CN115063020A - 基于风险监测融合的梯级水电站多维安全调度装置及方法 - Google Patents
基于风险监测融合的梯级水电站多维安全调度装置及方法 Download PDFInfo
- Publication number
- CN115063020A CN115063020A CN202210794731.2A CN202210794731A CN115063020A CN 115063020 A CN115063020 A CN 115063020A CN 202210794731 A CN202210794731 A CN 202210794731A CN 115063020 A CN115063020 A CN 115063020A
- Authority
- CN
- China
- Prior art keywords
- risk
- hydropower station
- block
- cascade
- monitoring
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000004927 fusion Effects 0.000 title claims abstract description 65
- 238000012546 transfer Methods 0.000 claims abstract description 72
- 238000012502 risk assessment Methods 0.000 claims abstract description 59
- 230000005540 biological transmission Effects 0.000 claims abstract description 46
- 230000010485 coping Effects 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims description 37
- 238000011835 investigation Methods 0.000 claims description 18
- 238000013210 evaluation model Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000007689 inspection Methods 0.000 description 30
- 238000004364 calculation method Methods 0.000 description 28
- 230000006378 damage Effects 0.000 description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 28
- 230000008569 process Effects 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 21
- 238000012549 training Methods 0.000 description 18
- 210000002569 neuron Anatomy 0.000 description 17
- 238000013527 convolutional neural network Methods 0.000 description 14
- 239000002245 particle Substances 0.000 description 14
- 239000013598 vector Substances 0.000 description 14
- 125000004432 carbon atom Chemical group C* 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 11
- 238000007500 overflow downdraw method Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000000411 inducer Substances 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了基于风险监测融合的梯级水电站多维安全调度装置及方法，该装置包括：风险监测区块将水电站风险监测数据与水电站关系数据库融合，生成水电站风险融合数据库；风险辨识区块确定梯级水电站集控运行中不同事件维度的风险源和当前水电站运行环境的风险等级；风险分析区块基于梯级水电站集控运行中不同事件维度的风险源确定风险传递趋势预测结果；风险预警区块将当前水电站运行环境的风险等级和风险传递趋势预测结果分别与预设风险阈值进行比较；风险调控区块基于预警信息对梯级水电站进行多维安全调度。本发明通过风险事件多维度安全调度技术创新及集成，提升梯级水电站的复杂风险应对能力，特别适用于复杂大型多功能水电站的风险管理。
Description
技术领域
本发明涉及水电站调度技术领域，具体涉及基于风险监测融合的梯级水电站多维安全调度装置及方法。
背景技术
水电站集控运行安全管理非常重要,一旦出现问题很容易造成生产事 故，特别是，大型水电站枢纽所处自然环境恶劣、风险点源众多，加上水电站运行过程中的自然、人为等诸多不确定，导致依靠传统人工排查监管难度大,突发事件后追踪溯源难，自动化的安全调度决策支持系统是保障水电站枢纽正常高效运行，实现“少人化”值守的关键，20世纪60年代以来，欧美国家率先开展水电站运行风险管理研究，研发出一系列风险指引下的水库安全运行管理系统、方法及装置，进入21世纪，国内外学者的研究范围逐渐从单一、单体单站水库到梯级水电站枢纽水库。
近20年来，随着我国大型梯级水电站枢纽群建成并投入使用，我国研发出具有自主产权的梯级水电站枢纽调度决策支持系统投入实用，例如溪洛渡、向家坝与三峡水库联合防洪调度装置、三峡梯级水库调度自动化系统、雅碧江流域数字化平台等；通常来说，大型水电站枢纽是一个复杂的综合体建筑，其关键组成部分，譬如库区、大坝、电站、机组、闸门等风险相互关联，因而水电站枢纽风险管理是一项系统工程。此外，梯级水电站之间又存在复杂水力、电力耦合联系，梯级水电站运行风险管理更为复杂。现有的梯级水电站安全调度自动化平台主要侧重于流域洪水的风险管理，采用的仍是单体水电站枢纽单一风险事件的自动化管理模式，事实上梯级水电站发生风险很多仍无法自动化处理。
在用的安全调度平台在水电站运行风险自动化管控，存在如下问题：梯级水电站对自身存在的运行识别能力弱，运行风险发生后通常采用人工决策的方法，效果不理想，风险事件后评估发现，当时的决策很多不科学、不快速，也不准确；大型水利枢纽风险点源众多，现在的大坝的安全运行监测和预警技术仍然是固定的监测和预警模式，无法根据实际情况做到实时调整；此外，信息量过于庞大，数据的融合存在困难，导致综合感知能力弱（同一数据的不同来源，不同位置数据）；监测风险的溯源困难，预警力度和预警精度不够，无法对受灾位置做出精确判断；突发事件的应急处置难以做到科学与最优化。
发明内容
有鉴于此，本发明实施例提供了基于风险监测融合的梯级水电站多维安全调度装置及方法，以解决水电站运行风险的溯源追踪困难、多源风险数据难融合导致决策难、因缺少多源风险监测融合机制和多维安全调度机制导致梯级水电站无法根据实际情况做到实时调整以及突发事件的应急处置难实施例2以做到科学与最优化的问题。
本发明实施例提供了基于风险监测融合的梯级水电站多维安全调度装置，包括：风险监测区块、风险辨识区块、风险分析区块、风险预警区块和风险调控区块；
所述风险监测区块，用于采集水电站风险监测数据，并获取水电站关系数据库，将所述水电站风险监测数据与所述水电站关系数据库融合，生成水电站风险融合数据库；
所述风险辨识区块连接所述风险监测区块，用于调取所述水电站风险融合数据库中的梯级水电站风险事件，基于所述梯级水电站风险事件确定梯级水电站集控运行中不同事件维度的风险源，并基于所述水电站风险监测数据确定当前水电站运行环境的风险等级，将所述当前水电站运行环境的风险等级传输给所述风险预警区块，将所述梯级水电站集控运行中不同事件维度的风险源传输给所述风险分析区块；
所述风险分析区块，用于基于所述梯级水电站集控运行中不同事件维度的风险源确定风险传递趋势预测结果，将所述风险传递趋势预测结果传输给所述风险预警区块；
所述风险预警区块，用于将所述当前水电站运行环境的风险等级和所述风险传递趋势预测结果分别与预设风险阈值进行比较，基于比较结果生成预警信息，并将所述预警信息传输给所述风险调控区块；
所述风险调控区块，用于基于所述预警信息对梯级水电站进行多维安全调度。
本装置针对大型水利枢纽风险点源多、关系复杂、安全防护难题，提出复杂条件下梯级水电站群多维安全调度理论，以“风险监测-风险辨识-风险分析-风险预警-风险调控”为主线，对水电站风险监测数据进行一致性处理，生成梯级水电站集控运行中不同事件维度的风险源，解决了监测风险的溯源难题和数据融合困难的难题，而且通过梯级水电站集控运行中不同事件维度的风险源确定风险传递趋势预测结果，实现了对梯级水电站的风险事件的提前预测，使得风险预警区块和风险调控区块及时通过风险传递趋势预测结果进行实时调控，实现了对梯级水电站风险事件应急管理流程的优化。
可选地，所述风险辨识区块，包括：风险源生成子区块和风险等级生成子区块；
所述风险源生成子区块，用于调取所述水电站风险融合数据库中的梯级水电站风险事件，并基于所述梯级水电站风险事件，利用风险传递网络识别所述梯级水电站集控运行中不同事件维度的风险源，并将所述梯级水电站集控运行中不同事件维度的风险源传输给所述风险分析区块；
所述风险等级生成子区块，用于将所述水电站风险监测数据进行归类，生成当前水电站的风险类别，并基于所述当前水电站的风险类别确定当前水电站运行环境的风险等级，将所述当前水电站运行环境的风险等级发送给所述风险预警区块。
上述风险辨识区块通过对梯级水电站集控运行中不同事件维度的风险源和当前水电站运行环境的风险等级的识别，解决了监测风险的溯源难题。
可选地，所述风险源生成子区块，包括：风险源排查单元和风险源识别单元；
所述风险源排查单元，用于调取所述水电站风险融合数据库中的梯级水电站风险事件，并基于所述梯级水电站风险事件排查梯级水电站集控运行的薄弱环节和失效模式，将所述梯级水电站风险事件排查梯级水电站集控运行的薄弱环节和失效模式传输给所述风险源识别单元；
所述风险源识别单元，用于将所述梯级水电站集控运行的薄弱环节和失效模式传输给所述风险传递网络，生成所述梯级水电站集控运行中不同事件维度的风险源，并将所述梯级水电站集控运行中不同事件维度的风险源传输给所述风险分析区块。
上述风险源生成子区块利用风险传递网络生成梯级水电站集控运行中不同事件维度的风险源，提高了风险源的识别效率。
可选地，所述风险源生成子区块，还包括：风险因子判断单元；
所述风险因子判断单元连接所述风险源识别单元，用于将所述梯级水电站集控运行中不同事件维度的风险源输入经验概率模型中，生成风险事件概率评估结果，将所述风险事件概率评估结果出输给所述风险分析区块。
上述风险因子判断单元通过概率神经网络实现了对风险事件概率的准确计算，为后续制定应对方案奠定了基础，实现了联合调度运行条件下梯级水电站群多维风险定量评估。
可选地，所述风险等级生成子区块，包括：风险归类单元和风险评价单元；
所述风险归类单元，用于将所述水电站风险监测数据进行归类，确定当前水电站运行环境的风险类别，将所述当前水电站运行环境的风险类别传输给所述风险评价单元；
所述风险评价单元，用于基于所述当前水电站运行环境的风险类别，利用风险评价模型生成当前水电站运行环境的风险等级，将所述当前水电站运行环境的风险等级发送给所述风险预警区块。
上述风险等级生成子区块利用风险评价模型实现了对当前水电站运行环境的风险等级的精确识别。
可选地，所述风险分析区块，包括：风险传递关系子区块、风险趋势预测子区块；
所述风险传递关系子区块，用于调取所述水电站风险融合数据库中的单体水电站风险传递信息和梯级水电站风险传递信息，并将所述单体水电站风险传递信息和所述梯级水电站风险传递信息传输给所述风险趋势预测子区块；
所述风险趋势预测子区块，用于基于所述单体水电站风险传递信息与所述梯级水电站风险传递信息构建风险趋势预测网络，并将所述不同事件维度的风险源输入所述风险趋势预测网络中，生成所述风险传递趋势预测结果，并将所述风险传递趋势预测结果传输给所述风险预警区块。
上述风险分析区块利用风险趋势预测网络生成所述风险传递趋势预测结果，实现了对梯级水电站的风险事件的提前预测，为梯级水电站多源风险有效防控及快速有序处置奠定了基础。
可选地，所述风险分析区块，还包括：风险方案应对子区块；
所述风险方案应对子区块连接所述风险因子判断单元，用于调取所述水电站风险融合数据库中的当前风险事件，将所述当前风险事件与所述风险事件概率评估结果进行匹配，生成梯级水电站风险分析结果，并基于所述梯级水电站风险分析结果确定风险应对方案，将所述风险应对方案传输给所述风险调控区块进行梯级水电站的多维安全调度。
上述风险方案应对子区块实现了对梯级水电站风险事件处置工作流程的优化，使得对将要发生的风险事件进行实时管控。
基于上述目的，在本申请的第二个方面，还提出了基于风险监测融合的梯级水电站多维安全调度方法，包括：
采集水电站风险监测数据，并获取水电站关系数据库，将所述水电站风险监测数据与所述水电站关系数据库融合，生成水电站风险融合数据库；
调取所述水电站风险融合数据库中的梯级水电站风险事件，基于所述梯级水电站风险事件确定梯级水电站集控运行中不同事件维度的风险源，并基于所述水电站风险监测数据确定当前水电站运行环境的风险等级；
基于所述梯级水电站集控运行中不同事件维度的风险源确定风险传递趋势预测结果；
将所述当前水电站运行环境的风险等级和所述风险传递趋势预测结果分别与预设风险阈值进行比较，基于比较结果生成预警信息；
基于所述预警信息对梯级水电站进行多维安全调度。
可选地，所述基于所述梯级水电站风险事件确定梯级水电站集控运行中不同事件维度的风险源，并基于所述水电站风险监测数据确定当前水电站运行环境的风险等级，包括：
调取所述水电站风险融合数据库中的梯级水电站风险事件，并基于所述梯级水电站风险事件，利用风险传递网络识别所述梯级水电站集控运行中不同事件维度的风险源；
将所述水电站风险监测数据进行归类，生成当前水电站的风险类别，并基于所述当前水电站的风险类别确定当前水电站运行环境的风险等级。可选地，所述获取所述梯级水电站风险事件，并基于所述梯级水电站风险事件，利用风险传递网络识别所述梯级水电站集控运行中不同事件维度的风险源，包括：
调取所述水电站风险融合数据库中的梯级水电站风险事件，并基于所述梯级水电站风险事件排查梯级水电站集控运行的薄弱环节和失效模式；将所述梯级水电站集控运行的薄弱环节和失效模式传输给所述风险传递网络，生成所述梯级水电站集控运行中不同事件维度的风险源。
可选地，所述获取所述梯级水电站风险事件，并基于所述梯级水电站风险事件，利用风险传递网络识别所述梯级水电站集控运行中不同事件维度的风险源，还包括：
将所述梯级水电站集控运行中不同事件维度的风险源输入经验概率模型中，生成风险事件概率评估结果。
可选地，将所述水电站风险监测数据进行归类，生成当前水电站的风险类别，并基于所述当前水电站的风险类别确定当前水电站运行环境的风险等级，包括：
将所述水电站风险监测数据进行归类，确定当前水电站运行环境的风险类别；
基于所述当前水电站运行环境的风险类别，利用风险评价模型生成当前水电站运行环境的风险等级。
可选地，所述基于所述梯级水电站集控运行中不同事件维度的风险源确定风险传递趋势预测结果，包括：
调取所述水电站风险融合数据库中的单体水电站风险传递信息和梯级水电站风险传递信息；
基于所述单体水电站风险传递信息与所述梯级水电站风险传递信息构建风险趋势预测网络，并将所述风险源输入所述风险趋势预测网络中，生成所述风险传递趋势预测结果。
可选地，所述基于所述梯级水电站集控运行中不同事件维度的风险源确定风险传递趋势预测结果，还包括：
采集当前风险事件，将所述当前风险事件与所述风险事件概率评估结果进行匹配，生成梯级水电站风险分析结果，并基于所述梯级水电站风险分析结果确定风险应对方案，基于所述风险应对方案对梯级水电站的进行多维安全调度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例1中基于风险监测融合的梯级水电站多维安全调度装置的框图；
图2为本发明实施例1中提供的基于风险监测融合的梯级水电站多维安全调度装置的示意图；
图3为本发明实施例1中提供的信息监测分类方法的流程图；
图4为本发明实施例1中提供的“大数据-概率分析-经验知识”共同驱动的多维风险决策机制示意图；
图5为本发明实施例1中提供的深度学习网络和数据融合方法流程图；
图6为本发明实施例1中提供的风险分析方法的流程图；
图7为本发明实施例2中基于风险监测融合的梯级水电站多维安全调度方法流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
参照图1-2所示，本发明实施例提供的基于风险监测融合的梯级水电站多维安全调度装置，包括：风险监测区块1、风险辨识区块2、风险分析区块3、风险预警区块4和风险调控区块5；
所述风险监测区块1，用于采集水电站风险监测数据，并获取水电站关系数据库，将所述水电站风险监测数据与所述水电站关系数据库融合，生成水电站风险融合数据库。
其中，监测数据的融合包括两个方面：一方面是同一要素（例如，水电站的同一位置）可能有多个来源的监测结果，此时需要对监测数据进行真值的提取；另一方面是同一位置可能包含有多个具有关联关系的要素，对这些要素构建分类数据库，为后续风险分析提供数据支撑。
具体的，所述风险监测区块1包括自动化监测子区块及人工巡检子区块，二者互相补充，共同构建风险监测的总数据库及台账，并将监测数据实时上传至风险辨识区块2；其中，风险监测区块1主要监测气象数据、水文数据、电力数据及工程安全监测数据等，所述气象数据包括但不限于地面数据、高空数据、降水数据、模式产品、雷达数据、灾害数据及空间数据等；所述水文数据包括但不限于水位数据、流量数据、实际降水数据、泥沙数据、船闸运行数据、泄水建筑物状态、大坝设计曲线、水文统计数据、流域地理信息等；所述电力数据包括但不限于负荷出力、电量、机组状态、电力市场及电网数据等；所述工程安全监测数据包括但不限于环境量以及各建筑物的应力应变、变形、位移、温度、渗流渗压等。
进一步的，所述自动化监测子区块主要是基于在梯级水电站埋设的传感器，在无线通信的辅助下，再借助于SQL-SERCER（结构化查询语言）形成实时更新的数据库，各监测系统彼此独立，传感器测得的数据通过调节参数、模型率定等方式，严格限制其精度，并将测得的数据上传至云端，发送私钥加密数据，本地存储后供各子区块互联调用；自动化监测子区块在满足日常风险监测所需前提下，根据风险分析区块3与风险预警区块4实时传递的信息预设临时监控指标，补充相关仪器完成临时的自动化监测。
进一步的，所述人工巡检子区块则是对自动化监测子区块的补充，一方面补充自动化监测的缺口；另一方面将自动化监测结果与人工巡检结果进行交叉检验，保证监测结果的准确性。根据风险所述内别的不同，涵盖以下内容：1）对工程结构风险的人工巡检，包括枢纽区建筑物（大坝、厂房及附近建筑物等）的外观裂缝、变形、渗水，内部结构（廊道、竖井、闸门等）的裂缝、渗水、变形等，巡检频次一天一次~一周一次；2）对地质灾害的人工巡检，包括库区及枢纽区边坡的地质灾害巡检，频次可为一月一次；3）对泄洪风险的人工巡检，包括闸门外观、消力池导墙、消力池底板、泄洪洞外观及水流流态等，在泄洪设施运行前、运行时和运行后进行人工巡检；4）对重大设备设施可能存在的风险人工巡检，包括电气设备结构、输电网络、电网巡线、森林火灾、操作事故、电气设备火灾隐患、机组漏油等，巡检频次为一天一次~一周一次；5）对生态风险的人工巡检，包括发电尾水造成下游溶解气体压力、溶解氧和溶解氮等，巡检频次为一周一次~一月一次；6）对航运及突发公共事件的人工巡检，主要核对其危险品类别和总量，巡检频次为一天一次~一周一次。
其中，如图3所示，所述风险监测区块1由监测设备终端、监测控制子系统以及电站监测控制中心组成；其中，所述监测设备终端是对应风险辨识区块2具体监测指标有针对的接入，接入的监测设备终端均属于标识有设备认证信息的物联网设备，限定唯有授权认证设备可以链接基层监测区块进行监测信息加密上传、查看；所述的监测控制子系统，包括常规监测系统、专项监测系统以及现场监测应急系统，各子系统同时链接对应监测设备终端与电站监测控制中心；通过摘取有效值形成监测简讯加密上传至各电站监测控制中心，以各水电站监测控制中心为区块链节点，将当地监测信息以及相关分析后的推荐处理方案提取摘要值加密写入水电站监测信息区块链构建全要素风险源异构数据库；其中，在获取监测信息的过程中，可能会出现多个设备或多个部门对同一个位置有不同的监测结果的情况，多个监测结果不可能完全相同，此时需要利用加权数据融合方法进行真值提取，以确定真实的监测结果，在进行加权计算时，各结果所占权重由数据提供设备的精度进行分配；并且利用关系数据库是将具有关联关系的要素进行串联，如：水体中某位置的水温、流速、水质、生物情况等信息进行融合，建立固有的关系集合，在风险事件出现后，根据风险分析的需要自由调取分类数据库中的数据，为风险的全方位分析提供数据支撑；所述电站监测控制中心既为上传云端的控制节点也是设备端边缘侧计算的关键点，配置有一定储存、计算、应用以及网络连接功能的服务器。
所述风险辨识区块2连接所述风险监测区块1，用于调取所述水电站风险融合数据库中的梯级水电站风险事件，基于所述获取梯级水电站风险事件确定梯级水电站集控运行中不同事件维度（例如防洪、发电、航运等）的风险源，并基于所述水电站风险监测数据确定当前水电站运行环境的风险等级，将所述当前水电站运行环境的风险等级传输给所述风险预警区块4，将所述梯级水电站集控运行中不同事件维度的风险源传输给所述风险分析区块3。
所述风险分析区块3，用于基于所述梯级水电站集控运行中不同事件维度的风险源确定风险传递趋势预测结果，将所述风险传递趋势预测结果传输给所述风险预警区块4。
所述风险预警区块4，用于将所述当前水电站运行环境的风险等级和所述风险传递趋势预测结果分别与预设风险阈值进行比较，基于比较结果生成预警信息（包括超阈值信息、风险传递趋势预测结果及应对方案），并将所述预警信息传输给所述风险调控区块5。
具体的，将所述当前水电站运行环境的风险等级和所述风险传递趋势预测结果分别与预设风险阈值进行比较，判断风险的传递特征是否到达风险阈值，或其风险传递后相互作用是否会破坏相应的水电站、水工建筑物及其相关设施设备，进行相应的预警，并将数据上传到风险调控区块5，供相关人员进行决策。
进一步的，所述风险预警区块4根据装置布置的属性，分为专业预警子区块和辅助预警子区块；所述专业预警子区块布置于所述多维安全风险监测区块1中，在监测的同时根据预设置的各类风险的阈值，进行自动化的区间预警及超阈值预警，并将预警信息上传至风险调控区块5；所述辅助预警子区块为独立于所述监测区块中布置的预警区块而设立的含预警功能的装置，作为专业预警子区块的辅助设备，基于GIS和BIM等技术，对水电站运行过程中所面临的外部风险以及水电站内部机组薄弱处及其他水电建筑物中易受到损坏的部位进行可视化的展示，并将信息上传至风险调控区块5，供相关人员进行决策。
所述风险调控区块5，用于基于所述预警信息对梯级水电站进行多维安全调度。
具体的，所述风险调控区块5包括常规调控子区块、条件调控子区块和应急调控子区块；若无风险情况，风险监测区块1的监测信息将传输至常规调控子区块；若出现风险情况，根据此次风险的灾害后果是否可避免，将风险辨识区块2、风险分析区块3、风险预警区块4的信息传输至对应的条件调控子区块或应急调控子区块。
进一步地，所述常规调控子区块为是借助于常规调度图满足发电、防洪、灌溉，航运、供水、生态等综合效益而进行合理调配水资源的水电站调度，若无风险预警工况下，直接接入常规调控区块，正常常规调控子区块包括周期为日、周的短周期调控单元以及周期为季、年的长周期调控单元。
进一步地，所述条件调控子区块为水电站限定条件或极限条件下运行，并可通过运行方式调度调整使其回归正常常规运行的调控；出现风险事件后，根据风险分析区块3提供的应对方案，通过“监测融合大数据-机理模型-经验概率”共同驱动的多维风险决策机制，由决策人员确定是否采用该调度计划。
其中，如图4所示，所述“监测融合大数据-机理模型-经验概率”共同驱动的多维风险决策机制包括损失评估、失效概率估算及风险分级矩阵三部分，判定所处风险阈值空间，进一步采制定条件调控或应急调控措施，实现水电站多维安全调度。
进一步地，所述应急调控子区块为水电站超限运行或已形成较严重的风险后果，水电站将不可避免地出现损坏，需启动应急措施，利用“监测融合大数据-机理模型-经验概率”共同驱动的多维风险决策机制，根据超阈值信息、风险传递趋势预测结果及应对方案，由决策人员制定紧急应对方案，防止损失进一步扩大；其中，在进行应急调控时，可能出现风险发生位置的监测数据不足，依靠常规监测手段无法满足调控需要，或者此次风险事件为历史罕见事件，缺少可利用的参考数据的情况，在此类情况出现后，立即采用空天地一体化的监测网络对监测信息进行补充；首先通过卫星遥感的方式进行监测，找到风险位置，初步探测风险分析所需的数据信息，然后利用航空遥感的方式，对卫星遥感探测到的风险区域进行进一步的缩小细化，补充监测信息，提高数据精度，最后根据实际情况，在条件允许的前提下进行地面实地测量，进一步提高数据精度。
本实施例中，针对大型水利枢纽风险点源多、关系复杂、安全防护难题，提出复杂条件下梯级水利枢纽群多维安全调控理论，以“风险监测-风险辨识-风险分析-风险预警-风险调控”为主线，对水电站风险监测数据进行处理，生成梯级水电站集控运行中不同事件维度的风险源，解决了监测风险的溯源难题和数据融合困难的难题，而且通过梯级水电站集控运行中不同事件维度的风险源确定风险传递趋势预测结果，实现了对梯级水电站的风险事件的提前预测，使得风险预警区块4和风险调控区块5及时通过风险传递趋势预测结果进行实时调控，实现了对梯级水电站风险事件的优化处理。
需要说明的是，可以针对上述区块设置综合展示层，实现平台和用户的实时交互；所述综合展示层以二三维可视化信息综合展示平台为依托，通过数字化、智能化技术和手段，构建梯级水电站安全风险的智能监控平台，是安全管控工作总体信息展示、用户交互及决策会商的窗口；其以流域基础地理信息系统和工程三维模型为载体，通过GIS、BIM、三维、虚拟现实等展示技术再现流域生态环保主要业务的真实管理和决策环境，同时支持以WEB浏览器、手机APP等，实时监控日常生态环境，并通过设立的人机互动模式，及时处理预警风险；并且综合展示层针对不同的人员，应实现不同的交互功能，对于领导层人员，确保其实时掌握枢纽安全运行状态，告知超阈值预警信息，实现应急方案决策支持和应急响应过程追踪；对于安监业务人员，确保其能实时完成专业安全分析、专业预警信息复核、应急方案分析及应急响应过程控制；对于实时调度人员，能有效完成调度预警查询、调度方案安全复核、风险影响调度分析及风险引发刺激风险追踪；在区块链技术的支撑下，一条完整的风险数据链由风险监测区块开始，至风险调控区块结束，过程中的所有决策都将记录，最终传输至云端数据库，及时更新风险特征与水电站的风险传递关系网络，实现全过程可追溯。
优选地，所述风险辨识区块2，包括：风险源生成子区块6和风险等级生成子区块7；
所述风险源生成子区块6，用于调取所述水电站风险融合数据库中的梯级水电站风险事件，并基于所述梯级水电站风险事件，利用风险传递网络识别所述梯级水电站集控运行中不同事件维度的风险源，并将所述梯级水电站集控运行中不同事件维度的风险源（包括的内部潜在风险源和外部潜在风险源）传输给所述风险分析区块3。
所述风险等级生成子区块7，用于将所述水电站风险监测数据进行归类，生成当前水电站的风险类别，并基于所述当前水电站的风险类别确定当前水电站运行环境的风险等级，将所述当前水电站运行环境的风险等级发送给所述风险预警区块4。
优选地，所述风险源生成子区块6，包括：风险源排查单元8和风险源识别单元9；
所述风险源排查单元8，用于调取所述水电站风险融合数据库中的梯级水电站风险事件，并基于所述梯级水电站风险事件排查梯级水电站集控运行的薄弱环节和失效模式，将所述梯级水电站风险事件排查梯级水电站集控运行的薄弱环节和失效模式传输给所述风险源识别单元9。
具体的，所述的风险源排查单元8由实地考察法、问卷调查法和专家咨询法等方法来对风险事件风险部位进行调查然后录入风险辨识区块2；所述风险事件是指在某一特定的时间段、某一特定的地点，可能发生的事故或者状况；所述薄弱环节是指风险事件发生后，受到冲击最严重或最容易失效的点位、结构、系统或元件。
进一步地，上述风险源排查单元8根据风险的严重性，分为：Ⅰ级风险，表示该风险属于灾难型风险，出现人员死亡和整体系统的永久性报废；Ⅱ级风险，表示该风险是危险型风险，出现人员严重受伤或局部系统的永久性破坏；Ⅲ级风险，表示该风险是临界型风险，出现人员轻度受伤和系统的轻度损坏；Ⅳ级风险，表示该风险是轻微型风险，人员伤害程度和系统损坏程度都轻于Ⅲ级。根据风险的可能性，分为：A级风险，说明该风险1频繁发生；B级风险，说明该风险很可能发生，在某期限内会出现若干次；C级风险，说明该风险有时发生，在某期限内有时可能发生；D级风险，说明该风险很少发生，或发生的可能性很小，也意味着该风险在某期限内不易发生，但有可能发生；E级风险，说明该风险几乎不可能发生，以至于人为该风险不会发生。
以溪洛渡向家坝梯级水电站 25 类典型潜在风险事件为例，风险源排查单元8采集25 类典型潜在风险事件，如下表所示：
进而排查水电站风险事件及其对应薄弱部位，如表2所示。
表2：
所述风险源识别单元9，用于将所述梯级水电站集控运行的薄弱环节和失效模式传输给所述风险传递网络，生成所述梯级水电站集控运行中不同事件维度的风险源，并将所述梯级水电站集控运行中不同事件维度的风险源传输给所述风险分析区块3。
具体的，上述风险源识别单元9摸排梯级水电站的内部潜在风险源和外部潜在风险源，绘制梯级水电站的风险源图；梳理梯级水电站运行期不同事件维度上影响安全运行的主要风险源及其特征。
进一步的，上述风险源识别单元9以可能或已经发生的风险事件为切入点，构建风险传递的贝叶斯网络，回顾历史风险事件从出现到结束过程中的风险传递关系，分析风险传递过程中各要素之间的概率关系，推导出由风险源指向风险后果的风险网络，再由结果追溯风险诱因（即风险源），找到风险诱因与风险后果之间的关系，以此来确定出最可能导致水电站中各部位出现受损情况的风险源，具体步骤为：首先对历史资料中的风险事件和受损部位之间的关系进行分析，构造有向无环图，然后通过对训练数据集的统计得到风险发生的条件概率表；选择某一风险事件，分析此事件在有向无环图中的传播方向及发生概率，直到风险停止传播后，得到最终部位的受灾概率；对最终部位发生风险的概率进行逆向追溯，以此部位发生风险为前提，对其与风险事件的概率关系进行计算，生成联合概率值；对所有样本数据进行计算后，将联合概率值由高到低进行排序，可以找到导致水电站各部位受损的概率最高的风险，其中联合概率值用下式计算：
上式中，
表示贝叶斯网络中各节点数量（即风险事件），
为
的父节
点。
由上式计算可得到风险事件出现后，水电站各部位受损的概率，然后进行逆向追溯，以水电站各部位受损为前提，计算其与各风险事件之间的概率关系，其计算公式如下所示：
上式中，
表示风险事件
的概率，P(Y)表示事件Y的概率；
表示给定Y
的
的条件概率。
进而将各个部位与所有风险之间的概率关系分别计算得出后，按照由高到低的顺序对概率进行排序，生成各部位所对应的风险概率网络，确定最有可能导致水电站各部位受损的风险源。
优选地，所述风险源生成子区块6，还包括：风险因子判断单元10；
所述风险因子判断单元10连接所述风险源识别单元9，用于将所述梯级水电站集控运行中不同事件维度的风险源输入经验概率模型中，生成风险事件概率评估结果，将所述风险事件概率评估结果出输给所述风险分析区块3。
具体的，所述风险因子判断单元10还用于根据风险产生链原理，即风险诱因作用于风险源产生风险事件，结合概率论方法（即经验概率模型），估算水电站不同部位的风险发生概率、频次和可能造成的损失等，确定影响水电站安全运行的关键因子，生成风险事件概率评估结果，将所述风险事件概率评估结果出输给所述风险分析区块3。
进一步地，所述概率论方法采用概率神经网络（PNN）算法，使用概率神经网络作为
一个组合算法来改进标准的加权方法，对水电站不同部位发生风险的概率进行估算；其中，
PNN的结构总是有四个层；输入层、图案层、求和层和输出层，将风险诱因（即风险源）包含的
变量作为输入特征向量
应用于p个输入神经元，并传递到模式层，模式层与输入层
完全相互连接，并被组织成K个组，其中K表示在数据集中出现的类的数量，即风险部位的数
量，每一组神经元模式层有
个神经元，其中
表示训练向量的数量属于类k，k=1，2，...，K
的神经元模式层计算输出使用高斯核函数的形式，其计算公式如下所示：
上式中，
是核的中心，
表示神经元集，
表示核函数的扩散（平滑）参
数的矩阵，
表示模式层第k组的第i个神经元，求和层由K个组组成，估计每一类的条件概
率，其计算公式如下所示：
其中，
表示类k的先验概率，
，向量X被分类为其求和神经元输出最大
的类。
进一步地，对训练集T（包括不同类型的风险事件）的每一个类应用K-Medoids算法（K中心点算法），获得聚类训练集L，通过对每个类的训练数据使用K-medoids聚类算法，从每个类中识别出足够数量的信息代表（平均中心）；
进一步地，利用L(
和
随机初始化)构造m个
（初始神经网络）；
进一步地，对于i=1,2，...，m，通过PSO算法估计
的
和
，(适应度函数：在
整个训练集T上的误分类比例)；由于PNN的分类精度受其核的扩展参数影响，进而为了估计
扩散参数的有希望值，将同类型风险事件的所有数据称为一个群，每个风险事件即为其中
的粒子，利用PSO算法（Particle Swarm Optimization，粒子群优化算法）对每个风险事件
与受灾部位的距离（即联系的密切程度）进行分析，每个风险事件对应的受灾部位有很多
处，最后找到距离此类风险事件最近的受灾部位，具体计算步骤为：假设一个d维搜索空间
，其中每个NP粒子Z i ，(i=1,2，...，NP)在搜索空间内以自适应的速度
移动，并在内
存中保留它曾经遇到过的最佳位置
，在每次迭代中，它们的最佳位置在群的粒子之间通
信，并选择整体最佳粒子
，迭代t时的粒子根据以下方程进行更新：
其中，
表示认知参数，
表示社会参数，
表示收缩系数参数，
和
表示在[0，
1]内均匀分布的随机向量；进而根据以下公式更新最佳位置：
上式中，f表示最小化的目标函数。
进而，通过以下公式解析推导出了收缩系数：
上式中，对于
，其中
，k=1。
进一步地，使用多数投票方案计算m个
的最终分类：由于粒子在搜索空间s中
总是有界的，所以采用套袋算法来进一步提高分类模型的分类精度和鲁棒性，为了获得适
当的样本，引导样本从L中抽取，引导样本从L中抽取，以获得适当的样本，每个引导样本由
案例组成，对每个引导样本构建一个分类器
，为了汇总所有的
，采用
了一个投票程序，即设
为分类器投票给类k，k=1,2，...，k的次数，最终的分类由
的最
大规则进行，即最终的分类器是
，生成m个
的最终分类。
进一步地，将风险诱因作用于风险源产生风险事件输入经验概率模型中，生成风险事件概率评估结果。
进一步地，由风险源信息的知识表达确定对应的具体监测指标与监测阈值，并与风险等级对应，确定出每个风险等级的监测阈值，传递至风险监测区块1。
优选地，所述风险等级生成子区块7，包括：风险归类单元11和风险评价单元12；
所述风险归类单元11，用于将所述水电站风险监测数据进行归类，确定当前水电站运行环境的风险类别，将所述当前水电站运行环境的风险类别传输给所述风险评价单元12。
具体的，上述风险归类单元11利用深度学习网络和数据融合方法将所述水电站风险监测数据进行归类，将信息按照风险类型归类，判断当前水电站所处的风险状况，并将结果上传至风险评价单元12。
其中，如图5所示，深度学习网络和数据融合方法为：对收集到的当前风险监测信息进行预处理；利用深度学习网络对数据进行分类处理，对该系统进行特征提取和分类；将主要的分类结果与数据融合方法相结合，对当前风险监测信息进行较高精度的分类，判定当前水利枢纽所处的风险类型。
进一步地，所述数据预处理为：每种风险特征的数值范围都不同，将数据集中的编码与风险特征相对应，同时将所有的输入特征都在域[−1，1]或[0，1]中进行缩放，以适应深度学习网络，其中缩放过程的计算公式如下：
上式中，
表示主网络的数据，
表示最大流量数据，
表示最小的流量数
据。
具体的，所述深度学习网络包括：卷积神经网络、深度信念网络、多层感知器，利用深度学习网络提取各类型数据中所包含的风险特征，如：水量、雨量等；卷积神经网络是具有三层卷积、两层池化、全连接层和风险神经层的一维卷积，利用卷积层和池化层来提取特征，最后将最后一个输出层连接到全连接层，并对风险层进行分类任务；深度信念网络由三层风险层组成，网络的输入是一个向量，每个特征都以网络的向量的形式给出，然后使用这些层来提取、学习特征，并将每个这些层合并为一个风险层，将第四层的输出作为特征向量传递到最后一层进行分类；多层感知器包含一个输入层、三个隐藏层和一个输出层，输入层的神经元数量等于风险特征的数量，每个隐藏层使用6个神经元，对于输出层，节点数等于风险类的数量。
进一步地，所述数据融合方法指贝叶斯决策融合技术，使用多数投票法作为一种融合策略，建立多种分类器的组合，每个分类器的混淆矩阵是一个被测试的真实类或数据由矩阵行表示的矩阵，而该特定数据的分类由矩阵的列表示，主要的对角线元素表示正确的分类，即对当前风险监测信息进行较高精度的分类，进而基于该分类确定水利枢纽所处的风险类型。
所述风险评价单元12，用于基于所述当前水电站运行环境的风险类别，利用风险评价模型生成当前水电站运行环境的风险等级，将所述当前水电站运行环境的风险等级发送给所述风险预警区块4。
具体的，所述风险评价单元12按照预先收集的风险事件类型，如：洪水、地震、滑坡等，由专业人员根据水电站的实际情况，结合历史经验，对现有的风险评价模型进行遴选，预先设置适用的风险评价模型，各模型目的是用来评价风险等级，并根据风险归类单元11的风险类别输出结果，采用对应的风险评价模型；若为单一风险，则直接采用对应模型进行风险评估；若为多源风险，则先利用风险评价模型对各风险事件的风险后果进行评估，然后利用决策树法，绘制出各风险事件的传播过程以及最终指向的受灾部位，观察各部位的风险叠加情况，分析各风险后果交叉影响的情况，再次计算风险后果，进一步评价当前水电站所处风险等级。
以洪水风险为例，在风险归类单元11判定出现洪水事件后，利用洪水建模器对洪水事件进行模拟，将建模后的训练数据使用随机森林算法和多层感知器算法对洪水流量进行预测，并结合D-Flow柔性网格（笛卡尔网格）对洪水波进行模拟，得到洪水可能的淹没范围；进而按照人员的伤亡情况来评价洪水灾害的危险等级；其中，出现洪水淹没情况时，在水到达时间很长的地区，人们可能会逃离该地区，减少濒危地区的人数，则洪水灾害的危险等级的计算公式如下：
上式中，
表示有危险风险的人数，
表示死亡率，
表示疏散分数，
表
示逃逸分数。
进一步地，若出现多种风险事件同时存在的情况，则进一步采用决策树法，对水电站在多风险共同作用下的风险等级进行评估，以风险等级为决策标准，根据是否存在风险，将风险类型、风险等级、事故单元、事故概率等信息进一步上传至风险分析区块3或日常调控子区块。
优选地，所述风险分析区块3，包括：风险传递关系子区块13、风险趋势预测子区块14；
所述风险传递关系子区块13，用于调取所述水电站风险融合数据库中的单体水电站风险传递信息和梯级水电站风险传递信息，并将所述单体水电站风险传递信息和所述梯级水电站风险传递信息传输给所述风险趋势预测子区块14。
具体的，如图6所示，针对单体水电站，利用系统动力学法分析风险在单体水电站间的电流传递链、力学传递链及水流传递链以及不同风险通过这些相关传递链后的影响范围，生成单体水电站风险传递信息；针对梯级水电站，除了展示风险在梯级水电站间通过水流、电流及结构力流的传递，还需要分析风险传递拓扑关系、各不同风险的耦合关系及风险传递时的累积强化或抵消弱化等作用，对梯级水电站中各个单元及与其相关的水电站建筑物的破坏，生成梯级水电站风险传递信息。
所述风险趋势预测子区块14，用于基于所述单体水电站风险传递信息与所述梯级水电站风险传递信息构建风险趋势预测网络，并将所述不同事件维度的风险源输入所述风险趋势预测网络中，生成所述风险传递趋势预测结果，并将所述风险传递趋势预测结果传输给所述风险预警区块4。
具体的，所述风险趋势预测子区块14是根据风险传递关系子区块13上传的信息构建风险趋势预测的多层感知网络，以风险辨识区块2提供的当前风险可能的风险诱因与风险源作为参数，预测风险在一段时间后的传递趋势及影响范围，一方面将这些信息再次反馈至风险监测区块1，实时调整监测内容，另一方面将信息传递至风险方案应对子区块。
其中，风险趋势预测的多层感知网络的具体计算过程为：以贝叶斯网络和卷积神经网络（CNN）为例，建立新的卷积神经网络，新的CNN主要由两个主要模块组成：特征提取器和分类器，该网络由一组用点估计训练的卷积层和用贝叶斯估计训练的完全连通层组成，它提供了确定性模型的高精度和贝叶斯模型的不确定性估计之间的权衡，与完全贝叶斯模型相比，它还限制了网络的参数空间，因为只有网络的分类器部分将其参数视为随机变量；新的卷积神经网络最初进行训练，以优化卷积特征提取和密集分类器的参数，优化公式如下所示；
上式中，
表示损失函数，
表示卷积层，
表示密集层，x、y是两个分类器，
表
示由
参数化的网络的卷积部分，
表示由
参数化的密集层。
进而使用随机变量按照正态分布重新初始化完全连接的层，并使用贝叶斯估计对其进行重新训练，卷积特征抽取器的参数在整个再培训过程中被冻结，整个训练范式通过确定性卷积块的特征，并仅使用贝叶斯推理来近似后验分布，用于不确定性估计，其中，概率分类器的学习公式如下所示：
上式中，
表示学习后的贝叶斯层，
表示权重分布，由于权重由分布而不是逐点
估计来描述，因此
表示模糊边界的损失。
用点估计训练的卷积特征抽取器学习输入数据的清晰特征，找到风险发生位置，而概率分类器允许从后验分布中采样，并提供对网络可信度的洞察，在训练结束后，以当前风险可能的风险诱因与风险源作为参数进行推理，对风险的下一步传播位置进行概率计算，通过一步步的传导计算，确定出风险的传递趋势和影响范围。
优选地，所述风险分析区块3，还包括：风险方案应对子区块15；
所述风险方案应对子区块15连接所述风险因子判断单元10，用于调取所述水电站风险融合数据库中的当前风险事件，将所述当前风险事件与所述风险事件概率评估结果进行匹配，生成梯级水电站风险分析结果，并基于所述梯级水电站风险分析结果确定风险应对方案，将所述风险应对方案传输给所述风险调控区块5进行梯级水电站的多维安全调度。
具体的，所述风险方案应对子区块15主要是整合已有的风险案例以及对应的处置措施，将发生的风险事件与记录中的风险事件进行匹配；若当前风险事件属于高概率风险并且记录中存在成熟的处置措施，则通过数据驱动的方式，排列比较所有处置措施的最终效益，优选出损失最小的方案，直接调用进行调控；若为低概率风险事件，则通过概率驱动的方式，根据风险因子判断子区块提供的概率估算结果，对当前水电站可能的破坏的位置，受破坏的概率及对水利枢纽的影响进行分析，制定应对方案，并将风险应对方案上传至风险预警区块4，风险预警区块4中若监测数据已达到风险阈值，则将方案上传至风险调控区块5，供相关人员进行决策；若未达到风险阈值，则将风险应对方案保留，进行进一步监测。
实施例2
本实施例提供基于风险监测融合的梯级水电站多维安全调度方法，如图7所示，包括：
S701、风险监测区块采集水电站风险监测数据，并获取水电站关系数据库，将所述水电站风险监测数据与所述水电站关系数据库融合，生成水电站风险融合数据库。
其中，监测数据的融合包括两个方面：一方面是同一要素（例如，水电站的同一位置）可能有多个来源的监测结果，此时需要对监测数据进行真值的提取；另一方面是同一位置可能包含有多个具有关联关系的要素，对这些要素构建分类数据库，为后续风险分析提供数据支撑。
具体的，风险监测区块主要监测气象数据、水文数据、电力数据及工程安全监测数据等，所述气象数据包括但不限于地面数据、高空数据、降水数据、模式产品、雷达数据、灾害数据及空间数据等；所述水文数据包括但不限于水位数据、流量数据、实际降水数据、泥沙数据、船闸运行数据、泄水建筑物状态、大坝设计曲线、水文统计数据、流域地理信息等；所述电力数据包括但不限于负荷出力、电量、机组状态、电力市场及电网数据等；所述工程安全监测数据包括但不限于环境量以及各建筑物的应力应变、变形、位移、温度、渗流渗压等。
进一步的，所述自动化监测子区块主要是基于在梯级水电站埋设的传感器，在无线通信的辅助下，再借助于SQL-SERCER（结构化查询语言）形成实时更新的数据库，各监测系统彼此独立，传感器测得的数据通过调节参数、模型率定等方式，严格限制其精度，并将测得的数据上传至云端，发送私钥加密数据，本地存储后供各子区块互联调用；自动化监测子区块在满足日常风险监测所需前提下，根据风险分析区块与风险预警区块实时传递的信息预设临时监控指标，补充相关仪器完成临时的自动化监测。
进一步的，所述人工巡检子区块则是对自动化监测子区块的补充，一方面补充自动化监测的缺口；另一方面将自动化监测结果与人工巡检结果进行交叉检验，保证监测结果的准确性。根据风险所述内别的不同，涵盖以下内容：1）对工程结构风险的人工巡检，包括枢纽区建筑物（大坝、厂房及附近建筑物等）的外观裂缝、变形、渗水，内部结构（廊道、竖井、闸门等）的裂缝、渗水、变形等，巡检频次一天一次~一周一次；2）对地质灾害的人工巡检，包括库区及枢纽区边坡的地质灾害巡检，频次可为一月一次；3）对泄洪风险的人工巡检，包括闸门外观、消力池导墙、消力池底板、泄洪洞外观及水流流态等，在泄洪设施运行前、运行时和运行后进行人工巡检；4）对重大设备设施可能存在的风险人工巡检，包括电气设备结构、输电网络、电网巡线、森林火灾、操作事故、电气设备火灾隐患、机组漏油等，巡检频次为一天一次~一周一次；5）对生态风险的人工巡检，包括发电尾水造成下游溶解气体压力、溶解氧和溶解氮等，巡检频次为一周一次~一月一次；6）对航运及突发公共事件的人工巡检，主要核对其危险品类别和总量，巡检频次为一天一次~一周一次。
其中，所述风险监测区块由监测设备终端、监测控制子系统以及电站监测控制中心组成；其中，所述监测设备终端是对应风险辨识区块2具体监测指标有针对的接入，接入的监测设备终端均属于标识有设备认证信息的物联网设备，限定唯有授权认证设备可以链接基层监测区块进行监测信息加密上传、查看；所述的监测控制子系统，包括常规监测系统、专项监测系统以及现场监测应急系统，各子系统同时链接对应监测设备终端与电站监测控制中心；其中，在获取监测信息的过程中，可能会出现多个设备或多个部门对同一个位置有不同的监测结果的情况，多个监测结果不可能完全相同，此时需要利用加权数据融合方法进行真值提取，以确定真实的监测结果，在进行加权计算时，各结果所占权重由数据提供设备的精度进行分配；并且利用关系数据库是将具有关联关系的要素进行串联，如：水体中某位置的水温、流速、水质、生物情况等信息进行融合，建立固有的关系集合，在风险事件出现后，根据风险分析的需要自由调取分类数据库中的数据，为风险的全方位分析提供数据支撑；通过摘取有效值形成监测简讯加密上传至各电站监测控制中心，以各水电站监测控制中心为区块链节点，将当地监测信息以及相关分析后的推荐处理方案提取摘要值加密写入水电站监测信息区块链构建全要素风险源异构数据库；所述电站监测控制中心既为上传云端的控制节点也是设备端边缘侧计算的关键点，配置有一定储存、计算、应用以及网络连接功能的服务器。
S702、风险辨识区块调取所述水电站风险融合数据库中的梯级水电站风险事件，基于所述梯级水电站风险事件确定梯级水电站集控运行中不同事件维度的风险源，并基于所述水电站风险监测数据确定当前水电站运行环境的风险等级。
S703、风险分析区块基于所述梯级水电站集控运行中不同事件维度的风险源确定风险传递趋势预测结果。
S704、风险预警区块将所述当前水电站运行环境的风险等级和所述风险传递趋势预测结果分别与预设风险阈值进行比较，基于比较结果生成预警信息。
具体的，将所述当前水电站运行环境的风险等级和所述风险传递趋势预测结果分别与预设风险阈值进行比较，判断风险的传递特征是否到达风险阈值，或其风险传递后相互作用是否会破坏相应的水电站、水工建筑物及其相关设施设备，进行相应的预警，并将数据上传到风险调控区块，供相关人员进行决策。
进一步的，所述专业预警子区块布置于所述多维安全风险监测区块中，在监测的同时根据预设置的各类风险的阈值，进行自动化的区间预警及超阈值预警，并将预警信息上传至风险调控区块；所述辅助预警子区块为独立于所述监测区块中布置的预警区块而设立的含预警功能的装置，作为专业预警子区块的辅助设备，基于GIS和BIM等技术，对水电站运行过程中所面临的外部风险以及水电站内部机组薄弱处及其他水电建筑物中易受到损坏的部位进行可视化的展示，并将信息上传至风险调控区块，供相关人员进行决策。
S705、风险调控区块基于所述预警信息对梯级水电站进行多维安全调度。
具体的，若无风险情况，风险监测区块的监测信息将传输至常规调控子区块；若出现风险情况，根据此次风险的灾害后果是否可避免，将风险辨识区块、风险分析区块、风险预警区块的信息传输至对应的条件调控子区块或应急调控子区块。
进一步地，所述常规调控子区块为是借助于常规调度图满足发电、防洪、灌溉，航运、供水、生态等综合效益而进行合理调配水资源的水电站调度，若无风险预警工况下，直接接入常规调控区块，正常常规调控子区块包括周期为日、周的短周期调控单元以及周期为季、年的长周期调控单元。
进一步地，所述条件调控子区块为水电站限定条件或极限条件下运行，并可通过运行方式调度调整使其回归正常常规运行的调控；出现风险事件后，根据风险分析区块提供的应对方案，通过“大数据-概率分析-经验知识”共同驱动的多维风险决策机制，由决策人员确定是否采用该调度计划。
其中，所述“监测融合大数据-机理模型-经验概率”共同驱动的多维风险决策机制包括损失评估、失效概率估算及风险分级矩阵三部分，判定所处风险阈值空间，进一步采制定条件调控或应急调控措施，实现水电站多维安全调度。
进一步地，所述应急调控子区块为水电站超限运行或已形成较严重的风险后果，水电站将不可避免地出现损坏，需启动应急措施，利用“监测融合大数据-机理模型-经验概率”共同驱动的多维风险决策机制，根据超阈值信息、风险传递趋势预测结果及应对方案，由决策人员制定紧急应对方案，防止损失进一步扩大；其中，在进行应急调控时，可能出现风险发生位置的监测数据不足，依靠常规监测手段无法满足调控需要，或者此次风险事件为历史罕见事件，缺少可利用的参考数据的情况，在此类情况出现后，立即采用空天地一体化的监测网络对监测信息进行补充；首先通过卫星遥感的方式进行监测，找到风险位置，初步探测风险分析所需的数据信息，然后利用航空遥感的方式，对卫星遥感探测到的风险区域进行进一步的缩小细化，补充监测信息，提高数据精度，最后根据实际情况，在条件允许的前提下进行地面实地测量，进一步提高数据精度。
本实施例中，针对大型水利枢纽风险点源多、关系复杂、安全防护难题，提出复杂条件下梯级水利枢纽群多维安全调控理论，以“风险监测-风险辨识-风险分析-风险预警-风险调控”为主线，对水电站风险监测数据进行处理，生成梯级水电站集控运行中不同事件维度的风险源，解决了监测风险的溯源难题和数据融合困难的难题，而且通过梯级水电站集控运行中不同事件维度的风险源确定风险传递趋势预测结果，实现了对梯级水电站的风险事件的提前预测，使得风险预警区块和风险调控区块及时通过风险传递趋势预测结果进行实时调控，实现了对梯级水电站风险事件的优化处理。
优选地，上述步骤S702，即基于所述梯级水电站风险事件确定梯级水电站集控运行中不同事件维度的风险源，并基于所述水电站风险监测数据确定当前水电站运行环境的风险等级，包括：
S7021、风险源生成子区块获取所述梯级水电站风险事件，并基于所述梯级水电站风险事件，利用风险传递网络识别所述梯级水电站集控运行中不同事件维度的风险源。
S7022、风险等级生成子区块将所述水电站风险监测数据进行归类，生成当前水电站的风险类别，并基于所述当前水电站的风险类别确定当前水电站运行环境的风险等级。
优选地，上述步骤S7021，即获取所述梯级水电站风险事件，并基于所述梯级水电站风险事件，利用风险传递网络识别所述梯级水电站集控运行中不同事件维度的风险源，包括：
S70211、风险源排查单元调取所述水电站风险融合数据库中的梯级水电站风险事件，并基于所述梯级水电站风险事件排查梯级水电站集控运行的薄弱环节和失效模式。
具体的，所述的风险源排查单元由实地考察法、问卷调查法和专家咨询法等方法来对风险事件风险部位进行调查然后录入风险辨识区块2；所述风险事件是指在某一特定的时间段、某一特定的地点，可能发生的事故或者状况；所述薄弱环节是指风险事件发生后，受到冲击最严重或最容易失效的点位、结构、系统或元件。
进一步地，上述风险源排查单元根据风险的严重性，分为：Ⅰ级风险，表示该风险属于灾难型风险，出现人员死亡和整体系统的永久性报废；Ⅱ级风险，表示该风险是危险型风险，出现人员严重受伤或局部系统的永久性破坏；Ⅲ级风险，表示该风险是临界型风险，出现人员轻度受伤和系统的轻度损坏；Ⅳ级风险，表示该风险是轻微型风险，人员伤害程度和系统损坏程度都轻于Ⅲ级。根据风险的可能性，分为：A级风险，说明该风险1频繁发生；B级风险，说明该风险很可能发生，在某期限内会出现若干次；C级风险，说明该风险有时发生，在某期限内有时可能发生；D级风险，说明该风险很少发生，或发生的可能性很小，也意味着该风险在某期限内不易发生，但有可能发生；E级风险，说明该风险几乎不可能发生，以至于人为该风险不会发生。
S70212、风险源识别单元将所述梯级水电站集控运行的薄弱环节和失效模式传输给所述风险传递网络，生成所述梯级水电站集控运行中不同事件维度的风险源。
具体的，上述风险源识别单元摸排梯级水电站的内部潜在风险源和外部潜在风险源，绘制梯级水电站的风险源图；梳理梯级水电站运行期不同事件维度上（长期、中期、短期）影响安全运行的主要风险源及其特征。
进一步的，上述风险源识别单元以可能或已经发生的风险事件为切入点，构建风险传递的贝叶斯网络，回顾历史风险事件从出现到结束过程中的风险传递关系，分析风险传递过程中各要素之间的概率关系，推导出由风险源指向风险后果的风险网络，再由结果追溯风险诱因（即风险源），找到风险诱因与风险后果之间的关系，以此来确定出最可能导致水电站中各部位出现受损情况的风险源，具体步骤为：首先对历史资料中的风险事件和受损部位之间的关系进行分析，构造有向无环图，然后通过对训练数据集的统计得到风险发生的条件概率表；选择某一风险事件，分析此事件在有向无环图中的传播方向及发生概率，直到风险停止传播后，得到最终部位的受灾概率；对最终部位发生风险的概率进行逆向追溯，以此部位发生风险为前提，对其与风险事件的概率关系进行计算，生成联合概率值；对所有样本数据进行计算后，将联合概率值由高到低进行排序，可以找到导致水电站各部位受损的概率最高的风险，其中联合概率值用下式计算：
上式中，
表示贝叶斯网络中各节点数量（即风险事件），
为
的父节
点。
由上式计算可得到风险事件出现后，水电站各部位受损的概率，然后进行逆向追溯，以水电站各部位受损为前提，计算其与各风险事件之间的概率关系，其计算公式如下所示：
上式中，
表示风险事件
的概率，P(Y)表示事件Y的概率；
表示给定Y的
的条件概率。
进而将各个部位与所有风险之间的概率关系分别计算得出后，按照由高到低的顺序对概率进行排序，生成各部位所对应的风险概率网络，确定最有可能导致水电站各部位受损的风险源。
可选地，上述步骤S7021，还包括：
风险因子判断单元将所述梯级水电站集控运行中不同事件维度的风险源输入经验概率模型中，生成风险事件概率评估结果，将所述风险事件概率评估结果出输给所述风险分析区块。
具体的，所述风险因子判断单元还用于根据风险产生链原理，即风险诱因作用于风险源产生风险事件，结合概率论方法，估算水电站不同部位的风险发生概率、频次和可能造成的损失等，确定影响水电站安全运行的关键因子，生成风险事件概率评估结果，将所述风险事件概率评估结果出输给所述风险分析区块。
进一步地，所述概率论方法采用概率神经网络（PNN）算法，使用概率神经网络作为
一个组合算法来改进标准的加权方法，对水电站不同部位发生风险的概率进行估算；其中，
PNN的结构总是有四个层；输入层、图案层、求和层和输出层，将风险诱因（即风险源）包含的
变量作为输入特征向量
应用于p个输入神经元，并传递到模式层，模式层与输入层完
全相互连接，并被组织成K个组，其中K表示在数据集中出现的类的数量，即风险部位的数
量，每一组神经元模式层有
个神经元，其中
表示训练向量的数量属于类k，k=1，2，...，
K的神经元模式层计算输出使用高斯核函数的形式，其计算公式如下所示：
上式中，
是核的中心，
表示神经元集，
表示核函数的扩散（平滑）参数的
矩阵，
表示模式层第k组的第i个神经元，求和层由K个组组成，估计每一类的条件概率，
其计算公式如下所示：
其中，
表示类k的先验概率，
，向量X被分类为其求和神经元输出最大
的类。
进一步地，对训练集T（包括不同类型的风险事件）的每一个类应用K-Medoids算法（K中心点算法），获得聚类训练集L，通过对每个类的训练数据使用K-medoids聚类算法，从每个类中识别出足够数量的信息代表（平均中心）；
进一步地，利用L(
和
随机初始化)构造m个
（初始神经网络）；
进一步地，对于i=1,2，...，m，通过PSO算法估计
的
和
，(适应度函数：在
整个训练集T上的误分类比例)；由于PNN的分类精度受其核的扩展参数影响，进而为了估计
扩散参数的有希望值，将同类型风险事件的所有数据称为一个群，每个风险事件即为其中
的粒子，利用PSO算法（Particle Swarm Optimization，粒子群优化算法）对每个风险事件
与受灾部位的距离（即联系的密切程度）进行分析，每个风险事件对应的受灾部位有很多
处，最后找到距离此类风险事件最近的受灾部位，具体计算步骤为：假设一个d维搜索空间
，其中每个NP粒子Z i ，(i=1,2，...，NP)在搜索空间内以自适应的速度
移动，并在内
存中保留它曾经遇到过的最佳位置
，在每次迭代中，它们的最佳位置在群的粒子之间通
信，并选择整体最佳粒子
，迭代t时的粒子根据以下方程进行更新：
其中，
表示认知参数，
表示社会参数，
表示收缩系数参数，
和
表示在
[0，1]内均匀分布的随机向量；进而根据以下公式更新最佳位置：
上式中，f表示最小化的目标函数。
进而，通过以下公式解析推导出了收缩系数：
上式中，对于
，其中
，k=1。
进一步地，使用多数投票方案计算m个
的最终分类：由于粒子在搜索空间s中
总是有界的，所以采用套袋算法来进一步提高分类模型的分类精度和鲁棒性，为了获得适
当的样本，引导样本从L中抽取，引导样本从L中抽取，以获得适当的样本，每个引导样本由
案例组成，对每个引导样本构建一个分类器
，为了汇总所有的
，采用
了一个投票程序，即设
为分类器投票给类k，k=1,2，...，k的次数，最终的分类由
的最
大规则进行，即最终的分类器是
，生成m个
的最终分类。
进一步地，将风险诱因作用于风险源产生风险事件输入概率神经网络中，生成风险事件概率评估结果。
进一步地，由风险源信息的知识表达确定对应的具体监测指标与监测阈值，并与风险等级对应，确定出每个风险等级的监测阈值，传递至风险监测区块。
可选地，上述步骤S7022，即将所述水电站风险监测数据进行归类，生成当前水电站的风险类别，并基于所述当前水电站的风险类别确定当前水电站运行环境的风险等级，包括：
S70221、风险归类单元将所述水电站风险监测数据进行归类，确定当前水电站运行环境的风险类别。
具体的，上述风险归类单元利用深度学习网络和数据融合方法将所述水电站风险监测数据进行归类，将信息按照风险类型归类，判断当前水电站所处的风险状况，并将结果上传至风险评价单元。
其中，深度学习网络和数据融合方法为：对收集到的当前风险监测信息进行预处理；利用深度学习网络对数据进行分类处理，对该系统进行特征提取和分类；将主要的分类结果与数据融合方法相结合，对当前风险监测信息进行较高精度的分类，判定当前水利枢纽所处的风险类型。
进一步地，所述数据预处理为：每种风险特征的数值范围都不同，将数据集中的编码与风险特征相对应，同时将所有的输入特征都在域[−1，1]或[0，1]中进行缩放，以适应深度学习网络，其中缩放过程的计算公式如下：
上式中，
表示主网络的数据，
表示最大流量数据，
表示最小的流量数据。
具体的，所述深度学习网络包括：卷积神经网络、深度信念网络、多层感知器，利用深度学习网络提取各类型数据中所包含的风险特征，如：水量、雨量等；卷积神经网络是具有三层卷积、两层池化、全连接层和风险神经层的一维卷积，利用卷积层和池化层来提取特征，最后将最后一个输出层连接到全连接层，并对风险层进行分类任务；深度信念网络由三层风险层组成，网络的输入是一个向量，每个特征都以网络的向量的形式给出，然后使用这些层来提取、学习特征，并将每个这些层合并为一个风险层，将第四层的输出作为特征向量传递到最后一层进行分类；多层感知器包含一个输入层、三个隐藏层和一个输出层，输入层的神经元数量等于风险特征的数量，每个隐藏层使用6个神经元，对于输出层，节点数等于风险类的数量。
进一步地，所述数据融合方法指贝叶斯决策融合技术，使用多数投票法作为一种融合策略，建立多种分类器的组合，每个分类器的混淆矩阵是一个被测试的真实类或数据由矩阵行表示的矩阵，而该特定数据的分类由矩阵的列表示，主要的对角线元素表示正确的分类，即对当前风险监测信息进行较高精度的分类，进而基于该分类确定水利枢纽所处的风险类型。
S70222、风险评价单元基于所述当前水电站运行环境的风险类别，利用风险评价模型生成当前水电站运行环境的风险等级。
具体的，所述风险评价单元按照预先收集的风险事件类型，如：洪水、地震、滑坡等，由专业人员根据水电站的实际情况，结合历史经验，对现有的风险评价模型进行遴选，预先设置适用的风险评价模型，各模型目的是用来评价风险等级，并根据风险归类单元的风险类别输出结果，采用对应的风险评价模型；若为单一风险，则直接采用对应模型进行风险评估；若为多源风险，则先利用风险评价模型对各风险事件的风险后果进行评估，然后利用决策树法，绘制出各风险事件的传播过程以及最终指向的受灾部位，观察各部位的风险叠加情况，分析各风险后果交叉影响的情况，再次计算风险后果，进一步评价当前水电站所处风险等级。
以洪水风险为例，在风险归类单元判定出现洪水事件后，利用洪水建模器对洪水事件进行模拟，将建模后的训练数据使用随机森林算法和多层感知器算法对洪水流量进行预测，并结合D-Flow柔性网格（笛卡尔网格）对洪水波进行模拟，得到洪水可能的淹没范围；进而按照人员的伤亡情况来评价洪水灾害的危险等级；其中，出现洪水淹没情况时，在水到达时间很长的地区，人们可能会逃离该地区，减少濒危地区的人数，则洪水灾害的危险等级的计算公式如下：
上式中，
表示有危险风险的人数，
表示死亡率，
表示疏散分数，
表
示逃逸分数。
进一步地，若出现多种风险事件同时存在的情况，则进一步采用决策树法，对水电站在多风险共同作用下的风险等级进行评估，以风险等级为决策标准，根据是否存在风险，将风险类型、风险等级、事故单元、事故概率等信息进一步上传至风险分析区块或日常调控子区块。
可选地，上述步骤S703，即基于所述梯级水电站集控运行中不同事件维度的风险源确定风险传递趋势预测结果，包括：
S7031、风险传递关系子区块采集单体水电站风险传递信息和梯级水电站风险传递信息。
具体的，针对单体水电站，利用系统动力学法分析风险在单体水电站间的电流传递链、力学传递链及水流传递链以及不同风险通过这些相关传递链后的影响范围，生成单体水电站风险传递信息；针对梯级水电站，除了展示风险在梯级水电站间通过水流、电流及结构力流的传递，还需要分析风险传递拓扑关系、各不同风险的耦合关系及风险传递时的累积强化或抵消弱化等作用，对梯级水电站中各个单元及与其相关的水电站建筑物的破坏，生成梯级水电站风险传递信息。
S7032、风险趋势预测子区块基于所述单体水电站风险传递信息与所述梯级水电站风险传递信息构建风险趋势预测网络，并将所述风险源输入所述风险趋势预测网络中，生成所述风险传递趋势预测结果。
具体的，所述风险趋势预测子区块是根据风险传递关系子区块上传的信息构建风险趋势预测的多层感知网络，以风险辨识区块提供的当前风险可能的风险诱因与风险源作为参数，预测风险在一段时间后的传递趋势及影响范围，一方面将这些信息再次反馈至风险监测区块，实时调整监测内容，另一方面将信息传递至风险方案应对子区块。
其中，风险趋势预测的多层感知网络的具体计算过程为：以贝叶斯网络和卷积神经网络（CNN）为例，建立新的卷积神经网络，新的CNN主要由两个主要模块组成：特征提取器和分类器，该网络由一组用点估计训练的卷积层和用贝叶斯估计训练的完全连通层组成，它提供了确定性模型的高精度和贝叶斯模型的不确定性估计之间的权衡，与完全贝叶斯模型相比，它还限制了网络的参数空间，因为只有网络的分类器部分将其参数视为随机变量；新的卷积神经网络最初进行训练，以优化卷积特征提取和密集分类器的参数，优化公式如下所示；
上式中，
表示损失函数，
表示卷积层，
表示密集层，x、y是两个分类器，
表
示由
参数化的网络的卷积部分，
表示由
参数化的密集层。
进而使用随机变量按照正态分布重新初始化完全连接的层，并使用贝叶斯估计对其进行重新训练，卷积特征抽取器的参数在整个再培训过程中被冻结，整个训练范式通过确定性卷积块的特征，并仅使用贝叶斯推理来近似后验分布，用于不确定性估计，其中，概率分类器的学习公式如下所示：
上式中，
表示学习后的贝叶斯层，
表示权重分布，由于权重由分布而不是逐点
估计来描述，因此
表示模糊边界的损失。
用点估计训练的卷积特征抽取器学习输入数据的清晰特征，找到风险发生位置，而概率分类器允许从后验分布中采样，并提供对网络可信度的洞察，在训练结束后，以当前风险可能的风险诱因与风险源作为参数进行推理，对风险的下一步传播位置进行概率计算，通过一步步的传导计算，确定出风险的传递趋势和影响范围。
可选地，上述步骤S703，还包括：
风险方案应对子区块采集当前风险事件，将所述当前风险事件与所述风险事件概率评估结果进行匹配，生成梯级水电站风险分析结果，并基于所述梯级水电站风险分析结果确定风险应对方案，将所述风险应对方案传输给所述风险调控区块进行梯级水电站的多维安全调度。
具体的，所述风险方案应对子区块主要是整合已有的风险案例以及对应的处置措施，将发生的风险事件与记录中的风险事件进行匹配；若当前风险事件属于高概率风险并且记录中存在成熟的处置措施，则通过数据驱动的方式，排列比较所有处置措施的最终效益，优选出损失最小的方案，直接调用进行调控；若为低概率风险事件，则通过概率驱动的方式，根据风险因子判断子区块提供的概率估算结果，对当前水电站可能的破坏的位置，受破坏的概率及对水利枢纽的影响进行分析，制定应对方案，并将风险应对方案上传至风险预警区块，风险预警区块中若监测数据已达到风险阈值，则将方案上传至风险调控区块，供相关人员进行决策；若未达到风险阈值，则将风险应对方案保留，进行进一步监测。
实施例3
本实施例提供一种计算机设备，包括存储器和处理器，处理器用于读取存储器中存储的指令，以执行上述任意方法实施例中的基于风险监测融合的梯级水电站多维安全调度方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
实施例4
本实施例提供一种计算机可读存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于风险监测融合的梯级水电站多维安全调度方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read-OnlyMemory，ROM）、随机存储记忆体（Random Access Memory，RAM）、快闪存储器（FlashMemory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.基于风险监测融合的梯级水电站多维安全调度装置，其特征在于，包括：风险监测区块、风险辨识区块、风险分析区块、风险预警区块和风险调控区块；
所述风险监测区块，用于采集水电站风险监测数据，并获取水电站关系数据库，将所述水电站风险监测数据与所述水电站关系数据库融合，生成水电站风险融合数据库；
所述风险辨识区块连接所述风险监测区块，用于调取所述水电站风险融合数据库中的梯级水电站风险事件，基于所述梯级水电站风险事件确定梯级水电站集控运行中不同事件维度的风险源，并基于所述水电站风险监测数据确定当前水电站运行环境的风险等级，将所述当前水电站运行环境的风险等级传输给所述风险预警区块，将所述梯级水电站集控运行中不同事件维度的风险源传输给所述风险分析区块；
所述风险分析区块，用于基于所述梯级水电站集控运行中不同事件维度的风险源确定风险传递趋势预测结果，将所述风险传递趋势预测结果传输给所述风险预警区块；
所述风险预警区块，用于将所述当前水电站运行环境的风险等级和所述风险传递趋势预测结果分别与预设风险阈值进行比较，基于比较结果生成预警信息，并将所述预警信息传输给所述风险调控区块；
所述风险调控区块，用于基于所述预警信息对梯级水电站进行多维安全调度。
2.如权利要求1所述的基于风险监测融合的梯级水电站多维安全调度装置，其特征在于，所述风险辨识区块，包括：风险源生成子区块和风险等级生成子区块；
所述风险源生成子区块，用于调取所述水电站风险融合数据库中的梯级水电站风险事件，并基于所述梯级水电站风险事件，利用风险传递网络识别所述梯级水电站集控运行中不同事件维度的风险源，并将所述梯级水电站集控运行中不同事件维度的风险源传输给所述风险分析区块；
所述风险等级生成子区块，用于将所述水电站风险监测数据进行归类，生成当前水电站的风险类别，并基于所述当前水电站的风险类别确定当前水电站运行环境的风险等级，将所述当前水电站运行环境的风险等级发送给所述风险预警区块。
3.如权利要求2所述的基于风险监测融合的梯级水电站多维安全调度装置，其特征在于，所述风险源生成子区块，包括：风险源排查单元和风险源识别单元；
所述风险源排查单元，用于调取所述水电站风险融合数据库中的梯级水电站风险事件，并基于所述梯级水电站风险事件排查梯级水电站集控运行的薄弱环节和失效模式，将所述梯级水电站风险事件排查梯级水电站集控运行的薄弱环节和失效模式传输给所述风险源识别单元；
所述风险源识别单元，用于将所述梯级水电站集控运行的薄弱环节和失效模式传输给所述风险传递网络，生成所述梯级水电站集控运行中不同事件维度的风险源，并将所述梯级水电站集控运行中不同事件维度的风险源传输给所述风险分析区块。
4.如权利要求3所述的基于风险监测融合的梯级水电站多维安全调度装置，其特征在于，所述风险源生成子区块，还包括：风险因子判断单元；
所述风险因子判断单元，连接所述风险源识别单元，用于将所述梯级水电站集控运行中不同事件维度的风险源输入经验概率模型中，生成风险事件概率评估结果，将所述风险事件概率评估结果出输给所述风险分析区块。
5.如权利要求2所述的基于风险监测融合的梯级水电站多维安全调度装置，其特征在于，所述风险等级生成子区块，包括：风险归类单元和风险评价单元；
所述风险归类单元，用于将所述水电站风险监测数据进行归类，确定当前水电站运行环境的风险类别，将所述当前水电站运行环境的风险类别传输给所述风险评价单元；
所述风险评价单元，用于基于所述当前水电站运行环境的风险类别，利用风险评价模型生成当前水电站运行环境的风险等级，将所述当前水电站运行环境的风险等级发送给所述风险预警区块。
6.如权利要求4所述基于风险监测融合的梯级水电站多维安全调度装置，其特征在于，所述风险分析区块，包括：风险传递关系子区块、风险趋势预测子区块；
所述风险传递关系子区块，用于调取所述水电站风险融合数据库中的单体水电站风险传递信息和梯级水电站风险传递信息，并将所述单体水电站风险传递信息和所述梯级水电站风险传递信息传输给所述风险趋势预测子区块；
所述风险趋势预测子区块，用于基于所述单体水电站风险传递信息与所述梯级水电站风险传递信息构建风险趋势预测网络，并将所述不同事件维度的风险源输入所述风险趋势预测网络中，生成所述风险传递趋势预测结果，并将所述风险传递趋势预测结果传输给所述风险预警区块。
7.如权利要求6所述的基于风险监测融合的梯级水电站多维安全调度装置，其特征在于，所述风险分析区块，还包括：风险方案应对子区块；
所述风险方案应对子区块连接所述风险因子判断单元，用于调取所述水电站风险融合数据库中的当前风险事件，将所述当前风险事件与所述风险事件概率评估结果进行匹配，生成梯级水电站风险分析结果，并基于所述梯级水电站风险分析结果确定风险应对方案，将所述风险应对方案传输给所述风险调控区块进行梯级水电站的多维安全调度。
8.基于风险监测融合的梯级水电站多维安全调度方法，其特征在于，包括：
采集水电站风险监测数据，并获取水电站关系数据库，将所述水电站风险监测数据与所述水电站关系数据库融合，生成水电站风险融合数据库；
调取所述水电站风险融合数据库中的梯级水电站风险事件，基于所述梯级水电站风险事件确定梯级水电站集控运行中不同事件维度的风险源，并基于所述水电站风险监测数据确定当前水电站运行环境的风险等级；
基于所述梯级水电站集控运行中不同事件维度的风险源确定风险传递趋势预测结果；
将所述当前水电站运行环境的风险等级和所述风险传递趋势预测结果分别与预设风险阈值进行比较，基于比较结果生成预警信息；
基于所述预警信息对梯级水电站进行多维安全调度。
9.一种计算机设备，其特征在于，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述处理器被配置用于调用所述计算机程序，执行如权利要求8中所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现如权利要求8中所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210794731.2A CN115063020B (zh) | 2022-07-07 | 2022-07-07 | 基于风险监测融合的梯级水电站多维安全调度装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210794731.2A CN115063020B (zh) | 2022-07-07 | 2022-07-07 | 基于风险监测融合的梯级水电站多维安全调度装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115063020A true CN115063020A (zh) | 2022-09-16 |
| CN115063020B CN115063020B (zh) | 2023-07-11 |
Family
ID=83204372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210794731.2A Active CN115063020B (zh) | 2022-07-07 | 2022-07-07 | 基于风险监测融合的梯级水电站多维安全调度装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115063020B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070886A (zh) * | 2023-04-04 | 2023-05-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源系统多维适应性调控方法及系统 |
| CN116112408A (zh) * | 2022-10-28 | 2023-05-12 | 安徽即刻智能科技有限公司 | 一种工业互联网传输数据安全监管方法及系统 |
| CN116385206A (zh) * | 2023-04-23 | 2023-07-04 | 中国长江电力股份有限公司 | 一种水电站集控一体化智慧管理系统 |
| CN116721704A (zh) * | 2023-08-03 | 2023-09-08 | 北京星云医学检验实验室有限公司 | 一种分级防护的生物信息数据库的更新方法及系统 |
| CN116911820A (zh) * | 2023-06-14 | 2023-10-20 | 湖北白莲河抽水蓄能有限公司 | 一种用于水电站机组检修的数字全息化管控系统 |
| CN117390938A (zh) * | 2023-12-13 | 2024-01-12 | 中交第四航务工程勘察设计院有限公司 | 一种高桩码头运维期结构健康监测方法及系统 |
| CN118211190A (zh) * | 2024-05-15 | 2024-06-18 | 中国长江电力股份有限公司 | 一种基于工况网格的断面数据分析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491898A (zh) * | 2017-09-01 | 2017-12-19 | 中国电建集团成都勘测设计研究院有限公司 | 用于梯级水电站风险分析的贝叶斯网络模型及构建方法 |
| CN107832916A (zh) * | 2017-10-13 | 2018-03-23 | 四川大学 | 基于贝叶斯风险网络的梯级水电站关键风险因素及风险传递关键路径的识别方法 |
| CN108109076A (zh) * | 2017-12-19 | 2018-06-01 | 贵州乌江水电开发有限责任公司 | 一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法 |
| US20210201220A1 (en) * | 2019-12-26 | 2021-07-01 | Dalian University Of Technology | Method and system for ecological operation of total phosphorus export of cascade hydropower station |
| WO2021196552A1 (zh) * | 2020-03-28 | 2021-10-07 | 华中科技大学 | 一种基于互馈关系解析的梯级水库风险评估方法及系统 |
-
2022
- 2022-07-07 CN CN202210794731.2A patent/CN115063020B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491898A (zh) * | 2017-09-01 | 2017-12-19 | 中国电建集团成都勘测设计研究院有限公司 | 用于梯级水电站风险分析的贝叶斯网络模型及构建方法 |
| CN107832916A (zh) * | 2017-10-13 | 2018-03-23 | 四川大学 | 基于贝叶斯风险网络的梯级水电站关键风险因素及风险传递关键路径的识别方法 |
| CN108109076A (zh) * | 2017-12-19 | 2018-06-01 | 贵州乌江水电开发有限责任公司 | 一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法 |
| US20210201220A1 (en) * | 2019-12-26 | 2021-07-01 | Dalian University Of Technology | Method and system for ecological operation of total phosphorus export of cascade hydropower station |
| WO2021196552A1 (zh) * | 2020-03-28 | 2021-10-07 | 华中科技大学 | 一种基于互馈关系解析的梯级水库风险评估方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| A.M.SAEDI 等: "A HIRARC model for safety and risk evaluation at a hydroelectric power generation plant", 《SAFETY SCIENCE》, vol. 70, pages 308 - 315 * |
| 纪昌明;李克飞;张验科;谢维;: "梯级水电站群联合调度多目标风险决策模型", 水力发电, no. 04, pages 61 - 64 * |
| 袁东成;戴陈梦子;潘建;: "沅水流域梯级水电站安全风险调查及对策措施研究", 大坝与安全, no. 01, pages 10 - 18 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116112408B (zh) * | 2022-10-28 | 2023-11-07 | 安徽即刻智能科技有限公司 | 一种工业互联网传输数据安全监管方法及系统 |
| CN116112408A (zh) * | 2022-10-28 | 2023-05-12 | 安徽即刻智能科技有限公司 | 一种工业互联网传输数据安全监管方法及系统 |
| CN116070886B (zh) * | 2023-04-04 | 2023-06-20 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源系统多维适应性调控方法及系统 |
| CN116070886A (zh) * | 2023-04-04 | 2023-05-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源系统多维适应性调控方法及系统 |
| CN116385206A (zh) * | 2023-04-23 | 2023-07-04 | 中国长江电力股份有限公司 | 一种水电站集控一体化智慧管理系统 |
| CN116911820B (zh) * | 2023-06-14 | 2024-06-11 | 湖北白莲河抽水蓄能有限公司 | 一种用于水电站机组检修的数字全息化管控系统 |
| CN116911820A (zh) * | 2023-06-14 | 2023-10-20 | 湖北白莲河抽水蓄能有限公司 | 一种用于水电站机组检修的数字全息化管控系统 |
| CN116721704B (zh) * | 2023-08-03 | 2023-10-20 | 北京星云医学检验实验室有限公司 | 一种分级防护的生物信息数据库的更新方法及系统 |
| CN116721704A (zh) * | 2023-08-03 | 2023-09-08 | 北京星云医学检验实验室有限公司 | 一种分级防护的生物信息数据库的更新方法及系统 |
| CN117390938A (zh) * | 2023-12-13 | 2024-01-12 | 中交第四航务工程勘察设计院有限公司 | 一种高桩码头运维期结构健康监测方法及系统 |
| CN117390938B (zh) * | 2023-12-13 | 2024-03-08 | 中交第四航务工程勘察设计院有限公司 | 一种高桩码头运维期结构健康监测方法及系统 |
| CN118211190A (zh) * | 2024-05-15 | 2024-06-18 | 中国长江电力股份有限公司 | 一种基于工况网格的断面数据分析方法及系统 |
| CN118211190B (zh) * | 2024-05-15 | 2024-07-19 | 中国长江电力股份有限公司 | 一种基于工况网格的断面数据分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115063020B (zh) | 2023-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115063020A (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
| Zhang et al. | Developing a cloud model based risk assessment methodology for tunnel-induced damage to existing pipelines | |
| CN110555617A (zh) | 一种基于物联网的建筑火灾风险实时动态定量评估方法 | |
| CN113327022B (zh) | 一种防雷安全风险管理系统及方法 | |
| CN104951588A (zh) | 一种矿井通风系统辅助设计方法 | |
| Oludolapo et al. | Comparing performance of MLP and RBF neural network models for predicting South Africa's energy consumption | |
| Li et al. | Real‐Time Warning and Risk Assessment of Tailings Dam Disaster Status Based on Dynamic Hierarchy‐Grey Relation Analysis | |
| CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
| CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
| CN113988655A (zh) | 一种计及多气象因素的输电线路运行状态评估方法 | |
| Wang et al. | Weather condition-based hybrid models for multiple air pollutants forecasting and minimisation | |
| Chang et al. | Forecast of large earthquake emergency supplies demand based on pso-bp neural network | |
| CN113554298A (zh) | 一种深部地下地铁车站综合评价及智能运维方法 | |
| Rohaimi et al. | 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang | |
| Hong et al. | Evaluation of disaster-bearing capacity for natural gas pipeline under third-party damage based on optimized probabilistic neural network | |
| CN115830812B (zh) | 泵站建筑物异常沉降智能预警系统及方法 | |
| CN116861317A (zh) | 一种基于bp神经网络的小区内涝预警方法及系统 | |
| CN115564272A (zh) | 基于韧性城市理论的火灾风险与消防安全动态评估方法 | |
| Ramsami et al. | Neural network frameworks for electricity forecasting in mauritius and rodrigues Islands | |
| Liu et al. | Prediction of dam horizontal displacement based on CNN-LSTM and attention mechanism | |
| Huang et al. | Prediction algorithm for power outage areas of affected customers based on CNN-LSTM | |
| Chang et al. | A deep belief network and case reasoning based decision model for emergency rescue | |
| Zheng et al. | [Retracted] Application Based on Artificial Intelligence in Substation Operation and Maintenance Management | |
| CN112348391A (zh) | 一种区域雷电灾害风险评估方法 | |
| CN116307270B (zh) | 一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统 |
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 |