【技术实现步骤摘要】
本专利技术涉及电力安全，尤其是涉及一种电力作业人员安全素养评价方法、装置及存储介质。
技术介绍
1、电力安全生产关系到国计民生，而电力生产中最活跃的因素就是人，最难控制的因素也是人，人为因素是电力企业发生安全事故的核心因素，人在作业中的不安全行为会导致各类安全事件事故的发生，造成经济和生命财产的损失。而在人为因素中，电力作业人员安全知识技能的缺乏和安全意识的薄弱占据了相当大的比重，这说明了电力作业人员在安全素养方面的欠缺。因此，有必要对电力作业人员的安全素养进行评价。
2、现有的对电力作业人员安全素养评价方法中，常用的方法基于层次分析法，即计算得到各指标的权重，然后通过考试、测评或由领导对员工主观打分等方式获取各评价指标数据。最后将不同评价指标数据与指标权重加权求和得到电力作业员工安全素养评价结果。这种评价方法需要人为对员工各方面进行打分评价等操作，往往依赖于主观判断，导致评价结果容易受到评价者个人偏见和主观情感的影响，且获取指标数据较为耗时费力，从而导致整个评价过程繁琐，耗时长。并且评价方法往往直接加权求和，指标中的不确定性和模糊性会对评价结果造成影响。
技术实现思路
1、本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的是提供一种电力作业人员安全素养评价方法、装置及存储介质，能够方便快捷地评价电力作业人员的安全素养，便于管理人员管理人员快速发现安全素养低的员工，及时开展相关安全教育措施，减少安全事故发生的概率。
2、本
3、第一方面，本专利技术提供一种电力作业人员安全素养评价方法，该方法包括：基于电力作业人员在历史时间段的安全素养评价指标数据，采用机器学习算法作为预测模型进行训练，得到最优模型；获取该电力作业人员在第一时间段的安全素养评价指标数据，将该第一时间段的安全素养评价指标数据输入到该最优模型中，自动生成安全评价结果，该安全评价结果为优秀、良好、一般、差四种类型中的一种。
4、其中，该安全素养评价指标数据包括5个维度和20个指标，该5个维度分别为：安全知识、安全技能、安全意识、工作资历与经验、安全心理；其中，该安全知识维度下面包括4个指标：安规考试成绩、安全生产知识、理论培训成绩、知识类违章次数；该安全技能维度下面包括4个指标：实操培训成绩、安全及预防措施布置能力、健康状况、技能类违章次数；该安全意识维度下面包括4个指标：风险防控掌握能力、安全咨询学习时长、安全咨询学习篇数、安全活动参与次数；该工作资历与经验维度下面包括4个指标：月度工作次数、工龄、职称、学历；该安全心理维度下面包括4个指标：责任心、情绪稳定性、交际能力、内外向性。
5、其中，该基于电力作业人员在历史时间段的安全素养评价指标数据，采用机器学习算法作为预测模型进行训练，得到最优模型包括：获取电力作业人员在历史时间段的安全素养评价指标数据；对该安全素养评价指标数据进行数据清洗、数据补全、对部分数据进行归一化处理，并将定性指标数据转换为定量指标数据，从而生成指标集合u={u1,u2,u3,...,u20}；对每个维度的所有指标构建一个判断矩阵，计算该每个维度的所有指标的权重向量，从而得到该20个指标的权重，记作a={a1,a2,a3,...,a20}；确定评语集，记作v={v1，v2，v3，v4}，v1表示优秀，v2表示良好，v3表示一般，v4表示差；确定每个指标ui对于每个评语集vi的隶属函数，计算该每个指标ui在该每个评语集vi的隶属度，将所有隶属度构建一个模糊综合判断矩阵r，，其中，rnm是指标un对于评语vm的隶属度，n为指标集u的个数20，m为评语集的个数4；计算最终模糊综合评价的结果b，b=a*r=[b1,b2,...,bm],表示最终结果在各评语上的隶属度，选取最大隶属度对应的评语作为最终的评价结果，评价结果为该评语集v中的一种类别；剔除该指标集合u中需要人工打分的指标，将剩余的指标与该评价结果b共同构成数据集，用作该最优模型训练。
6、其中，该对每个维度的指标数据构建一个判断矩阵，计算该每个维度的指标数据的权重向量，从而得到该20个指标数据的权重包括：构造判断矩阵步骤，计算一个维度的任意两个指标的相对重要性，构建一个4*4的判断矩阵；层指标权重向量计算步骤，采用方根法计算该判断矩阵的每层指标的权重向量；ci值计算步骤，计算出该判断矩阵的最大特征值，并基于计算出ci值，；cr值计算步骤，基于平均随机一致性指标ri和该ci，计算得出cr，；一致性校验通过判断步骤，判断cr是否小于等于0.1，若是，则说明通过一致性校验，进入下一步骤；若否，则返回该构造判断矩阵步骤，重新构建判断矩阵；各指标权重赋值步骤：将该层指标权重向量计算步骤中计算得到的各层指标的权重向量作为该维度的各指标的权重。
7、其中，该确定每个指标ui对于每个评语集vi的隶属函数包括：对于每个标准归一化的指标，该隶属函数的公式为：
8、；
9、；
10、；
11、；其中，为对应的指标值（0~100分内），表示指标在评语下的隶属度；
12、此外，对于需要人工评分的指标，只需统计所述指标在各项评语中得到的票数比例即可得到所述指标在各项评语下的隶属度。
13、其中，该机器学习算法的种类包括：bp神经网络、决策树、支持向量机svm。
14、第二方面，本专利技术提供一种电力作业人员安全素养评价装置，该装置包括最优模型生成模块，用于基于电力作业人员在历史时间段的安全素养评价指标数据，采用机器学习算法作为预测模型进行训练，得到最优模型；安全评价结果生成模块，用于获取该电力作业人员在第一时间段的安全素养评价指标数据，将该第一时间段的安全素养评价指标数据输入到该最优模型中，自动生成安全评价结果，该安全评价结果为优秀、良好、一般、差四种类型中的一种。
15、其中，该最优模型生成模块包括：安全素养评价指标数据获取单元，用于获取电力作业人员在历史时间段的安全素养评价指标数据；安全素养评价指标数据处理单元，用于对该安全素养评价指标数据进行数据清洗、数据补全、对部分数据进行归一化处理，并将定性指标数据转换为定量指标数据，从而生成指标集合u={u1,u2,u3,...,u20}；所有指标权重计算单元，用于对每个维度的所有指标构建一个判断矩阵，计算该每个维度的所有指标的权重向量，从而得到该20个指标的权重，记作a={a1,a2,a3,...,a20}；评语集确定单元，用于确定评语集，记作v={v1，v2，v3，v4}，v1表示优秀，v2表示良好，v3表示一般，v4表示差；模糊综合判断矩阵r计算单元，用于确定每个指标ui对于每个评语集vi的隶属函数，计算该每个指标ui在该每个评语集vi的隶属度，将所有隶属度构建一个模糊综合判断矩阵r，，其中，rnm是指标un对于评语vm的隶属度，n为指标集u的个数20，m为评语集的个数4；最终模糊综合评价结果计算单元，用于计算最终模糊综合评价结果b，b本文档来自技高网...
【技术保护点】
1.一种电力作业人员安全素养评价方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述安全素养评价指标数据包括5个维度和20个指标，所述5个维度分别为：安全知识、安全技能、安全意识、工作资历与经验、安全心理；
3.根据权利要求2所述的方法，其特征在于，所述基于电力作业人员在历史时间段的安全素养评价指标数据，采用机器学习算法作为预测模型进行训练，得到最优模型包括：
4.根据权利要求3所述的方法，其特征在于，所述对每个维度的指标数据构建一个判断矩阵，计算所述每个维度的指标数据的权重向量，从而得到所述20个指标数据的权重包括：
5.根据权利要求3所述的方法，其特征在于，所述确定每个指标ui对于每个评语集vi的隶属函数包括：
6.根据权利要求1至5任一项所述的方法，其特征在于，所述机器学习算法的种类包括：BP神经网络、决策树、支持向量机SVM。
7.一种电力作业人员安全素养评价装置，其特征在于，包括：
8.根据权利要求7所述的装置，其特征在于，所述最优模型生成模块包括：
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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的方法。
...【技术特征摘要】
1.一种电力作业人员安全素养评价方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述安全素养评价指标数据包括5个维度和20个指标，所述5个维度分别为：安全知识、安全技能、安全意识、工作资历与经验、安全心理；
3.根据权利要求2所述的方法，其特征在于，所述基于电力作业人员在历史时间段的安全素养评价指标数据，采用机器学习算法作为预测模型进行训练，得到最优模型包括：
4.根据权利要求3所述的方法，其特征在于，所述对每个维度的指标数据构建一个判断矩阵，计算所述每个维度的指标数据的权重向量，从而得到所述20个指标数据的权重包括：
5.根据权利要求3所述的...
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。