CN113808743B - 一种电网户外作业人员热应激预警方法及系统 - Google Patents
一种电网户外作业人员热应激预警方法及系统 Download PDFInfo
- Publication number
- CN113808743B CN113808743B CN202111068785.2A CN202111068785A CN113808743B CN 113808743 B CN113808743 B CN 113808743B CN 202111068785 A CN202111068785 A CN 202111068785A CN 113808743 B CN113808743 B CN 113808743B
- Authority
- CN
- China
- Prior art keywords
- heat flow
- obtaining
- evaporation
- data
- working condition
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电网户外作业人员热应激预警方法及系统,本发明提供的方法包括:获取多维数据并构建数据仓库;利用数据仓库中的数据作为训练样本分别构建核心温度预测模型和出汗量预测模型;获取作业人员的当前工况数据;根据当前工况数据利用预测模型得到作业人员在当前工况数据的当前核心温度和当前出汗量;根据当前核心温度和当前出汗量向作业人员发布预警信息。本发明通过获取多维数据形成的数据仓库来训练电网户外作业人员热应激机器学习模型,再将当前工况数据输入到热应激机器学习模型中快速准确的得到人体核心温度和出汗量的预测值,可以降低电网户外作业人员遭受热伤害的风险,提高电网户外作业人员的安全可靠性与工作效率。
Description
技术领域
本发明涉及热伤害预警技术领域,特别是涉及一种电网户外作业人员热应激预警方法及系统。
背景技术
在全球变暖的大背景下,我国夏季高温热浪极端天气时常发生。工作人员如果长时间处于高温环境中,不仅作业能力与工作效率显著降低,还可能面临热应激风险并使人身安全受到巨大威胁。同时,人受高温影响造成的热损伤也会给所属企业单位带来额外的治疗费用和不利的社会形象。而夏季又正值用电高峰期,电网运行负荷加大,出现故障的概率也相应增加,夏季电网户外作业人员的各种工作如各类设施和线路建设、巡线检查、供用电设备抢修等不可避免的会面临高温环境,从而使户外作业人员有遭受热应激的风险。作为贯彻我国“安全第一、预防为主”安全方针的重要举措,风险预警是开展安全生产的一大核心。因此,对高温环境下电网户外作业人员热应激状况做出合理评估并提前预警成为亟需解决的重要问题。目前对于电网户外作业人员热应激状况预测预警的方法研究较少,且在实际工作场景中大多仅根据客观环境因素做出预判,人体的生理状态和个体差异性等主观人体特征因素未得到充分考虑。而现有的一些生理监测装置和热应激预测方法在预测精度和速度上不能很好的满足电网户外人员热应激预测预警响应的需求。
近年来,机器学习领域的发展进步使得将其应用于风险评估与预警成为一大热门。经过大量可靠数据训练的机器学习模型往往具有预测速度快、精度高的优势,但目前将机器学习用于电网户外作业人员热应激预测预警的案例较少,获取的样本数据量也往往不足,难以保证预测结果的合理性与实用性。
发明内容
本发明的目的是提供一种电网户外作业人员热应激预警方法及系统,以解决现有的热应激预警方法预测结果精度低的问题。
为实现上述目的,本发明提供了如下方案:
一种电网户外作业人员热应激预警方法,包括:
获取多维数据;所述多维数据包括工况数据和对应工况下的核心温度和出汗量;所述工况数据包括环境温度、辐射温度、湿度、风速、身高、体重、年龄、性别、服装热阻和服装湿阻;
根据多维数据构建数据仓库;
利用所述数据仓库中的数据作为训练样本分别构建核心温度预测模型和出汗量预测模型;
获取作业人员的当前工况数据;
根据所述当前工况数据利用所述核心温度预测模型和出汗量预测模型得到作业人员在当前工况数据的当前核心温度和当前出汗量;
根据所述当前核心温度和所述当前出汗量向作业人员发布预警信息。
优选地,所述获取多维数据,还包括:
根据所述工况数据得到人体皮肤表面积、基础代谢率、有效总热阻和有效服装蒸发;
根据所述基础代谢率得到呼吸对流热流量和呼吸蒸发热流量;
根据有效总热阻得到对流热流量和辐射热流量之和;
根据所述有效服装蒸发和所述对流热流量和辐射热流量之和得到最大蒸发热流量和需要蒸发热流量;
根据所述最大蒸发热流量和所述需要蒸发热流量得到需要出汗率;
根据所述需要出汗率和所述最大蒸发热流量得到预测出汗率和预测蒸发热流量;
根据所述预测蒸发热流量和所述需要蒸发热流量得到热累计率;
根据所述热累计率得到核心温度计算公式;
根据所述需要蒸发热流量、所述预测出汗率和人体皮肤表面积得到总出汗量计算公式。
优选地,所述根据所述工况数据得到人体皮肤表面积、基础代谢率、有效总热阻和有效服装蒸发,包括:
采用公式:
(AD)male=0.0057×l+0.0121×m+0.0882
(AD)female=0.0073×l+0.0121×m-0.2106
得到人体皮肤表面积和基础代谢率;其中,(AD)male为中国成年男性皮肤表面积,(AD)female为中国成年女性皮肤表面积,M为人体基础代谢率,l为人体身高,m为人体体重,age为年龄,sex为性别,男性取0,女性取1;
采用公式:
得到有效总热阻和有效服装蒸发;其中,ITeff为有效总热阻,Cevap为有效服装蒸发,IT为包含空气层边界与服装的总热阻,im为服装透湿指数,im=60.65×Rct/Ret,Rct为服装热阻,Ret为服装湿阻,Icl为转换为clo值的服装热阻值,V为风速,g为风速系数,Veff为有效风速。
优选地,所述根据所述基础代谢率得到呼吸对流热流量和呼吸蒸发热流量,包括:
采用公式:
Cres=0.00152×M×(28.56+0.885Ta+0.641Pa)
得到呼吸对流热流量;其中,Cres为呼吸对流热流量,Ta为环境温度,Pa为空气中水蒸气分压;
采用公式:
Eres=0.00127×M×(59.34+0.53Ta-11.63Pa)
得到呼吸蒸发热流量;其中,Eres为呼吸蒸发热流量。
优选地,所述根据所述有效服装蒸发和所述对流热流量和辐射热流量之和得到最大蒸发热流量和需要蒸发热流量,包括:
采用公式:
得到太阳照射增加的热负荷;Rload为太阳照射增加的热负荷,Tmr为辐射温度;
采用公式:
得到阻隔效率;其中,U为阻隔效率;
采用公式:
Emax=14.21Cevap(Psk-Pa)
得到最大蒸发热流量;其中,Emax为最大蒸发热流量,Psk为皮肤表面饱和蒸气压;
采用公式:
Ereq=M-W-(C+R)-Cres-Rres-Sm+U×Rload
得到需要蒸发热流量;其中,Ereq为需要蒸发热流量,C+R为对流和辐射热流量之和,Cres为呼吸对流热流量,Rres为呼吸蒸发热流量,Sm为人体蓄热量,W为人体所做的机械功,单位W/m2。
优选地,所述核心温度计算公式,包括:
Tcr,i=Tcr,i-1
(1-ski)=0.7-0.09(Tcr,i-36.8)
其中,Tcr,i为i时刻的核心温度,ski为i时刻的皮肤温度系数,Si为i时刻的热累计率,Cp为人体热容,Tsk,i为i时刻的平均皮肤温度。
优选地,所述总出汗量计算公式,包括:
Swall,i=Swall,i-1+Swp,i+Eres
其中,SWall,i为到i时刻的预计总出汗量,Swp,i为i时刻的预测出汗率,SWallg,i为总出汗量。
本发明还提供了一种电网户外作业人员热应激预警系统,包括:
多维数据获取模块,用于获取多维数据;所述多维数据包括工况数据和对应工况下的核心温度和出汗量;所述工况数据包括环境温度、辐射温度、湿度、风速、身高、体重、年龄、性别、服装热阻和服装湿阻;
数据仓库构造模块,用于根据多维数据构建数据仓库;
预测模型训练模块,用于利用所述数据仓库中的数据作为训练样本分别构建核心温度预测模型和出汗量预测模型;
当前工况数据获取模块,用于获取作业人员的当前工况数据;
预测模块,用于根据所述当前工况数据利用所述核心温度预测模型和出汗量预测模型得到作业人员在当前工况数据的当前核心温度和当前出汗量;
预警模块,用于根据所述当前核心温度和所述当前出汗量向作业人员发布预警信息。
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上述方法的步骤。
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上述方法的步骤。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种电网户外作业人员热应激预警方法及系统,本发明提供的一种电网户外作业人员热应激预警方法包括:获取多维数据并构建数据仓库;利用数据仓库中的数据作为训练样本分别构建核心温度预测模型和出汗量预测模型;获取作业人员的当前工况数据;根据当前工况数据利用核心温度预测模型和出汗量预测模型得到作业人员在当前工况数据的当前核心温度和当前出汗量;根据当前核心温度和当前出汗量向作业人员发布预警信息。本发明通过获取多维数据形成的数据仓库来训练电网户外作业人员热应激机器学习模型,再将当前工况数据输入到热应激机器学习模型中快速准确的得到人体核心温度和出汗量的预测值,可以降低电网户外作业人员遭受热伤害的风险,提高电网户外作业人员的安全可靠性与工作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种电网户外作业人员热应激预警方法流程图;
图2为本发明提供的一种电网户外作业人员热应激预警装置结构图;
图3为270min分钟内热应激机器学习模型预测的人体核心温度变化情况;
图4为270min分钟内热应激机器学习模型预测的人体出汗量变化情况。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种电网户外作业人员热应激预警方法及系统,以解决现有的热应激预警方法预测结果精度低的问题。
请参阅图1,为实现上述目的,本发明提供了如下方案:一种电网户外作业人员热应激预警方法,包括:
步骤1:获取多维数据;所述多维数据包括工况数据和对应工况下的核心温度和出汗量;所述工况数据包括环境温度、辐射温度、湿度、风速、身高、体重、年龄、性别、服装热阻和服装湿阻;
在本发明中,可利用多渠道获取多维数据,包括历史统计的热应激案例数据、各类环境工况下的实验测量数据、热应激数值模型计算得到的数据,上述三种方式获得的多维数据指电网户外作业人员遭受热应激时的工况数据,包括环境温度、辐射温度、湿度、风速四类环境数据,身高、体重、年龄、性别四类人员数据,服装热阻、服装湿阻两类服装性能数据,此外,还应当获取统计该工况下的人体核心温度和出汗量的记录。
进一步的,所述获取多维数据,还包括:
步骤1.1:根据所述工况数据得到人体皮肤表面积、基础代谢率、有效总热阻和有效服装蒸发;
采用公式:
(AD)male=0.0057×l+0.0121×m+0.0882
(AD)female=0.0073×l+0.0121×m-0.2106
得到人体皮肤表面积和基础代谢率;其中,(AD)male为中国成年男性皮肤表面积,(AD)female为中国成年女性皮肤表面积,M为人体基础代谢率,l为人体身高,m为人体体重,age为年龄,sex为性别,男性取0,女性取1;
采用公式:
得到有效总热阻和有效服装蒸发;其中,ITeff为有效总热阻,Cevap为有效服装蒸发,IT为包含空气层边界与服装的总热阻,单位为clo;im为服装透湿指数,im=60.65×Rct/Ret,Rct为服装热阻,单位为m2·K/W,Ret为服装湿阻,单位为m2·Pa/W;Icl为转换为clo值的服装热阻值;V为风速,单位m/s;g为风速系数,无量纲;Veff为考虑了人员移动速度的有效风速,单位m/s,由下式计算:
Veff=0.11+V+0.67×Vwalk
其中,人员移动速度Vwalk(m/s)可根据人员活动情况提前设定。
在实际应用中,还需要计算人体热容Cp和在特定工况下与代谢率对应的人体核心温度Tcr,m以及人体蓄热量Sm。
Tcr,m,i=0.9048×Tcr,m,i-1+0.0952×Tcr,m,st
Tcr,m,st=0.0036×(M-55)+36.8
Sm,i=(1-ski-1)Cp(Tcr,m,i-Tcr,m,i-1)
式中,Tcr,m,i为i时刻与代谢率对应的核心温度,Tcr,m,st为与代谢率对应的稳态时的核心温度,单位℃;ski-1为i-1时刻的皮肤温度系数,无量纲。
然后再计算人体皮肤温度Tsk以及该温度对应的皮肤表面饱和蒸气压Psk,计算空气中水蒸气分压Pa;
Tsk,i=0.7165×Tsk,i-1+0.2835Tsk,st
式中,Tsk,i为i时刻的平均皮肤温度,Tsk,st为达到稳态时的平均皮肤温度,Tsk,st,nu和Tsk,st,cl分别为裸体和着装状态下稳态时的平均皮肤温度,单位℃;Icl是服装热阻,单位clo;皮肤表面饱和蒸气压Psk和空气中水蒸气分压Pa用Antoine方程计算。
步骤1.2:根据所述基础代谢率得到呼吸对流热流量和呼吸蒸发热流量;
所述步骤1.2包括:
采用公式:
Cres=0.00152×M×(28.56+0.885Ta+0.641Pa)
得到呼吸对流热流量;其中,Cres为呼吸对流热流量,Ta为环境温度,Pa为空气中水蒸气分压;
采用公式:
Eres=0.00127×M×(59.34+0.53Ta-11.63Pa)
得到呼吸蒸发热流量;其中,Eres为呼吸蒸发热流量。
步骤1.3:根据有效总热阻得到对流热流量和辐射热流量之和;具体的,采用公式:
计算人体与环境进行交换的对流热流量C和辐射热流量R之和,ITeff为有效总热阻,单位cl。
步骤1.4:根据所述有效服装蒸发和所述对流热流量和辐射热流量之和得到最大蒸发热流量和需要蒸发热流量;
所述步骤1.4包括:
采用公式:
得到太阳照射增加的热负荷;Rload为太阳照射增加的热负荷,Tmr为辐射温度,可根据日照条件可在Ta~Ta+40℃之间取值;
采用公式:
得到阻隔效率;其中,U为阻隔效率;
采用公式:
Emax=14.21Cevap(Psk-Pa)
得到最大蒸发热流量;其中,Emax为最大蒸发热流量,单位为W/m2,Psk为皮肤表面饱和蒸气压;Cevap为有效服装蒸发,单位im/clo;Rload为太阳照射增加的热负荷,单位为W/m2。
采用公式:
Ereq=M-W-(C+r)-Cres-Rres-Sm+U×Rload
得到需要蒸发热流量;其中,Ereq为需要蒸发热流量,单位为W/m2,C+R为对流和辐射热流量之和,Cres为呼吸对流热流量,Rres为呼吸蒸发热流量,Sm为人体蓄热量,W为人体所做的机械功。
步骤1.5:根据所述最大蒸发热流量和所述需要蒸发热流量得到需要出汗率SWreq;
首先,计算最大出汗率SWmax;
SWmax=(M-32)×AD
式中,最大出汗率SWmax下限和上限为250W/m2和400W/m2,需要出汗率SWreq的计算根据最大蒸发热流量Emax,需要蒸发热流量Ereq和需要皮肤湿润度wet(Ereq与Emax比值)计算,具体如下:
当Emax≤0时,Emax=0,SWreq=SWmax;
否则,
当Emax>0,Ereq≤0时,Ereq=0,SWreq=0;
否则,
当Emax>0,Ereq>0时,SWreq根据需要皮肤湿润度wet计算;
当wet≥1.7时,SWreq=SWmax;
否则,
当1≤wet<1.7时,出汗所需皮肤蒸发率evp=(2-wet2)/2,
当wet<1时,出汗所需皮肤蒸发率evp=(1-wet2)/2,
SWreq=Ereq/evp。
步骤1.6:根据所述需要出汗率和所述最大蒸发热流量得到预测出汗率SWp和预测蒸发热流量Ep;
SWp,i=0.9048×SWp,i-1+0.0952×SWreq
式中,SWp,i的单位为W/m2,预测蒸发热流量Ep的计算根据预测出汗率SWp和预测皮肤湿润度wetp计算,具体如下:
当SWp≤0时,SWp=0,Ep=0;
否则,
当SWp>0时,令k=Emax/SWp,
当k<0.5时,wetp=1,
Ep=wetp·Emax。
步骤1.7:根据所述预测蒸发热流量和所述需要蒸发热流量得到热累计率;具体的,采用公式Si=Ereq-Ep+Sm,i计算热累计率S。
步骤1.8:根据所述热累计率得到核心温度计算公式;其中,核心温度Tcr采用迭代法计算,迭代计算公式具体如下:
Tcr,i=Tcr,i-1
(1-ski)=0.7-0.09(Tcr,i-36.8)
其中,Tcr,i为i时刻的核心温度,ski为i时刻的皮肤温度系数,上下限分别为0.3和0.1,无量纲,Si为i时刻的热累计率,Cp为人体热容,Tsk,i为i时刻的平均皮肤温度。
步骤1.9:根据所述需要蒸发热流量、所述预测出汗率和人体皮肤表面积得到总出汗量计算公式。其中,所述总出汗量计算公式,包括:
Swall,i=Swall,i-1+Swp,i+Eres
其中,SWall,i为到i时刻的预计总出汗量,单位W/m2,Swp,i为i时刻的预测出汗率,SWallg,i为总出汗量,单位为g。
步骤2:根据多维数据构建数据仓库;
步骤3:利用所述数据仓库中的数据作为训练样本分别构建核心温度预测模型和出汗量预测模型;
步骤4:获取作业人员的当前工况数据;
步骤5:根据所述当前工况数据利用所述核心温度预测模型和出汗量预测模型得到作业人员在当前工况数据的当前核心温度和当前出汗量;
步骤6:根据所述当前核心温度和所述当前出汗量向作业人员发布预警信息。
下面结合具体的实施例对本发明的训练过程和预警过程进行进一步的说明:
机器学习模型使用数据仓库中的数据集训练,在训练前需要对数据集筛选优化,在原始数据库中将工况(环境、人员、服装)参数缺失的数据进行剔除;本发明中利用三种渠道获取的多维数据,其中历史统计的热应激案例数据相对较少,各类环境工况下的实验测量数据和利用热应激数值模型计算得到的数据相对较多,对于少数样本采用过采样方法随机合成少数类样本,对于多数样本采用下采样方法随机减少样本大小,通过采样和下采样的方法,实现样本数据的平衡。
进一步的,对所构建的热应激机器学习模型进行特征选择,该模型主要考虑环境特征、户外作业人员个体特征、工作服服装特征、环境适应性特征,该热应激机器学习模型的选择特征如下表1所示。
表1热应激机器学习模型选择特征
在本发明中,模型训练时选用线性回归、SVM、KNN、DT、随机森林等回归类机器学习模型分别构建人体核心温度预测模型和出汗量预测模型,采用交叉验证的方法对初步训练的模型进行验证优化,平均所选模型的验证结果,根据均方根误差(RMSE)和平均绝对误差(MSE)这两个模型评估指标来确定效果最佳的模型,训练集和验证集比例占数据仓库数据集的80%,剩余20%的数据集作为测试集用来测验训练好的机器学习模型的泛化能力。
由均方根误差确定的代价函数公式如下所示:
由平均绝对误差确定的代价函数公式如下所示:
式中:其中L代表机器学习模型的代价函数,predictedi为预测结果值,testedi为测量结果值,N为样本的数量。
在实际应用中,通过北斗卫星定位或GPS定位从数据来源可靠的天气信息网实时获取户外作业人员工作位置的环境参数;通过连入提前统计建立的户外作业人员人体数据库与工作服装性能数据库,获取个体特征相关数据和服装特征相关数据。多维感知数据中天气参数的更新频率可以根据实际组织策略需要和天气变化情况进行动态调整;人体数据库中的数据为提前录入建立的户外作业人员人体参数,当户外作业人员有变动调整后,以更新后的数据作为机器学习模型的输入;同理,工作服装性能数据库中的数据为提前录入建立的户外作业人员所穿工作服装的性能参数,如工作服装有所变化,以更新后的数据作为机器学习模型的输入。
进一步的,所获取的多维感知数据作为输入数据输入到核心温度和出汗量机器学习模型中进行计算预测,机器学习模型的预测目标如下表2所示。
表2热应激机器学习模型预测目标
根据模型预测的核心温度Tcr和脱水率(总出汗量SWall与体重m的比值),对比人体生理临界指标,确定户外作业人员核心温度风险等级和脱水率风险等级,在户外作业人员出工前发布风险预警。
人体核心温度和脱水率风险等级如下表3、表4所示。
表3核心温度风险等级表
核心温度 | 可能出现的症状 | 风险等级 |
38.3℃-38.8℃ | 体力减退,不舒适 | 1级 |
38.9℃-39.4℃ | 体力枯竭,极不舒适 | 2级 |
39.5℃及以上 | 眩晕,失去意识 | 3级 |
表4脱水率风险等级表
脱水率 | 可能出现的症状 | 风险等级 |
2%-3.9% | 体力减退,不舒适 | 1级 |
4%-5.9% | 体力枯竭,极不舒适 | 2级 |
6%及以上 | 眩晕,失去意识 | 3级 |
本发明以某一模拟户外环境为例,利用热应激机器学习模型对电网户外作业人员热应激状况进行预测评估,工况条件设置如下:环境温度37℃,辐射温度37℃,风速1m/s,空气相对湿度30%,工作服装的热阻为0.5m2K/W,湿阻为60m2Pa/W,假设某一男性电网户外作业人员身高为1.7m,体重70kg,年龄25岁。
根据图3显示,在此模拟工况下,根据核心温度的预测记录结果,电网户外作业人员大约在65min时面临1级风险,95min时面临2级风险,130min时面临3级风险。
根据图4显示,在此模拟工况下,根据脱水率的预测记录结果,电网户外作业人员大约在90min时面临1级风险,170min时面临2级风险,250min时面临3级风险。
根据上述一种电网户外作业人员热应激预警方法,本发明还提供一种电网户外作业人员热应激预警装置,以图2所示进行说明,该装置包括以下几个单元:
信息获取单元:获取环境参数、人员生理参数、服装参数;
运行计算单元:将信息获取单元获取的数据作为输入使用训练好的机器学习模型进行计算,输出所需数据并进行分析,预判风险等级。
预警显示单元:显示户外作业人员所处环境工况及热应激风险等级等,在出工前提前发布预警信息。
进一步的,所述信息获取单元用于实时获取所需数据,其中环境参数包括温度、湿度、风速,人员生理参数包括身高、体重、年龄、性别;服装参数包括服装的热阻和湿阻。
进一步的,所述运行计算单元将信息获取单元采集的数据作为输入数据,采用上述一种户外作业人员热应激预警方法中所建立的热应激机器学习模型进行计算预测。热应激机器学习模型的计算数据为特定人员的预测核心温度和核心温度,计算的出汗量根据人员体重进一步计算脱水率输出,其中,核心温度的精度为0.1℃,脱水率的精度为0.1%。且每次热应激机器学习模型的计算结果存储到数据库中,并作为历史案例数据的一部分,根据上述一种户外作业人员热应激预警方法中的建模方法对热应激机器学习模型进行更新计算。
进一步的,所述预警显示单元在显示器上动态显示工作地点环境信息,包括温度、湿度、风速;将要去往该地工作的作业人员姓名、工号等识别信息;预测的人员核心温度和脱水率数值大小和风险等级。而且,本发明中的信息动态显示的频率与信息获取单元实时获取数据的频率保持一致。
本发明还提供了一种电网户外作业人员热应激预警系统,包括:
多维数据获取模块,用于获取多维数据;所述多维数据包括工况数据和对应工况下的核心温度和出汗量;所述工况数据包括环境温度、辐射温度、湿度、风速、身高、体重、年龄、性别、服装热阻和服装湿阻;
数据仓库构造模块,用于根据多维数据构建数据仓库;
预测模型训练模块,用于利用所述数据仓库中的数据作为训练样本分别构建核心温度预测模型和出汗量预测模型;
当前工况数据获取模块,用于获取作业人员的当前工况数据;
预测模块,用于根据所述当前工况数据利用所述核心温度预测模型和出汗量预测模型得到作业人员在当前工况数据的当前核心温度和当前出汗量;
预警模块,用于根据所述当前核心温度和所述当前出汗量向作业人员发布预警信息。
本发明还提供了一种计算机设备,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上述方法的步骤。
本发明还提供了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上述方法的步骤。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种电网户外作业人员热应激预警方法及系统,本发明提供的一种电网户外作业人员热应激预警方法包括:获取多维数据并构建数据仓库;利用数据仓库中的数据作为训练样本分别构建核心温度预测模型和出汗量预测模型;获取作业人员的当前工况数据;根据当前工况数据利用核心温度预测模型和出汗量预测模型得到作业人员在当前工况数据的当前核心温度和当前出汗量;根据当前核心温度和当前出汗量向作业人员发布预警信息。本发明通过获取多维数据形成的数据仓库来训练电网户外作业人员热应激机器学习模型,再将当前工况数据输入到热应激机器学习模型中快速准确的得到人体核心温度和出汗量的预测值,可以降低电网户外作业人员遭受热伤害的风险,提高电网户外作业人员的安全可靠性与工作效率。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种电网户外作业人员热应激预警方法,其特征在于,包括:
获取多维数据;所述多维数据包括工况数据和对应工况下的核心温度和出汗量;所述工况数据包括环境温度、辐射温度、湿度、风速、身高、体重、年龄、性别、服装热阻和服装湿阻;
所述获取多维数据,还包括:
根据所述工况数据得到人体皮肤表面积、基础代谢率、有效总热阻和有效服装蒸发;
所述根据所述工况数据得到人体皮肤表面积、基础代谢率、有效总热阻和有效服装蒸发,包括:
采用公式:
(AD)male=0.0057×l+0.0121×m+0.0882
(AD)female=0.0073×l+0.0121×m-0.2106
得到人体皮肤表面积和基础代谢率;其中,(AD)male为中国成年男性皮肤表面积,(AD)female为中国成年女性皮肤表面积,M为人体基础代谢率,l为人体身高,m为人体体重,age为年龄,sex为性别,男性取0,女性取1;
采用公式:
得到有效总热阻和有效服装蒸发;其中,ITeff为有效总热阻,Cevap为有效服装蒸发,IT为包含空气层边界与服装的总热阻,im为服装透湿指数,im=60.65×Rct/Ret,Rct为服装热阻,Ret为服装湿阻,Icl为转换为clo值的服装热阻值,V为风速,g为风速系数,Veff为有效风速;
根据所述基础代谢率得到呼吸对流热流量和呼吸蒸发热流量;
所述根据所述基础代谢率得到呼吸对流热流量和呼吸蒸发热流量,包括:
采用公式:
Cres=0.00152×M×(28.56+0.885Ta+0.641Pa)
得到呼吸对流热流量;其中,Cres为呼吸对流热流量,Ta为环境温度,Pa为空气中水蒸气分压;
采用公式:
Eres=0.00127×M×(59.34+0.53Ta-11.63Pa)
得到呼吸蒸发热流量;其中,Eres为呼吸蒸发热流量;
根据有效总热阻得到对流热流量和辐射热流量之和;
根据所述有效服装蒸发和所述对流热流量和辐射热流量之和得到最大蒸发热流量和需要蒸发热流量;
所述根据所述有效服装蒸发和所述对流热流量和辐射热流量之和得到最大蒸发热流量和需要蒸发热流量,包括:
采用公式:
得到太阳照射增加的热负荷;Rload为太阳照射增加的热负荷,Tmr为辐射温度;
采用公式:
得到阻隔效率;其中,U为阻隔效率;
采用公式:
Emax=14.21Cevap(Psk-Pa)
得到最大蒸发热流量;其中,Emax为最大蒸发热流量,Psk为皮肤表面饱和蒸气压;
采用公式:
Ereq=M-W-(C+R)-Cres-Rres-Sm+U×Rload
得到需要蒸发热流量;其中,Ereq为需要蒸发热流量,C+R为对流和辐射热流量之和,Rres为呼吸蒸发热流量,Sm为人体蓄热量,W为人体所做的机械功;
根据所述最大蒸发热流量和所述需要蒸发热流量得到需要出汗率;
根据所述需要出汗率和所述最大蒸发热流量得到预测出汗率和预测蒸发热流量;
根据所述预测蒸发热流量和所述需要蒸发热流量得到热累计率;
根据所述热累计率得到核心温度计算公式;
根据所述需要蒸发热流量、所述预测出汗率和人体皮肤表面积得到总出汗量计算公式;
根据多维数据构建数据仓库;
利用所述数据仓库中的数据作为训练样本分别构建核心温度预测模型和出汗量预测模型;
获取作业人员的当前工况数据;
根据所述当前工况数据利用所述核心温度预测模型和出汗量预测模型得到作业人员在当前工况数据的当前核心温度和当前出汗量;
根据所述当前核心温度和所述当前出汗量向作业人员发布预警信息。
4.一种电网户外作业人员热应激预警系统,其特征在于,包括:
多维数据获取模块,用于获取多维数据;所述多维数据包括工况数据和对应工况下的核心温度和出汗量;所述工况数据包括环境温度、辐射温度、湿度、风速、身高、体重、年龄、性别、服装热阻和服装湿阻;
数据仓库构造模块,用于根据多维数据构建数据仓库;
所述获取多维数据,还包括:
根据所述工况数据得到人体皮肤表面积、基础代谢率、有效总热阻和有效服装蒸发;
所述根据所述工况数据得到人体皮肤表面积、基础代谢率、有效总热阻和有效服装蒸发,包括:
采用公式:
(AD)male=0.0057×l+0.0121×m+0.0882
(AD)female=0.0073×l+0.0121×m-0.2106
得到人体皮肤表面积和基础代谢率;其中,(AD)male为中国成年男性皮肤表面积,(AD)female为中国成年女性皮肤表面积,M为人体基础代谢率,l为人体身高,m为人体体重,age为年龄,sex为性别,男性取0,女性取1;
采用公式:
得到有效总热阻和有效服装蒸发;其中,ITeff为有效总热阻,Cevap为有效服装蒸发,IT为包含空气层边界与服装的总热阻,im为服装透湿指数,im=60.65×Rct/Ret,Rct为服装热阻,Ret为服装湿阻,Icl为转换为clo值的服装热阻值,V为风速,g为风速系数,Veff为有效风速;
根据所述基础代谢率得到呼吸对流热流量和呼吸蒸发热流量;
所述根据所述基础代谢率得到呼吸对流热流量和呼吸蒸发热流量,包括:
采用公式:
Cres=0.00152×M×(28.56+0.885Ta+0.641Pa)
得到呼吸对流热流量;其中,Cres为呼吸对流热流量,Ta为环境温度,Pa为空气中水蒸气分压;
采用公式:
Eres=0.00127×M×(59.34+0.53Ta-11.63Pa)
得到呼吸蒸发热流量;其中,Eres为呼吸蒸发热流量;
根据有效总热阻得到对流热流量和辐射热流量之和;
根据所述有效服装蒸发和所述对流热流量和辐射热流量之和得到最大蒸发热流量和需要蒸发热流量;
所述根据所述有效服装蒸发和所述对流热流量和辐射热流量之和得到最大蒸发热流量和需要蒸发热流量,包括:
采用公式:
得到太阳照射增加的热负荷;Rload为太阳照射增加的热负荷,Tmr为辐射温度;
采用公式:
得到阻隔效率;其中,U为阻隔效率;
采用公式:
Emax=14.21Cevap(Psk-Pa)
得到最大蒸发热流量;其中,Emax为最大蒸发热流量,Psk为皮肤表面饱和蒸气压;
采用公式:
Ereq=M-W-(C+R)-Cres-Rres-Sm+U×Rload
得到需要蒸发热流量;其中,Ereq为需要蒸发热流量,C+R为对流和辐射热流量之和,Rres为呼吸蒸发热流量,Sm为人体蓄热量,W为人体所做的机械功;
根据所述最大蒸发热流量和所述需要蒸发热流量得到需要出汗率;
根据所述需要出汗率和所述最大蒸发热流量得到预测出汗率和预测蒸发热流量;
根据所述预测蒸发热流量和所述需要蒸发热流量得到热累计率;
根据所述热累计率得到核心温度计算公式;
根据所述需要蒸发热流量、所述预测出汗率和人体皮肤表面积得到总出汗量计算公式;
预测模型训练模块,用于利用所述数据仓库中的数据作为训练样本分别构建核心温度预测模型和出汗量预测模型;
当前工况数据获取模块,用于获取作业人员的当前工况数据;
预测模块,用于根据所述当前工况数据利用所述核心温度预测模型和出汗量预测模型得到作业人员在当前工况数据的当前核心温度和当前出汗量;
预警模块,用于根据所述当前核心温度和所述当前出汗量向作业人员发布预警信息。
5.一种计算机设备,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3中任一项所述方法的步骤。
6.一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3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111068785.2A CN113808743B (zh) | 2021-09-13 | 2021-09-13 | 一种电网户外作业人员热应激预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111068785.2A CN113808743B (zh) | 2021-09-13 | 2021-09-13 | 一种电网户外作业人员热应激预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113808743A CN113808743A (zh) | 2021-12-17 |
CN113808743B true CN113808743B (zh) | 2022-06-14 |
Family
ID=78895178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111068785.2A Active CN113808743B (zh) | 2021-09-13 | 2021-09-13 | 一种电网户外作业人员热应激预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113808743B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910482A (zh) * | 2023-08-08 | 2023-10-20 | 雅莹集团股份有限公司 | 预测羽绒服防寒温度的方法及其系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104490371B (zh) * | 2014-12-30 | 2016-09-21 | 天津大学 | 一种基于人体生理参数的热舒适检测方法 |
CN106018677B (zh) * | 2016-05-04 | 2018-06-12 | 清华大学合肥公共安全研究院 | 一种高温环境下人体热应激分级评估系统 |
CN107220417B (zh) * | 2017-05-09 | 2020-04-24 | 清华大学 | Cfd与人体热反应模型的耦合系统及耦合方法 |
EP3635590A1 (en) * | 2017-06-09 | 2020-04-15 | Alerte Digital Sport Pty Ltd | Systems and methods of prediction of injury risk with a training regime |
US20210264346A1 (en) * | 2017-10-25 | 2021-08-26 | Arizona Board Of Regents On Behalf Of The University Of Arizona | System for Improving Mine Safety and a Method for Using Same |
CN109115281A (zh) * | 2018-10-23 | 2019-01-01 | 中国矿业大学(北京) | 一种极端高温作业环境快速监测预警装置及方法 |
CN109758138A (zh) * | 2018-12-14 | 2019-05-17 | 重庆大学 | 基于心率监测的人体热应激预警系统及劳动代谢预测方法 |
CN110377936B (zh) * | 2019-06-06 | 2021-01-19 | 西安交通大学 | 一种智能建筑人员个性化热舒适度动态感知的系统及方法 |
CN111067493A (zh) * | 2019-12-19 | 2020-04-28 | 北京航空航天大学 | 一种人体热舒适预测方法 |
-
2021
- 2021-09-13 CN CN202111068785.2A patent/CN113808743B/zh active Active
Non-Patent Citations (2)
Title |
---|
Analysis of outdoor thermal comfort in warm and humid tropical climate;Mobi Mathew等;《2016 International Conference on Emerging Trends in Engineering, Technology and Science (ICETETS)》;20161024;全文 * |
The Current State of Research on Thermal Comfort Prediction Models;Nikolina Pivac等;《2018 3rd International Conference on Smart and Sustainable Technologies (SpliTech)》;20180830;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113808743A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Buzan et al. | Implementation and comparison of a suite of heat stress metrics within the Community Land Model version 4.5 | |
CN116451879B (zh) | 一种干旱风险预测方法、系统及电子设备 | |
Yang et al. | A novel model-based fault detection method for temperature sensor using fractal correlation dimension | |
CN104517238B (zh) | 热电联产机组智能能耗分析系统 | |
CN113808743B (zh) | 一种电网户外作业人员热应激预警方法及系统 | |
Li et al. | Spatial variability of the adaptation of grassland vegetation to climatic change in Inner Mongolia of China | |
CN106126944B (zh) | 一种电力变压器顶层油温区间预测方法及系统 | |
Lee et al. | Effects of climate change-related heat stress on labor productivity in South Korea | |
Plesca et al. | How robust is the weakening of the Pacific Walker circulation in CMIP5 idealized transient climate simulations? | |
Maia et al. | Wet-bulb globe temperature index estimation using meteorological data from São Paulo State, Brazil | |
Li et al. | A comparison of forest fire indices for predicting fire risk in contrasting climates in China | |
US20190026682A1 (en) | Information processing device and method | |
Zheng et al. | Developing a new index for evaluating physiological safety in high temperature weather based on entropy-TOPSIS model-A case of sanitation worker | |
CN112990574A (zh) | 一种基于建筑用能柔性调节潜力指标的评估方法及系统 | |
CN115271238A (zh) | 一种变压器的寿命预测方法及装置 | |
CN107121943A (zh) | 一种用于获得智能仪表的健康预测信息的方法和装置 | |
CN111067493A (zh) | 一种人体热舒适预测方法 | |
Hamatani et al. | Estimating core body temperature based on human thermal model using wearable sensors | |
Yang et al. | Predicted thermal sensation index for the hot environment in the spinning workshop | |
CN113782203B (zh) | 一种作业人员热伤害就地实时预警装置及方法 | |
CN114444399A (zh) | 一种基于XGBoost的温室滴灌番茄腾发量计算方法 | |
CN113393094A (zh) | 能源系统评估方法、装置、设备及存储介质 | |
Liu et al. | Grassland vegetation decline is exacerbated by drought and can be mitigated by soil improvement in Inner Mongolia, China | |
CN114091344A (zh) | 基于数据耦合的输电线路风险评估模型训练方法及装置 | |
CN114764741A (zh) | 一种风力发电机运行风功率预测的方法和系统 |
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 |