【技術實現步驟摘要】
本專利技術涉及進度分析手段，屬于輸變電工程進度領域，尤其涉及基于深度學習的輸變電工程進度識別與分析方法及系統。
技術介紹
1、在電力系統中，輸變電工程是保障電力安全穩定運行的關鍵環節。隨著社會經濟的不斷發展，電力需求量大幅增加，大規模的輸變電工程項目也日益增多。然而，傳統的輸變電工程進度監控和管理方法存在諸多不足，難以滿足現代化工程管理的要求。
2、傳統的輸變電工程進度監控主要依賴人工檢查和記錄，人工方法難以實時處理和分析大量的數據，無法及時反映工程的實際進展情況，增加了項目管理的難度和風險，不僅效率低下，而且容易受到人為因素的影響，進度識別的準確性難以保證，而現有的一些數據分析方法，如時間序列分析、回歸分析等，雖然在某些特定場景下能夠發揮作用，但在處理復雜、動態的工程數據時，往往表現出預測精度不高、適應性差等問題，難以有效應對大規模輸變電工程中的各種復雜情況，無法為工程管理提供可靠的決策支持。因此，亟需一種手段，以提高工程進度監控的準確性和效率，實現對工程進度的科學預測和趨勢分析，為工程管理提供有力支持。
技術實現思路
1、本專利技術的目的是克服現有技術中存在的上述缺陷與問題，提供一種準確且高效的基于深度學習的輸變電工程進度識別與分析方法及系統。
2、為實現以上目的，本專利技術的技術解決方案是：一種基于深度學習的輸變電工程進度識別與分析方法，包括：
3、s1、獲取輸變電工程現場的平面圖數據、圖像數據與視頻數據，并對圖像數據與視頻數據進行預處理，
4、s2、基于平面圖數據與輸變電工程進度數據集，訓練深度學習模型，獲得輸變電工程深度學習模型；
5、s3、將新獲取的輸變電工程進度數據集輸入至輸變電工程深度學習模型中，獲得當前進度狀態；
6、s4、將當前進度狀態與輸變電工程實際進度進行比對，分析滯后或超前部分的進度差異，獲得影響輸變電工程進度的關鍵因素；
7、s5、基于輸變電工程深度學習模型與關鍵因素對未來的輸變電工程進度進行趨勢分析，并結合不同電壓等級施工現場的差異與趨勢分析結果進行綜合趨勢分析，獲得綜合趨勢分析結果。
8、所述步驟s1，具體包括：
9、s11、獲取輸變電工程現場的cad平面圖數據，并對輸變電工程現場進行拍攝，獲取輸變電工程現場的圖像數據與視頻數據；
10、所述圖像數據包括靜態圖像，所述視頻數據包括連續的視頻幀；
11、s12、對圖像數據進行去噪與圖像增強處理，并標注形成為圖像數據集；所述圖像數據集的表達式如下：
12、
13、其中：dimg(i)為圖像數據集，iu(x1，y1，h，θ，t1)、為不同照相設備采集的圖像數據，x1，y1、x2，y2均為圖像的空間坐標，h、z均為拍攝高度，θ、ψ均為拍攝角度，t1、t2均為時間戳；
14、s13、對視頻數據進行幀抽取，并標注形成為視頻數據集；所述視頻數據集的表達式如下：
15、dvid(i)＝{vc(x3，y3，α，β，t3)}；
16、其中：dvid(i)為視頻數據集，vc(x3，y3，α，β，t3)為攝像設備采集的視頻數據，x3，y3為視頻幀的空間坐標，α、β為拍攝角度，t3為視頻幀的時間戳；
17、s14、將圖像數據集與視頻數據集進行分類存儲，形成為輸變電工程進度數據集。
18、所述步驟s2，具體包括：
19、s21、以平面圖數據與輸變電工程進度數據集為深度學習模型的輸入數據；所述深度學習模型為遞歸變壓器融合網絡模型，其包括多模態融合模塊、動態自注意力調整模塊、遞歸變壓器模塊、進度特征分類模塊；
20、s22、在遞歸變壓器融合網絡模型中，構建包含空間特征提取路徑與時間特征提取路徑的雙路徑網絡架構；所述雙路徑網絡架構的表達式如下：
21、
22、其中：sout為空間特征輸出，transformerspatial為空間特征的變壓器模塊，tout為時間特征輸出，transformertemporal為時間特征的變壓器模塊，ws,k、wt，l分別為空間路徑、時間路徑的權重，bs、bt均為偏置項，dcad(i，k)為cad平面圖數據，dfinal(i，l)為輸變電工程進度數據集；
23、s23、基于多模態融合模塊，將空間特征和時間特征進行融合，生成多模態特征；所述多模態特征的表達式如下：
24、mfused＝λ1·sout+λ2·tout+λ3·attn(wf·[sout；tout]+bf)；
25、其中：mfused為多模態特征輸出，λ1、λ2、λ3為動態權重系數，attn為自注意力機制，wf為融合權重矩陣，[sout；tout]為特征拼接，bf為融合偏置項；
26、s24、基于遞歸變壓器模塊，使用遞歸變壓器操作對多模態特征進行深層次遞歸特征提取；所述遞歸特征的表達式如下：
27、
28、其中：為第t層的遞歸特征輸出，transformerrecursive為遞歸變壓器模塊；
29、s25、基于動態自注意力調整模塊，根據遞歸特征的重要性動態調整權重；所述動態調整的表達式如下：
30、
31、其中：wadjusted為調整后的權重特征，βj為動態權重系數，rout，j為遞歸特征的第j層輸出，j為遞歸層數，wγ為調整權重矩陣，bγ為調整偏置項；
32、s26、將調整后的權重特征，輸入至進度特征分類模塊中，生成不同階段的輸變電工程進度特征，完成深度學習模型的訓練，獲得輸變電工程深度學習模型；
33、所述不同階段的變電工程進度特征的表達式如下：
34、pstage(i)＝softmax(wc·wadjusted+bc)；
35、其中：pstage(i)為第i個樣本的輸變電工程進度特征，softmax為激活函數，wc為分類器權重矩陣，bc為分類器偏置項。
36、所述步驟s4，具體包括：
37、s41、將當前進度狀態與輸變電工程實際進度進行比對，獲得進度差異；所述進度差異的表達式如下：
38、
39、其中：ddiff(i)為第i個樣本的進度差異，pstage(i，j)為當前進度狀態特征的第j項，pplan(i，j)為輸變電工程實際進度特征的第j項，wj為第j項的權重，n為進度特征項的總數，relu為修正線性單元函數；
40、s42、分析進度差異，識別輸變電工程進度的滯后或超前部分；所述滯后或超前部分的表達式分別如下：
41、
42、其中：dlag(i)為滯后的進度部分，dlead(i)為超前的進度部分，αj和βj為對應項的權重，sigmoid為s型激活函數；
43、s43、結合作業票數據，對滯后或超前部分進行進度分析；所述進度分析的表達式如下：<本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的輸變電工程進度識別與分析方法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的輸變電工程進度識別與分析方法，其特征在于：
3.根據權利要求1所述的一種基于深度學習的輸變電工程進度識別與分析方法，其特征在于：
4.根據權利要求1所述的一種基于深度學習的輸變電工程進度識別與分析方法，其特征在于：
5.根據權利要求1所述的一種基于深度學習的輸變電工程進度識別與分析方法，其特征在于：
6.一種基于深度學習的輸變電工程進度識別與分析系統，其特征在于，所述系統包括：
7.根據權利要求6所述的一種基于深度學習的輸變電工程進度識別與分析系統，其特征在于：
8.根據權利要求7所述的一種基于深度學習的輸變電工程進度識別與分析系統，其特征在于：
9.根據權利要求7所述的一種基于深度學習的輸變電工程進度識別與分析系統，其特征在于：
10.一種基于深度學習的輸變電工程進度識別與分析設備，其特征在于：
【技術特征摘要】
1.一種基于深度學習的輸變電工程進度識別與分析方法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的輸變電工程進度識別與分析方法，其特征在于：
3.根據權利要求1所述的一種基于深度學習的輸變電工程進度識別與分析方法，其特征在于：
4.根據權利要求1所述的一種基于深度學習的輸變電工程進度識別與分析方法，其特征在于：
5.根據權利要求1所述的一種基于深度學習的輸變電工程進度識別與分析方法，其特征在于：<...
【專利技術屬性】
技術研發人員：周明，馬莉，張童彥，武強，周蠡，蔡杰，王楓，張洪，孫利平，廖曉紅，熊川羽，李呂滿，陳然，張趙陽，賀蘭菲，徐昊天，舒思睿，周英博，熊一，
申請(專利權)人：國網湖北省電力有限公司經濟技術研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。