CN112949900B - 一种水库大坝安全信息智慧感知融合预警方法及终端设备 - Google Patents

一种水库大坝安全信息智慧感知融合预警方法及终端设备 Download PDF

Info

Publication number
CN112949900B
CN112949900B CN202110059633.XA CN202110059633A CN112949900B CN 112949900 B CN112949900 B CN 112949900B CN 202110059633 A CN202110059633 A CN 202110059633A CN 112949900 B CN112949900 B CN 112949900B
Authority
CN
China
Prior art keywords
information
day
calculating
reservoir
dam
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
Application number
CN202110059633.XA
Other languages
English (en)
Other versions
CN112949900A (zh
Inventor
刘成栋
向衍
沈光泽
邹世平
赵建文
孙昌俊
张凯
应立锋
刘检生
王献辉
孟颖
杨鑫
陈哲
闫静
陈星�
傅志敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Original Assignee
Hohai University HHU
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU, Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources filed Critical Hohai University HHU
Priority to CN202110059633.XA priority Critical patent/CN112949900B/zh
Publication of CN112949900A publication Critical patent/CN112949900A/zh
Application granted granted Critical
Publication of CN112949900B publication Critical patent/CN112949900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Emergency Management (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明公开一种水库大坝安全信息智慧感知融合预警方法及终端设备，通过四种模态传感器综合监测水库区降雨量、水位、坝体压力及场景变化，形成水库大坝安全运行的全监测要素。通过对全监测要素的智慧化计算，实现对水库大坝的状态进行辨识，并对威胁水库大坝安全运行的状态进行预警。

Description

一种水库大坝安全信息智慧感知融合预警方法及终端设备
技术领域
本发明涉及一种水库大坝安全信息智慧感知融合预警方法及终端设备，基于深度学习对水库大坝安全运动状态进行辨识，属于水利领域的水库大坝安全运行技术领域。
背景技术
水库大坝安全运行状态是水利领域重要的监测要素之一，直接关系到水安全风险防控的成败。
水库大坝安全运行状态受多种要素共同、复杂影响，诱发各类坝体险情的成因多样、复杂且具有隐蔽性，主要涉及库区雨量、水位、坝体压力及场景变化等多种信息。现有单一模态的监测信息，如仅监测水位信息或坝体渗漏仅能获取单一或有限个要素信息，难以稳定辨识及预警水库大坝的安全运行状态，无法完整、可靠、准确地获取水库大坝监测信息，导致无法及时判断水库大坝安全运行状态，更难以及时有效的实现预测预警。剖析其原因，现有的监测技术应用于水库大坝安全运行状态判断与预警时存在“测不到、测不全、测不准、长时滞”等实质性困难。
发明内容
发明目的：针对现有技术中水库大坝安全运行状态难以准确监测并预警，本发明提供一种水库大坝安全信息智慧感知融合预警方法及终端设备。
技术方案：一种水库大坝安全信息智慧感知融合预警方法，监测水库库区的雨量、水位、坝体压力及场景变化数据，形成水库大坝安全运行全监测要素；随后，通过智慧化建模计算方法对水库大坝的运行状态进行辨识；其中，智慧化建模计算方法主要包括：①计算基于历史信息的预测信息与当日测量信息间的差值或耦合关系，形成要素信息的融合权重，②基于深度学习模型表征水库大坝运行状态，并采用加权分类器模型对运行状态进行分类，当属于危险状态的概率大于阈值时判断水库大坝运行存在风险，进行预警。
所述水库大坝监测全要素集合构建包括如下内容：①通过自计雨量筒获取库区雨量要素信息R，②通过雷达水位计获取库区水位要素信息T，③通过测压管获取坝体压力要素信息P，④通过摄像机获取坝体场景变化要素信息I。
计算基于历史信息的预测信息与当日测量信息间的差值或耦合关系，形成要素信息的融合权重，具体步骤为：
步骤11，计算基于历史信息的库区当日雨量预测信息与库区雨量当日测量信息间的差值：
采用Kalman滤波器计算当日雨量预测信息
Figure BDA0002901954090000011
随后计算预测信息
Figure BDA0002901954090000012
与当日测量信息Rt间差值εR：
Figure BDA0002901954090000021
步骤12，计算基于历史信息的库区当日水位预测信息与库区水位当日测量信息间的差值：
采用Kalman滤波器计算当日水位预测信息
Figure BDA0002901954090000022
随后计算预测信息
Figure BDA0002901954090000023
与当日测量信息Tt间的差值εT：
Figure BDA0002901954090000024
步骤13，计算基于历史信息的当日坝体压力预测信息与坝体压力当日测量信息间的差值：
采用Kalman滤波器计算当日坝体压力预测信息
Figure BDA0002901954090000025
随后计算预测信息
Figure BDA0002901954090000026
与当日测量信息Pt间的差值εP：
Figure BDA0002901954090000027
步骤14，计算基于历史信息的当日场景变化预测信息与场景变化当日测量信息间的二维耦合值：
采用Kalman滤波器计算当日场景变化预测信息
Figure BDA0002901954090000028
随后计算预测信息
Figure BDA0002901954090000029
与当日测量信息It间的二维耦合值
Figure BDA00029019540900000210
其中corr2()为二维耦合关系计算模型；
步骤21，计算各要素当日测量信息的权重
雨量要素当日测量信息权重：
Figure BDA00029019540900000211
库区水位要素当日测量信息权重：
Figure BDA00029019540900000212
坝体压力要素当日测量信息权重：
Figure BDA00029019540900000213
库区场景变化要素当日测量信息权重：
Figure BDA00029019540900000214
其中，
Figure BDA00029019540900000215
为雨量、水位、坝体压力及场景变化要素的当日权重，
Figure BDA00029019540900000216
Figure BDA00029019540900000217
为雨量、水位、坝体压力及场景变化要素的上一日的权重。
所述基于深度学习模型表征水库大坝运行状态，并采用加权分类器模型对运行状态进行分类，当属于危险状态的概率大于阈值时判断水库大坝运行存在风险，进行预警；首先建立共享单元的多流深度学习网络；其中每一流对应一个库区监测要素I、T、P、R，每一流的权重为
Figure BDA00029019540900000218
其中网络结构设计主要采用共享深度卷积框架，该框架中卷积层与共享单元交替，其中共享单元设计为：
Figure BDA0002901954090000031
其中，i为深度网络的层数，
Figure BDA0002901954090000032
分别为第i层I、T、P、R监测要素所提取到的深度特征，
Figure BDA0002901954090000033
为共享权重矩阵，通过训练学习得到，
Figure BDA0002901954090000034
为第i层共享学习后的特征；定义深度学习网络的深度为L，则通过深度网络得到水库大坝运行状态特征为
Figure BDA0002901954090000035
则对于水库大坝安全运行状态的判断为：
Figure BDA0002901954090000036
其中，xt为t时刻的状态，分为安全运行状态标签1和险情状态标签0，当p(xt＝1)＞θ,判断为水库大坝出现险情，否则，判断为水库大坝安全运行，其中θ为辨识阈值。
一种水库大坝安全信息智慧感知融合预警终端设备，包括数据监测单元和识别单元；所述数据监测单元包括自计雨量筒、雷达水位计、测压管和摄像装置；通过自计雨量筒、雷达水位计、测压管和摄像装置综合监测水库库区的雨量、水位、坝体压力及场景变化数据，形成水库大坝安全运行全监测要素；所述识别单元通过智慧化建模计算方法对水库大坝的运行状态进行辨识；其中，智慧化建模计算方法主要包括：①计算基于历史信息的预测信息与当日测量信息间的差值或耦合关系，形成要素信息的融合权重，②基于深度学习模型表征水库大坝运行状态，并采用加权分类器模型对运行状态进行分类，当属于危险状态的概率大于阈值时判断水库大坝运行存在风险，进行预警。
附图说明
图1是本发明方法流程图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，一种水库大坝安全信息智慧感知融合预警方法，监测水库库区的雨量、水位、坝体压力及场景变化数据，形成水库大坝安全运行全监测要素；随后，通过智慧化建模计算方法对水库大坝的运行状态进行辨识；其中，智慧化建模计算方法主要包括：①计算基于历史信息的预测信息与当日测量信息间的差值或耦合关系，形成要素信息的融合权重，②基于深度学习模型表征水库大坝运行状态，并采用加权分类器模型对运行状态进行分类，当属于危险状态的概率大于阈值时判断水库大坝运行存在风险，进行预警。
水库大坝监测全要素集合构建包括如下内容：①通过自计雨量筒获取库区雨量要素信息R，②通过雷达水位计获取库区水位要素信息T，③通过测压管获取坝体压力要素信息P，④通过摄像机获取坝体场景变化要素信息I。
计算基于历史信息的预测信息与当日测量信息间的差值或耦合关系，形成要素信息的融合权重，具体步骤为：
步骤11，计算基于历史信息的库区当日雨量预测信息与库区雨量当日测量信息间的差值：
采用Kalman滤波器计算当日雨量预测信息
Figure BDA0002901954090000041
随后计算预测信息
Figure BDA0002901954090000042
与当日测量信息Rt间差值εR：
Figure BDA0002901954090000043
步骤12，计算基于历史信息的库区当日水位预测信息与库区水位当日测量信息间的差值：
采用Kalman滤波器计算当日水位预测信息
Figure BDA0002901954090000044
随后计算预测信息
Figure BDA0002901954090000045
与当日测量信息Tt间的差值εT：
Figure BDA0002901954090000046
步骤13，计算基于历史信息的当日坝体压力预测信息与坝体压力当日测量信息间的差值：
采用Kalman滤波器计算当日坝体压力预测信息
Figure BDA0002901954090000047
随后计算预测信息
Figure BDA0002901954090000048
与当日测量信息Pt间的差值εP：
Figure BDA0002901954090000049
步骤14，计算基于历史信息的当日场景变化预测信息与场景变化当日测量信息间的二维耦合值：
采用Kalman滤波器计算当日场景变化预测信息
Figure BDA00029019540900000410
随后计算预测信息
Figure BDA00029019540900000411
与当日测量信息It间的二维耦合值
Figure BDA00029019540900000412
其中corr2()为二维耦合关系计算模型；
步骤21，计算各要素当日测量信息的权重
雨量要素当日测量信息权重：
Figure BDA00029019540900000413
库区水位要素当日测量信息权重：
Figure BDA00029019540900000414
坝体压力要素当日测量信息权重：
Figure BDA0002901954090000051
库区场景变化要素当日测量信息权重：
Figure BDA0002901954090000052
其中，
Figure BDA0002901954090000053
为雨量、水位、坝体压力及场景变化要素的当日权重，
Figure BDA0002901954090000054
Figure BDA0002901954090000055
为雨量、水位、坝体压力及场景变化要素的上一日的权重。
基于深度学习模型表征水库大坝运行状态，并采用加权分类器模型对运行状态进行分类，当属于危险状态的概率大于阈值时判断水库大坝运行存在风险，进行预警；首先建立共享单元的多流深度学习网络，学习水库大坝全要素监测信息，得到表征水库大坝安全运行状态表征的特征；其中每一流对应一个库区监测要素I、T、P、R，每一流的权重为
Figure BDA0002901954090000056
Figure BDA0002901954090000057
其中网络结构设计主要采用共享深度卷积框架，该框架中卷积层与共享单元交替，其中共享单元设计为：
Figure BDA0002901954090000058
其中，i为深度网络的层数，
Figure BDA0002901954090000059
分别为第i层I、T、P、R监测要素所提取到的深度特征，
Figure BDA00029019540900000510
为共享权重矩阵，通过训练学习得到，
Figure BDA00029019540900000511
为第i层共享学习后的特征；定义深度学习网络的深度为L，则通过深度网络得到水库大坝运行状态特征为
Figure BDA00029019540900000512
则对于水库大坝安全运行状态的判断为：
Figure BDA00029019540900000513
其中，xt为t时刻的状态，分为安全运行状态标签1和险情状态标签0，当p(xt＝1)＞θ,判断为水库大坝出现险情，否则，判断为水库大坝安全运行，其中θ为辨识阈值。
一种水库大坝安全信息智慧感知融合预警终端设备，包括数据监测单元和识别单元；所述数据监测单元包括自计雨量筒、雷达水位计、测压管和摄像装置；通过自计雨量筒、雷达水位计、测压管和摄像装置综合监测水库库区的雨量、水位、坝体压力及场景变化数据，形成水库大坝安全运行全监测要素；所述识别单元通过智慧化建模计算方法对水库大坝的运行状态进行辨识；其中，智慧化建模计算方法主要包括：①计算基于历史信息的预测信息与当日测量信息间的差值或耦合关系，形成要素信息的融合权重，②基于深度学习模型表征水库大坝运行状态，并采用加权分类器模型对运行状态进行分类，当属于危险状态的概率大于阈值时判断水库大坝运行存在风险，进行预警。智慧化建模计算方法如上述方法中描述一致，不再赘述。

Claims (4)

1.一种水库大坝安全信息智慧感知融合预警方法，其特征在于：监测水库库区的雨量、水位、坝体压力及场景变化数据，形成水库大坝安全运行全监测要素；随后，通过智慧化建模计算方法对水库大坝的运行状态进行辨识；其中，智慧化建模计算方法主要包括：①计算基于历史信息的预测信息与当日测量信息间的差值或耦合关系，形成要素信息的融合权重，②基于深度学习模型表征水库大坝运行状态，并采用加权分类器模型对运行状态进行分类，当属于危险状态的概率大于阈值时判断水库大坝运行存在风险，进行预警；
计算基于历史信息的预测信息与当日测量信息间的差值或耦合关系，形成要素信息的融合权重，具体步骤为：
步骤11，计算基于历史信息的库区当日雨量预测信息与库区雨量当日测量信息间的差值：
采用Kalman滤波器计算当日雨量预测信息
Figure FDA0003304882500000011
随后计算预测信息
Figure FDA0003304882500000012
与当日测量信息Rt间差值εR：
Figure FDA0003304882500000013
步骤12，计算基于历史信息的库区当日水位预测信息与库区水位当日测量信息间的差值：
采用Kalman滤波器计算当日水位预测信息
Figure FDA0003304882500000014
随后计算预测信息
Figure FDA0003304882500000015
与当日测量信息Tt间的差值εT：
Figure FDA0003304882500000016
步骤13，计算基于历史信息的当日坝体压力预测信息与坝体压力当日测量信息间的差值：
采用Kalman滤波器计算当日坝体压力预测信息
Figure FDA0003304882500000017
随后计算预测信息
Figure FDA0003304882500000018
与当日测量信息Pt间的差值εP：
Figure FDA0003304882500000019
步骤14，计算基于历史信息的当日场景变化预测信息与场景变化当日测量信息间的二维耦合值：
采用Kalman滤波器计算当日场景变化预测信息
Figure FDA00033048825000000110
随后计算预测信息
Figure FDA00033048825000000111
与当日测量信息It间的二维耦合值
Figure FDA00033048825000000112
其中corr2()为二维耦合关系计算模型；
步骤21，计算各要素当日测量信息的权重
雨量要素当日测量信息权重：
Figure FDA00033048825000000113
库区水位要素当日测量信息权重：
Figure FDA00033048825000000114
坝体压力要素当日测量信息权重：
Figure FDA00033048825000000115
库区场景变化要素当日测量信息权重：
Figure FDA00033048825000000116
其中，
Figure FDA0003304882500000021
为雨量、水位、坝体压力及场景变化要素的当日权重，
Figure FDA0003304882500000022
Figure FDA0003304882500000023
为雨量、水位、坝体压力及场景变化要素的上一日的权重。
2.根据权利要求1所述的水库大坝安全信息智慧感知融合预警方法，其特征在于：所述水库大坝监测全要素集合构建包括如下内容：①通过自计雨量筒获取库区雨量要素信息R，②通过雷达水位计获取库区水位要素信息T，③通过测压管获取坝体压力要素信息P，④通过摄像机获取坝体场景变化要素信息I。
3.根据权利要求1所述的水库大坝安全信息智慧感知融合预警方法，其特征在于：所述基于深度学习模型表征水库大坝运行状态，并采用加权分类器模型对运行状态进行分类，当属于危险状态的概率大于阈值时判断水库大坝运行存在风险，进行预警；首先建立共享单元的多流深度学习网络；其中每一流对应一个库区监测要素I、T、P、R，每一流的权重为
Figure FDA0003304882500000024
Figure FDA0003304882500000025
其中网络结构设计主要采用共享深度卷积框架，该框架中卷积层与共享单元交替，其中共享单元设计为：
Figure FDA0003304882500000026
其中，i为深度网络的层数，
Figure FDA0003304882500000027
分别为第i层I、T、P、R监测要素所提取到的深度特征，
Figure FDA0003304882500000028
为共享权重矩阵，通过训练学习得到，
Figure FDA0003304882500000029
为第i层共享学习后的特征；定义深度学习网络的深度为L，则通过深度网络得到水库大坝运行状态特征为
Figure FDA00033048825000000210
则对于水库大坝安全运行状态的判断为：
Figure FDA00033048825000000211
其中，xt为t时刻的状态，分为安全运行状态标签1和险情状态标签0，当p(xt＝1)＞θ,判断为水库大坝出现险情，否则，判断为水库大坝安全运行，其中θ为辨识阈值。
4.一种水库大坝安全信息智慧感知融合预警终端设备，其特征在于：包括数据监测单元和识别单元；所述数据监测单元包括自计雨量筒、雷达水位计、测压管和摄像装置；通过自计雨量筒、雷达水位计、测压管和摄像装置综合监测水库库区的雨量、水位、坝体压力及场景变化数据，形成水库大坝安全运行全监测要素；所述识别单元通过智慧化建模计算方法对水库大坝的运行状态进行辨识；其中，智慧化建模计算方法主要包括：①计算基于历史信息的预测信息与当日测量信息间的差值或耦合关系，形成要素信息的融合权重，②基于深度学习模型表征水库大坝运行状态，并采用加权分类器模型对运行状态进行分类，当属于危险状态的概率大于阈值时判断水库大坝运行存在风险，进行预警；
计算基于历史信息的预测信息与当日测量信息间的差值或耦合关系，形成要素信息的融合权重，具体步骤为：
步骤11，计算基于历史信息的库区当日雨量预测信息与库区雨量当日测量信息间的差值：
采用Kalman滤波器计算当日雨量预测信息
Figure FDA0003304882500000031
随后计算预测信息
Figure FDA0003304882500000032
与当日测量信息Rt间差值εR：
Figure FDA0003304882500000033
步骤12，计算基于历史信息的库区当日水位预测信息与库区水位当日测量信息间的差值：
采用Kalman滤波器计算当日水位预测信息
Figure FDA0003304882500000034
随后计算预测信息
Figure FDA0003304882500000035
与当日测量信息Tt间的差值εT：
Figure FDA0003304882500000036
步骤13，计算基于历史信息的当日坝体压力预测信息与坝体压力当日测量信息间的差值：
采用Kalman滤波器计算当日坝体压力预测信息
Figure FDA0003304882500000037
随后计算预测信息
Figure FDA0003304882500000038
与当日测量信息Pt间的差值εP：
Figure FDA0003304882500000039
步骤14，计算基于历史信息的当日场景变化预测信息与场景变化当日测量信息间的二维耦合值：
采用Kalman滤波器计算当日场景变化预测信息
Figure FDA00033048825000000310
随后计算预测信息
Figure FDA00033048825000000311
与当日测量信息It间的二维耦合值
Figure FDA00033048825000000312
其中corr2()为二维耦合关系计算模型；
步骤21，计算各要素当日测量信息的权重
雨量要素当日测量信息权重：
Figure FDA00033048825000000313
库区水位要素当日测量信息权重：
Figure FDA00033048825000000314
坝体压力要素当日测量信息权重：
Figure FDA00033048825000000315
库区场景变化要素当日测量信息权重：
Figure FDA0003304882500000041
其中，
Figure FDA0003304882500000042
为雨量、水位、坝体压力及场景变化要素的当日权重，
Figure FDA0003304882500000043
Figure FDA0003304882500000044
为雨量、水位、坝体压力及场景变化要素的上一日的权重。
CN202110059633.XA 2021-01-18 2021-01-18 一种水库大坝安全信息智慧感知融合预警方法及终端设备 Active CN112949900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110059633.XA CN112949900B (zh) 2021-01-18 2021-01-18 一种水库大坝安全信息智慧感知融合预警方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110059633.XA CN112949900B (zh) 2021-01-18 2021-01-18 一种水库大坝安全信息智慧感知融合预警方法及终端设备

Publications (2)

Publication Number Publication Date
CN112949900A CN112949900A (zh) 2021-06-11
CN112949900B true CN112949900B (zh) 2022-01-11

Family

ID=76235439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110059633.XA Active CN112949900B (zh) 2021-01-18 2021-01-18 一种水库大坝安全信息智慧感知融合预警方法及终端设备

Country Status (1)

Country Link
CN (1) CN112949900B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807570B (zh) * 2021-08-12 2024-02-02 水利部南京水利水文自动化研究所 基于XGBoost的水库大坝风险等级评估方法及系统
CN115660259A (zh) * 2022-12-13 2023-01-31 广东广宇科技发展有限公司 一种水库运行状态与水库环境协同预警监测方法
CN117953665B (zh) * 2024-03-27 2024-06-18 中铁水利水电规划设计集团有限公司 一种地质灾害监测预警系统及其预警方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480341A (zh) * 2017-07-21 2017-12-15 河海大学 一种基于深度学习的大坝安全综合评判方法
CN111694916A (zh) * 2020-06-09 2020-09-22 福州大学 浆砌石拱坝自动化监测系统
CN112033470A (zh) * 2020-09-11 2020-12-04 遵义市华颖泰科科技有限责任公司 水库大坝安全监测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040015294A1 (en) * 2002-07-20 2004-01-22 Kirtland Kenneth P. Computerized warning system interface and method
WO2019174040A1 (zh) * 2018-03-16 2019-09-19 大连理工大学 一种耦合聚类分析和决策树的梯级水电站群短期发电调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480341A (zh) * 2017-07-21 2017-12-15 河海大学 一种基于深度学习的大坝安全综合评判方法
CN111694916A (zh) * 2020-06-09 2020-09-22 福州大学 浆砌石拱坝自动化监测系统
CN112033470A (zh) * 2020-09-11 2020-12-04 遵义市华颖泰科科技有限责任公司 水库大坝安全监测系统

Also Published As

Publication number Publication date
CN112949900A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN112949900B (zh) 一种水库大坝安全信息智慧感知融合预警方法及终端设备
CN104670155B (zh) 基于云端车联网的车辆防盗报警系统
CN108418841A (zh) 基于ai的下一代关键信息基础设施网络安全态势感知系统
CN112150769A (zh) 一种基于大数据的地质灾害岩体崩塌智能监测预警系统
CN108650139A (zh) 一种电力通信网络监测系统
CN114544040B (zh) 基于神经网络算法的群桩节点应力监测系统及其预警方法
CN111160270B (zh) 一种基于智能视频识别的桥梁监测方法
CN109577892B (zh) 一种基于井下参数的智能溢流检测系统及预警方法
CN116105802B (zh) 一种基于物联网的地下设施安全监测预警方法
CN115187949A (zh) 一种隧道出入口的路面状态检测方法、设备及介质
CN111815576B (zh) 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN110733461B (zh) 一种基于车速和液压变化分析的防盗油检测系统及方法
CN113093831B (zh) 作业机械的温度控制方法、装置、作业机械和电子设备
CN115865988B (zh) 利用手机传感器网络的客船旅客踩踏事件监测系统及方法
CN116597693A (zh) 一种内河航运监控系统及方法
CN115601654A (zh) 一种基于空天地一体化的矿山尾矿库灾害预警方法
CN114263855B (zh) 一种天然气运输管道泄漏的预测方法及其应用
CN115880629A (zh) 一种装卸车鹤管状态识别方法和系统
CN113685166B (zh) 一种钻井事故预警方法及系统
CN114756599A (zh) 一种基于车辆gps数据的驾驶员异常变速辨识方法
CN113788023A (zh) 车辆驾驶故障检测方法、装置、设备及存储介质
CN112990706A (zh) 危化品仓储环境风险预警方法
CN112149579A (zh) 一种基于改进yolo_v3的鸟巢隐患检测方法
CN112967335A (zh) 气泡尺寸监测方法及装置
CN117541583B (zh) 一种用于防爆监控系统的钻杆腐蚀监测方法及系统

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