CN114186900B - 基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置 - Google Patents

基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置 Download PDF

Info

Publication number
CN114186900B
CN114186900B CN202210143875.1A CN202210143875A CN114186900B CN 114186900 B CN114186900 B CN 114186900B CN 202210143875 A CN202210143875 A CN 202210143875A CN 114186900 B CN114186900 B CN 114186900B
Authority
CN
China
Prior art keywords
data
bayesian network
state
cloud
fire risk
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
CN202210143875.1A
Other languages
English (en)
Other versions
CN114186900A (zh
Inventor
向治锦
黄国忠
高学鸿
欧盛南
陈小龙
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202210143875.1A priority Critical patent/CN114186900B/zh
Publication of CN114186900A publication Critical patent/CN114186900A/zh
Application granted granted Critical
Publication of CN114186900B publication Critical patent/CN114186900B/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
    • G06Q10/06—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置，涉及火灾风险评估技术领域。包括：获取电气火灾风险监测的历史数据和待评估数据；根据历史数据，构建电气火灾风险评估的贝叶斯网络的网络结构；根据历史数据以及启发式高斯云变换算法，确定状态评价标准云；根据待评估数据以及状态评价标准云，得到不同时间粒度下待评估数据中各指标监测数据的状态隶属度；根据状态隶属度以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果。本发明针对电气火灾风险评估中存在的风险状态概率表示及计算的不确定性问题，引入模糊贝叶斯网络和云模型方法，以解决不确定性因素影响下的电气火灾风险评估问题。

Description

基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置
技术领域
本发明涉及火灾风险评估技术领域，特别是指一种基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置。
背景技术
电气火灾事故在我国频发，防控形势十分严峻，科学地评估电气火灾风险，对于电气火灾事故的预警和防控具有重要意义。电气火灾事件是一个复杂系统,电气火灾事故的致灾因子复杂，各节点具有多种状态，电气火灾发生前通常会出现多因素下的异常征兆信息, 如电流增大、电压波动、温升等，其突发性、随机性与不确定性使得人们对于电气火灾事件的风险评估和预测非常困难。贝叶斯网络具有良好的不确定性推理能力，是用于评估推理的理想建模方法，可以对多因素影响下的火灾风险进行定量分析，并清晰地展示致灾因子的关系和灾变的过程，已经被一些学者应用于电气火灾的风险评估中。
现有技术中，如专利CN112036653A一种基于贝叶斯网络的火灾风险预警方法及系统，该发明是一种基于贝叶斯网络的火灾风险预警方法，该方法分别以风险源、火灾事件状态、火灾风险3种变量为行变量和列变量，构建关联矩阵；遍历该矩阵,用有向边将对应的行变量与列变量连接起来,最终形成各专家都普遍接受的网络结构；按照此方法,建立风险源—火灾事件状态、火灾事件状态—火灾事件状态、火灾事件状态—火灾风险3个子网络，根据所建立的3个子网络,以火灾事件状态变量与承灾体状态变量为公共节点,合并以上3个子网络,形成火灾事件预测的贝叶斯网络模型。
专利CN110059963A一种基于模糊多态贝叶斯网络的隧道风险评价方法，公开了一种基于模糊多态贝叶斯网络的隧道风险评价方法，提出基于专家判断的信心指数、权重指数和概率区间相结合的调查方法，该方法根据已有隧道事故案例构建隧道风险事故树，得出隧道风险事故的基本事件以及在当前技术水平下的各个因素的出现概率，并由事故树构建多态贝叶斯网络。将专家调查所得概率与案例事故所得概率利用主客观法，得出条件概率，从而提出基于多态的模糊贝叶斯网络条件概率构建方法及隧道风险概率计算方法
专利CN113505448A一种基于改进贝叶斯网络的风电机组动态可靠性评价方法，包括基于故障树和云模型构建风电机组的单纯可靠性贝叶斯网络；采用无标度网络对单纯可靠性贝叶斯网络进行优化得到改进的贝叶斯网络；对改进的贝叶斯网络进行动态贝叶斯推理；根据改进的贝叶斯网络与动态推理过程对机组可靠性进行定量评估。
综上，现在少有研究将模糊贝叶斯的方法运用于电气火灾预警或风险评估中，传统的贝叶斯网络评价火灾风险有以下不足：根节点对应参数的状态标准划分（如低、中、高风险）多采用主观设定或专家评价法，存在较强的主观性。监测参数的状态界定多采用阈值法的“硬划分”，无法体现处于两相邻状态之间的数值究竟该划分给何种类别，即无法体现概念的模糊性。对于大量具有时序性的监测数据，不同时间粒度数据的信息挖掘程度不够，且没有考虑数据的随机性。在实际评估中，由于电气火灾事件系统的复杂性及数据的不完备等诸多原因，往往不能精确地获取节点各状态的先验概率，且很难能得到一个准确的风险评估数值。因此，如何在不确定性因素影响下，对电气火灾风险进行评估是亟需解决的问题。
发明内容
本发明针对现有技术如何在不确定性因素影响下，对电气火灾风险进行评估是亟需解决的问题，提出了本发明。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供了一种基于云模型和模糊贝叶斯网络的火灾风险评估方法，该方法由电子设备实现，该方法包括：
S1、获取电气火灾风险监测的历史数据和待评估数据。
S2、根据历史数据，构建电气火灾风险评估的贝叶斯网络的网络结构；其中，贝叶斯网络的网络结构包括监测信息根节点、中间风险节点以及火灾风险叶节点。
S3、根据历史数据以及启发式高斯云变换算法，确定状态评价标准云。
S4、根据待评估数据以及状态评价标准云，得到不同时间粒度下待评估数据中各指标监测数据的状态隶属度。
S5、根据各指标监测数据的状态隶属度以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果。
可选地，S3中的根据历史数据以及启发式高斯云变换算法，确定状态评价标准云包括：
依据贝叶斯网络的监测信息根节点中所包括的指标，获取指标对应的监测数据，采用启发式高斯云变换算法，对指标对应的监测数据进行高斯聚类，生成指定数目的状态评价标准云。
可选地，S4中的根据待评估数据以及状态评价标准云，得到不同时间粒度下待评估数据中各指标监测数据的状态隶属度包括：
S41、提取待评估数据的时间粒度。
S42、调用逆向云发生器提取待评估数据的时间粒度的云数字特征。
S43、将云数字特征与对应的状态评价标准云进行云相似度计算，得到不同时间粒度下待评估数据中各指标监测数据对应的不同状态的状态隶属度。
可选地，S5中的根据各指标监测数据的状态隶属度以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果包括：
S51、将各指标监测数据的状态隶属度转换为监测信息根节点的先验概率。
S52、根据监测信息根节点的先验概率确定贝叶斯网络中各节点的条件概率，将条件概率输入到贝叶斯网络的网络结构中，得到构建好的贝叶斯网络。
S53、基于桶消元法以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果。
可选地，S51中的监测信息根节点的先验概率的计算方法，如下式（1）所示：
Figure 127791DEST_PATH_IMAGE001
其中，
Figure 369416DEST_PATH_IMAGE002
为先验概率值；
Figure 956124DEST_PATH_IMAGE003
为第
Figure 599595DEST_PATH_IMAGE004
个指标对应于第
Figure 997079DEST_PATH_IMAGE005
种状态的隶属度；
Figure 539049DEST_PATH_IMAGE006
，是一致性检验参数。
可选地，S52中的根据监测信息根节点的先验概率确定贝叶斯网络中各节点的条件概率包括：
根据监测信息根节点的先验概率、专家知识和历史数据，确定贝叶斯网络中各节点的条件概率。
可选地，S53中的基于桶消元法以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果包括：
S531、对构建好的贝叶斯网络的火灾风险叶节点的风险状态进行赋权。
S532、基于桶消元法以及赋权后的贝叶斯网络，计算得到风险状态的模糊可能性。
S533、将赋权后的风险状态以及风险状态的模糊可能性进行组合，得到数据融合的、不同时间粒度下的电气火灾风险评估结果。
可选地，S532中的风险状态的模糊可能性的计算方法，如下式（2）所示：
Figure 617864DEST_PATH_IMAGE007
其中，
Figure 178158DEST_PATH_IMAGE008
为风险状态；
Figure 261390DEST_PATH_IMAGE009
为中间风险节点个数；
Figure 274345DEST_PATH_IMAGE010
为监测信息根节点个数；
Figure 156850DEST_PATH_IMAGE011
为火灾风险叶节点
Figure 322384DEST_PATH_IMAGE012
的父节点集合，
Figure 264932DEST_PATH_IMAGE013
为中间风险节点
Figure 765183DEST_PATH_IMAGE014
的父节点集合。
另一方面，本发明提供了一种基于云模型和模糊贝叶斯网络的火灾风险评估装置，该装置应用于实现基于云模型和模糊贝叶斯网络的火灾风险评估方法，该装置包括：
获取模块，用于获取电气火灾风险监测的历史数据和待评估数据。
网络构建模块，用于根据历史数据，构建电气火灾风险评估的贝叶斯网络的网络结构；其中，贝叶斯网络的网络结构包括监测信息根节点、中间风险节点以及火灾风险叶节点。
标准云构建模块，用于根据历史数据以及启发式高斯云变换算法，确定状态评价标准云。
隶属度计算模块，用于根据待评估数据以及状态评价标准云，得到不同时间粒度下待评估数据中各指标监测数据的状态隶属度。
输出模块，用于根据各指标监测数据的状态隶属度以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果。
可选地，标准云构建模块，进一步用于：
依据贝叶斯网络的监测信息根节点中所包括的指标，获取指标对应的监测数据，采用启发式高斯云变换算法，对指标对应的监测数据进行高斯聚类，生成指定数目的状态评价标准云。
可选地，隶属度计算模块，进一步用于：
S41、提取待评估数据的时间粒度。
S42、调用逆向云发生器提取待评估数据的时间粒度的云数字特征。
S43、将云数字特征与对应的状态评价标准云进行云相似度计算，得到不同时间粒度下待评估数据中各指标监测数据对应的不同状态的状态隶属度。
可选地，输出模块，进一步用于：
S51、将各指标监测数据的状态隶属度转换为监测信息根节点的先验概率。
S52、根据监测信息根节点的先验概率确定贝叶斯网络中各节点的条件概率，将条件概率输入到贝叶斯网络的网络结构中，得到构建好的贝叶斯网络。
S53、基于桶消元法以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果。
可选地，监测信息根节点的先验概率的计算方法，如下式（1）所示：
Figure 497385DEST_PATH_IMAGE001
其中，
Figure 969954DEST_PATH_IMAGE002
为先验概率值；
Figure 145721DEST_PATH_IMAGE003
为第
Figure 884001DEST_PATH_IMAGE004
个指标对应于第
Figure 108309DEST_PATH_IMAGE005
种状态的隶属度；
Figure 232123DEST_PATH_IMAGE006
，是一致性检验参数。
可选地，输出模块，进一步用于：
根据监测信息根节点的先验概率、专家知识和历史数据，确定贝叶斯网络中各节点的条件概率。
可选地，输出模块，进一步用于：
S531、对构建好的贝叶斯网络的火灾风险叶节点的风险状态进行赋权。
S532、基于桶消元法以及赋权后的贝叶斯网络，计算得到风险状态的模糊可能性。
S533、将赋权后的风险状态以及风险状态的模糊可能性进行组合，得到数据融合的、不同时间粒度下的电气火灾风险评估结果。
可选地，风险状态的模糊可能性的计算方法，如下式（2）所示：
Figure 516473DEST_PATH_IMAGE007
其中，
Figure 240585DEST_PATH_IMAGE008
为风险状态；
Figure 268584DEST_PATH_IMAGE009
为中间风险节点个数；
Figure 512483DEST_PATH_IMAGE010
为监测信息根节点个数；
Figure 702156DEST_PATH_IMAGE011
为火灾风险叶节点
Figure 415028DEST_PATH_IMAGE012
的父节点集合，
Figure 981139DEST_PATH_IMAGE013
为中间风险节点
Figure 282807DEST_PATH_IMAGE014
的父节点集合。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于云模型和模糊贝叶斯网络的火灾风险评估方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于云模型和模糊贝叶斯网络的火灾风险评估方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
上述方案中，采用启发式高斯云变换算法，分别对各个电气火灾风险指标的监测数据进行高斯聚类，依赖历史数据得到各指标的状态评价标准云，所得结果更加客观；同时，由于云模型具有良好的不确定性知识表达能力，状态评价标准云能够以更好地体现离散概念的模糊性与随机性，反映的信息更加全面。
基于逆向云发生器与云相似度算法，得到各指标对于不同状态的隶属程度，可实现各指标状态的模糊化表示，即指标状态的“软划分”。
本申请通过模糊贝叶斯网络计算，得到融合多源数据的电气火灾风险评估结果。较之现有的电气火灾风险评估方法，本申请所提出的方法以多个火灾风险水平的隶属度来呈现评估结果，结果更加准确可靠；同时，还可以对不同时间粒度下的电气火灾风险进行综合评价。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于云模型和模糊贝叶斯网络的火灾风险评估方法流程示意图；
图2是本发明实施例提供的基于云模型和模糊贝叶斯网络的火灾风险评估方法流程示意图；
图3是本发明实施例提供的电气火灾风险评估贝叶斯网络结构示意图；
图4是本发明实施例提供的监测参数的状态评价标准云示意图；
图5是本发明实施例提供的基于云模型和模糊贝叶斯网络的火灾风险评估装置框图；
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本发明实施例提供了一种基于云模型和模糊贝叶斯网络的火灾风险评估方法，该方法可以由电子设备实现。如图1所示的基于云模型和模糊贝叶斯网络的火灾风险评估方法流程图，该方法的处理流程可以包括如下的步骤：
S11、获取电气火灾风险监测的历史数据和待评估数据。
S12、根据历史数据，构建电气火灾风险评估的贝叶斯网络的网络结构；其中，贝叶斯网络的网络结构包括监测信息根节点、中间风险节点以及火灾风险叶节点。
S13、根据历史数据以及启发式高斯云变换算法，确定状态评价标准云。
可选地，S13中的根据历史数据以及启发式高斯云变换算法，确定状态评价标准云包括：
依据贝叶斯网络的监测信息根节点中所包括的指标，获取指标对应的监测数据，采用启发式高斯云变换算法，对指标对应的监测数据进行高斯聚类，生成指定数目的状态评价标准云。
S14、根据待评估数据以及状态评价标准云，得到不同时间粒度下待评估数据中各指标监测数据的状态隶属度。
可选地，S14中的根据待评估数据以及状态评价标准云，得到不同时间粒度下待评估数据中各指标监测数据的状态隶属度包括：
S141、提取待评估数据的时间粒度。
S142、调用逆向云发生器提取待评估数据的时间粒度的云数字特征。
S143、将云数字特征与对应的状态评价标准云进行云相似度计算，得到不同时间粒度下待评估数据中各指标监测数据对应的不同状态的状态隶属度。
S15、根据各指标监测数据的状态隶属度以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果。
可选地，S15中的根据各指标监测数据的状态隶属度以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果包括：
S151、将各指标监测数据的状态隶属度转换为监测信息根节点的先验概率。
S152、根据监测信息根节点的先验概率确定贝叶斯网络中各节点的条件概率，将条件概率输入到贝叶斯网络的网络结构中，得到构建好的贝叶斯网络。
可选地，S152中的根据监测信息根节点的先验概率确定贝叶斯网络中各节点的条件概率包括：
根据监测信息根节点的先验概率、专家知识和历史数据，确定贝叶斯网络中各节点的条件概率。
S153、基于桶消元法以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果。
可选地，S51中的监测信息根节点的先验概率的计算方法，如下式（1）所示：
Figure 705698DEST_PATH_IMAGE001
其中，
Figure 427839DEST_PATH_IMAGE002
为先验概率值；
Figure 859957DEST_PATH_IMAGE003
为第
Figure 563602DEST_PATH_IMAGE004
个指标对应于第
Figure 360657DEST_PATH_IMAGE005
种状态的隶属度；
Figure 31810DEST_PATH_IMAGE006
，是一致性检验参数。
可选地，S153中的基于桶消元法以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果包括：
S1531、对构建好的贝叶斯网络的火灾风险叶节点的风险状态进行赋权。
S1532、基于桶消元法以及赋权后的贝叶斯网络，计算得到风险状态的模糊可能性。
可选地，S1532中的风险状态的模糊可能性的计算方法，如下式（2）所示：
Figure 205302DEST_PATH_IMAGE015
其中，
Figure 527568DEST_PATH_IMAGE008
为风险状态；
Figure 557841DEST_PATH_IMAGE009
为中间风险节点个数；
Figure 653973DEST_PATH_IMAGE010
为监测信息根节点个数；
Figure 178626DEST_PATH_IMAGE011
为火灾风险叶节点
Figure 106131DEST_PATH_IMAGE012
的父节点集合，
Figure 244988DEST_PATH_IMAGE013
为中间风险节点
Figure 828416DEST_PATH_IMAGE014
的父节点集合。
S1533、将赋权后的风险状态以及风险状态的模糊可能性进行组合，得到数据融合的、不同时间粒度下的电气火灾风险评估结果。
本发明实施例中，采用启发式高斯云变换算法，分别对各个电气火灾风险指标的监测数据进行高斯聚类，依赖历史数据得到各指标的状态评价标准云，所得结果更加客观；同时，由于云模型具有良好的不确定性知识表达能力，状态评价标准云能够以更好地体现离散概念的模糊性与随机性，反映的信息更加全面。
基于逆向云发生器与云相似度算法，得到各指标对于不同状态的隶属程度，可实现各指标状态的模糊化表示，即指标状态的“软划分”。
本申请通过模糊贝叶斯网络计算，得到融合多源数据的电气火灾风险评估结果。较之现有的电气火灾风险评估方法，本申请所提出的方法以多个火灾风险水平的隶属度来呈现评估结果，结果更加准确可靠；同时，还可以对不同时间粒度下的电气火灾风险进行综合评价。
如图2所示，本发明实施例提供了一种基于云模型和模糊贝叶斯网络的火灾风险评估方法，该方法可以由电子设备实现。如图2所示的基于云模型和模糊贝叶斯网络的火灾风险评估方法流程图，该方法的处理流程可以包括如下的步骤：
S21、构建电气火灾风险评估贝叶斯网络结构。
一种可行的实施方式中，根据对电气火灾事故或不同类型、不同场景的电线火灾事故风险演化机理的研究，确定电气火灾风险评估的贝叶斯网络结构。如图3所示，贝叶斯网络结构主要包括监测信息根节点（如：设备工作电流、运行功率、导线温度等）、中间风险节点（如：短路、过载、漏电等）、火灾风险叶节点，确定电气火灾风险评估贝叶斯网络结构。
其中，中间风险节点还可以细分多个层级，且不同类型、不同场景的电线火灾，其风险评估的贝叶斯网络结构可根据实际情况进行调整。
S22、确定监测参数的状态评价标准云。
一种可行的实施方式中，可以依据电气火灾风险评估贝叶斯网络的根节点的指标，获取指标对应的监测参数数据，采用启发式高斯云变换算法，对获取的指标对应的历史监测参数数据进行高斯聚类，生成指定数目的状态评价标准云。
具体地，可以是采集电气火灾风险评估的贝叶斯网络的根节点中的多个监测指标的历史数据，历史数据为连续性的数据，首先对连续性的数据离散化，再调用启发式高斯云变换算法，分别对多个监测指标的历史数据进行高斯聚类，获取指定数目的指标状态评价标准云，实现对指标状态区间的模糊划分。
其中，启发式高斯云变换算法可以参考现有技术一种自适应的多粒度概念提取方法-刘玉超。启发式高斯云变换算法步骤如下：
输入数据样本
Figure 389717DEST_PATH_IMAGE016
，其中
Figure 374990DEST_PATH_IMAGE004
=1, 2, …,
Figure 747066DEST_PATH_IMAGE017
；给定概念数量
Figure 817790DEST_PATH_IMAGE018
。
输出按照概念数量划分根据清晰度排序的
Figure 684246DEST_PATH_IMAGE018
个高斯云
Figure 524026DEST_PATH_IMAGE019
，
Figure 67003DEST_PATH_IMAGE020
。
(1)基于概念数量
Figure 359444DEST_PATH_IMAGE018
，利用高斯混合聚类算法将数据样本
Figure 528126DEST_PATH_IMAGE016
聚类为
Figure 222412DEST_PATH_IMAGE018
个高斯分布
Figure 936290DEST_PATH_IMAGE021
,其中，
Figure 981607DEST_PATH_IMAGE022
为对应高斯分布的期望，
Figure 189865DEST_PATH_IMAGE023
为对应高斯分布的标准差。
(2)对于第
Figure 800975DEST_PATH_IMAGE024
个高斯分布，计算其标准差的缩放比例
Figure 889017DEST_PATH_IMAGE025
，以及高斯云参数：
Figure 467635DEST_PATH_IMAGE026
，
Figure 666535DEST_PATH_IMAGE027
，
Figure 132151DEST_PATH_IMAGE028
Figure 391094DEST_PATH_IMAGE029
。
(3)按照含混度对
Figure 958473DEST_PATH_IMAGE018
个高斯云进行排序并输出。
举例来说，如图4所示，对监测参数设定3个概念数量，最终可生成3种状态的评价标准云。
S23、获取不同时间粒度下各指标监测数据的状态隶属度。
一种可行的实施方式中，对于待评估的动态监测数据，调用逆向云发生器提取待评估的动态监测数据的不同时间粒度的云数字特征，并将云数字特征与对应的状态评价标准云进行云相似度计算，得到待评估的动态监测数据中的各指标监测数据对应的不同状态的隶属度。
具体地，可以包括以下步骤S231-S233：
S231、提取待评估的动态监测数据的时间粒度。
设定要提取的时间粒度
Figure 695485DEST_PATH_IMAGE030
，可以设定秒、分钟、小时、天等不同的时间粒层，
将待评估的动态监测数据按
Figure 218870DEST_PATH_IMAGE030
划分成
Figure 711031DEST_PATH_IMAGE031
个时间切片
Figure 687078DEST_PATH_IMAGE032
，以提取不同时间范围的风险监测数据。
S232、将时间粒度转化为带语义信息的云滴。
基于云模型方法，调用逆向云发生器算法将不同时间粒层的时间切片
Figure 539365DEST_PATH_IMAGE033
转换成赋有语义信息的时间粒度
Figure 182836DEST_PATH_IMAGE034
，并按秒粒层、分钟粒层、小时粒层、天粒层等输出时间粒度，其中
Figure 580319DEST_PATH_IMAGE035
表示在时间粒度为
Figure 309241DEST_PATH_IMAGE036
时，第
Figure 201104DEST_PATH_IMAGE037
个时间片的时间粒度，其云数字特征为
Figure 699082DEST_PATH_IMAGE038
。
S233、指标状态隶属度计算。
调用云正向发生器，对于
Figure 205150DEST_PATH_IMAGE039
的云数字特征参数
Figure 483684DEST_PATH_IMAGE038
随机生成3500个云滴，计算其期望在不同状态中的云相似度
Figure 366189DEST_PATH_IMAGE040
，取所有
Figure 30258DEST_PATH_IMAGE041
之和的平均值，得到时间粒度
Figure 972806DEST_PATH_IMAGE042
对应不同状态隶属度。
举例来说，取粒度为
Figure 473058DEST_PATH_IMAGE036
时，监测指标
Figure 893675DEST_PATH_IMAGE043
的状态隶属度，表示方法如下表1：
Figure 366244DEST_PATH_IMAGE045
S24、将状态隶属度转换为根节点的先验概率，并确定贝叶斯网络中节点的条件概率，将概率值输入贝叶斯网络中。
一种可行的实施方式中，各指标监测数据对应于不同状态的隶属度，将不同状态的隶属度转化为根节点的先验概率，结合历史数据和专家评价法确定各节点的条件概率值，将条件概率值输入事先构建好的电气火灾风险评估贝叶斯网络中。
具体地，可以包括以下步骤S241-S242：
S241、将状态隶属度转换为根节点的先验概率值的方法，如下式（1）所示：
Figure 27164DEST_PATH_IMAGE001
其中，
Figure 952395DEST_PATH_IMAGE003
为第
Figure 239019DEST_PATH_IMAGE004
个指标对应于第
Figure 566096DEST_PATH_IMAGE005
种状态的隶属度；
Figure 162031DEST_PATH_IMAGE002
为由确定度转换的先验概率值；
Figure 574558DEST_PATH_IMAGE006
，是一致性检验参数，其值越大，隶属度与对应先验概率的一致性越高。
S242、确定各节点的条件概率。
贝叶斯网络采用条件概率表对节点间的关系进行量化，条件概率表反映了父节点所处状态对子节点状态的影响。
可选地，将所有节点划分为三种状态，则状态集合为{1，2，3}，采用专家知识和历史数据获得中间节点和叶节点的条件概率，以中间节点
Figure 586245DEST_PATH_IMAGE046
为例，其条件概率表如下表2：
Figure 767827DEST_PATH_IMAGE048
S25、通过基于桶消元法的模糊贝叶斯网络计算，得到对应于不同风险水平的隶属度，最终得到多数据融合的、不同时间粒度下的电气火灾风险评估结果。
其中，桶消元法可以参考现有技术贝叶斯网络在电子产品可靠性分析中的应用-杨其国。桶消元算法是一种基于元素组合优化思想设计的消元方法，它能够简便消元过程，提升消元速度，针对系统联合概率分布组合爆炸问题，提供较好的解决思路和方案。该方法首先利用联合概率计算的链式乘积规则和条件独立将贝叶斯网络图形化的联合概率分解为一系列条件概率表的乘积(参数化)形式；然后在符号层面上对公式进行变换, 改变求和时节点的消元顺序及求和运算与乘积运算的先后顺序, 以达到减少求和与乘积运算量的目的；最后按照变换后的公式进行逐步求和与乘积运算以得到待求结果。为了使得整个过程表述更加清晰, 划分因子区间, 所以引入桶的概念, 因此这个过程称之为“桶消元法”
(1)应用桶消元法的计算过程如下：
①根据贝叶斯网络的网络结构和联合概率分布，得到由多个条件概率的乘积表示的贝叶斯网络链式规则公式，如下式（2）所示：
Figure 285396DEST_PATH_IMAGE050
②利用链式规则公式和贝叶斯网络条件独立性，将联合概率分布进行因子分解，得到贝叶斯网络节点变量函数公式。对于没有父节点的节点
Figure 185219DEST_PATH_IMAGE051
，可直接表示为
Figure 564379DEST_PATH_IMAGE052
。
③根据节点的消元顺序，对每个贝叶斯网络节点变量函数公式进行排序，依次放入所对应的桶 Bucketi中。
④求解节点变量因子的联合概率。
根据贝叶斯网络节点的条件概率表，为节点变量赋值，展开桶中的变量函数公式，产生新的函数因子。将其放入下一个桶中，与原有的变量公式合并成为新的函数。依次对桶中变量函数进行展开，直至最后一个桶，得出的函数因子即为所求变量的联合概率公式。
(2)桶消元法的后验概率计算。
采用桶消元法计算后验概率，即计算风险状态的模糊可能性。若已知各个根节点的当前状态分别为
Figure 600468DEST_PATH_IMAGE053
，其中
Figure 288939DEST_PATH_IMAGE054
对应于不同状态的先验概率为
Figure 676058DEST_PATH_IMAGE055
，则电气火灾风险叶节点
Figure 590400DEST_PATH_IMAGE056
处于风险状态
Figure 746574DEST_PATH_IMAGE057
的模糊可能性为
Figure 605946DEST_PATH_IMAGE058
,如下式（3）所示：
Figure 27831DEST_PATH_IMAGE060
式中，
Figure 263640DEST_PATH_IMAGE061
为节点
Figure 274322DEST_PATH_IMAGE056
的父节点集合，
Figure 242278DEST_PATH_IMAGE062
为节点
Figure 649994DEST_PATH_IMAGE063
的父节点集合。
对叶节点的风险状态赋权，并与基于桶消元法计算得到风险状态的模糊可能性进行组合，最终得到可反映不同时间粒度、融合多源监测数据的电气火灾风险评估结果。
本发明实施例中，采用启发式高斯云变换算法，分别对各个电气火灾风险指标的监测数据进行高斯聚类，依赖历史数据得到各指标的状态评价标准云，所得结果更加客观；同时，由于云模型具有良好的不确定性知识表达能力，状态评价标准云能够以更好地体现离散概念的模糊性与随机性，反映的信息更加全面。
基于逆向云发生器与云相似度算法，得到各指标对于不同状态的隶属程度，可实现各指标状态的模糊化表示，即指标状态的“软划分”。
本申请通过模糊贝叶斯网络计算，得到融合多源数据的电气火灾风险评估结果。较之现有的电气火灾风险评估方法，本申请所提出的方法以多个火灾风险水平的隶属度来呈现评估结果，结果更加准确可靠；同时，还可以对不同时间粒度下的电气火灾风险进行综合评价。
如图5所示，本发明实施例提供了一种基于云模型和模糊贝叶斯网络的火灾风险评估装置500，该装置500应用于实现基于云模型和模糊贝叶斯网络的火灾风险评估方法，该装置500包括：
获取模块510，用于获取电气火灾风险监测的历史数据和待评估数据。
网络构建模块520，用于根据历史数据，构建电气火灾风险评估的贝叶斯网络的网络结构；其中，贝叶斯网络的网络结构包括监测信息根节点、中间风险节点以及火灾风险叶节点。
标准云构建模块530，用于根据历史数据以及启发式高斯云变换算法，确定状态评价标准云。
隶属度计算模块540，用于根据待评估数据以及状态评价标准云，得到不同时间粒度下待评估数据中各指标监测数据的状态隶属度。
输出模块550，用于根据各指标监测数据的状态隶属度以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果。
可选地，标准云构建模块530，进一步用于：
依据贝叶斯网络的监测信息根节点中所包括的指标，获取指标对应的监测数据，采用启发式高斯云变换算法，对指标对应的监测数据进行高斯聚类，生成指定数目的状态评价标准云。
可选地，隶属度计算模块540，进一步用于：
S41、提取待评估数据的时间粒度。
S42、调用逆向云发生器提取待评估数据的时间粒度的云数字特征。
S43、将云数字特征与对应的状态评价标准云进行云相似度计算，得到不同时间粒度下待评估数据中各指标监测数据对应的不同状态的状态隶属度。
可选地，输出模块550，进一步用于：
S51、将各指标监测数据的状态隶属度转换为监测信息根节点的先验概率。
S52、根据监测信息根节点的先验概率确定贝叶斯网络中各节点的条件概率，将条件概率输入到贝叶斯网络的网络结构中，得到构建好的贝叶斯网络。
S53、基于桶消元法以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果。
可选地，监测信息根节点的先验概率的计算方法，如下式（1）所示：
Figure 96019DEST_PATH_IMAGE001
其中，
Figure 289103DEST_PATH_IMAGE002
为先验概率值；
Figure 427960DEST_PATH_IMAGE003
为第
Figure 11388DEST_PATH_IMAGE004
个指标对应于第
Figure 74153DEST_PATH_IMAGE005
种状态的隶属度；
Figure 59427DEST_PATH_IMAGE006
，是一致性检验参数。
可选地，输出模块550，进一步用于：
根据监测信息根节点的先验概率、专家知识和历史数据，确定贝叶斯网络中各节点的条件概率。
可选地，输出模块550，进一步用于：
S531、对构建好的贝叶斯网络的火灾风险叶节点的风险状态进行赋权。
S532、基于桶消元法以及赋权后的贝叶斯网络，计算得到风险状态的模糊可能性。
S533、将赋权后的风险状态以及风险状态的模糊可能性进行组合，得到数据融合的、不同时间粒度下的电气火灾风险评估结果。
可选地，风险状态的模糊可能性的计算方法，如下式（2）所示：
Figure 369186DEST_PATH_IMAGE015
其中，
Figure 502227DEST_PATH_IMAGE008
为风险状态；
Figure 555633DEST_PATH_IMAGE009
为中间风险节点个数；
Figure 706998DEST_PATH_IMAGE010
为监测信息根节点个数；
Figure 187658DEST_PATH_IMAGE011
为火灾风险叶节点
Figure 542416DEST_PATH_IMAGE012
的父节点集合，
Figure 399513DEST_PATH_IMAGE013
为中间风险节点
Figure 906849DEST_PATH_IMAGE014
的父节点集合。
本发明实施例中，采用启发式高斯云变换算法，分别对各个电气火灾风险指标的监测数据进行高斯聚类，依赖历史数据得到各指标的状态评价标准云，所得结果更加客观；同时，由于云模型具有良好的不确定性知识表达能力，状态评价标准云能够以更好地体现离散概念的模糊性与随机性，反映的信息更加全面。
基于逆向云发生器与云相似度算法，得到各指标对于不同状态的隶属程度，可实现各指标状态的模糊化表示，即指标状态的“软划分”。
本申请通过模糊贝叶斯网络计算，得到融合多源数据的电气火灾风险评估结果。较之现有的电气火灾风险评估方法，本申请所提出的方法以多个火灾风险水平的隶属度来呈现评估结果，结果更加准确可靠；同时，还可以对不同时间粒度下的电气火灾风险进行综合评价。
图6是本发明实施例提供的一种电子设备600的结构示意图，该电子设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）601和一个或一个以上的存储器602，其中，存储器602中存储有至少一条指令，至少一条指令由处理器601加载并执行以实现下述基于云模型和模糊贝叶斯网络的火灾风险评估方法：
S1、获取电气火灾风险监测的历史数据和待评估数据。
S2、根据历史数据，构建电气火灾风险评估的贝叶斯网络的网络结构；其中，贝叶斯网络的网络结构包括监测信息根节点、中间风险节点以及火灾风险叶节点。
S3、根据历史数据以及启发式高斯云变换算法，确定状态评价标准云。
S4、根据待评估数据以及状态评价标准云，得到不同时间粒度下待评估数据中各指标监测数据的状态隶属度。
S5、根据各指标监测数据的状态隶属度以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于云模型和模糊贝叶斯网络的火灾风险评估方法。例如，计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于云模型和模糊贝叶斯网络的火灾风险评估方法，其特征在于，所述方法包括：
S1、获取电气火灾风险监测的历史数据和待评估数据；
S2、根据所述历史数据，构建电气火灾风险评估的贝叶斯网络的网络结构；其中，所述贝叶斯网络的网络结构包括监测信息根节点、中间风险节点以及火灾风险叶节点；
S3、根据所述历史数据以及启发式高斯云变换算法，确定状态评价标准云；
S4、根据所述待评估数据以及状态评价标准云，得到不同时间粒度下待评估数据中各指标监测数据的状态隶属度；
S5、根据所述各指标监测数据的状态隶属度以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果；
所述S5中的根据所述各指标监测数据的状态隶属度以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果包括：
S51、将各指标监测数据的状态隶属度转换为监测信息根节点的先验概率；
S52、根据所述监测信息根节点的先验概率确定贝叶斯网络中各节点的条件概率，将所述条件概率输入到贝叶斯网络的网络结构中，得到构建好的贝叶斯网络；
S53、基于桶消元法以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果；
所述S51中的监测信息根节点的先验概率的计算方法，如下式（1）所示：
Figure DEST_PATH_IMAGE001
（1）
其中，
Figure DEST_PATH_IMAGE003
为先验概率值；
Figure DEST_PATH_IMAGE005
为第i个指标对应于第j种状态的隶属度；λ∈[0,1]，是一致性检验参数；
所述S52中的根据所述监测信息根节点的先验概率确定贝叶斯网络中各节点的条件概率包括：
根据所述监测信息根节点的先验概率、专家知识和所述历史数据，确定贝叶斯网络中各节点的条件概率；
所述S53中的基于桶消元法以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果包括：
S531、对构建好的贝叶斯网络的火灾风险叶节点的风险状态进行赋权；
S532、基于桶消元法以及赋权后的贝叶斯网络，计算得到风险状态的模糊可能性；
S533、将赋权后的风险状态以及风险状态的模糊可能性进行组合，得到数据融合的、不同时间粒度下的电气火灾风险评估结果。
2.根据权利要求1所述的方法，其特征在于，所述S3中的根据所述历史数据以及启发式高斯云变换算法，确定状态评价标准云包括：
依据贝叶斯网络的监测信息根节点中所包括的指标，获取所述指标对应的监测数据，采用启发式高斯云变换算法，对所述指标对应的监测数据进行高斯聚类，生成指定数目的状态评价标准云。
3.根据权利要求1所述的方法，其特征在于，所述S4中的根据所述待评估数据以及状态评价标准云，得到不同时间粒度下待评估数据中各指标监测数据的状态隶属度包括：
S41、提取所述待评估数据的时间粒度；
S42、调用逆向云发生器提取所述待评估数据的时间粒度的云数字特征；
S43、将所述云数字特征与对应的状态评价标准云进行云相似度计算，得到不同时间粒度下所述待评估数据中各指标监测数据对应的不同状态的状态隶属度。
4.根据权利要求1所述的方法，其特征在于，所述S532中的风险状态的模糊可能性的计算方法，如下式（2）所示：
Figure DEST_PATH_IMAGE007
Figure DEST_PATH_IMAGE008
（2）
其中，
Figure DEST_PATH_IMAGE010
为风险状态；
Figure DEST_PATH_IMAGE012
为中间风险节点个数；
Figure DEST_PATH_IMAGE014
为监测信息根节点个数；
Figure DEST_PATH_IMAGE016
为火灾风险叶节点
Figure DEST_PATH_IMAGE018
的父节点集合，
Figure DEST_PATH_IMAGE020
为中间风险节点
Figure DEST_PATH_IMAGE022
的父节点集合。
5.一种基于云模型和模糊贝叶斯网络的火灾风险评估装置，其特征在于，所述装置包括：
获取模块，用于获取电气火灾风险监测的历史数据和待评估数据；
网络构建模块，用于根据所述历史数据，构建电气火灾风险评估的贝叶斯网络的网络结构；其中，所述贝叶斯网络的网络结构包括监测信息根节点、中间风险节点以及火灾风险叶节点；
标准云构建模块，用于根据所述历史数据以及启发式高斯云变换算法，确定状态评价标准云；
隶属度计算模块，用于根据所述待评估数据以及状态评价标准云，得到不同时间粒度下待评估数据中各指标监测数据的状态隶属度；
输出模块，用于根据所述各指标监测数据的状态隶属度以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果；
根据所述各指标监测数据的状态隶属度以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果包括：
S51、将各指标监测数据的状态隶属度转换为监测信息根节点的先验概率；
S52、根据所述监测信息根节点的先验概率确定贝叶斯网络中各节点的条件概率，将所述条件概率输入到贝叶斯网络的网络结构中，得到构建好的贝叶斯网络；
S53、基于桶消元法以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果；
所述S51中的监测信息根节点的先验概率的计算方法，如下式（1）所示：
Figure DEST_PATH_IMAGE024
（1）
其中，
Figure DEST_PATH_IMAGE026
为先验概率值；
Figure DEST_PATH_IMAGE028
为第i个指标对应于第j种状态的隶属度；λ∈[0,1]，是一致性检验参数；
所述S52中的根据所述监测信息根节点的先验概率确定贝叶斯网络中各节点的条件概率包括：
根据所述监测信息根节点的先验概率、专家知识和所述历史数据，确定贝叶斯网络中各节点的条件概率；
所述S53中的基于桶消元法以及构建好的贝叶斯网络，得到多数据融合的、不同时间粒度下的电气火灾风险评估结果包括：
S531、对构建好的贝叶斯网络的火灾风险叶节点的风险状态进行赋权；
S532、基于桶消元法以及赋权后的贝叶斯网络，计算得到风险状态的模糊可能性；
S533、将赋权后的风险状态以及风险状态的模糊可能性进行组合，得到数据融合的、不同时间粒度下的电气火灾风险评估结果。
6.根据权利要求5所述的装置，其特征在于，所述标准云构建模块，进一步用于：
依据贝叶斯网络的监测信息根节点中所包括的指标，获取所述指标对应的监测数据，采用启发式高斯云变换算法，对所述指标对应的监测数据进行高斯聚类，生成指定数目的状态评价标准云。
CN202210143875.1A 2022-02-17 2022-02-17 基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置 Active CN114186900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210143875.1A CN114186900B (zh) 2022-02-17 2022-02-17 基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210143875.1A CN114186900B (zh) 2022-02-17 2022-02-17 基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置

Publications (2)

Publication Number Publication Date
CN114186900A CN114186900A (zh) 2022-03-15
CN114186900B true CN114186900B (zh) 2022-06-03

Family

ID=80546072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210143875.1A Active CN114186900B (zh) 2022-02-17 2022-02-17 基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置

Country Status (1)

Country Link
CN (1) CN114186900B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819525B (zh) * 2022-03-31 2024-09-24 深圳市城市公共安全技术研究院有限公司 火灾风险评估方法、系统、终端设备及介质
CN116822899B (zh) * 2023-07-13 2024-10-15 浙江省交通投资集团有限公司智慧交通研究分公司 一种轨道交通沿线气象监测点综合布设优化方法
CN116701409B (zh) * 2023-08-07 2023-11-03 湖南永蓝检测技术股份有限公司 一种用于环境智能在线检测的传感器数据存储方法
CN116756666B (zh) * 2023-08-15 2023-11-24 广东石油化工学院 一种多源数据融合的离心式压缩机健康状态评估方法
CN117710173A (zh) * 2023-12-26 2024-03-15 暗物质(北京)智能科技有限公司 森林火灾风险评估方法、装置、电子设备及可读存储介质
CN117670068B (zh) * 2024-02-02 2024-04-12 青岛哈尔滨工程大学创新发展中心 一种auv实时风险评估系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530717B (zh) * 2016-12-26 2019-02-05 长安大学 基于云模型的施工路段行车险态评价方法
CN109063253B (zh) * 2018-06-27 2022-09-27 西安理工大学 一种基于贝叶斯网络的航空电源系统可靠性建模方法
CN110610293A (zh) * 2019-08-13 2019-12-24 中国人民解放军国防科技大学 基于改进型贝叶斯网络的海洋环境风险评估方法
US11757732B2 (en) * 2020-05-21 2023-09-12 Sap Se Personalized serverless functions for multitenant cloud computing environment

Also Published As

Publication number Publication date
CN114186900A (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN114186900B (zh) 基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置
Meng et al. A hybrid method for prognostics of lithium-ion batteries capacity considering regeneration phenomena
CN112966714B (zh) 一种边缘时序数据异常检测和网络可编程控制方法
Erturk et al. Software fault prediction using Mamdani type fuzzy inference system
Fdez-Riverola et al. A hybrid cbr model for forecasting in complex domains
CN110297480A (zh) 基于参数优化的深度信念网络模型的te过程故障诊断方法
CN111737799A (zh) 一种结合动态贝叶斯网络和启发式推理的桥梁安全评估方法
Zhao et al. Probability prediction method of transmission line icing fault based on adaptive relevance vector machine
Cao et al. Fast and explainable warm-start point learning for AC Optimal Power Flow using decision tree
Islam et al. A learning mechanism for brbes using enhanced belief rule-based adaptive differential evolution
Bas et al. Multivariate picture fuzzy time series: New definitions and a new forecasting method based on Pi-sigma artificial neural network
CN115964503A (zh) 基于社区设备设施的安全风险预测方法及系统
CN113884807A (zh) 基于随机森林和多层架构聚类的配电网故障预测方法
Manur et al. A Big Data Analysis Using Fuzzy Deep Convolution Network Based Model for Heart Disease Classification.
Yalavarthi et al. GraFITi: Graphs for Forecasting Irregularly Sampled Time Series
Thi et al. One-class collective anomaly detection based on long short-term memory recurrent neural networks
Alweshah et al. Evolution of software reliability growth models: a comparison of auto-regression and genetic programming models
Raju et al. Development of anomaly-based intrusion detection scheme using deep learning in data network
Smirnov Intelligent decision support system for the control of complex technical systems
KR20080087571A (ko) 상황 예측 시스템 및 그 방법
Wang et al. Operating Condition Identification of Complete Wind Turbine using DBN and Improved DDPG-SOM
CN118447459B (zh) 基于深度学习的滑坡堆积体监控方法及系统
Yalavarthi et al. Forecasting Irregularly Sampled Time Series using Graphs
Toufique et al. Implementing Machine Learning Techniques to Forecast Floods in Bangladesh
CN118694673A (zh) 一种基于神经网络算法的生命周期风险管控方法

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