基于深度学习的电力安全作业实体识别方法

针对电力现场作业、设备使用安全等大量文本采用非结构化的形式制定、存储,信息自动挖掘难以实现的问题,提出一种融合注意力机制与ALBERT-BiGRU-CRF的方法。首先将ALBERT作为文本的字向量语义编码层,其次多头注意力机制融合到BiGRU网络模型中作为字符实体信息标签预测层,最终CRF作为全局标签优化层。该方法能够准确捕获专业领域字符间的依赖权重、语境、上下文语义关联等全方位特征。电力安全作业文本实体识别实验结果表明,融合注意力机制与深度学习识别方法比目前常用的算法模型识别F1值高3.05%~11.62%,具有较高准确率,识别效果较好。

基于智能感知互联系统的电力高处安全作业保障技术研究

为解决当前电力系统高空和野外作业安全保障方面存在的问题,本研究提出了一套电力高处安全作业智能感知互联系统。该系统采用自适应扩频技术和自动跳频技术实现通信,利用2.4GHz无线网络实现点对多点通信。同时,结合单片机技术和智能感知技术,该系统能够在作业前进行风险预判、作业中进行实时监测,并及时整理作业经验。此外,通过无线定位技术与算法相结合,实现对作业人员运动轨迹的实时监测,以及对作业人员体征数据和作业通话记录的规范管理。通过研发和应用这一智能感知互联系统,可以提升电力高处安全作业的风险管控水平。

RFID射频识别技术在电力线路作业安全管理的应用

本文介绍了RFID射频识别技术特点及工作原理,分析了RFID技术在电力线路作业安全管理应用上的可行性和必要性,结合电力线路作业安全管理工作的需要给出了系统功能结构图,并对系统的工作流程进行了阐述。

浅谈电工作业安全技术

电工在检修电网与各种电力设备时,受多方面因素影响,很容易发生人体触电、高空跌落等各类电力生产安全事故,造成身体重伤或直接威胁到生命安全。所以相关人员必须重视电工作业安全,经常对电工进行专业的安全技术培训,严格要求他们在日常电力检修作业中遵守相关电力安全作业规范章程,从而最大化地确保电工的人身安全。

改进的Faster R-CNN算法及其在电力作业安全穿戴检测中的应用

运维人员正确的安全穿戴是确保电力作业安全的重要措施,计算机视觉深度学习算法为电力作业安全穿戴监管提供了一种新的手段。Faster R-CNN(faster region-based convolutional neural network)是一种有效的目标检测方法,在其基础上进行改进,首先以轻量级卷积神经网络EfficientNetV2(efficient network version 2)作为Faster RCNN的骨干,均衡提升算法的检测精度与速度;然后,在RPN(region proposal network)前引入注意力机制CBAM(convolutional block attention module)进一步提升检测精度。结合实际电力作业安全穿戴检测场景对该方法进行测试实验,结果表明,相对目前以VGG-16(visual geometry group-16)、ResNet-50(residual network-50)为骨干的Faster R-CNN算法而言,改进Faster R-CNN算法的检测精度和速度均得到提高,其平均精度均值(mean average precision,mAP)达到85.46%,检测速度达到47.82帧/s(frames per second,FPS),一定程度上提升了Faster R-CNN在电力作业安全穿戴检测中的应用能力。

云模型在变电站作业风险感知中的应用

随着智能变电站的发展,各类智能监测设备和信息技术广泛应用于变电站现场,使得电力作业在线风险感知逐渐替代传统风险评估并成为电力作业安全预控和决策的重要辅助手段之一。考虑到变电站作业风险感知是一个复杂的多因素综合过程,结合系统工程学原理,综合人为、设备、环境3个方面的影响因素,建立变电站作业风险感知的相关要素体系并提取关键要素,再以关键要素为输入参数构建变电站作业风险云模型,结合三角模糊函数层次分析法获取云模型的相关期望、熵、超熵等数字特征,最后应用云模型来感知变电站现场作业的风险等级,为变电站作业项目的安全管控和决策提供指导意见。