【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，提高数据处理的实时性，这对于电力系统的安全运行至关重要。
2、尽管基于深度学习的电力现场视频监控分析技术已经取得了一定的进展，并在提高电力作业现场风险态势感知方面发挥了作用，但这些方法在处理遮挡等复杂场景时仍存在检测精度低的问题，传统的数据处理方法往往无法充分利用电力作业现场的多源数据，如图像数据、激光雷达数据和头盔定位数据等，这限制了数据分析的全面性和深度，其次，虽然深度学习模型在特征提取
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：现有的电力作业现场风险态势感知方法存在效率低，精准度低，复杂度高，以及如何实现电力作业现场多源信息在边缘端的融合的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种电力作业现场多源数据融合与边缘计算方法，包括基于双流cnn网络和transformer结构进行电力作业现场的多源数据特征提取；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，构建融合特征模型；基于模型通道剪枝和层剪枝进行融合特征模型优化，采用深度学习指令集迁移进行边缘端部署，进行电力作业现场风险反馈。
4、作为本专利技术所述的电力作业现场多源数据融合与边缘计算方法的一种优选方案，其中：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；图像数据包括静态图像、动态视频流、红外或热成像；激光雷达数据包括点云数据、距离和角度测量；头盔定位数据包括gps坐标、加速度计数据、陀螺仪数据以及环境传感器数据。
5、作为本专利技术所述的电力作业现场多源数据融合与边缘计算方法的一种优选方案，其中：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：
6、
7、其中，wi和bi分别为网络层的权重和偏置，n为卷积层的数量，m为每个卷积层中卷积核的数量，σ为激活函数，kij为第i层的第j个卷积核，ipadded为边缘填充后的图像数据；激光雷达数据特征提取f(p)表示为
8、
9、其中，paug为增强后的激光雷达数据；计算增强后的激光雷达数据paug表示为：
10、paug＝{(x′i,y′i,z′i,ri′)|(x′i,y′i,z′i)＝t(xi,yi,zi),ri′＝ri}
11、其中，t为变换函数，变换函数进行数据点的旋转和缩放，(x′i,y′i,z′i)为变换前的激光雷达数据点的空间坐标，(xi,yi,zi)为变换后的激光雷达数据点的空间坐标，ri′为变换前的激光雷达数据点的反射强度，ri为变换后的激光雷达数据点的反射强度；通过transformer结构进行头盔定位数据的特征提取f(d)表示为：
12、
13、其中，q为查询矩阵，k为键矩阵，v为值矩阵，dk为键向量的维度，t为温度参数；计算查询矩阵、键矩阵、值矩阵表示为：
14、q＝d·wq+bq
15、k＝d·wk+bk
16、v＝d·wv+bv
17、其中，wq、wk、wv为权重矩阵，bq、bk、bv为偏置向量，头盔定位数据d表示为：
18、
19、其中，latn表示gps纬度坐标，lonn表示gps经度坐标，axn、ayn、azn分别表示加速度计数据在x、y、z轴上的分量，gxn、gyn、gzn分别表示陀螺仪数据在x、y、z轴上的分量，en表示环境传感器数据。
20、作为本专利技术所述的电力作业现场多源数据融合与边缘计算方法的一种优选方案，其中：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：
21、
22、其中，表示在时间步t的lstm层的隐藏状态，ot为时间步t的输出门，ct为时间步t的细胞状态；门控循环单元处理过程表示为：
23、
24、其中，为在时间步t的门控循环单元层的隐藏状态，zt为时间步t的更新门，ht-1为在时间步t-1网络的隐藏状态，为时间步t的候选隐藏状态。
25、作为本专利技术所述的电力作业现场多源数据融合与边缘计算方法的一种优选方案，其中：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：
26、
27、其中，αi、βi、γi、δi为调节系数，不同电力作业场景下，调节系数随不同数据特性进行调整。
28、作为本专利技术所述的电力作业现场多源数据融合与边缘计算方法的一种优选方案，其中：所述融合特征模型优化包括基于模型通道剪枝和层剪枝进行融合特征模型优化，优化后的融合特征模型f'(xi)表示为：
29、
30、其中，ω表示模型的参数空间，θ为剪枝参数，τ(θr)表示为基于剪枝参数θr调整第r层或通道的重要性，φk(f(xi))表示为电力作业现场多源数据信息过滤函数，k为模型中可优化的层或通道的数量。
31、作为本专利技术所述的电力作业现场多源数据融合与边缘计算方法的一种优选方案，其中：所述电力作业现场风险反馈包括基于优化后的融合特征模型f'(xi)并采用深度学习指令集迁移进行边缘端部署，进行电力作业现场风险反馈；通过深度学习指令集迁移，将深度学习神经网络由x86架构向arm架构的迁移，采用协处理器，对神经网络专用指本文档来自技高网...
【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：所述融合
7.如权利要求6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：所述电力作业现场风险反馈包括基于优化后的融合特征模型F'(Xi)并采用深度学习指令集迁移进行边缘端部署，进行电力作业现场风险反馈；
8.一种采用如权利要求1～7任一所述的电力作业现场多源数据融合与边缘计算方法的系统，其特征在于：包括特征提取模块，数据分析模块，风险反馈模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的电力作业现场多源数据融合与边缘计算方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的电力作业现场多源数据融合与边缘计算方法的步骤。
...【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。