一种电力消防安全预警方法及综合管理平台与流程

本发明涉及人工智能，具体而言，涉及一种电力消防安全预警方法及综合管理平台。

背景技术：

1、随着社会的快速发展和电力需求的不断增长，电力设施的安全运行对于保障人民生命财产安全和社会稳定具有重要意义。然而，由于电力设施运行过程中可能产生的高温、烟雾、有害气体泄漏以及火焰等安全隐患，使得电力消防安全面临着严峻的挑战。因此，开发一种能够实时监测、预警并准确判断火险趋势的电力消防安全预警方法显得尤为重要。

2、传统的电力消防安全监控方法通常依赖于人工巡检和简单的传感器监测，这些方法不仅效率低下，而且容易受到人为因素和环境干扰的影响，导致火险预警的准确性和及时性无法得到保障。

技术实现思路

1、为了至少克服现有技术中的上述不足，本技术实施例的目的在于提供一种电力消防安全预警方法及综合管理平台。

2、根据本技术的一个方面，提供一种电力消防安全预警方法，其特征在于，所述方法包括：

3、通过部署在关键区域节点的传感器网络，采集电力消防环境中的电力消防监控数据，所述电力消防监控数据包括温度、烟雾、气体浓度以及火焰亮度中的至少一种；

4、根据预先定义的电力消防安全监控知识库，从所述电力消防监控数据中提取关键知识特征，所述关键知识特征用于反映潜在火险对象的状态变化；

5、将提取出的各个关键知识特征进行融合，生成多维度特征向量分布，并根据所述多维度特征向量分布中的动态变化矢量，生成所述电力消防安全监控场景的即时监测特征流路径；

6、将电力消防安全监控场景的即时监测特征流路径，输入完成知识学习的火灾风险预判网络，生成相应的火险趋势演变图，所述即时监测特征流路径用于反映：所述电力消防安全监控场景中各监测点的实时特征变化矢量，所述火险趋势演变图用于反映：所述实时特征变化矢量相关的各潜在火险对象的趋势演变状态特征。

7、在第一方面的一种可能的实施方式中，所述火灾风险预判网络的训练步骤，包括：

8、依据目标消防安全标签的电力消防安全监控日志序列，对初始化神经网络进行参数学习，生成用于进行所述目标消防安全标签的火灾风险特征挖掘的第一神经网络，以及依据第一范例监测特征流路径序列对所述第一神经网络进行参数学习，生成用于进行监测特征流路径的实时特征变化矢量提取的第二神经网络；

9、依据第二范例监测特征流路径序列对所述第二神经网络进行参数学习，生成用于进行监测特征流路径的潜在火险对象及潜在火险对象的危险指标特征提取的第三神经网络，所述第二范例监测特征流路径序列包括各第二范例监测特征流路径以及相应的标注潜在火险对象数据；

10、依据第三范例监测特征流路径序列对所述第三神经网络进行参数学习，生成所述火灾风险预判网络，所述第三范例监测特征流路径序列包括各第三范例监测特征流路径以及相应的标注火险趋势演变图。

11、在第一方面的一种可能的实施方式中，所述电力消防安全监控日志序列包括第一电力消防安全监控日志子序列和第二电力消防安全监控日志子序列；

12、则所述依据目标消防安全标签的电力消防安全监控日志序列，对初始化神经网络进行参数学习，生成用于进行所述目标消防安全标签的火灾风险特征挖掘的第一神经网络，包括：

13、基于非指导式的知识学习策略，依据所述第一电力消防安全监控日志子序列，对所述初始化神经网络进行参数学习，生成用于进行火灾风险嵌入表示的临时神经网络；

14、依据所述第二电力消防安全监控日志子序列，对所述临时神经网络进行参数学习，生成用于进行火灾风险特征挖掘的第一神经网络，所述第二电力消防安全监控日志子序列中的每个电力消防安全监控日志具有相应的标注火灾风险特征。

15、在第一方面的一种可能的实施方式中，所述基于非指导式的知识学习策略，依据所述第一电力消防安全监控日志子序列，对所述初始化神经网络进行参数学习，生成用于进行火灾风险嵌入表示的临时神经网络，包括：

16、依据所述第一电力消防安全监控日志子序列，对所述初始化神经网络进行循环知识学习，生成所述临时神经网络，其中，每一轮循环知识学习执行下述步骤：

17、从所述第一电力消防安全监控日志子序列中选取第一电力消防安全监控日志，并依据预设的非指导式学习任务，对所述第一电力消防安全监控日志进行初始化特征处理，生成处理后的第一电力消防安全监控日志，以及构建所述第一电力消防安全监控日志对应的指导性标注数据；

18、将所述处理后的第一电力消防安全监控日志加载至所述初始化神经网络，生成相应的消防安全嵌入表示数据；

19、依据所述消防安全嵌入表示数据以及相应的指导性标注数据，生成第一误差参数，并依据所述第一误差参数对所述初始化神经网络进行知识学习。

20、在第一方面的一种可能的实施方式中，所述依据所述第二电力消防安全监控日志子序列，对所述临时神经网络进行参数学习，生成用于进行火灾风险特征挖掘的第一神经网络，包括：

21、依据所述第二电力消防安全监控日志子序列，对所述临时神经网络进行循环知识学习，生成所述第一神经网络，其中，每一轮循环知识学习执行下述步骤：

22、将从所述第二电力消防安全监控日志子序列中选取的第二电力消防安全监控日志，加载至所述临时神经网络，生成相应的火灾风险特征；

23、依据所述火灾风险特征以及所述第二电力消防安全监控日志对应的标注火灾风险特征，生成第二误差参数，并依据所述第二误差参数对所述临时神经网络进行知识学习。

24、在第一方面的一种可能的实施方式中，所述依据第一范例监测特征流路径序列对所述第一神经网络进行参数学习，生成用于进行监测特征流路径的实时特征变化矢量提取的第二神经网络，包括：

25、针对所述第一范例监测特征流路径序列中的各第一范例监测特征流路径，分别执行下述步骤：

26、获得一个第一范例监测特征流路径中的各监测特征节点信息，以及所述各监测特征节点信息的流动状态信息，依据预设的编码规则，将所述各监测特征节点信息依据所述流动状态信息进行序列化编码，生成范例描述段，以及获得所述一个第一范例监测特征流路径关联的电力消防安全应用环境信息；

27、依据所述各范例描述段以及相应的电力消防安全应用环境信息，对所述第一神经网络进行循环知识学习，生成所述第二神经网络，其中，每一轮循环知识学习执行下述步骤：

28、从所述各范例描述段中选取范例描述段，并依据预设的非指导式学习任务，将选取的范例描述段进行初始化特征处理，生成处理后的范例描述段，以及构建所述范例描述段对应的指导性标注数据；

29、将所述处理后的范例描述段以及相应的电力消防安全应用环境信息，加载至所述第一神经网络，生成相应的监测特征流路径预测结果；

30、依据所述监测特征流路径预测结果以及相应的指导性标注数据，生成第一误差参数，并依据所述第一误差参数对所述第一神经网络进行知识学习。

31、在第一方面的一种可能的实施方式中，所述依据第二范例监测特征流路径序列对所述第二神经网络进行参数学习，生成用于进行监测特征流路径的潜在火险对象及潜在火险对象的危险指标特征提取的第三神经网络，包括：

32、依据所述第二范例监测特征流路径序列对所述第二神经网络进行循环知识学习，生成所述第三神经网络，每一轮循环知识学习执行下述步骤：

33、将从所述第二范例监测特征流路径序列中选取第二范例监测特征流路径，并获得所述第二范例监测特征流路径的特征状态变化轨迹；

34、将所述第二范例监测特征流路径的特征状态变化轨迹，加载至所述第二神经网络，生成相应的潜在火险对象信息，所述潜在火险对象信息包括预测的各潜在火险对象以及各潜在火险对象的危险指标特征；

35、依据所述潜在火险对象信息以及所述第二范例监测特征流路径对应的标注潜在火险对象数据，生成第三误差参数，并依据所述第三误差参数对所述第二神经网络进行知识学习。

36、在第一方面的一种可能的实施方式中，所述依据第三范例监测特征流路径序列对所述第三神经网络进行参数学习，生成所述火灾风险预判网络，包括：

37、依据所述第三范例监测特征流路径序列对所述第三神经网络进行循环知识学习，生成所述火灾风险预判网络，每一轮循环知识学习执行下述步骤：

38、从所述第三范例监测特征流路径序列中选取第三范例监测特征流路径，并获得所述第三范例监测特征流路径的特征状态变化轨迹和潜在火险对象信息，所述潜在火险对象信息包括所述第三范例监测特征流路径相关的各潜在火险对象以及各潜在火险对象的危险指标特 征；

39、将所述第三范例监测特征流路径的特征状态变化轨迹和潜在火险对象信息，加载至所述第二神经网络，生成相应的火险趋势演变图；

40、依据所述火险趋势演变图以及所述第三范例监测特征流路径对应的标注火险趋势演变图，生成第四误差参数，并依据所述第四误差参数对所述第三神经网络进行知识学习。

41、在第一方面的一种可能的实施方式中，所述将电力消防安全监控场景的即时监测特征流路径，输入完成知识学习的火灾风险预判网络，生成相应的火险趋势演变图，包括：

42、通过火灾风险预判网络，提取所述即时监测特征流路径中的各监测特征节点信息以及相应的流动状态信息，并依据所述各监测特征节点信息以及相应的流动状态信息，生成所述即时监测特征流路径的特征状态变化轨迹；

43、利用所述火灾风险预判网络，依据所述特征状态变化轨迹，识别所述即时监测特征流路径相关的各潜在火险对象和各潜在火险对象的危险指标特征，以及将所述各潜在火险对象和各潜在火险对象的危险指标特征，依据所述各监测特征节点信息的流动状态信息进行图生成，生成相应的火险趋势演变图。

44、譬如，在第一方面的一种可能的实施方式中，所述电力消防安全监控知识库定义了各种与火灾风险相关的特征知识参数，以及所述特征参数在不同场景下的组合和权重，所述根据预先定义的电力消防安全监控知识库，从所述电力消防监控数据中提取关键知识特征的步骤，包括：

45、从所述电力消防安全监控知识库中选取至少一个与火灾风险相关的特征知识参数，并为每个选取的特征知识参数构建一个与电力消防监控数据之间的映射关系，所述映射关系是一个数学函数、一个逻辑规则或者是一个机器学习模型，用于将电力消防监控数据转化为对应的知识特征值；

46、将所述映射关系组合成对应的动态特征映射矩阵，并将所述电力消防监控数据输入到所述动态特征映射矩阵中，动态映射得到对应的初始关键知识特征；

47、将所述初始关键知识特征与预设专家知识图谱中的实体和属性进行关联分析，确定所述初始关键知识特征中不同特征之间的潜在联系数据；

48、对所述潜在联系数据进行增强处理，生成对应的关键知识特征。

49、譬如，在第一方面的一种可能的实施方式中，所述根据所述多维度特征向量分布中的动态变化矢量，生成所述电力消防安全监控场景的即时监测特征流路径的步骤，包括：

50、将所述多维度特征向量分布映射到高维特征空间中，所述高维特征空间中每一个维度代表一个特定的知识特征；

51、在所述高维特征空间中，根据所述多维度特征向量中特征向量之间的动态变化关系，构建对应的动态特征图谱，所述动态特征图谱反映不同特征向量之间的实时关联和演变趋势；

52、对所述动态特征图谱中的变化矢量进行分析，识别出对电力消防安全监控场景的影响权重大于预设权重的关键变化矢量，所述关键变化矢量用于代表潜在的火险事件或异常情况；

53、在所述动态特征图谱中，为每个关键区域节点的初始化一个特征流路径，该特征流路径由至少一个关键变化矢量组成，用于反映该关键区域节点的实时状态变化；

54、根据所述关键变化矢量是否存在大于预设门限参数值的触发监控情况，动态更新和追踪每个关键区域节点的特征流路径，具体包括添加新的特征点、删除过时的特征点以及调整路径的方向和速度；

55、将来自不同关键区域节点的特征流路径进行融合和优化，生成对应的即时监测特征流路径网络；

56、将所述即时监测特征流路径通过热力图、流线图或动画展示给监控人员，并根据所述监控人员与所述即时监测特征流路径之间的反馈事件，实时调整所述即时监测特征流路径的展示方式和内容。

57、依据本技术实施例的一个方面，提供了一种综合管理平台，所述综合管理平台包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的电力消防安全预警方法。

58、依据本技术实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述三方面的各种可选实现方式中提供的方法。

59、在本技术的一些实施例所提供的技术方案中，本技术实施例通过采集关键区域节点的电力消防监控数据，提取关键知识特征并进行融合，生成即时监测特征流路径，再输入至火灾风险预判网络，最终生成火险趋势演变图，实现了对电力消防安全监控场景中潜在火险对象状态变化的精准捕捉与动态监测，能够及时发现并预警火险情况，提高了电力消防安全的监控效率和准确性。同时，通过生成多维度特征向量分布和动态变化矢量，还能够在复杂多变的电力消防环境中自适应地识别并跟踪火险趋势，为消防安全管理和应急响应提供了有力支持。