【技术实现步骤摘要】
本专利技术涉及电力作业现场风险态势感知，具体为一种电力作业现场多源数据融合与边缘计算方法及系统。
技术介绍
1、在电力作业现场风险态势感知领域，传统的视频监控系统虽然在数字化、集成化和标准化方面取得了一定的进展，但其应用主要集中在安防领域，这些系统在处理电力作业现场的复杂业务需求时，由于与生产部门的融合程度不足，往往难以满足日益增长的新需求，目前，电力作业现场的风险态势感知主要依赖于人工实时监测视频或现场观察，这种方法不仅耗时耗力，而且依赖于操作人员的经验，存在较大的安全风险，随着深度学习、机器学习和人工智能技术的快速发展，特别是卷积神经网络(cnn)和transformer结构的广泛应用，数据处理和特征提取的效率和准确性得到了显著提升，这些技术在电力作业现场的应用，如设备监控、故障诊断和风险评估等方面，展现出巨大的潜力，长短时记忆网络(lstm)和门控循环单元(gru)的引入，进一步增强了对动态时序数据的处理能力，使得对电力系统的实时监控和预测更加精准，此外，随着边缘计算的兴起，将数据处理从云端转移到边缘设备，能够显著减少延迟，提高数...
【技术保护点】
1.一种电力作业现场多源数据融合与边缘计算方法，其特征在于，包括：
2.如权利要求1所述的电力作业现场多源数据融合与边缘计算方法，其特征在于：所述电力作业现场的多源数据包括图像数据、激光雷达数据、头盔定位数据；
3.如权利要求2所述的电力作业现场多源数据融合与边缘计算方法，其特征在于：所述特征提取包括通过双流CNN网络进行图像数据和激光雷达数据的特征提取，图像数据特征提取F(I)表示为：
4.如权利要求3所述的电力作业现场多源数据融合与边缘计算方法，其特征在于：所述处理电力作业现场的多源数据动态时序数据包括通过长短时记忆网络和门控循...
【技术特征摘要】
1.一种电力作业现场多源数据融合与边缘计算方法，其特征在于，包括：
2.如权利要求1所述的电力作业现场多源数据融合与边缘计算方法，其特征在于：所述电力作业现场的多源数据包括图像数据、激光雷达数据、头盔定位数据；
3.如权利要求2所述的电力作业现场多源数据融合与边缘计算方法，其特征在于：所述特征提取包括通过双流cnn网络进行图像数据和激光雷达数据的特征提取，图像数据特征提取f(i)表示为：
4.如权利要求3所述的电力作业现场多源数据融合与边缘计算方法，其特征在于：所述处理电力作业现场的多源数据动态时序数据包括通过长短时记忆网络和门控循环单元处理电力作业现场的多源数据动态时序数据，长短时记忆网络处理过程表示为：
5.如权利要求4所述的电力作业现场多源数据融合与边缘计算方法，其特征在于：所述构建融合特征模型包括基于电力作业现场的多源数据特征和处理后的电力作业现场的多源数据动态时序数据，综合空间和时间维度特征，构建融合特征模型f(xi)，表示为：
6.如权利要求5...
【专利技术属性】
技术研发人员：杜昊，付磊，班国邦，张迅，钟晶亮，杨凤生，李翱鹏，席光辉，何雨旻，孟令雯，郭思琪，杨昆桦，余思伍，吴昊，黎安俊，罗莎莎，邹福，
申请(专利权)人：贵州电网有限责任公司，
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。