本發(fā)明涉及智能工業(yè)安全監(jiān)控，具體涉及基于北斗高精度定位的變電站內(nèi)作業(yè)車輛行為預(yù)警系統(tǒng)及方法。

背景技術(shù)：

1、變電站內(nèi)作業(yè)車輛是電力系統(tǒng)中專門用于變電站設(shè)備運(yùn)維、檢修及應(yīng)急處置的特種作業(yè)裝備，其核心功能是通過專業(yè)化設(shè)計(jì)滿足變電站復(fù)雜作業(yè)場(chǎng)景需求，這類車輛配備絕緣高架裝置、電力檢測(cè)設(shè)備和重型吊裝機(jī)構(gòu)，例如絕緣斗臂車通過絕緣臂將作業(yè)人員送達(dá)高壓帶電部位，進(jìn)行不停電檢修，高電壓試驗(yàn)車則集成介質(zhì)損耗測(cè)試儀，現(xiàn)場(chǎng)完成主設(shè)備的耐壓試驗(yàn)與狀態(tài)評(píng)估，部分車型采用多功能集成設(shè)計(jì)，如配網(wǎng)綜合作業(yè)車同時(shí)搭載液壓絞盤、應(yīng)急發(fā)電機(jī)組及線纜卷放裝置，執(zhí)行變壓器更換、線桿豎立和臨時(shí)供電任務(wù)，減少現(xiàn)場(chǎng)作業(yè)車輛數(shù)量，在應(yīng)急場(chǎng)景下，移動(dòng)電源車通過柴油發(fā)電機(jī)組和飛輪儲(chǔ)能系統(tǒng)提供獨(dú)立電源，保障搶修期間重要負(fù)荷連續(xù)供電，而搶修車則搭載絕緣棒和電纜接頭，確保故障設(shè)備快速更換，這些車輛通過提升作業(yè)機(jī)械化水平，不僅縮短了停電時(shí)間，還降低了人身風(fēng)險(xiǎn)，對(duì)保障電網(wǎng)安全穩(wěn)定運(yùn)行具有關(guān)鍵作用。

2、為了解決變電站內(nèi)作業(yè)車輛異常行為檢測(cè)精度不足和動(dòng)態(tài)工況適應(yīng)性差的問題，現(xiàn)有技術(shù)是采用單模型靜態(tài)閾值判定與獨(dú)立傳感器數(shù)據(jù)分析的方式進(jìn)行處理，但是還會(huì)出現(xiàn)復(fù)雜運(yùn)動(dòng)模式下特征關(guān)聯(lián)性缺失的情況，進(jìn)而導(dǎo)致預(yù)警等級(jí)與真實(shí)風(fēng)險(xiǎn)失配的問題。為了解決該問題，故提出了于北斗高精度定位的變電站內(nèi)作業(yè)車輛行為預(yù)警系統(tǒng)及方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明目的在于提供基于北斗高精度定位的變電站內(nèi)作業(yè)車輛行為預(yù)警系統(tǒng)及方法，以解決上述背景技術(shù)中提出的問題。

2、為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：第一方面，基于北斗高精度定位的變電站內(nèi)作業(yè)車輛行為預(yù)警系統(tǒng)，變電站內(nèi)作業(yè)車輛行為預(yù)警系統(tǒng)包括車輛定位狀態(tài)采集模塊、定位狀態(tài)特征提取模塊、軌跡偏移檢測(cè)模塊、行為異常分析模塊、預(yù)警處置模塊和軌跡渲染模塊；

3、車輛定位狀態(tài)采集模塊用于通過北斗雙頻接收機(jī)和車載obd（on-boarddiagnostics，車載診斷系統(tǒng)）接口分別獲取并預(yù)處理目標(biāo)變電站內(nèi)作業(yè)車輛三維坐標(biāo)數(shù)據(jù)與作業(yè)車輛狀態(tài)數(shù)據(jù)，得到預(yù)處理后的作業(yè)車輛三維坐標(biāo)數(shù)據(jù)與作業(yè)車輛狀態(tài)數(shù)據(jù)；

4、定位狀態(tài)特征提取模塊用于從預(yù)處理后的作業(yè)車輛三維坐標(biāo)數(shù)據(jù)與作業(yè)車輛狀態(tài)數(shù)據(jù)中分別獲取軌跡偏移量、瞬時(shí)運(yùn)動(dòng)矢量、加速度變化率和轉(zhuǎn)向穩(wěn)定性；

5、軌跡偏移檢測(cè)模塊用于將軌跡偏移量輸入基于孤立森林算法的軌跡異常檢測(cè)模型，輸出軌跡偏移異常概率；

6、行為異常分析模塊用于將瞬時(shí)運(yùn)動(dòng)矢量、加速度變化率與轉(zhuǎn)向穩(wěn)定性輸入應(yīng)用隱馬爾可夫模型架構(gòu)的行為模式分析模型，輸出行為異常度；

7、預(yù)警處置模塊用于將軌跡偏移異常概率與行為異常度輸入貝葉斯網(wǎng)絡(luò)架構(gòu)，輸出風(fēng)險(xiǎn)狀態(tài)概率分布，基于風(fēng)險(xiǎn)狀態(tài)概率分布進(jìn)行分級(jí)預(yù)警，并建立預(yù)警等級(jí)-處置措施映射表；

8、軌跡渲染模塊用于基于webgl（web?graphics?library）技術(shù)構(gòu)建三維態(tài)勢(shì)圖，動(dòng)態(tài)渲染目標(biāo)變電站內(nèi)作業(yè)車輛軌跡與對(duì)應(yīng)的風(fēng)險(xiǎn)狀態(tài)概率分布。

9、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：車輛定位狀態(tài)采集模塊中，通過北斗雙頻接收機(jī)和車載obd接口分別獲取并預(yù)處理目標(biāo)變電站內(nèi)作業(yè)車輛三維坐標(biāo)數(shù)據(jù)與作業(yè)車輛狀態(tài)數(shù)據(jù)的過程包括：

10、于目標(biāo)變電站內(nèi)作業(yè)車輛頂部部署北斗雙頻接收機(jī)，從北斗雙頻接收機(jī)中獲取作業(yè)車輛三維坐標(biāo)數(shù)據(jù)及時(shí)間戳，其中，作業(yè)車輛三維坐標(biāo)數(shù)據(jù)及時(shí)間戳為北斗雙頻接收機(jī)通過雙頻信號(hào)聯(lián)合解算消除電離層誤差以10hz頻率輸出的，三維包括經(jīng)度、維度和高程，其中，北斗雙頻接收機(jī)的天線朝向天空無遮擋區(qū)域，與作業(yè)車輛的電源系統(tǒng)及車載控制單元通過線纜直連，接收北斗衛(wèi)星b1c、b2a雙頻信號(hào)；

11、將車載診斷接口通過作業(yè)車輛標(biāo)準(zhǔn)診斷端口連接至控制器局域網(wǎng)總線，實(shí)時(shí)讀取總線傳輸?shù)淖鳂I(yè)車輛狀態(tài)數(shù)據(jù)，作業(yè)車輛狀態(tài)數(shù)據(jù)包括瞬時(shí)速度和方向角，瞬時(shí)速度由車輪脈沖信號(hào)頻率換算獲得，方向角由轉(zhuǎn)向傳感器采集獲得；

12、對(duì)作業(yè)車輛三維坐標(biāo)數(shù)據(jù)基于頻點(diǎn)差異計(jì)算電離層延遲誤差，生成經(jīng)度、緯度和高程的校正量，結(jié)合卡爾曼濾波算法對(duì)作業(yè)車輛三維坐標(biāo)數(shù)據(jù)進(jìn)行平滑處理，使用狀態(tài)方程與觀測(cè)方程協(xié)同迭代更新瞬時(shí)位置及速度估計(jì)值，通過北斗雙頻接收機(jī)內(nèi)置時(shí)鐘模塊對(duì)齊北斗系統(tǒng)時(shí)間，輸出預(yù)處理后的作業(yè)車輛三維坐標(biāo)數(shù)據(jù)；

13、從車載診斷接口讀取瞬時(shí)速度與方向角，剔除超出作業(yè)車輛物理極限的異常值，對(duì)瞬時(shí)速度采用滑動(dòng)窗口移動(dòng)平均濾波，對(duì)方向角應(yīng)用中值濾波，將校驗(yàn)后的瞬時(shí)速度與方向角封裝為統(tǒng)一格式幀結(jié)構(gòu)，附加循環(huán)冗余校驗(yàn)碼，輸出預(yù)處理后的作業(yè)車輛狀態(tài)數(shù)據(jù)。

14、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：定位狀態(tài)特征提取模塊中，從預(yù)處理后的作業(yè)車輛三維坐標(biāo)數(shù)據(jù)中獲取軌跡偏移量和瞬時(shí)運(yùn)動(dòng)矢量的過程包括：

15、根據(jù)目標(biāo)變電站的變電站路徑規(guī)劃數(shù)據(jù)，獲取相鄰時(shí)間點(diǎn)間目標(biāo)變電站的理論位移，基于預(yù)處理后的作業(yè)車輛三維坐標(biāo)數(shù)據(jù)，獲取相鄰時(shí)間點(diǎn)間目標(biāo)變電站的實(shí)際位移，將理論位移與實(shí)際位移的差值除以相鄰時(shí)間點(diǎn)對(duì)應(yīng)的時(shí)間窗口內(nèi)實(shí)際位移的采樣點(diǎn)數(shù)，得到的平均絕對(duì)偏移量作為軌跡偏移量；

16、其中，相鄰時(shí)間點(diǎn)間對(duì)應(yīng)一個(gè)時(shí)間窗口，一個(gè)時(shí)間窗口內(nèi)包含多個(gè)實(shí)際位移的測(cè)量值，即采樣點(diǎn)，為了計(jì)算這段時(shí)間窗口內(nèi)的平均軌跡偏移，故統(tǒng)計(jì)該時(shí)間窗口內(nèi)以固定頻率10hz采集的實(shí)際位移的采樣點(diǎn)數(shù)，并用理論位移與實(shí)際位移的差值除以采樣點(diǎn)數(shù)，得到的平均值作為軌跡偏移量；

17、基于預(yù)處理后時(shí)刻與時(shí)刻作業(yè)車輛的經(jīng)度數(shù)據(jù)、和維度數(shù)據(jù)，計(jì)算水平速度分量，基于預(yù)處理后時(shí)刻與時(shí)刻作業(yè)車輛的高程數(shù)據(jù)，計(jì)算垂直速度分量，其中，為地球半徑，為時(shí)刻與時(shí)刻對(duì)應(yīng)的時(shí)間戳，合成水平速度分量與垂直速度分量為瞬時(shí)運(yùn)動(dòng)矢量。

18、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：定位狀態(tài)特征提取模塊中，從預(yù)處理后的作業(yè)車輛狀態(tài)數(shù)據(jù)中獲取加速度變化率和轉(zhuǎn)向穩(wěn)定性的過程包括：

19、基于預(yù)處理后的瞬時(shí)速度，以當(dāng)前時(shí)刻加上預(yù)設(shè)時(shí)間間隔對(duì)應(yīng)的瞬時(shí)速度與當(dāng)前時(shí)刻對(duì)應(yīng)的瞬時(shí)速度的差值除以預(yù)設(shè)時(shí)間間隔，得到瞬時(shí)加速度，計(jì)算瞬時(shí)加速度的絕對(duì)變化均值，以表征加速度變化率，其中，預(yù)設(shè)時(shí)間間隔為趨近于0的極限值；

20、基于預(yù)處理后的方向角，在滑動(dòng)窗口內(nèi)計(jì)算方向角的均值與標(biāo)準(zhǔn)差，以標(biāo)準(zhǔn)差量化轉(zhuǎn)向穩(wěn)定性。

21、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：軌跡偏移檢測(cè)模塊中，將軌跡偏移量輸入基于孤立森林算法的軌跡異常檢測(cè)模型，輸出軌跡偏移異常概率的過程包括：

22、使用歷史正常作業(yè)時(shí)段的軌跡偏移量的數(shù)據(jù)集作為訓(xùn)練樣本，構(gòu)建基于孤立森林算法的軌跡異常檢測(cè)模型，隨機(jī)生成100棵孤立樹，其中，每棵孤立樹通過遞歸選擇分割點(diǎn)劃分?jǐn)?shù)據(jù)空間，直至各訓(xùn)練樣本被孤立；

23、對(duì)于輸入的新的軌跡偏移量，獲取新的軌跡偏移量在每棵孤立樹中被隔離所需的路徑長(zhǎng)度，綜合100棵孤立樹的路徑長(zhǎng)度，計(jì)算異常評(píng)分，并將異常評(píng)分線性映射為軌跡偏移異常概率，其計(jì)算過程如下：

24、；

25、；

26、；

27、其中，為訓(xùn)練樣本的數(shù)量，為標(biāo)準(zhǔn)化項(xiàng)，為100棵孤立樹上路徑長(zhǎng)度的均值，與為訓(xùn)練集中異常評(píng)分的最大值與最小值；

28、當(dāng)每日新增正常作業(yè)時(shí)段的軌跡偏移量的數(shù)據(jù)量達(dá)到預(yù)設(shè)新增閾值時(shí)，觸發(fā)軌跡異常檢測(cè)模型中20%的孤立樹重建。

29、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：行為異常分析模塊中，將瞬時(shí)運(yùn)動(dòng)矢量、加速度變化率與轉(zhuǎn)向穩(wěn)定性輸入應(yīng)用隱馬爾可夫模型架構(gòu)的行為模式分析模型，輸出行為異常度的過程包括：

30、定義正常作業(yè)的隱含狀態(tài)集合，隱含狀態(tài)集合中每類狀態(tài)對(duì)應(yīng)一種典型作業(yè)模式，典型作業(yè)模式包括直行、轉(zhuǎn)向和裝卸，將瞬時(shí)運(yùn)動(dòng)矢量、加速度變化率與轉(zhuǎn)向穩(wěn)定性離散化為觀測(cè)符號(hào)序列；

31、初始化參數(shù)，初始參數(shù)包括狀態(tài)轉(zhuǎn)移矩陣、觀測(cè)概率矩陣和初始狀態(tài)分布，其中，初始化的狀態(tài)轉(zhuǎn)移矩陣為均勻分布，觀測(cè)概率矩陣通過高斯混合模型估計(jì)各狀態(tài)下觀測(cè)符號(hào)的概率分布，初始化的狀態(tài)分布為均勻概率；

32、基于初始化的參數(shù)，構(gòu)建基于隱馬爾可夫模型架構(gòu)的行為模式分析模型；

33、將正常作業(yè)時(shí)段的觀測(cè)符號(hào)序列輸入行為模式分析模型，采用baum-welch算法迭代優(yōu)化參數(shù)，最大化觀測(cè)符號(hào)序列的似然概率，基于行為模式分析模型參數(shù)與似然概率，采用前向-后向算法計(jì)算狀態(tài)占位概率與轉(zhuǎn)移概率，以訓(xùn)練行為模式分析模型，其中，與表示不同的隱含狀態(tài)，表示從隱含狀態(tài)轉(zhuǎn)移到隱含狀態(tài)的過程；

34、在行為模式分析模型訓(xùn)練完成后，從收斂的狀態(tài)轉(zhuǎn)移矩陣中提取正常作業(yè)狀態(tài)轉(zhuǎn)移規(guī)律，形成固定矩陣，對(duì)于實(shí)時(shí)輸入的觀測(cè)符號(hào)序列，通過前向算法計(jì)算其似然概率，基于似然概率，獲取行為異常度，其中，為訓(xùn)練集中觀測(cè)符號(hào)序列的最大似然概率；

35、當(dāng)新增正常作業(yè)數(shù)據(jù)量超過觀測(cè)閾值時(shí)，基于行為模式分析模型初始化的參數(shù)重啟baum-welch算法進(jìn)行增量訓(xùn)練，調(diào)整狀態(tài)轉(zhuǎn)移矩陣與觀測(cè)概率矩陣。

36、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：預(yù)警處置模塊中，將軌跡偏移異常概率與行為異常度輸入貝葉斯網(wǎng)絡(luò)架構(gòu)，輸出風(fēng)險(xiǎn)狀態(tài)概率分布的過程包括：

37、貝葉斯網(wǎng)絡(luò)架構(gòu)包括觀測(cè)層節(jié)點(diǎn)、隱含層節(jié)點(diǎn)和決策層節(jié)點(diǎn)，定義觀測(cè)層節(jié)點(diǎn)為軌跡偏移異常概率與行為異常度，將隱含層節(jié)點(diǎn)為劃分為正常、低風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)的風(fēng)險(xiǎn)狀態(tài)，定義決策層節(jié)點(diǎn)為包括無動(dòng)作、預(yù)警和制動(dòng)在內(nèi)的預(yù)警等級(jí)；

38、以軌跡偏移異常概率與行為異常度為貝葉斯網(wǎng)絡(luò)架構(gòu)的輸入，并通過軌跡權(quán)重與行為權(quán)重調(diào)節(jié)軌跡異常概率與行為異常度的貢獻(xiàn)比例，軌跡權(quán)重與行為權(quán)重值隨定位精度和車速動(dòng)態(tài)變化，以輸出風(fēng)險(xiǎn)狀態(tài)概率分布，其計(jì)算過程如下：

39、；

40、；

41、其中，，為定位精度與速度的耦合系數(shù)，為軌跡方向一致性指標(biāo)；

42、初始化風(fēng)險(xiǎn)狀態(tài)的先驗(yàn)概率為均勻分布，輸入軌跡偏移異常概率與行為異常度后，基于貝葉斯定理計(jì)算后驗(yàn)概率，得到當(dāng)前風(fēng)險(xiǎn)狀態(tài)概率分布，其中，后驗(yàn)概率計(jì)算過程包括將先驗(yàn)概率與假設(shè)服從beta分布的觀測(cè)似然與歸一化，得到當(dāng)前風(fēng)險(xiǎn)狀態(tài)概率分布；

43、通過kl散度監(jiān)測(cè)環(huán)境變化，計(jì)算新舊狀態(tài)分布的差異度，若差異度超過預(yù)設(shè)散度閾值，則用最新后驗(yàn)分布替換舊先驗(yàn)分布，其中，與分別表示在最新后驗(yàn)分布與舊先驗(yàn)分布中，風(fēng)險(xiǎn)狀態(tài)y對(duì)應(yīng)的具體概率值。

44、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：風(fēng)險(xiǎn)狀態(tài)概率分布包括正常狀態(tài)概率、低風(fēng)險(xiǎn)狀態(tài)概率和高風(fēng)險(xiǎn)狀態(tài)概率，預(yù)警處置模塊中，基于風(fēng)險(xiǎn)狀態(tài)概率分布進(jìn)行分級(jí)預(yù)警，并建立預(yù)警等級(jí)-處置措施映射表的過程包括：

45、當(dāng)正常狀態(tài)概率高于預(yù)設(shè)正常狀態(tài)閾值且加速度變化率低于時(shí)，認(rèn)定作業(yè)車輛運(yùn)行正常，保持作業(yè)車輛正常操作；

46、當(dāng)?shù)惋L(fēng)險(xiǎn)狀態(tài)概率高于預(yù)設(shè)低風(fēng)險(xiǎn)狀態(tài)閾值和高風(fēng)險(xiǎn)狀態(tài)概率處于預(yù)設(shè)高風(fēng)險(xiǎn)狀態(tài)閾值區(qū)間時(shí)，認(rèn)定作業(yè)車輛具有潛在風(fēng)險(xiǎn)行為，啟動(dòng)作業(yè)車輛的駕駛艙蜂鳴器及平視顯示器進(jìn)行紅色閃爍預(yù)警，限制作業(yè)車輛運(yùn)行速度至預(yù)設(shè)安全值；

47、當(dāng)高風(fēng)險(xiǎn)狀態(tài)概率持續(xù)高于預(yù)設(shè)高風(fēng)險(xiǎn)狀態(tài)閾值區(qū)間上限時(shí)，觸發(fā)作業(yè)車輛的車載液壓制動(dòng)系統(tǒng)，同步激活聲光報(bào)警裝置，發(fā)送緊急事件日志至目標(biāo)變電站的控制中心；

48、若軌跡偏移異常概率與行為異常度均高于對(duì)應(yīng)預(yù)設(shè)閾值，則跳過風(fēng)險(xiǎn)狀態(tài)概率分布的計(jì)算過程與分級(jí)預(yù)警，觸發(fā)緊急制動(dòng)指令；

49、若高風(fēng)險(xiǎn)制動(dòng)后連續(xù)5個(gè)采樣點(diǎn)高風(fēng)險(xiǎn)狀態(tài)概率低于預(yù)設(shè)的預(yù)警解除閾值，解除報(bào)警，若作業(yè)車輛從高風(fēng)險(xiǎn)狀態(tài)恢復(fù)后10秒內(nèi)再次觸發(fā)高風(fēng)險(xiǎn)，則提高制動(dòng)響應(yīng)等級(jí)。

50、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：軌跡渲染模塊中，基于webgl技術(shù)構(gòu)建三維態(tài)勢(shì)圖，動(dòng)態(tài)渲染目標(biāo)變電站內(nèi)作業(yè)車輛軌跡與對(duì)應(yīng)的風(fēng)險(xiǎn)狀態(tài)概率分布的過程包括：

51、基于目標(biāo)變電站的地理信息數(shù)據(jù)，通過webgl構(gòu)建三維場(chǎng)景空間坐標(biāo)系，設(shè)定目標(biāo)變電站場(chǎng)景原點(diǎn)坐標(biāo)，并建立經(jīng)度、緯度及高程與三維場(chǎng)景空間坐標(biāo)的映射關(guān)系，形成三維態(tài)勢(shì)圖；

52、實(shí)時(shí)接收預(yù)處理后的作業(yè)車輛三維坐標(biāo)數(shù)據(jù)，按時(shí)間戳動(dòng)態(tài)刷新三維態(tài)勢(shì)圖中作業(yè)車輛模型位置，存儲(chǔ)近期坐標(biāo)點(diǎn)并通過三次樣條插值生成平滑軌跡線，平滑軌跡線的線寬與顏色隨預(yù)警等級(jí)調(diào)整，可視化作業(yè)車輛運(yùn)動(dòng)軌跡；

53、將風(fēng)險(xiǎn)狀態(tài)概率分布映射為作業(yè)車輛模型顏色，標(biāo)記歷史報(bào)警點(diǎn)為閃爍立方體，使閃爍立方體的尺寸與預(yù)警等級(jí)正相關(guān)，以呈現(xiàn)當(dāng)前及歷史風(fēng)險(xiǎn)狀態(tài)分布；

54、按時(shí)間片存儲(chǔ)作業(yè)車輛三維坐標(biāo)數(shù)據(jù)及預(yù)警等級(jí)，支持多速率回放，通過線性插值補(bǔ)償不同速率下的軌跡平滑度，以提供回溯分析能力；

55、點(diǎn)擊作業(yè)車輛模型彈出實(shí)時(shí)數(shù)據(jù)面板，框選區(qū)域生成電子圍欄，當(dāng)作業(yè)車輛軌跡越界時(shí)，觸發(fā)輔助報(bào)警；

56、采用細(xì)節(jié)層次技術(shù)動(dòng)態(tài)調(diào)整近景、中景和遠(yuǎn)景條件下的作業(yè)車輛模型復(fù)雜度，結(jié)合實(shí)例化渲染批量繪制作業(yè)車輛模型中的同類元素。

57、第二方面，基于北斗高精度定位的變電站內(nèi)作業(yè)車輛行為預(yù)警方法，包括以下步驟：

58、步驟1，獲取并預(yù)處理目標(biāo)變電站內(nèi)作業(yè)車輛三維坐標(biāo)數(shù)據(jù)與作業(yè)車輛狀態(tài)數(shù)據(jù)，得到預(yù)處理后作業(yè)車輛三維坐標(biāo)數(shù)據(jù)與作業(yè)車輛狀態(tài)數(shù)據(jù)；

59、步驟2，從預(yù)處理后的作業(yè)車輛三維坐標(biāo)數(shù)據(jù)與作業(yè)車輛狀態(tài)數(shù)據(jù)中分別獲取定位數(shù)據(jù)特征與車輛狀態(tài)特征，其中，定位數(shù)據(jù)特征包括軌跡偏移量與瞬時(shí)運(yùn)動(dòng)矢量，車輛狀態(tài)特征包括加速度變化率與轉(zhuǎn)向穩(wěn)定性；

60、步驟3，將軌跡偏移量輸入基于孤立森林算法的軌跡異常檢測(cè)模型，輸出軌跡偏移異常概率；

61、步驟4，將瞬時(shí)運(yùn)動(dòng)矢量、加速度變化率與轉(zhuǎn)向穩(wěn)定性輸入應(yīng)用隱馬爾可夫模型架構(gòu)的行為模式分析模型，輸出行為異常度；

62、步驟5，將軌跡偏移異常概率與行為異常度輸入貝葉斯網(wǎng)絡(luò)架構(gòu)，輸出風(fēng)險(xiǎn)狀態(tài)概率分布，基于風(fēng)險(xiǎn)狀態(tài)概率分布進(jìn)行分級(jí)預(yù)警，并建立預(yù)警等級(jí)-處置措施映射表；

63、步驟6，基于webgl技術(shù)構(gòu)建三維態(tài)勢(shì)圖，動(dòng)態(tài)渲染目標(biāo)變電站內(nèi)作業(yè)車輛軌跡與對(duì)應(yīng)的風(fēng)險(xiǎn)狀態(tài)概率分布。

64、由于采用了上述技術(shù)方案，本發(fā)明相對(duì)現(xiàn)有技術(shù)來說，取得的技術(shù)進(jìn)步是：

65、1、本發(fā)明提供基于北斗高精度定位的變電站內(nèi)作業(yè)車輛行為預(yù)警系統(tǒng)及方法，通過融合北斗定位數(shù)據(jù)與車輛狀態(tài)特征的雙源數(shù)據(jù)協(xié)同分析，實(shí)現(xiàn)軌跡偏移與行為異常的耦合檢測(cè)，提升復(fù)雜工況下的綜合預(yù)警可靠性。

66、2、本發(fā)明提供基于北斗高精度定位的變電站內(nèi)作業(yè)車輛行為預(yù)警系統(tǒng)及方法，采用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)融合軌跡偏移異常概率與行為異常度，建立環(huán)境自適應(yīng)的分級(jí)預(yù)警機(jī)制，平衡誤報(bào)率與漏報(bào)率的矛盾關(guān)系。

67、3、本發(fā)明提供基于北斗高精度定位的變電站內(nèi)作業(yè)車輛行為預(yù)警系統(tǒng)及方法，結(jié)合三維態(tài)勢(shì)圖實(shí)時(shí)渲染技術(shù)，直觀展示車輛運(yùn)動(dòng)軌跡與預(yù)警狀態(tài)變化，為運(yùn)維人員提供空間化決策支持，強(qiáng)化人機(jī)協(xié)同監(jiān)管能力。