CN115277789A

CN115277789A - 一种梯级水电站安全防护系统及方法

Info

Publication number: CN115277789A
Application number: CN202211033119.XA
Authority: CN
Inventors: 戴会超; 尚毅梓; 李晓飞; 尚领; 蒋定国; 刘志武; 段沛
Original assignee: China Three Gorges Corp; China Institute of Water Resources and Hydropower Research
Current assignee: China Three Gorges Corp; China Institute of Water Resources and Hydropower Research
Priority date: 2022-08-26
Filing date: 2022-08-26
Publication date: 2022-11-01
Anticipated expiration: 2042-08-26
Also published as: CN115277789B

Abstract

本申请提供一种梯级水电站安全防护系统及方法，该系统包括：若干个水电站终端和边缘服务器；水电站终端用于采集水电站的工况监测数据，并将工况监测数据发送到边缘服务器；边缘服务器用于接收工况监测数据，根据工况监测数据，确定水电站的安全预警结果，当安全预警结果表征水电站存在安全风险时，生成相应的安全防护策略，并将安全防护策略发送至水电站终端；水电站终端按照安全防护策略，将计算任务迁移至对应的目标边缘服务器执行。上述方案提供的系统，通过利用边缘服务器进行水电站的安全防护，边缘服务器与水电站终端之间的通信距离较短，减小了数据传输的延时，从而保证了对梯级水电站安全防护的及时性。

Description

一种梯级水电站安全防护系统及方法

技术领域

本申请涉及分布式计算技术领域，尤其涉及一种梯级水电站安全防护系统及方法。

背景技术

梯级水电站是沿天然河流方向开发的呈梯级分布的水电站，由于天然河流流域的自然环境复杂多变，且梯级水电站多为无人值守，因此如何对梯级水电站进行安全防护成为了重点研究内容。

在现有技术中，通常由水电站终端将水电站监控数据发送到云端，云端根据得到的监控数据对该水电站进行相应的安全预警，并采集相应的安全防护措施。

但是，云端的数据传输带宽受限，水电站终端与云端之间的数据传输存在较大的延时，现有技术无法保证对梯级水电站安全防护的及时性。

发明内容

本申请提供一种梯级水电站安全防护系统及方法，以解决现有技术无法保证对梯级水电站安全防护的及时性等缺陷。

本申请第一个方面提供一种梯级水电站安全防护系统，包括：若干个水电站终端和边缘服务器；

所述水电站终端用于采集水电站的工况监测数据，并将所述工况监测数据发送到所述边缘服务器；

所述边缘服务器用于接收所述工况监测数据，根据所述工况监测数据，确定所述水电站的安全预警结果，当所述安全预警结果表征所述水电站存在安全风险时，生成相应的安全防护策略，并将所述安全防护策略发送至所述水电站终端；

所述水电站终端按照所述安全防护策略，将计算任务迁移至对应的目标边缘服务器执行。

可选的，所述边缘服务器，具体用于：

对所述工况监测数据进行数据预处理，得目标工况监测数据；

提取所述目标工况监测数据的数据特征，得到对应的工况监测特征；

基于预设的风险预警模型，根据所述工况监测特征，确定所述水电站的安全预警结果；

其中，所述安全预警结果至少包括风险类型和风险发育程度。

可选的，各所述水电站终端与所述边缘服务器之间通过基站进行数据通信，所述安全防护策略包括当前水电站终端与所述目标边缘服务器之间的目标通信路径，所述边缘服务器，具体用于：

当所述安全预警结果表征所述水电站存在安全风险时，基于预设的收益效用函数，根据所述基站为所有所述水电站终端分配的无线通信资源得到的网络收益、所述目标边缘服务器为当前水电站终端提供通信服务得到的收益、目标边缘服务器为当前水电站终端提供计算服务得到的收益和数据通信成本，确定当前水电站终端与所述目标边缘服务器之间采用不同通信路径时产生的收益效用值；

将最大收益效用值对应的通信路径，确定为所述目标通信路径。

可选的，所述边缘服务器，具体用于：

基于如下公式，确定当前水电站终端与所述目标边缘服务器之间采用不同通信路径时产生的收益效用值：

其中，W表示所述收益效用值，n表示水电站终端的总量，z_n表示当前水电站终端，Z_n表示水电站终端集合，w₁表示所述基站为所有所述水电站终端分配的无线通信资源得到的网络收益，w₂表示目标边缘服务器为当前水电站终端提供通信服务得到的收益，γ表示目标边缘服务器为当前水电站终端提供计算服务得到的收益，

表示当前水电站终端对计算任务的分配路径对应的频谱变量，

表示所述目标边缘服务器为水电站终端提供通信服务和通信资源的频谱变量，u表示预设的效用函数，T(j)表示当前水电站终端的时间成本，E(j)表示耗电成本，所述数据通信成本包括所述时间成本和耗电成本。

可选的，所述安全防护策略包括所述目标边缘服务器的标识信息，所述边缘服务器，具体用于：

根据各所述边缘服务器的成本、计算资源总量和通信资源总量，以及当前水电站终端所需要的周期数和分配的单信道数量，确定所述当前水电站终端采用不同边缘服务器执行计算任务时产生的价值密度比；

将最高价值密度比对应的边缘服务器，确定为所述目标边缘服务器；

将所述目标边缘服务器的标识信息添加到所述安全防护策略。

可选的，所述边缘服务器，具体用于：

基于如下公式，确定所述当前水电站终端采用不同边缘服务器执行计算任务时产生的价值密度比：

其中，P(j)表示所述价值密度比，P(j)^t表示所述计算任务从当前水电站终端j迁移到边缘服务器执行的服务成本，P(j)^c表示所述计算任务从当前水电站终端j迁移到边缘服务器执行的计算成本，所述成本包括所述服务成本和计算成本，b_j表示所述当前水电站终端分配的单信道数量，f_j表示所述当前水电站终端所需要的周期数，c₁表示所述边缘服务器通信资源总量，c₂表示所述边缘服务器的计算资源总量。

可选的，所述系统还包括云端，所述边缘服务器，还用于：

根据所述安全风险的溯源和诱因解析结果，确定所述安全风险的风险影响范围；

根据所述风险影响范围的大小，判断当前水电站终端和各所述边缘服务器是否具备对所述计算任务的计算能力；

若所述当前水电站终端和各所述边缘服务器均不具备对所述计算任务的计算能力，则将所述计算任务迁移至云端；

所述云端用于接收并执行所述计算任务，将任务执行结果反馈至所述当前水电站终端。

可选的，所述目标边缘服务器，具体用于：

按照预设的调度目标和约束条件，执行所述计算任务，得到任务执行结果；

对所述任务执行结果进行可行性与合理性的验证，当确定所述任务执行结果通过验证时，将所述任务执行结果反馈至当前水电站终端。

可选的，所述系统还包括：

聚合服务器，用于汇集所有所述边缘服务器的计算模型，并对所有所述计算模型进行优化训练，得到更新后的计算模型，将所述更新后的计算模型重新下发给各所述边缘服务器。

本申请第二个方面提供一种梯级水电站安全防护方法，包括：

获取水电站的工况监测数据；

根据所述工况监测数据，确定所述水电站的安全预警结果；

当所述安全预警结果表征所述水电站存在安全风险时，生成相应的安全防护策略，并将所述安全防护策略发送至对应的水电站终端，以使所述水电站终端按照所述安全防护策略，将计算任务迁移至对应的目标边缘服务器执行。

本申请技术方案，具有如下优点：

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的梯级水电站安全防护系统的交互流程示意图；

图2为本申请实施例提供的边缘计算在梯级水电站应用的整体架构示意图；

图3为本申请实施例提供的插值的边缘计算示意图；

图4为本申请实施例提供的一种示例性的梯级水电站安全防护系统的结构示意图；

图5为本申请实施例提供的另一种示例性的梯级水电站安全防护系统的结构示意图；

图6为本申请实施例提供的梯级水电站安全防护方法的流程示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。

下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明实施例进行描述。

本申请实施例提供了一种梯级水电站安全防护系统，用于对梯级水电站进行安全预警并进行相应的安全防护。

如图1所示，为本申请实施例提供的梯级水电站安全防护系统的交互流程示意图，该系统包括：若干个水电站终端和边缘服务器。

其中，水电站终端用于采集水电站的工况监测数据，并将工况监测数据发送到边缘服务器；边缘服务器用于接收工况监测数据，根据工况监测数据，确定水电站的安全预警结果，当安全预警结果表征水电站存在安全风险时，生成相应的安全防护策略，并将安全防护策略发送至水电站终端；水电站终端按照安全防护策略，将计算任务迁移至对应的目标边缘服务器执行。

其中，工况监测数据包括气象数据、水文数据、电力数据及工程安全监测数据等。

需要说明的是，每个水电站都设有与其对应的水电站终端，用于采集该水电站的工况监测数据。一个边缘服务器可以负责多个水电站终端的边缘计算，本申请实施例提供的水电站安全防护系统包括的水电站终端和边缘服务器的数量本申请实施例不做限定。

具体地，可以为边缘计算在梯级水电站的应用从整体架构、组分构成、功能运用上奠定基础。首先设想在靠近水电站如机组、大坝等数据源头的一侧构建一个集网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端的计算与分析服务的整体边缘计算基础技术架构，如图2所示，为本申请实施例提供的边缘计算在梯级水电站应用的整体架构示意图。其中设备域只提供数据、而不参与对本身的数据操作，因此可以在边缘侧终端(边缘服务器)完成处理；网络域在传输层面需要解决数据在传输方式、机制、协议上的不同，即标准化问题；数据域是在数据传输后的储存和格式的问题，也包括数据的查询；最后在应用域完成对梯级水电站适应的一些改进和调试，最终实现边缘计算的实践。如此不仅能缓解网络宽带和数据中心压力，还能提升服务响应能力，保护隐私数据不被传出。即使水电站暂时失去和中心的联系或某一个水电站的计算功能受损，也可以正常运行，切实做到速度、安全、可靠性并存。

具体地，在一实施例中，边缘服务器具体可以对工况监测数据进行数据预处理，得目标工况监测数据；提取目标工况监测数据的数据特征，得到对应的工况监测特征；基于预设的风险预警模型，根据工况监测特征，确定水电站的安全预警结果。

其中，安全预警结果至少包括风险类型和风险发育程度，风险类型至少包括洪水、大坝谷幅收缩、地震、滑坡、机组或厂房振动、涌浪和堰塞湖等，数据预处理手段至少包括数据标准化处理、数据清理和数据维度缩减等，以确保目标工况监测数据够妥善支撑后续的机器学习、边缘计算分析决策以及云计算中心的居中调度等。

具体地，考虑梯级水电站风险数据采集端本身产生的海量数据，可以在导入和储存数据的过程中附带一些数据清洗和预处理的算法。首先对基础的工况监测数据执行标准化处理，并使得异质指数均匀化，以消除由模型计算引起的不便进而产生分析结果的影响，具体的标准化处理方式如下：

对正向的监测指标处理：

X′_ij＝(X_ij-minX_j)/(maxX_j-minX_j)

对逆向的监测指标处理：

X′_ij＝(maxX_j-X_ij)/(maxX_j-minX_j)

其中，X_i′_j为标准化处理的值；X_ij为当前基础原始值；maxX_j为当前数据终端获取到的该类型最大值；minX_j为当前数据终端获取到的该类型最小值。

进一步地，进行数据清理，对重复值、异常值和噪声进行去除操作。运用边缘计算，从边缘服务器对数据进行数据清洗处理，不仅避免了传输信息产生的时延，还能够通过就地去除异常数据，避免占用过多本不应该的传输带宽。针对重复值，所采用的方法包含但不限于：引入pandas和numpy包、运用duplicated()函数判断并结合drop_duplicates()函数将重复值进行删除等方法；本申请实施例规定梯级水电站风险监测数据(工况监测数据)的异常值为“离群点”，为此处理方法包含但不限于：简单统计分析、

原则、箱型图分析、基于模型监测、基于距离监测、基于密度监测、基于聚类的离群点监测；进一步针对监测数据由被测量变量的随机误差或方差产生的噪音进行处理，本申请实施例采用的方法包括但不限于：分箱法和回归法。此处以

原则和分箱法的运用方式为例，分别说明边缘端实时监测数据的异常值和噪声清理方式。

所谓

原则，依据正态分布的服从与否，来验证监测数据是否属于异常值，如果数据服从正态分布，在

原则下，异常值为一组测定值中与平均值的偏差超过3倍标准差的值。如果数据服从正态分布，距离平均值

之外的值出现的概率为

属于极个别的小概率事件；如果数据不服从正态分布，也可以用远离平均值的多少倍的标准差来描述，就此识别出梯级水电站监测数据中的异常值。

所谓分箱法，是通过比对拟考察数据周围的近邻值，通过比对分析和数据修正或剔除，从而光滑有序数据值。包括用箱均值光滑，即箱中每一个值被箱中的平均值替换；用箱中位数平滑，令箱中的每一个值被箱中的中位数替换；用箱边界平滑，使得箱中的最大和最小值同样被视为边界。最终箱中的每一个值被最近的边界值替换，由于分箱是考察近邻的值，因此能够呈现出局部光滑的效用。况且，这一方法对“局部”的光滑处理，也符合水电站风险数据在边缘端处理的实际和需求，首要地满足单体电站对数据的质量需求。本申请实施例为此形成等宽的“箱”，设置出常量的每个箱值的区间范围，作为一种离散化技术使用。

尤其针对监测数据空白、以及去除异常值之后形成的空白区域，基于边缘计算在边缘端的优势，运用梯级水电站系统内部的通讯机制调用得到当前电站获取到的、乃至梯级系统中其他电站的监测和感知数据。进一步地，本申请实施例运用插值方法，包含但不限于最近邻插值法、双线性插值、双三次插值等方法，以双线性插值算法为例，进行边缘端调用临近或类似区域来通过边缘的插值计算填补空白数据区域运用方式的说明。所谓双线性插值，即通过x和y两个方向的线性插值得到结果，确保没有不连续的缺点。

示例性的，如图3所示，为本申请实施例提供的插值的边缘计算示意图，S点是监测数据空白区域，可以通过数据调用机制获取到临近的M11、M12、M21、M22四个点的同类型数据，建立完成坐标系后，对S点的数值做出估计。首先选定一方向进行线性插值，此处选择x轴，对更靠近S点的N1、N2两点线性插值并分别估算出f(N₁)、f(N₂)数值：

然后运用点N1和N2之间的插值，估算出最终需要的S点工况监测数值的估计值f(S)：

本申请实施例将工况监测数据的获取、储存、调用、预处理等功能形成协同运用。并且开展多源安全监测数据融合，包括但不限于：像素级融合、特征级融合以及决策级融合，结合样条约束的EMBET法、贝叶斯估计和多贝叶斯估计、统计决策理论、人工神经网络和模糊推理、条件事件代数信息融合等融合处理算法，在边缘服务器形成实时的数据全景拼接。继续利用相关手段将调查、分析获取到的所有信息全部综合到一起，并对信息进行统一的评价，最后得到统一的信息的技术。

进一步地，在对实时的工况监测数据进行全面获取并标准化、规范化处理的基础上，进一步通过历史数据的特征作为对实时数据的应用依据，况且实时数据也会不断导入并形成历史数据，就此开展梯级水电站历史数据的特征、尤其是风险特征的识别、提取与统计，为现状在风险的判别和分级做出支撑。本申请实施例为此提出梯级水电站的电站数据端的风险事件特征提取，一方面从聚类的无监督学习思路，集中为将各项(类)风险事件中异于其他风险事件的特点通过运用机器学习效用理论完成提取特征，即服务于风险事件的识别、区分与分类。另一方面，考虑到水电站风险的特征非常多，为此本申请实施例在边缘计算先提取大量特征做分析，对不同的风险事件找出风险发生时的一些数据变化特征，从而认识到风险和日常状况的区别，进而对风险的发育程度做出划分。在此过程中，本申请实施例针对梯级水电站的风险数据(工况监测数据)呈现变化无常的特征，特别采用机器学习尝试分析更高维的特征，进一步进行特征选择，去除冗余和不相关特征。值得注意的是，本申请实施例规定最初的模型和参数需要依赖云计算中心集中获取信息数据进行计算生成，后续的改进与自适应优化则通过边缘端的数据就地边缘计算实现适应性的改进。

本申请实施例应用历史的监测、风险数据进行大数据的深度学习，旨在提取出各类风险的特征，首先将现有储存的数据作为特征值机器学习的训练集合，并随即去掉取值变化小的特征，就是去除作用小的特征，本申请实施例将去除所有样本中数值一致、即方差为0的特征，将风险的变量近似为布尔特征的伯努利随即变量，为此计算方差：

V[X]＝p(1-p)

其中，V[X]表示方差，p表示某个特征出现的概率。如此特征选择的预处理，去除某个水电站风险过程中每一次都具有、或每一次都不具有的特征，即去除V[X]＝0的情况，相当于对数据的降维，减少计算工作量，再继续采用特征选择方法。如此数据降维，通过特征选择或者特征变换操作，把数据的维度降下来用一个相对低维的向量来表示原始高维度的特征。继续主要通过特征选择和特征提取两类方法，使得学习数据有新的表示，在形式上更简洁，而且尽可能多地保存数据原有的信息，或者让其信息变得更清晰更明确。

进一步地，构建计算模型，包括模型的框架、协方差方法以及特征方法。构建的最小化损失函数如下：

f_loss＝‖X_tW_t-Y_t‖²+λ‖W_t‖²

其中，X_t表示当前输入的风险数据(工况监测数据)，Y_t表示这一输入数据所期望的输出，W_t表示输出权值常数，λ表示为输出权值的平方范数增加了额外代价的正则化参数。由于每个期望的输出都需要一个不同的正则化参数，因此假设只有一个期望输出。再对上式求最小值，得到风险监测数据的输出权值：

其中，

的T表示矩阵的转置。为了找到最优的正则化参数，采用交叉验证的方法，减少测试错误。定义验证集的函数如下：

f_loss,v,λ＝‖X_vW_t-Y_v‖²

其中，X_v表示验证数据，Y_v表示验证数据的期望输出。如此一个输出权重矩阵训练对于每一个训练集和每个值的正则化参数，然后使用上式计算验证错误。

继续引入协方差方法对正则化参数求解的优化，上式改进如下：

其中，A_v为验证数据的协方差矩阵，B_v为验证数据与期望输出的交协方差向量，c_v为期望输出的协方差数。由于每个输出被独立考虑，这些协方差矩阵的维数分别为N×N、N×1和1×1，其中N为输入特征个数。

进而得到训练与验证相结合的协方差矩阵A如下：

对B同理，则有：

W_t＝(A_t+λI)^-1B_t＝(A-A_v+λI)^-1(B-B_v)

如此协方差法，可以为每个验证集进行计算协方差矩阵，依公示

找到最优权重，而每一个可能的正则化参数都需要反演来计算W_t矩阵，最终得到O(RKN²M)阶的计算协方差矩阵和优化正则化参数，其中R为正则化参数个数，N为输入特征个数，M为训练集中数据样本数。

再出于降低计算要求和成本的考虑，对每个协方差矩阵做出实对称处理：

其中C_t、D_t是由A_t生成的谱分解。则有：

如此特征分解，然后对每个验证集预先进行如下计算：

最后对每个正则化参数λ进行计算：

W_Ct＝(D_t+λI)^-1B_Ct

得到最终需要的权值。

在建计算模型后，进一步引入特征求解的方法，进行风险的特征提取应用。

通过A_t简化后的逆矩阵，运用公式如下：

其中：C_(n,:)表示C的第n行元素集合。再结合

和W_Ct＝(D_t+λI)^-1B_Ct，得到去除特征的输出权值：

得到一个N阶的方程，如此基于测试数据得到特性的顺序和复杂性，再基于验证数据核对每一个正则化参数，生成一个O(RKN³)的集合，然后重复这个过程O(RKN³N_r)次，得到最优的特征集合。

通过上述模型的计算求解，可得到梯级水电站各类型风险在不同发育阶段的特征的数值统计集合。

进一步地，为风险特征集合在实时监测数据的识别、判断、划分等实际应用的落实做出准备工作，分别从风险判别的方法、以及特征数值调用机制上形成方法实现的可行性论证。

在风险特征提取的基础上，特别需要结合梯级水电站的安全调度实际，对风险进行分级。本申请实施例采用条件风险预警阈值以及应急风险预警阈值，将风险划分成日常运行、条件调度和风险调度多种风险发育程度。在此基础上继续应用机器学习的特征识别方法，针对状态测量与评估，首先是通过安装好的传感器进行状态的在线测量，来收集真实数据集，对得到的结果数据进行预处理。其次，由于数据集大多包含噪声和缺失的特征值，不适宜直接应用于预测维护，在将原始数据输入模型之前需进行特征提取，即将原始数据转换成一个干净的数据集，用合理保真度的更少的变量替代原始数据，使其适合进一步分析。本申请实施例中针对特征提取所进行的数据处理，引入主成分分析法，旨在通过这一技术找出数据统计特征之间的相关性，还可以减少特征的数量，而且这样变量分类的应用，有助于早期识别数据结构中的异常，删除其中的高相关性。随后的状态评估，应用到离线训练模块得到的预测开发模型及工况分类模型，基于预处理过的数据，通过离线训练得到的模型对运行状态进行评估，对性能进行测量。

随后，对特征完成统计，采用如区块链技术等分布式数据管理机制，在云计算中心以及边缘端计算得到风险的特征以及风险划分阈值后，随即进行上传，形成梯级水电站整体的系统透明共享。在运用过程中可根据当前电站的现状与实际需要，对缺乏的判别依据进行全域范围的调用。完成对阈值的储存与运用的准备工作。

进一步地，对实时的工况监测数据，运用边缘计算开展分类与分析的处理。进一步地，本申请实施例分别从以数值信息为主、以图像信息为主的实时监测数据的特征识别提取方法进行说明。

对数值形式的监测信息，运行的过程中，仍然可采用诸如上述特征的筛选、提取方法，继续对实时数据进行风险特征的提取，也作为本申请实施例中的一个机器学习不断完善学习的过程。后续将提取出的特征与前述离线训练得出的风险特征集进行对比，从而快速确定安全预警结果。

对图像形式的监测信息，需要增加图像特征的提取，对实时监测图像就地转变成一个个的向量，换言之，将图像形成离散型的变量，然后对其赋予具体的含义，方能推进后续的机器学习等分析工作。具体的应用方法包括但不限于：完全读取后的二值化KNN搜索识别，神经网络slam直接提取，CNN和RNN的强化整体特征预处理方式，以及颜色特征、形状特征、区域特征等图像特征提取方式。分别以卷积神经网络CNN方法和图像物体检测描述算子特征提取方法为例，进行读取后二值化变量识别以及图像特征提取的运用说明。

针对CNN算法对实时监测图像信息的特征提取运用，从信号系统的实质来看，卷积的本质就是信号1经过信号2的时候发生的变化，也就是信号的累加过程。因此这里对图像的操作，便是通过卷积，在处理的过程中运用过滤和转换使得图像中的特征显现出来。本申请实施例采用如下卷积方式：

本申请实施例规定图像过程中，把处理时产生的高斯卷积核的大小看作无穷大，作为卷积算法实际应用的适应准备。再从卷积核的计算，本申请实施例可运用包括但不限于：平滑均值滤波、高斯平滑、图像锐化、梯度Prewitt、梯度Laplacian、Soble边缘检测等卷积核操作。继续以梯度Laplacian的Open CV实现方法为例，进行卷积核计算的说明。运用Sobel以指定要采用的导数方向，本申请实施例结合卷积核计算的本质和梯级水电站图像数据的实际，指定参数内核的大小ksize值为1，进一步计算由图像关系给出的拉普拉斯算子，计算方法如下：

其中，每个导数都使用sobel导数进行求解计算，并选用以下内核进行过滤：

如此运算，得到CNN算法处理下的图像特征强化与提取。

再针对物体检测描述算子对应图像梯度在加梯度方向的应用，从HOG特征入手，首先将图像变成一个以x、y、z为坐标轴的三维灰度图像，随后本申请实施例引入Gamma校正法，继续对输入图像进行颜色空间标准化的归一设置，并进行图像对比度的预处理，降低水电站监测图像因外界原因出现的如阴影和光照等因素所造成影响，同时可以抑制如曝光贡献比重不协调等影响较明显的噪声，方法描述如下：

1(x，y)＝1(x，y)^gamma

随后计算每个像素的梯度(包括大小和方向)，从轮廓信息的捕获，获取图像数据的特征，采用如下公式：

G_x(x，y)＝H(x+1，y)-H(x-1，y)

G_y(x，y)＝H(x，y+1)-H(x，y-1)

式中：G_x(x,y)、G_y(x,y)、H(x,y)分别表示图像数据在其中某一像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值。

进而求解像素点(x,y)处的梯度幅值和梯度方向：

继续将图像数据细分为小的cell，并统计每个cell不同梯度的个数的直方图，进而得到每个cell的descriptor。随即将临近的若干cell组成一个block，一个block中所有的cell特征的descriptor串联起来便得到该block的HOG特征的descriptor，再将图像中所有的block的HOG特征的descriptor串联起来，由此得到最终使用的特征向量，并支持进一步的机器学习和分析。

此外，针对历史数据中储存的图像形式信息，也可以采用上述方式进行提取转换，然后运用特征提取。

最终，在完成所有实时监测数据的特征提取的基础上，依据已有的风险特征统计和判别阈值的管理机制，结合实时监测数据的特征提取与现状分析结果，运用对比分析的分类算法，包括但不限于：决策树、贝叶斯、人工神经网络、支持向量机、基于关联规则的分类、集成学习等。例如本申请实施例在此处引入支持向量机算法，通过监督学习方式的数据二元分类的广义线性分类器，形成状况的识别；又如人工神经网络算法的运用，能够认识当前风险的在内部大量节点之间相互连接的关系，并进一步处理信息。对实时状况做出风险事件的判别、分类，并对应出等级划分，依据已有的风险特征值，进程状态作为机器学习算法的输入，状态的输出如下式：

y_t＝F(X_t-q)

其中：y_t是工况监测数据所处的状态，定义为正常、条件和应急状态，X_t-q是过程状态，由提取的时间序列特征在时间(t)和时间滞后(q)表示。

在上述实施例的基础上，作为一种可实施的方式，在一实施例中，各水电站终端与边缘服务器之间通过基站进行数据通信，安全防护策略包括当前水电站终端与目标边缘服务器之间的目标通信路径。

其中，边缘服务器，具体可以当安全预警结果表征水电站存在安全风险时，基于预设的收益效用函数，根据基站为所有水电站终端分配的无线通信资源得到的网络收益、目标边缘服务器为当前水电站终端提供通信服务得到的收益、目标边缘服务器为当前水电站终端提供计算服务得到的收益和数据通信成本，确定当前水电站终端与目标边缘服务器之间采用不同通信路径时产生的收益效用值；将最大收益效用值对应的通信路径，确定为目标通信路径。

需要说明的是，本申请实施例提供的边缘服务器设有MEC编排器，用来分析需要将这些工况监测数据送到哪一部分的计算组件中，并进一步依据当时风险的监测数据变化分析风险的演变和传递关系过程，创新构成云边协同的协调计算分析，合理运用计算和通信的组件和资源。

示例性的，如图4所示，为本申请实施例提供的一种示例性的梯级水电站安全防护系统的结构示意图，默认每一个信道以此只能对一个水电站终端进行信息服务，进而传输到边缘服务器的MEC编排器中。而本申请实施例在此处所谓部署，即布置传输的途径和传递到哪一部分的边缘服务器。

具体地，在一实施例中，边缘服务器具体可以基于如下公式，确定当前水电站终端与目标边缘服务器之间采用不同通信路径时产生的收益效用值：

其中，W表示收益效用值，n表示水电站终端的总量，z_n表示当前水电站终端，Z_n表示水电站终端集合，w₁表示基站为所有水电站终端分配的无线通信资源得到的网络收益，w₂表示目标边缘服务器为当前水电站终端提供通信服务得到的收益，γ表示目标边缘服务器为当前水电站终端提供计算服务得到的收益，

表示目标边缘服务器为水电站终端提供通信服务和通信资源的频谱变量，u表示预设的效用函数，T(j)表示当前水电站终端的时间成本，E(j)表示耗电成本，数据通信成本包括时间成本和耗电成本。

具体地，可以按照如下约束条件，确定当前水电站终端与目标边缘服务器之间的通信路径：

其中，C1表示通信通道的频谱约束；C2表示边缘服务器分配到的计算任务所需的资源量不超过本身的计算能力，

表示第i个计算任务中对应的资源分配决策矢量，H_r(r＝1,2,…,l)为边缘服务器的各节点；C3表示每个计算任务最多只能与一个边缘服务器建立传输；C4表示资源分配计算的时间需要满足时延限制，

表示时延常数。按照上述约束条件进行通信路径的求解，即可实现计算资源和通信资源的分配。

需要说明的是，本申请实施例规定自水电站终端将计算任务卸载时通过MEC执行时造成边缘服务器上的通信开销这一过程，为通信资源和计算资源的置换过程，并对此补充完善资源分配算法。本申请实施例设定的应用形式为梯级水电站的某个位置布置一个MEC服务器，即设有MEC编排器的边缘服务器，要服务附近n个水电站终端，用户集合即Z_n＝{z₁,z₂,…z_n}，每个水电站的所有终端首先连接到对应的一个个小基站，共计N个，然后传输到总的基站中，进行定价模型的构建如下：

首先是为各水电站终端分配无线通信资源得到的网络收益：

其中

表示根据定价机制通过基站得到的收益，

表示基站对应的传输速度；B表示传输带宽。

且各水电站终端接入的数据传输速度

可以表示为：

其中

表示当前水电站终端z_n上传数据资料的功率密度，

分别表示终端与基站之间传输信息后得到的增益效果，

表示相邻的水电站对应的终端在发送数据时可能产生的相互影响。

再引入计算和通信资源分配的成本，以当前水电站终端j为例，分时间成本和耗电成本解析：

一方面是时间成本：

其中T(j)^l是水电站j将处理过的实时监测信息传输到边缘网络的传输时间成本，T(j)^m是MEC服务器处理风险事件所需要的计算时间成本，s_j为当前水电站终端所传出的数据信息的大小，f_j表示终端所需要的周期数，c表示边缘设备服务器单个CPU的持续时间，r_j表示终端j通过渠道n的传输速度，且：

其中b_nj表示分配到水电站终端j的带宽，p_j表示终端j的传输功率，g_nj表示终端j和MEC服务器之间的信道增益，N₀表示背景干扰程度常数。

另一方面是耗电成本：

E(j)＝p_jT(j)^l

定义MEC为水电站j终端提供通信服务的收益为：

其中y_n表示数据信息回程的成本，

表示经过小基站的传输速度。

再定义MEC为水电站终端提供计算服务的收益为：

其中λ_n表示对水电站终端z_n的计算任务定价，F表示MEC服务器总的计算资源，

表示MEC服务器执行计算任务用时的倒数，

表示终端处理用时的倒数。

在上述实施例的基础上，作为一种可实施的方式，在一实施例中，安全防护策略包括目标边缘服务器的标识信息。

其中，边缘服务器具体可以根据各边缘服务器的成本、计算资源总量和通信资源总量，以及当前水电站终端所需要的周期数和分配的单信道数量，确定当前水电站终端采用不同边缘服务器执行计算任务时产生的价值密度比；将最高价值密度比对应的边缘服务器，确定为目标边缘服务器；将目标边缘服务器的标识信息添加到安全防护策略。

需要说明的是，本申请实施例基于梯级水电站安全调度的需求考虑，选用最小化时延为主、最小化能耗和开销为辅的卸载策略。具体的操作可以分为人工卸载和自动卸载两种方式。因此可以在水电站终端上设置计算监测的自动化工具，用于实时地对收到的计算任务以及人工发放的任务进行分析所需计算资源的预判和统计，一些不需要计算的操作直接在终端完成，对资源不足的情况，将计算任务迁移至边缘服务器中适当的计算模块来执行。

具体地，在一实施例中，边缘服务器，具体可以基于如下公式，确定当前水电站终端采用不同边缘服务器执行计算任务时产生的价值密度比：

其中，P(j)表示价值密度比，P(j)^t表示计算任务从当前水电站终端j迁移到边缘服务器执行的服务成本，P(j)^c表示计算任务从当前水电站终端j迁移到边缘服务器执行的计算成本，成本包括服务成本和计算成本，b_j表示当前水电站终端分配的单信道数量，f_j表示当前水电站终端所需要的周期数，c₁表示边缘服务器通信资源总量，c₂表示边缘服务器的计算资源总量，

需要说明的是，价值密度比越高，表征当前水电站终端与该边缘服务器之间的适应度越高，即可以根据价值密度比来计算并评价当前水电站终端发布的计算任务事件与拟定分配路径的适应程度。其中，分配路径包括目标边缘服务器及当前水电站终端与目标边缘服务器之间的通信路径。

在上述实施例的基础上，作为一种可实施的方式，在一实施例中，该系统还包括云端。

其中，边缘服务器还可以根据安全风险的溯源和诱因解析结果，确定安全风险的风险影响范围；根据风险影响范围的大小，判断当前水电站终端和各边缘服务器是否具备对计算任务的计算能力；若当前水电站终端和各边缘服务器均不具备对计算任务的计算能力，则将计算任务迁移至云端；云端用于接收并执行计算任务，将任务执行结果反馈至当前水电站终端。

具体地，针对任一类型安全风险，简称风险，都可以运用边缘计算对当前的安全风险进行溯源和关联发现。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，同时结合概率论方法，对当前风险事件对水电站以及库区等产生危害程度进行划分，估算当前风险可能对梯级水电站不同部位和组件发生影响的概率和可能的损失。随后本申请实施例依据当前水电站风险的判别，摸排梯级水电站整体的潜在内部、外部风险源。再应用风险事件追溯，通过神经网络方法绘制梯级水电站的风险源图，以此梳理梯级水电站运行过程。进一步以当前风险以及可能就此发生的风险作为切入点向源头追溯所有可能的风险源和风险诱因，进而确定该风险传递关系下的风险后果扩大成次生风险或次生灾害的风险影响区域。最后考虑面临多项风险事件的状况，由于风险之间是能够相互影响的，加之各自风险还存在传递关系，可以通过水流和力学的变化实现风险的传递和演化，结合已得出的风险溯源和诱因解析结果，根据风险诱因作用于风险源产生风险事件的完整产生链条，以采取正确的措施。

具体地，针对不能在当前水电站终端和边缘服务器应对的复杂情况，本申请实施例继续保留原有的云计算平台，即云端，形成居中的协调调度，再从当下分析计算的风险及其阈值的判断，并采用编排对当前状况信息进行分析，研究出相应适用的编排方案。进一步地，本申请实施例创新形成边缘计算、云边协同、边边协同的梯级水电站系统地边缘计算的联合运用，准确得出需要将风险数据发送到哪一部分的计算组件中，实现风险应对的协同与衔接。

基于将计算任务落实下发到边缘计算服务器乃至相关的计算分析组件中的目的，本申请实施例需要特别解决的问题是，应急调度的风险具备影响范围广泛且程度深远的特征，对涉及到大范围内多个水电站之间相互作用共同影响的风险类型，应采用云计算和边缘计算配合下进行居中协调调度，并对应功能和业务的协调。

本申请实施例进一步地构建云边协同的计算分析形式，针对如长周期、广范围且涉及水电站较多的复杂风险类型等不能用边缘计算的情况，依赖云计算协调调度综合全局信息，考虑到梯级水电站的全局动态变化和耦联关系，依据梯级开发的总体目标和约束条件来完成计算分析任务。特别在计算任务的编排上，保持云中心和边缘云的计算协同，采用计算卸载算法和博弈论来实现云端和移动边缘计算间的联合卸载，全局化管理新框架对协同场景探析，形成对不同应用场景的相互补充作用。

再进一步地，应对需要借助多元数据多种算法才能完成、但影响范围未波及到全局层面的系统风险任务，本申请实施例构建边边协同的计算分析形势，将边缘云做出深化，形成边缘端侧的终端服务器之间的联合，对不同边缘端的就地实测信息进行数据协同共享，解决资源需求与边缘设备资源受限间的矛盾、避免数据孤岛和功能孤岛，在确保数据隐私和决策效率的基础上提高应用服务质量。在整体的协同上，云端的计算中心和各边缘服务器的计算节点相互配合，从计算到功能形成协同，并就数据和参数做出传递和共享，实现梯级水电站系统在分布式和集总式风险的衔接，确保风险应对的协调。

本申请实施例对风险应对的协同与协调进行衔接定义，一方面将风险依据判别与划分的结果，对应到调度上的日常运行、条件调度以及应急调度，实行风险分级设防，以缩短决策生成时间，并避免过多计算和通信的资源浪费。另一方面，对风险阈值在完成整个环节、以及风险应对工作做出编排后，采用及时的评价和反馈机制，形成计算任务在卸载和编排方面的动态调整和有序反馈演进，实现多维均衡调度的不同风险事件衔接应对，并将更新的结果及时上传和运用，形成在各边缘端的准确判断，进一步减少计算任务在卸载和发送的时延性。

在上述实施例的基础上，作为一种可实施的方式，在一实施例中，目标边缘服务器具体可以按照预设的调度目标和约束条件，执行计算任务，得到任务执行结果；对任务执行结果进行可行性与合理性的验证，当确定任务执行结果通过验证时，将任务执行结果反馈至当前水电站终端。

其中，边缘计算和云计算在实际的操作运用时，过程和方法步骤是基本一致的，即云端同样可以采取上述方式执行计算任务。

需要说明的是，本申请实施例首先运用了如区块链的分布式数据管理机制，搜寻历史数据和区块链风险溯源，进而得到参数化方案，发现相同或类似的风险分析参数化方案，则进行直接调用或借鉴。再对缺少借鉴的参数化方案的风险事件，如果按照计算任务编排方案将计算任务发送至目标边缘服务器，则需要进一步应用智能算法对最优解进行搜寻。如果风险影响广泛且潜在因素和次生灾害不确定等不能在边缘端即时处理或调用借鉴的风险状况，需要依赖云计算同边缘计算进行协调调度，居中处理影响范围过大或危害程度迫切严峻等复杂状况。

本申请实施例对云计算调用做出的规定，即使有可供调用的参数化方案，但如果安全影响范围广、涉及到电站数量大，仍可以通过云端进行居中协调，并且配合边缘服务器，做到水电站终端的监测、验证和反馈调试。

进一步地，可以开展风险应对的计算与分析，首先是形成认识，梯级水电站调度的目标与约束，在此基础上准确获取风险特征集和参数化方案，并对后续运用算法求解调度运用最优解做出约束条件和效益目标，同样支持合理性分析的验证。

为此，从梯级水电站的调度目标出发，即在安全保障的条件下尽可能提高发电量、提高水能利用率，目标函数如下：

其中

表示水电站i在t时段的发电流量，M为梯级水电站的总数，T为调度的总时段，τ_t表示第t个时段的时长，且：

其中η_i表示水电站i的效率，

表示水电站i在t时段的流量，

则表示平均水头。

再结合梯级水电站在运行过程中受到的外界和自身的约束条件，包括水量平衡约束、电量平衡约束、机组流量约束、尾水流量约束、大坝结构水位约束以及电网承载约束，表述如下：

(1)水量平衡约束

其中

表示水库t时段的水量，

表示上一时段的水库水量，

表示时段入库流量，

表示弃水量。

(2)电量平衡约束

其中E_i,t表示水电站i在时段t的发电量，E_T表示时段T对梯级水电站的发电量总需求。

(3)机组流量约束

其中Q_i表示水电站i在发电过程中产生的流量，

表示水电站i的发电机组所能够承受的最大流量。

(4)尾水流量约束

其中Q_i,t表示水电站i在时段t内产生的流量，qq_i,t表示水电站i在时段t内产生的弃水流量，

和

分布表示在不影响生态用水和水电站结构与库区环境的条件下所允许的最小和最大的尾水流量。

(5)大坝结构水位约束

其中H_i,t表示水电站i在t时刻的大坝水位，

和

分别表示水电站i在不影响到结构稳定和安全的情况下所允许的最高和最低水位。

(6)电网承载约束

其中α_d表示控制断面之内所有的梯级水电站，E_i表示水电站i的发电量，P_max,d表示控制断面d的最大承受电量。

进一步地，针对无法直接调用参数化方案进行调度决策的风险应对现状与类型，本申请实施例从梯级水电站的本身防洪和供水管理等一系列相关问题出发，水位调整需在满足各种约束条件下，并利用调度方法提高水资源利用效率、优化效益。在满足众多约束条件的基础上解决不确定性、即时得出最优解的前提下，尤其针对最优局部下降、优化精度低、收敛性能差的缺点，本申请实施例引入并运用包含但不限于：动态规划算法、逐步优化算法、梯级水电站最优调度的粒子群算法、梯级水电站最优变换的微分进化算法等方法进行计算求解最优解。

进一步地，可以通过模型模拟和算法计算，运用数字孪生理念下简化抽象模型的仿真验证，以验证任务执行结果进行可行性与合理性，构建数字化场景的智慧化模拟，所采用的方法包括但不限于：ANSYS对大坝受力水位验证、SWAT等水文模型对径流变化的验证、MIKE模型对调水调沙关系的验证等。例如一个水电站的水量和水位在调度上对应一个高度简化的数字化的线框模型、或一个发电机组对应一个上下游水库库容变化及水流-电流-力学的变化模型。运用虚拟测试的描述与放大，服务于方案的合理验证，并进一步从跟踪和对比分析功能，对出现的偏差进行原因分析，结合影响因素的影响程度做出反馈，后续施行方案的调整，精细化决策。

具体地，当确定任务执行结果通过验证时，将任务执行结果反馈至当前水电站终端，反之，则重新执行计算任务，以得到新的任务执行结果。

在上述实施例的基础上，作为一种可实施的方式，在一实施例中，该系统还包括：聚合服务器，用于汇集所有边缘服务器的计算模型，并对所有计算模型进行优化训练，得到更新后的计算模型，将更新后的计算模型重新下发给各边缘服务器。

需要说明的是，为确保边缘计算在梯级水电站系统应用的过程中处于可持续的演化状态，一方面，需要通过边缘服务器在智能化运行方面做出自学习的提升，包括设备的调整与系统的改进；另一方面，特别针对参数适应性差的问题，创新改进模型和算法的训练方式。

进一步地，从边缘端的设备改进与系统自学习提升角度，本申请实施例首先提出对梯级水电站的评价，包括整体上数据采集、单体电站、再到梯级系统的调度决策对运行优化的支撑水平或效果的定量评价，运用指标计算和统计分析功能，形成跟踪和对比分析，从而对边缘计算在运行中产生不足和偏差的原因进行分析，结合影响因素的影响程度和权重，形成反馈至后续实施改善和调整的建议。

针对边缘端的系统与设施，本申请实施例从边缘计算的自学习做出改进，基于历史运行过程建立具备自学习、自更新能力的参数化方案库，服务于相似场景的运行调度方案在边缘端的提出和调用。提升设备及系统自学习、自适应、自寻优的智能化运行、维护和管理，加强认知和演进功能，自主持续改进模型、算法、知识库，持续提升边缘计算的分析决策能力。相应地，本申请实施例对边缘端的智能设备、智能电子装置、智能应用在确保安全运行的前提下，加强初始运行时自动率定参数、运行环境改变时自动调整策略、发生软件故障时自动恢复、自动学习设备运行规律等能力，提供设备机理仿真模型，持续提高系统自适应能力，长期提升系统应用的效果。

进一步地，从边缘端的模型和算法的参数方面，通过获取新的信息，不断对模型进行训练以提高泛化能力。在云边协同运用到模型算法训练的基础上，云中心将初步训练的模型和算法下发，随后本申请实施例特别引入聚合下的模型训练，创新形成分布式的训练协同，结合全系统的边缘服务器可汇得完整的模型和算法的特性，进而利用边缘端数据承担训练任务，并将训练后的相关参数更新至云端，得到持续完整完善的模型。本申请实施例就此形成联邦式训练协同：边缘端通过边缘服务器进行参与，随后选取某个边缘节点用于保存这一联邦的完整模型和算法，即聚合服务器节点，其他边缘节点作为计算节点参与训练，并对该节点保持更新模型参数。

示例性的，如图5所示，为本申请实施例提供的另一种示例性的梯级水电站安全防护系统的结构示意图，为拓宽边缘计算的应用场景，就此形成云端保持与边缘服务器的聚合服务器通信的机制，从而在由边缘服务器参与本地数据形成的局部训练、并且各节点完成训练后，将更新的局部模型再发送至聚合服务器，然后与云端的全局模型形成可靠地同步更新。从而促进在任务上云边协同，融合全梯级系统的训练模型调用，并且云计算还承担模型前段的计算任务，权衡两个端的计算量和通信量，全局化管理新框架对协同场景探析，相互作用对不同应用场景的补充短板。

本申请实施例提供的梯级水电站安全防护系统，包括：若干个水电站终端和边缘服务器；水电站终端用于采集水电站的工况监测数据，并将工况监测数据发送到边缘服务器；边缘服务器用于接收工况监测数据，根据工况监测数据，确定水电站的安全预警结果，当安全预警结果表征水电站存在安全风险时，生成相应的安全防护策略，并将安全防护策略发送至水电站终端；水电站终端按照安全防护策略，将计算任务迁移至对应的目标边缘服务器执行。上述方案提供的系统，通过利用边缘服务器进行水电站的安全防护，边缘服务器与水电站终端之间的通信距离较短，减小了数据传输的延时，从而保证了对梯级水电站安全防护的及时性。并且，对现有云计算做出改进性保留，补充边缘计算难以满足的居中调度，形成各种类型、程度、传递形式的风险衔接调度。进一步对边缘计算的自学习、自适应做出模型和算法参数训练的改进，确保边缘计算在实际中的适用。优化重构多维安全调度的实际部署功能，提供实时高效的数据处理服务，满足风险管理的高实时、低延迟要求，能够对梯级水电站形成有效预警防护与调度管理，实现持续改进。

本申请实施例提供了一种梯级水电站安全防护方法，为上述实施例提供的梯级水电站安全防护系统的应用方法，执行主体为上述实施例提供的梯级水电站安全防护系统中的边缘服务器。

如图6所示，为本申请实施例提供的梯级水电站安全防护方法的流程示意图，该方法包括：

步骤601，获取水电站的工况监测数据；

步骤602，根据工况监测数据，确定水电站的安全预警结果；

步骤603，当安全预警结果表征水电站存在安全风险时，生成相应的安全防护策略，并将安全防护策略发送至对应的水电站终端，以使水电站终端按照安全防护策略，将计算任务迁移至对应的目标边缘服务器执行。

关于本实施例中的梯级水电站安全防护方法，其中各个步骤的具体实施方式已经在有关该系统的实施例中进行了详细描述，此处将不做详细阐述说明。

本申请实施例提供的梯级水电站安全防护方法，为上述实施例提供的梯级水电站安全防护系统的具体应用方法，其实现方式与原理相同，不再赘述。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。