CN111445110B - 基于电缆沟道的环境风险决策方法、装置、计算机设备 - Google Patents
基于电缆沟道的环境风险决策方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN111445110B CN111445110B CN202010145548.0A CN202010145548A CN111445110B CN 111445110 B CN111445110 B CN 111445110B CN 202010145548 A CN202010145548 A CN 202010145548A CN 111445110 B CN111445110 B CN 111445110B
- Authority
- CN
- China
- Prior art keywords
- environmental
- monitoring data
- environment
- decision
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007613 environmental effect Effects 0.000 title claims abstract description 384
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 300
- 238000011156 evaluation Methods 0.000 claims abstract description 176
- 239000011159 matrix material Substances 0.000 claims abstract description 127
- 230000006870 function Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 36
- 238000012795 verification Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Selective Calling Equipment (AREA)
Abstract
本申请涉及一种基于电缆沟道的环境风险决策方法、装置、计算机设备。所述方法包括:获取环境传感器采集的环境监测数据,环境监测数据包括区域标识;将环境监测数据输入至已训练的环境决策模型,提取环境监测数据多个环境因素特征,计算多个环境因素特征的权重;根据多个评价指标和对应的权重生成环境监测数据对应的环境评估矩阵,根据环境评估矩阵计算环境监测数据对应的评估结果;当评估结果中存在超过预警阈值的风险指标时,根据区域标识向对应的监控终端发送预警提示信息;使得监控终端根据评估结果向电缆设备下发远程控制指令。采用本方法能够有效提高电缆沟道的环境风险监测效率,并且能够有效提高电缆沟道环境的风险决策准确度。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于电缆沟道的环境风险决策方法、装置、计算机设备。
背景技术
电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。电力系统的信息与控制系统由各种检测设备、通信设备、安全保护装置、自动控制装置以及监控自动化、调度自动化系统组成,实现电能生产与消费的合理协调。电力电缆是电力系统中重要的电力设备,用于传输和分配电能的电缆,电力电缆常用于城市地下电网、发电站引出线路、工矿企业内部供电及过江海水下输电线。
电力电缆设备在长期运行中,容易存在电缆通道线路故障、电缆设备温度过高以及电缆材料受损等环境安全隐患。由于电缆沟道广泛分布于城市电网的各个角落,依靠有线通讯的方式难以实现全覆盖的在线监测,传统的方式主要是通过高频率的人工巡检进行环境风险评估,容易出现漏检的情况等,导致电缆沟道的风险评估监测的效率和准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效提高电缆沟道的环境风险监测效率和决策准确性的基于电缆沟道的环境风险决策方法、装置、计算机设备和存储介质。
一种基于电缆沟道的环境风险决策方法,所述方法包括:
获取环境传感器采集的环境监测数据,所述环境监测数据包括区域标识;
将所述环境监测数据输入至已训练的环境决策模型,提取所述环境监测数据多个环境因素特征,计算所述多个环境因素特征的权重;
根据所述多个评价指标和对应的权重生成所述环境监测数据对应的环境评估矩阵,根据所述环境评估矩阵计算所述环境监测数据对应的评估结果;
当所述评估结果中存在超过预警阈值的风险指标时,根据所述区域标识向对应的监控终端发送预警提示信息;使得所述监控终端根据所述评估结果向电缆设备下发远程控制指令。
在其中一个实施例中,所述方法还包括:获取历史环境监测数据;对所述历史环境监测数据进行特征提取,得到多个环境因素特征,利用多个环境因素特征生成因素集;根据所述多个环境因素特征和环境状态指标构建决断集;根据所述多个环境因素特征按照预设算法构建决策函数;利用所述因素集、所述决断集和所述决策函数构建决策函数模型。
在其中一个实施例中,所述方法还包括:获取多个历史环境监测数据,所述历史环境监测数据包括标注监测数据和未标注监测数据,所述标注监测数据包括环境特征和指标特征以及状态标签;利用所述标注监测数据生成训练集,利用所述未标注环境监测数据生成验证集;将所述训练集输入至所述决策函数模型,利用所述标注监测数据的环境特征和指标特征对所述决策函数模型进行学习训练,得到初始环境决策模型;将所述验证集输入至所述初始环境决策模型,利用所述验证集中的未标注环境监测数据对所述初始环境决策模型进行验证;直到所述验证集中满足条件阈值的样本数量达到验证阈值时,得到训练完成的环境决策模型。
在其中一个实施例中,服务器中包括主节点和多个从节点,所述方法还包括:主节点根据所述区域标识将所述环境监测数据生成环境评估任务;主节点获取多个从节点的当前负载权重,根据每个从节点的当前负载权重为所述环境评估任务选择对应的从节点标识;根据被选择的从节点标识将多个环境评估任务分配至对应的从节点,以使得多个从节点分别调用多个分布式线程通过环境决策模型对所述环境评估任务进行环境状态评估处理。
在其中一个实施例中,所述根据所述多个评价指标和对应的权重生成所述环境监测数据对应的环境评估矩阵,根据所述环境评估矩阵计算所述环境监测数据对应的评估结果,包括:利用所述环境决策模型提取所述环境监测数据对应的多个环境因素特征;根据所述多个环境因素特征和环境状态指标构建所述环境监测数据对应的因素决断矩阵;根据所述环境状态指标计算多个环境因素特征的权重,根据多个评价指标和权重生成所述环境监测数据对应的权重矩阵;根据所述因素决断矩阵和所述权重矩阵确定环境评估矩阵,根据所述环境评估矩阵确定所述环境监测数据的评估结果。
在其中一个实施例中,所述根据所述环境状态指标计算多个环境因素特征的权重,根据多个评价指标和权重生成所述环境监测数据对应的权重矩阵,包括:根据环境状态指标计算多个环境因素特征的第一决策权重;计算所述多个环境因素特征的信息熵值,根据所述信息熵值计算所述多个环境因素特征的因素第二决策权重;根据所述多个环境因素特征的第一决策权重和第二决策权重生成所述环境监测数据对应的权重矩阵。
在其中一个实施例中,所述方法还包括:将所述多个环境因素特征的因素决断矩阵和权重矩阵进行融合处理,得到综合评估矩阵;将所述综合评估矩阵确定为环境评估矩阵,根据所述环境评估矩阵确定所述环境监测数据的评估结果。
一种基于电缆沟道的环境风险决策装置,所述装置包括:
数据获取模块,用于获取环境传感器采集的环境监测数据,所述环境监测数据包括区域标识;
数据决策模块,用于将所述环境监测数据输入至已训练的环境决策模型,提取所述环境监测数据多个环境因素特征,计算所述多个环境因素特征的权重;根据所述多个评价指标和对应的权重生成所述环境监测数据对应的环境评估矩阵,根据所述环境评估矩阵计算所述环境监测数据对应的评估结果;
预警提示模块,用于当所述评估结果中存在超过预警阈值的风险指标时,根据所述区域标识向对应的监控终端发送预警提示信息;使得所述监控终端根据所述评估结果向电缆设备下发远程控制指令。
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,所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的基于电缆沟道的环境风险决策方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请任意一个实施例中提供的基于电缆沟道的环境风险决策方法的步骤。
上述基于电缆沟道的环境风险决策方法、装置、计算机设备和存储介质,服务器获取通过多个环境监测设备采集的环境监测数据后,将环境监测数据输入至已训练的环境决策模型,提取环境监测数据多个环境因素特征,计算多个环境因素特征的权重。根据多个评价指标和对应的权重生成环境监测数据对应的环境评估矩阵,根据环境评估矩阵计算环境监测数据对应的评估结果。通过环境决策模型对环境监测数据进行分析,能够准确有效地对电缆沟道的环境监测数据中的风险进行分析,从而能够高效地实现电缆沟道的实时在线监测。当分析指标结果中存在风险指标时,向相应的监控终端发送预警信息;使得电网调控终端根据预警信息和风险指标时向相应的电缆设备发送远程控制指令,以使相应的电缆设备接收电网调控终端下发的远程控制指令,根据远程控制指令执行相应的操作处理。由此能够有效对实时采集的环境监测数据进行环境状态评估,从而能够有效提高电缆沟道中环境状态和环境风险的监测效率,并且能够有效提高电缆沟道环境的风险决策准确度。
附图说明
图1为一个实施例中基于电缆沟道的环境风险决策方法的应用场景图;
图2为一个实施例中基于电缆沟道的环境风险决策方法的流程示意图;
图3为一个实施例中根据环境评估矩阵确定评估结果步骤的流程示意图;
图4为一个实施例中生成环境监测数据的权重矩阵步骤的流程示意图;
图5为一个实施例中基于电缆沟道的环境风险决策装置的结构框图;
图6为另一个实施例中基于电缆沟道的环境风险决策装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于电缆沟道的环境风险决策方法,可以应用于如图1所示的应用环境中。其中,多个环境监测设备102通过网络与网关节点104进行通信,网关节点104通过网络与服务器106进行通信,服务器106通过网络与监控终端108进行通信,监控终端108通过网络与电缆设备110进行通信。环境监测设备102实时采集电缆沟道中的环境监测数据,并通过网关节点104将多个环境监测设备102采集的环境监测数据根据分布式网络结构将获取的环境监测数据发送至服务器106。服务器106获取多个网关节点发送的环境监测数据后,调用已训练的环境评估模型对获取的环境监测数据进行环境状态分析,得到评估结果。当评估结果中存在风险指标时,根据区域标识向监控终端108发送预警信息。使得监控终端108根据评估结果向相应的电缆设备110发送远程控制指令并执行远程控制指令。其中,服务器106可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于电缆沟道的环境风险决策方法,以该方法应用于图1中的服务器106为例进行说明,包括以下步骤:
步骤202,获取环境传感器采集的环境监测数据,环境监测数据包括区域标识。
其中,基于电缆沟道的环境状态评估方法可以应用于分布式电缆沟道环境监测系统中。分布式电缆沟道环境监测系统中的多个环境传感器可以实时采集电缆沟道内的环境监测数据。其中,环境传感器可以包括温度传感器、湿度传感器和气体传感器,分别用于采集温度监测数据、湿度监测数据和气体监测数据。电缆沟道内的传感器节点可以获取多个环境传感器采集的环境监测数据,并将获取的环境监测数据上传至关联绑定的网关节点。多个网关节点则根据预先部署的分布式网络分别将接收的环境监测数据传输至服务器。通过搭建广域分布式的电缆沟道在线监测物联网系统,能够高效地获取通过多个网关节点传输的环境传感器采集的环境监测数据。
步骤204,将环境监测数据输入至已训练的环境决策模型,提取环境监测数据多个环境因素特征,计算多个环境因素特征的权重。
其中,环境决策模型可以是预先利用大量历史环境监测数据进行学习和训练得到的,例如,环境决策模型可以是基于神经网络或决策算法的决策模型。
服务器获取通过多个网关节点传输的环境传感器采集的环境监测数据后,则调用已训练的环境决策模型对获取的环境监测数据进行环境状态分析,得到多项分析指标结果。
具体地,服务器将环境监测数据输入至已训练的环境决策模型,通过提取环境监测数据多个环境因素特征,并计算多个环境因素特征的权重。服务器则可以根据多个评价指标特征和对应的权重生成环境监测数据对应的环境评估矩阵,进而根据环境评估矩阵计算环境监测数据对应的分析结果,由此能够准确有效地评估得到环境监测数据对应的分析结果。
步骤206,根据多个评价指标和对应的权重生成环境监测数据对应的环境评估矩阵,根据环境评估矩阵计算环境监测数据对应的评估结果。
具体地,服务器提取环境监测数据多个环境因素特征,并计算出多个环境因素特征的权重后,还可以根据环境状态指标计算多个环境因素特征的第一决策权重。服务器还可以计算多个环境因素特征的信息熵值,根据多个环境因素特征的信息熵值计算多个环境因素特征的因素第二决策权重,进而根据多个环境因素特征的第一决策权重和第二决策权重生成环境监测数据对应的权重矩阵,将生成的权重矩阵确定为环境监测数据对应的环境评估矩阵。由此服务器则可以准确有效地根据环境评估矩阵计算环境监测数据对应的评估结果。
步骤208,当评估结果中存在超过预警阈值的风险指标时,根据区域标识向对应的监控终端发送预警提示信息;使得监控终端根据评估结果向电缆设备下发远程控制指令。
其中,分布式电缆沟道环境监测系统中可以包括多个监控终端,服务器可以将相同的某一区域标识对应的若干环境监测数据关联绑定对应的监控终端,各个监控终端可以对多个区域标识的环境监测数据数据进行监控。
服务器则根据环境评估矩阵计算环境监测数据对应的分析结果,当分析指标结果中存在风险指标时,向关联的监控终端发送预警信息。从而使得监控终端根据预警信息和风险指标时向相应的电缆设备发送远程控制指令,以使相应的电缆设备接收电网调控终端下发的远程控制指令,根据远程控制指令执行相应的操作处理。通过环境决策模型对环境监测数据进行分析,由此能够准确有效对采集的环境监测数据进行环境状态评估,从而能够有效提高电缆沟道中环境状态和环境风险的监测效率。
上述基于电缆沟道的环境风险决策方法中,服务器获取通过多个环境监测设备采集的环境监测数据后,通过调用已训练的环境决策模型对获取的环境监测数据进行环境状态分析,由此能够快速有效地对采集的环境监测数据进行评估分析。服务器将环境监测数据输入至已训练的环境决策模型,提取环境监测数据多个环境因素特征,计算多个环境因素特征的权重。根据多个评价指标和对应的权重生成环境监测数据对应的环境评估矩阵,根据环境评估矩阵计算环境监测数据对应的评估结果。通过环境决策模型对环境监测数据进行分析,能够准确有效地对电缆沟道的环境监测数据中的风险进行分析,从而能够高效地实现电缆沟道的实时在线监测。当分析指标结果中存在风险指标时,向相应的监控终端发送预警信息;使得电网调控终端根据预警信息和风险指标时向相应的电缆设备发送远程控制指令,以使相应的电缆设备接收电网调控终端下发的远程控制指令,根据远程控制指令执行相应的操作处理。由此能够有效对实时采集的环境监测数据进行环境状态评估,从而能够有效提高电缆沟道中环境状态和环境风险的监测效率,并且能够有效提高电缆沟道环境的风险决策准确度。
在一个实施例中,该方法还包括:获取历史环境监测数据;对历史环境监测数据进行特征提取,得到多个环境因素特征,利用多个环境因素特征生成因素集;根据多个环境因素特征和环境状态指标构建决断集;根据多个环境因素特征按照预设算法构建决策函数;利用因素集、决断集和决策函数构建决策函数模型。
服务器在获取环境传感器采集的环境监测数据之前,还需要预先构建和训练出环境决策模型。环境决策模型可以是预先利用大量历史环境监测数据进行学习和训练得到的,例如,环境决策模型可以是基于神经网络或决策算法的决策模型。服务器可以获取大量的历史环境监测数据,历史环境监测数据可以是本地采集的历史环境监测数据,也可以是从第三方数据库中获取的历史环境监测数据。
具体地,服务器对获取的大量历史环境监测数据进行特征提取,得到多个环境因素特征。例如,服务器可以利用聚类算法对大量的历史环境监测数据进行特征聚类分析,从而得到多个环境因素特征。服务器进而利用多个环境因素特征生成因素集,例如因素集中可以包括电缆沟道内部温度、湿度、特征气体含量数据等多个因素对应的因素指标。服务器还可以根据多个环境因素特征和环境状态指标构建决断集,环境状态指标可以是预先配置的多个状态指标参数,例如环境状态可以包括良好状态、一般状态和危险状态等多种状态指标。
服务器还可以根据多个环境因素特征按照预设算法构建决策函数,例如服务器可以依据柯西分布建立隶属函数。服务器进而利用因素集和决断集根据建立的决策函数构建决策函数模型。
例如,因素集可以表示为:U=(u1,u2,u3,),其中u1,u2,u3可以表示温度、湿度、特征气体含量数据等多个因素对应的因素指标。决断集可以表示为: H=(h1,h2,h3,),其中,h1,h2,h3可以分别表示多种环境状态指标。构建的环境状态的决策函数可以如下:
其中,m,n,q可以分别代表良好状态、一般状态、危险状态下各个环境状态指标的标准值,该标准值可由实际运行数据得到,S1(x)、S2(x)、S3(x)则分别表示多种环境状态对应的决策函数。
通过多大量历史环境监测数据进行分析,并构建出相应的决策函数,从而能够有效地构建出相应的环境决策模型,由此能够有效构建出决策准确度较高的环境决策模型。
在一个实施例中,该方法还包括:获取多个历史环境监测数据,历史环境监测数据包括标注监测数据和未标注监测数据,标注监测数据包括环境特征和指标特征以及状态标签;利用标注监测数据生成训练集,利用未标注环境监测数据生成验证集;将训练集输入至决策函数模型,利用标注监测数据的环境特征和指标特征对决策函数模型进行学习训练,得到初始环境决策模型;将验证集输入至初始环境决策模型,利用验证集中的未标注环境监测数据对初始环境决策模型进行验证;直到验证集中满足条件阈值的样本数量达到验证阈值时,得到训练完成的环境决策模型。
服务器对历史环境监测数据进行分析得到因素集和决断集,并根据因素集和决断集按照利用决策函数构建决策函数模型后,服务器进一步利用大量历史数据对决策函数模型进行学习和训练。其中,决策函数模型可以是神经网络模型,也可以是基于柯西分布的隶属函数模型等。
例如,若决策函数模型为神经网络模型,神经网络模型的网络层可以包括激活函数、决策函数以及偏差损失函数,例如通过LSTM层输出的完全连接人工神经网络也包括对应的激活函数。神经网络模型中还包括确定误差的计算方式,例如可以采用均方误差算法;还包括确定权重参数的迭代更新方式。神经网络模型中还可以包括一层普通的神经网络层,用于输出结果的降维。
具体地,可以预先从本地数据库或第三方数据库中获取大量的历史环境监测数据。其中,历史环境监测数据包括标注监测数据和未标注监测数据,标注监测数据包括环境特征和指标特征。服务器利用大量的标注监测数据生成训练集,验证集训练集中的标注监测数据可以是经过人工标注后的多个历史环境监测数据,验证集中是未标注的多个历史环境监测数据。
服务器则将训练集中的标注监测数据输入至已构建的决策函数模型中进行学习和训练,通过学习标注监测数据中已标注的环境特征和指标特征的依赖关系和关联关系等。服务器通过对训练集中的大量注监测数据进行训练后,可以得到得到多个环境因素特征和对应的特征权重等,进而根据多个环境因素特征和对应的特征权重构建初始环境决策模型。
服务器得到初始环境决策模型后,进一步获取验证集,并将验证集中的未标注监测数据输入至初始环境决策模型进行进一步训练和验证,得到多个验证数据对应的类别概率。直到验证集数据中满足条件阈值的数量达到验证阈值时,则停止训练,进而得到训练完成的环境决策模型。进一步地,服务器在训练环境决策模型的过程中,还可以计算损失参数,并利用梯度下降算法不断对环境决策模型进行更新,使得环境决策模型的决策准确性更高。通过对大量的历史环境检监测数据进行训练和学习,进而能够有效构建和训练出决策准确率较高的环境决策模型,从而有效提高了环境监测数据的决策准确性。
在一个实施例中,服务器中包括主节点和多个从节点,该方法还包括:主节点根据区域标识将环境监测数据生成环境评估任务;主节点获取多个从节点的当前负载权重,根据每个从节点的当前负载权重为环境评估任务选择对应的从节点标识;根据被选择的从节点标识将多个环境评估任务分配至对应的从节点,以使得多个从节点分别调用多个分布式线程通过环境决策模型对环境评估任务进行环境状态评估处理。
其中,服务器可以是服务器集群,服务器集群中包括主节点和多个从节点,上述的服务器可以是服务器集群中的主服务器,即主节点。环境监测数据包括区域标识,例如,区域标识可以为环境监测设备对应的区域的标识。
服务器的主节点接收到多个网关节点上传的若干环境监测数据后,根据区域标识将环境监测数据生成多个环境评估任务。例如,服务器可以将相同的某一区域标识对应的若干环境监测数据生成一个对应的环境评估任务,从而将多个不同区域标识的环境监测数据分别生成相应的多个环境评估任务。
主节点生成多个环境评估任务后,对集群中多个从节点的当前负载权重进行轮询,得到每个从节点的当前负载权重。主节点根据每个从节点的当前负载权重为环境评估任务选择对应的从节点标识。进一步地,主节点还可以对被选择的从节点标识对应的当前负载权重进行平滑处理,利用平滑处理后的结果选择下一个资源获取请求对应的从节点标识,直至为多个环境评估任务选择出对应的从节点标识。主节点进而根据被选择的从节点标识将多个环境评估任务依次发送至对应的从节点,以使得多个从节点分别调用多个分布式线程对多个环境评估任务进行处理。
从节点接收到环境评估任务后,则调用已训练的环境评估模型对获取的环境监测数据进行环境状态分析,得到多项分析指标结果。通过根据云服务器中多个从节点的当前负载权重对多个环境评估任务进行分配,从而能够使得集群中的多个从节点分别对多个环境评估任务进行并行处理,进而能够有效提高环境评估任务的处理效率。
在一个实施例中,如图3所示,根据多个评价指标和对应的权重生成环境监测数据对应的环境评估矩阵,根据环境评估矩阵计算环境监测数据对应的评估结果的步骤,具体包括以下内容:
步骤302,利用环境决策模型提取环境监测数据对应的多个环境因素特征。
步骤304,根据多个环境因素特征和环境状态指标构建环境监测数据对应的因素决断矩阵。
步骤306,根据环境状态指标计算多个环境因素特征的权重,根据多个评价指标和权重生成环境监测数据对应的权重矩阵。
步骤308,根据因素决断矩阵和权重矩阵确定环境评估矩阵,根据环境评估矩阵确定环境监测数据的评估结果。
服务器获取通过多个网关节点传输的环境监测设备采集的环境监测数据后,则调用已训练的环境评估模型对获取的环境监测数据进行环境状态分析。服务器将环境监测数据输入至已训练的环境评估模型,提取环境监测数据多个环境因素特征。计算多个环境因素特征的权重,根据多个评价指标特征和对应的权重生成环境监测数据对应的环境评估矩阵。
具体地,服务器可以通过环境决策模型中预设的环境状态指标和环境监测数据对应的环境因素特征,构建出环境监测数据对应的因素决断矩阵。例如,服务器可以通过环境决策模型中的隶属函数计算各个环境因素特征对应环境状态指标的隶属度值,并对每个环境因素特征的隶属度值进行归一化,并组合得到单因素决断矩阵。例如因素决断矩阵可以表示为:
其中,R为环境监测数据对应的单因素决断矩阵,rij代表归一化后第i个评价指标对第j种状态的隶属度,考虑到电缆沟实际运行状态,认为任一评价指标达到了危险程度,则认为电缆沟运行状态为危险,即ri3≠0则运行状态整体危险。
服务器同时还可以根据环境状态指标计算多个环境因素特征的权重,根据多个评价指标和权重生成环境监测数据对应的权重矩阵,例如,可以采用改进层次分析法和熵权法结合的算法计算各个环境因素特征标对应的权重。
服务器进而根据因素决断矩阵和权重矩阵确定出环境监测数据对应的综合环境评估矩阵,根据环境评估矩阵确定环境监测数据的评估结果。通过环境评估模型对环境监测数据进行分析,由此能够准确有效对采集的环境监测数据进行环境状态评估,从而能够有效提高电缆沟道的故障检测和环境状态监测的监测效率和准确性。
在一个实施例中,如图4所示,根据环境状态指标计算多个环境因素特征的权重,根据多个评价指标和权重生成环境监测数据对应的权重矩阵的步骤,具体包括以下内容:
步骤402,根据环境状态指标计算多个环境因素特征的第一决策权重。
步骤404,计算多个环境因素特征的信息熵值,根据信息熵值计算多个环境因素特征的因素第二决策权重。
步骤406,根据多个环境因素特征的第一决策权重和第二决策权重生成环境监测数据对应的权重矩阵。
服务器获取通过多个网关节点传输的环境监测设备采集的环境监测数据后,则调用已训练的环境评估模型对获取的环境监测数据进行环境状态分析。服务器将环境监测数据输入至已训练的环境评估模型,提取环境监测数据多个环境因素特征。根据多个环境因素特征和环境状态指标构建环境监测数据对应的因素决断矩阵。根据环境状态指标计算多个环境因素特征的权重,根据多个评价指标和权重生成环境监测数据对应的权重矩阵。根据因素决断矩阵和权重矩阵确定环境评估矩阵,根据环境评估矩阵确定环境监测数据的评估结果。
具体地,服务器还可以根据环境状态指标计算多个环境因素特征的第一决策权重。服务器还可以计算多个环境因素特征的信息熵值,根据多个环境因素特征的信息熵值计算多个环境因素特征的因素第二决策权重,进而根据多个环境因素特征的第一决策权重和第二决策权重生成环境监测数据对应的权重矩阵。
例如,服务器可以采用改进层次分析算法和熵权算法结合计算各个环境因素特征的第一决策权重,第一决策权重可以为主观权重。主观权重可以为根据专家经验数据得到的,例如可以根据配置的主观权重映射表进行匹配得到。服务器还可以根据主观权重构建对应的专家判断矩阵,专家判断矩阵可以如下:
其中,式中aij表示因素i相比于因素j的重要程度,例如可以取值为1,3,5,7,9 等。求解修正判断矩阵A的最大特征根对应的特征向量并进行归一化,即可得到各个评价指标的主观权重。
例如,服务器可以根据熵权法求取第二决策权重,第二决策权重可以为客观权重,并根据客观权重建立客观数据矩阵,客观数据矩阵可以表示为:
其中,l代表对各个评价指标选用同时段的l组数据建立客观数据矩阵。计算环境因素特征的熵值和客观权重对应的表达式可以为:
其中,ej为各个环境因素特征的信息熵值,wj为各个环境因素特征的客观权重。服务器进而可以根据多个环境因素特征的主观权重和客观权重确定环境因素特征的综合权重,并根据综合权重生成环境监测数据对应的权重矩阵。由此能够准确有效地计算出环境因素特征的权重,以进一步准确有效地对监测数据进行决策分析。
在一个实施例中,该方法还包括:将多个环境因素特征的因素决断矩阵和权重矩阵进行融合处理,得到综合评估矩阵;将综合评估矩阵确定为环境评估矩阵,根据环境评估矩阵确定环境监测数据的评估结果。
服务器将环境监测数据输入至已训练的环境评估模型后,提取环境监测数据多个环境因素特征。根据多个环境因素特征和环境状态指标构建环境监测数据对应的因素决断矩阵。根据环境状态指标计算多个环境因素特征的权重,根据多个评价指标和权重生成环境监测数据对应的权重矩阵。服务器还可以根据环境状态指标计算多个环境因素特征的第一决策权重;计算多个环境因素特征的信息熵值,根据信息熵值计算多个环境因素特征的因素第二决策权重。根据多个环境因素特征的第一决策权重和第二决策权重生成环境监测数据对应的权重矩阵。
服务器进而将多个环境因素特征的因素决断矩阵和权重矩阵进行融合处理,从而得到综合评估矩阵。具体地,服务器可以将单因素决断矩阵与综合权重融合。将各环境因素特征的综合权重矩阵C和单因素决断矩阵R进行融合处理,得到综合评估矩阵B,综合评估矩阵B可以表示为:
其中,C为环境因素特征的综合权重矩阵,b1,b2,b3分别表示环境综合运行状态当前处于良好状态、一般状态、危险状态的情况。
例如,服务器可以根据最大隶属原则对电缆沟道内的运行状态和环境状态进行评估和决策,其表达式可以为:
h1=b1S1(u1)+b2S1(u2)+b3S1(u3)
h2=b1S2(u1)+b2S2(u2)+b3S2(u3)
h3=b1S3(u1)+b2S3(u2)+b3S3(u3)
其中,h1,h2,h3可以分别表示多种环境状态指标。
服务器则将综合评估矩阵确定为环境评估矩阵,根据环境评估矩阵确定环境监测数据的评估结果。通过环境评估模型对环境监测数据进行分析,并根据环境因素特征的因素决断矩阵和权重矩阵对电缆沟道的运行环境状态进展综合决策评估,由此能够准确有效对采集的环境监测数据进行环境状态评估,从而能够有效提高电缆沟道的故障检测和环境状态监测的监测效率,并且能够有效提高电缆沟道环境的风险决策准确度。
在一个实施例中,服务器在利用环境决策模型对采集的环境监测数据进行评估决策的过程中,还可以顶起对环境决策模型进行优化处理。具体地,服务器可以根据预设频率获取历史环境监测数据,历史环境监测数据包括识别出的状态评估标签和风险标签。服务器进而利用包括状态评估标签和风险标签的历史环境监测数据对环境决策模型进行调优训练,得到训练结果服务器进而根据训练结果对环境决策模型的模型参数进行调参,从而得到更新的环境决策模型。例如,服务器可以利用误差算法确定更新权重参数,并利用更新权重参数对环境决策模型进行迭代更新。由此能够有效地对环境决策模型进行调参优化,从而能够有效提高环境决策模型的决策准确度。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种基于电缆沟道的环境风险决策装置,包括:数据获取模块502、数据决策模块504和预警提示模块506,其中:
数据获取模块502,用于获取环境传感器采集的环境监测数据,环境监测数据包括区域标识;
数据决策模块504,用于将环境监测数据输入至已训练的环境决策模型,提取环境监测数据多个环境因素特征,计算多个环境因素特征的权重;根据多个评价指标和对应的权重生成环境监测数据对应的环境评估矩阵,根据环境评估矩阵计算环境监测数据对应的评估结果;
预警提示模块506,用于当评估结果中存在超过预警阈值的风险指标时,根据区域标识向对应的监控终端发送预警提示信息;使得监控终端根据评估结果向电缆设备下发远程控制指令。
在一个实施例中,该装置还包括模型构建模块,用于获取历史环境监测数据;对历史环境监测数据进行特征提取,得到多个环境因素特征,利用多个环境因素特征生成因素集;根据多个环境因素特征和环境状态指标构建决断集;根据多个环境因素特征按照预设算法构建决策函数;利用因素集、决断集和决策函数构建决策函数模型。
在一个实施例中,模型构建模块还用于获取多个历史环境监测数据,历史环境监测数据包括标注监测数据和未标注监测数据,标注监测数据包括环境特征和指标特征以及状态标签;利用标注监测数据生成训练集,利用未标注环境监测数据生成验证集;将训练集输入至决策函数模型,利用标注监测数据的环境特征和指标特征对决策函数模型进行学习训练,得到初始环境决策模型;将验证集输入至初始环境决策模型,利用验证集中的未标注环境监测数据对初始环境决策模型进行验证;直到验证集中满足条件阈值的样本数量达到验证阈值时,得到训练完成的环境决策模型。
在一个实施例中,如图6所示,服务器中包括主节点和多个从节点,该装置还包括任务分配模块503,用于主节点根据区域标识将环境监测数据生成环境评估任务;主节点获取多个从节点的当前负载权重,根据每个从节点的当前负载权重为环境评估任务选择对应的从节点标识;根据被选择的从节点标识将多个环境评估任务分配至对应的从节点,以使得多个从节点分别调用多个分布式线程通过环境决策模型对环境评估任务进行环境状态评估处理。
在一个实施例中,数据决策模块504还用于利用环境决策模型提取环境监测数据对应的多个环境因素特征;根据多个环境因素特征和环境状态指标构建环境监测数据对应的因素决断矩阵;根据环境状态指标计算多个环境因素特征的权重,根据多个评价指标和权重生成环境监测数据对应的权重矩阵;根据因素决断矩阵和权重矩阵确定环境评估矩阵,根据环境评估矩阵确定环境监测数据的评估结果。
在一个实施例中,数据决策模块504还用于根据环境状态指标计算多个环境因素特征的第一决策权重;计算多个环境因素特征的信息熵值,根据信息熵值计算多个环境因素特征的因素第二决策权重;根据多个环境因素特征的第一决策权重和第二决策权重生成环境监测数据对应的权重矩阵。
在一个实施例中,数据决策模块504还用于将多个环境因素特征的因素决断矩阵和权重矩阵进行融合处理,得到综合评估矩阵;将综合评估矩阵确定为环境评估矩阵,根据环境评估矩阵确定环境监测数据的评估结果。
关于基于电缆沟道的环境风险决策装置的具体限定可以参见上文中对于基于电缆沟道的环境风险决策方法的限定,在此不再赘述。上述基于电缆沟道的环境风险决策装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储环境监测数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现本申请任意一个实施例中提供的基于电缆沟道的环境风险决策方法的步骤。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请任意一个实施例中提供的基于电缆沟道的环境风险决策方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限, RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步 DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于电缆沟道的环境风险决策方法,其特征在于,所述方法包括:
获取环境传感器采集的环境监测数据,所述环境监测数据包括区域标识;
将所述环境监测数据输入至已训练的环境决策模型,提取所述环境监测数据多个环境因素特征,利用层次分析算法与熵权算法结合的方法计算所述多个环境因素特征的权重;
根据预设频率获取历史环境监测数据,所述历史环境监测数据包括识别出的状态评估标签和风险标签,利用包括状态评估标签和风险标签的历史环境监测数据对所述环境决策模型进行调优训练,得到训练结果,根据所述训练结果对所述环境决策模型的模型参数进行调参,利用误差算法确定更新权重参数,并利用所述更新权重参数对环境决策模型进行迭代更新,得到更新的环境决策模型;
根据多个评价指标和对应的权重生成所述环境监测数据对应的环境评估矩阵,根据所述环境评估矩阵计算所述环境监测数据对应的评估结果;
当所述评估结果中存在超过预警阈值的风险指标时,根据所述区域标识向对应的监控终端发送预警提示信息;使得所述监控终端根据所述评估结果向电缆设备下发远程控制指令;
所述方法还包括:
获取历史环境监测数据;对所述历史环境监测数据进行特征提取,得到多个环境因素特征,利用多个环境因素特征生成因素集;
根据所述多个环境因素特征和环境状态指标构建决断集;
根据所述多个环境因素特征按照预设算法构建决策函数;
利用所述因素集、所述决断集和所述决策函数构建决策函数模型;
所述方法还包括:
获取多个历史环境监测数据,所述历史环境监测数据包括标注监测数据和未标注监测数据,所述标注监测数据包括环境特征和指标特征以及状态标签;
利用所述标注监测数据生成训练集,利用所述未标注监测数据生成验证集;
将所述训练集输入至所述决策函数模型,利用所述标注监测数据的环境特征和指标特征对所述决策函数模型进行学习训练,得到初始环境决策模型;
将所述验证集输入至所述初始环境决策模型,利用所述验证集中的未标注监测数据对所述初始环境决策模型进行验证;直到所述验证集中满足条件阈值的样本数量达到验证阈值时,得到训练完成的环境决策模型;计算损失参数,利用梯度下降算法对所述环境决策模型进行更新。
2.根据权利要求1所述的方法,其特征在于,服务器中包括主节点和多个从节点,所述方法还包括:
主节点根据所述区域标识将所述环境监测数据生成环境评估任务;
主节点获取多个从节点的当前负载权重,根据每个从节点的当前负载权重为所述环境评估任务选择对应的从节点标识;
根据被选择的从节点标识将多个环境评估任务分配至对应的从节点,以使得多个从节点分别调用多个分布式线程通过环境决策模型对所述环境评估任务进行环境状态评估处理。
3.根据权利要求1所述的方法,其特征在于,所述根据所述多个评价指标和对应的权重生成所述环境监测数据对应的环境评估矩阵,根据所述环境评估矩阵计算所述环境监测数据对应的评估结果,包括:
利用所述环境决策模型提取所述环境监测数据对应的多个环境因素特征;
根据所述多个环境因素特征和环境状态指标构建所述环境监测数据对应的因素决断矩阵;
根据所述环境状态指标计算多个环境因素特征的权重,根据多个评价指标和权重生成所述环境监测数据对应的权重矩阵;
根据所述因素决断矩阵和所述权重矩阵确定环境评估矩阵,根据所述环境评估矩阵确定所述环境监测数据的评估结果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述环境状态指标计算多个环境因素特征的权重,根据多个评价指标和权重生成所述环境监测数据对应的权重矩阵,包括:
根据环境状态指标计算多个环境因素特征的第一决策权重;
计算所述多个环境因素特征的信息熵值,根据所述信息熵值计算所述多个环境因素特征的因素第二决策权重;
根据所述多个环境因素特征的第一决策权重和第二决策权重生成所述环境监测数据对应的权重矩阵。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
将所述多个环境因素特征的因素决断矩阵和权重矩阵进行融合处理,得到综合评估矩阵;
将所述综合评估矩阵确定为环境评估矩阵,根据所述环境评估矩阵确定所述环境监测数据的评估结果。
6.一种基于电缆沟道的环境风险决策装置,所述装置包括:
数据获取模块,用于获取环境传感器采集的环境监测数据,所述环境监测数据包括区域标识;
数据决策模块,用于将所述环境监测数据输入至已训练的环境决策模型,提取所述环境监测数据多个环境因素特征,利用层次分析算法与熵权算法结合的方法计算所述多个环境因素特征的权重,根据预设频率获取历史环境监测数据,所述历史环境监测数据包括识别出的状态评估标签和风险标签,利用包括状态评估标签和风险标签的历史环境监测数据对所述环境决策模型进行调优训练,得到训练结果,根据所述训练结果对所述环境决策模型的模型参数进行调参,得到更新的环境决策模型;利用误差算法确定更新权重参数,并利用所述更新权重参数对环境决策模型进行迭代更新,根据多个评价指标和对应的权重生成所述环境监测数据对应的环境评估矩阵,根据所述环境评估矩阵计算所述环境监测数据对应的评估结果;
预警提示模块,用于当所述评估结果中存在超过预警阈值的风险指标时,根据所述区域标识向对应的监控终端发送预警提示信息;使得所述监控终端根据所述评估结果向电缆设备下发远程控制指令;
模型构建模块,用于获取历史环境监测数据;对所述历史环境监测数据进行特征提取,得到多个环境因素特征,利用多个环境因素特征生成因素集;根据所述多个环境因素特征和环境状态指标构建决断集;根据所述多个环境因素特征按照预设算法构建决策函数;利用所述因素集、所述决断集和所述决策函数构建决策函数模型;
所述模型构建模块还用于获取多个历史环境监测数据,所述历史环境监测数据包括标注监测数据和未标注监测数据,所述标注监测数据包括环境特征和指标特征以及状态标签;利用所述标注监测数据生成训练集,利用所述未标注监测数据生成验证集;将所述训练集输入至所述决策函数模型,利用所述标注监测数据的环境特征和指标特征对所述决策函数模型进行学习训练,得到初始环境决策模型;将所述验证集输入至所述初始环境决策模型,利用所述验证集中的未标注监测数据对所述初始环境决策模型进行验证;直到所述验证集中满足条件阈值的样本数量达到验证阈值时,得到训练完成的环境决策模型;计算损失参数,利用梯度下降算法对所述环境决策模型进行更新。
7.一种计算机设备,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5中任一项所述方法的步骤。
8.一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5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010145548.0A CN111445110B (zh) | 2020-03-05 | 2020-03-05 | 基于电缆沟道的环境风险决策方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010145548.0A CN111445110B (zh) | 2020-03-05 | 2020-03-05 | 基于电缆沟道的环境风险决策方法、装置、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445110A CN111445110A (zh) | 2020-07-24 |
CN111445110B true CN111445110B (zh) | 2023-03-03 |
Family
ID=71650538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010145548.0A Active CN111445110B (zh) | 2020-03-05 | 2020-03-05 | 基于电缆沟道的环境风险决策方法、装置、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445110B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111426345A (zh) * | 2020-03-24 | 2020-07-17 | 深圳供电局有限公司 | 分布式电缆沟道环境监测系统、方法、计算机设备 |
CN113408878A (zh) * | 2021-06-07 | 2021-09-17 | 山东电工电气集团有限公司 | 基于多源信息的电缆隧道运行状态评价方法及区域控制系统 |
CN113743726B (zh) * | 2021-08-04 | 2023-11-28 | 国网福建省电力有限公司信息通信分公司 | 基于边缘计算的输电线路电缆沟作业安全管控方法及系统 |
CN114117545A (zh) * | 2021-11-08 | 2022-03-01 | 重庆邮电大学 | 一种防篡改的电子证明系统及其实现方法 |
CN113807750B (zh) * | 2021-11-19 | 2023-04-07 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 基于环境要素的服务决策装置和方法 |
CN115406490A (zh) * | 2022-11-02 | 2022-11-29 | 高勘(广州)技术有限公司 | 光缆管道监测方法、装置、设备及存储介质 |
CN116068324B (zh) * | 2023-03-16 | 2023-06-20 | 国网辽宁省电力有限公司电力科学研究院 | 一种电缆线路测试方法、系统、设备及介质 |
CN116821636B (zh) * | 2023-08-30 | 2023-11-14 | 湖南云滨信息技术有限公司 | 一种基于大数据的物联网数据采集分析管理系统 |
CN117035468B (zh) * | 2023-10-08 | 2024-01-12 | 国网浙江省电力有限公司宁波供电公司 | 一种电缆管理分析方法、装置、设备及存储介质 |
CN117389179B (zh) * | 2023-10-17 | 2024-05-03 | 北京思木企业管理咨询中心(有限合伙) | 一种巡检设备的远程智能集控方法及系统 |
CN117422581B (zh) * | 2023-11-01 | 2024-07-23 | 中国地质科学院矿产资源研究所 | 一种矿产资源安全监测预警方法、系统、设备及介质 |
CN117196319B (zh) * | 2023-11-02 | 2024-01-19 | 合肥优尔电子科技有限公司 | 一种电网风险辨识分析方法、系统及存储介质 |
CN117272071B (zh) * | 2023-11-22 | 2024-02-13 | 武汉商启网络信息有限公司 | 一种基于人工智能的流动管道泄露预警方法及系统 |
CN117827465B (zh) * | 2024-03-04 | 2024-05-24 | 中国科学院地理科学与资源研究所 | 一种生态环境预警的方法及相关设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761684A (zh) * | 2014-01-20 | 2014-04-30 | 广州供电局有限公司 | 一种输电电缆整体状态的综合评估方法及系统 |
JP2018124185A (ja) * | 2017-02-01 | 2018-08-09 | 東京電力ホールディングス株式会社 | 絶縁油分析による油入りケーブル中の有機銅化合物および硫化銅の生成状況の推定方法、並びに油入りケーブルの異常発生の危険度の診断方法 |
CN108519127A (zh) * | 2017-12-19 | 2018-09-11 | 国网山东省电力公司烟台供电公司 | 一种电缆隧道智能监测系统 |
CN109167435A (zh) * | 2018-09-25 | 2019-01-08 | 深圳供电局有限公司 | 电缆沟运维方法和装置 |
CN109506704A (zh) * | 2018-10-10 | 2019-03-22 | 国网河南省电力公司开封供电公司 | 电缆检测及预警方法和装置 |
CN109540212A (zh) * | 2018-11-30 | 2019-03-29 | 湖南世优电力科技股份有限公司 | 一种基于大数据的电缆井状态评估预警系统及方法 |
CN110659800A (zh) * | 2019-08-15 | 2020-01-07 | 平安科技(深圳)有限公司 | 风险监控处理方法、装置、计算机设备和存储介质 |
CN110766313A (zh) * | 2019-10-18 | 2020-02-07 | 山东电工电气集团有限公司 | 一种基于运维检修制度的电缆隧道综合状态评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8260132B2 (en) * | 2007-03-26 | 2012-09-04 | Hewlett-Packard Development Company, L.P. | System and method for cable monitoring |
-
2020
- 2020-03-05 CN CN202010145548.0A patent/CN111445110B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761684A (zh) * | 2014-01-20 | 2014-04-30 | 广州供电局有限公司 | 一种输电电缆整体状态的综合评估方法及系统 |
JP2018124185A (ja) * | 2017-02-01 | 2018-08-09 | 東京電力ホールディングス株式会社 | 絶縁油分析による油入りケーブル中の有機銅化合物および硫化銅の生成状況の推定方法、並びに油入りケーブルの異常発生の危険度の診断方法 |
CN108519127A (zh) * | 2017-12-19 | 2018-09-11 | 国网山东省电力公司烟台供电公司 | 一种电缆隧道智能监测系统 |
CN109167435A (zh) * | 2018-09-25 | 2019-01-08 | 深圳供电局有限公司 | 电缆沟运维方法和装置 |
CN109506704A (zh) * | 2018-10-10 | 2019-03-22 | 国网河南省电力公司开封供电公司 | 电缆检测及预警方法和装置 |
CN109540212A (zh) * | 2018-11-30 | 2019-03-29 | 湖南世优电力科技股份有限公司 | 一种基于大数据的电缆井状态评估预警系统及方法 |
CN110659800A (zh) * | 2019-08-15 | 2020-01-07 | 平安科技(深圳)有限公司 | 风险监控处理方法、装置、计算机设备和存储介质 |
CN110766313A (zh) * | 2019-10-18 | 2020-02-07 | 山东电工电气集团有限公司 | 一种基于运维检修制度的电缆隧道综合状态评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111445110A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445110B (zh) | 基于电缆沟道的环境风险决策方法、装置、计算机设备 | |
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
Xu et al. | Real-time transient stability assessment model using extreme learning machine | |
CN111426345A (zh) | 分布式电缆沟道环境监测系统、方法、计算机设备 | |
CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN115527203B (zh) | 一种基于物联网的谷物干燥远程控制方法及系统 | |
CN112085285B (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
CN115423009A (zh) | 一种面向云边协同的电力设备故障识别方法及系统 | |
CN105719094A (zh) | 一种输电设备状态评估方法 | |
CN109974780A (zh) | 一种基于物联网的电气设备状态监测系统 | |
CN103617447A (zh) | 智能变电站的评价系统及评价方法 | |
CN117878925B (zh) | 一种智能电网的输电数据控制方法及系统 | |
CN111600309B (zh) | 电压控制方法、装置、设备、计算机设备和存储介质 | |
CN106846529A (zh) | 电缆的巡检方法和巡检装置 | |
CN113919572A (zh) | 一种负荷预测方法、装置及系统 | |
CN111143835B (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 | |
CN116961231A (zh) | 一种基于电力物联网安全管理系统 | |
CN102693514A (zh) | 一种基于设备风险预控、重点设备监控的变电站设备自动评价方法 | |
CN116415849A (zh) | 基于人工智能的动态工程监理系统及方法 | |
CN111857015B (zh) | 输变电云端智能控制器 | |
de Oliveira Jr et al. | An Application with Jetson Nano for Plant Stress Detection and On-field Spray Decision. | |
CN113570473A (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
CN117200449B (zh) | 一种基于多维算法分析的电网监测管理方法及系统 | |
CN111897655B (zh) | 一种输变电云端智能控制器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |