人：山东合创安华智能科技有限公司，
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。