CN115330127A - 一种水利枢纽运行风险实时控制系统及方法 - Google Patents
一种水利枢纽运行风险实时控制系统及方法 Download PDFInfo
- Publication number
- CN115330127A CN115330127A CN202210833678.2A CN202210833678A CN115330127A CN 115330127 A CN115330127 A CN 115330127A CN 202210833678 A CN202210833678 A CN 202210833678A CN 115330127 A CN115330127 A CN 115330127A
- Authority
- CN
- China
- Prior art keywords
- risk
- hydro
- junction
- monitoring
- probability
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 118
- 238000012544 monitoring process Methods 0.000 claims abstract description 174
- 230000005540 biological transmission Effects 0.000 claims abstract description 128
- 238000012954 risk control Methods 0.000 claims abstract description 73
- 238000012502 risk assessment Methods 0.000 claims abstract description 59
- 238000004088 simulation Methods 0.000 claims abstract description 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000007689 inspection Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000012546 transfer Methods 0.000 claims description 116
- 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 claims description 51
- 230000008569 process Effects 0.000 claims description 50
- 238000004458 analytical method Methods 0.000 claims description 34
- 230000007246 mechanism Effects 0.000 claims description 33
- 238000011156 evaluation Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000010248 power generation Methods 0.000 claims description 22
- 230000002776 aggregation Effects 0.000 claims description 21
- 238000004220 aggregation Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 16
- 230000007547 defect Effects 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 11
- 238000013439 planning Methods 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 9
- 239000004576 sand Substances 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 241000251468 Actinopterygii Species 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 239000000411 inducer Substances 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000029087 digestion Effects 0.000 claims 1
- 238000007667 floating Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 230000008447 perception Effects 0.000 abstract description 4
- 230000004044 response Effects 0.000 abstract description 4
- 230000006378 damage Effects 0.000 description 15
- 230000008901 benefit Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013398 bayesian method Methods 0.000 description 6
- 230000002265 prevention Effects 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 125000001145 hydrido group Chemical group *[H] 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000006424 Flood reaction Methods 0.000 description 2
- 208000034699 Vitreous floaters Diseases 0.000 description 2
- 230000035508 accumulation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种水利枢纽运行风险实时控制系统及方法,属于水电水利技术领域,该系统包括:风险监测子系统,用于构建风险传递链路,布设风险监测网络,并通过终端监测设备及人工巡检,对水电站外部环境的变化情况及内部单元的运行情况进行实时监测;风险分析子系统,用于对风险传递链路进行分析,确定风险发生点,以及根据风险发生点制定和筛选最优风险截断方案,并通过风险控制子系统将风险的断截情况反馈至风险分析子系统,利用平行模拟方法对风险的传播位置进行同步分析;风险控制子系统,用于进行风险截断,并将风险截断情况反馈至风险分析子系统。本发明了实现水电站多维风险感知与控制以及提高水电站的风险感知与风险应对能力。
Description
技术领域
本发明属于水电水利技术领域,尤其涉及一种水利枢纽运行风险实时控制系统及方法。
背景技术
影响水利枢纽安全运行的风险点源众多、类型多样,库区、大坝、电站、机组闸门等水利枢纽重要组件任一故障,自然灾害、设备故障、操作失误、管理漏洞等任一事件发生,都会给水利枢纽的安全运行带来威胁。譬如,流域暴雨或上游泄洪会给下游造成超标准洪水,使大坝的防洪压力骤增,甚至危及大坝安全,导致大坝溃决。地震可以造成大坝及其他建(构)筑物结构变形、开裂甚至破坏。堰塞湖可能导致库区水位突然抬升,一旦决口会对下游形成洪峰,造成漫坝、溃坝等危险。泥石流冲毁交通设施和村镇,造成堵江事故。水库突发水质污染事件,迅速蔓延成为整个流域的水危机。工程存在自身质量问题导致滑坡、变形、裂缝、渗流破坏等,进而引发溃坝或其他重大险情出现。高坝大库的应急泄洪和放空能力不足,水电站水轮机长时间在不稳定区运行,安全管理存在漏洞以及运行期的流域调度协调不好等,都会给水利枢纽安全带来威胁。此外,大型水利枢纽结构复杂,规划、建设和施工环节众多,其各个环节之间存在相互制约,这些前期缺陷累积很多都成为水利枢纽后期运行的潜存风险。
目前,针对水利枢纽运行中一旦出现风险,通常是由水利枢纽管理单位查明风险,主要按照风险发生部位,要求专业的安监人员采取风险控制措施,无须其他专业人员配合,若涉及多个部门,水利枢纽管理单位根据风险出现部位和风险类型,决定由涉及到的相关专业提出综合的应对措施。这种风险控制方式,针对单一类型、常见风险通常较为有效,很多风险都能够正确应对、有效处置,但是风险仍然没有根除,潜存风险仍可能传递给水利枢纽的其它部位,并可能对整个梯级产生影响,这是一种系统性的风险。正是由于我们对这种潜在风险及风险之间的关联认识较少,对于此类风险的控制也缺少系统的观念,致使极端或突发事件发生后,出现一连串的衍生灾害,致使系统风险失控。
事实上,单体单站单一风险的控制失当,就会触发蝴蝶效应,引起一连串的风险事件,以往以风险观测、数据分析和人工决策为主的风控方式,是一种单体水利枢纽单一风险独立控制的方式,因为没有考虑这一风险与其他风险、其他水利枢纽安全运行之间的关联,很难对梯级水利枢纽潜存风险有效甄别,更无法对此类风险传播过程进行实时的监测和控制。信息化、智能化技术的进步,给复杂水利枢纽运行风险的实时控制提供可能。当单体水利枢纽要求某专业进行风险控制时,风险控制结果只需满足某部门专业的风险管理要求,但是风险往往不会彻底根除,还有可能产生次生危害,譬如,水利枢纽其他部门以及上下游梯级产生灾害影响。这种风险控制的最大弊端是,没有认识到大型水利枢纽发生风险会存在灾害关联,风险没有彻底截断,就有诱发风险在水利枢纽中传播时可能出现的串联灾害,出现后续不可控的影响。
梯级水利枢纽风险控制的难点还在于其时间和空间尺度较为广泛,流域上的每一个点都有可能成为流域风险的出发点,进一步演化成为一连串风险事件,进而影响整个梯级水利枢纽的运行安全。在进行风险控制时也有可能产生新的次生影响,给流域其他水电站带来危险,影响梯级水利枢纽的正常运行。梯级水利枢纽中的某一水电站进行效益调整时也有可能产生次生影响,对其他水电站的运行产生负面影响。
这些风险事件放在运行中的水利枢纽上又可以划分为防洪、发电、航运、生态四个主要方面的问题以及其他出现频次较少的事件。只考虑单座电站时,面对这些风险有较多的解决方案可以参考,从而使单座电站的效益最大化。但考虑到梯级水利枢纽的整体效益时,可参考的经验就显得较为匮乏。目前,关于流域梯级水利枢纽风险传递关系尚且没有一个清晰的关系网络,梯级水利枢纽联合调度进行风险控制的方式较为死板,无法做到根据实际情况实时调整。因此,迫切需要一个能够有效解决梯级水利枢纽运行过程中出现的风险事件的方法,一方面提高梯级水利枢纽的风险应对能力,另一方面减少梯级水利枢纽在风险控制过程中的效益损失。时空是风险的来源点,维度是寻找风险链路的抓手,以往的风险控制方法或许能够对某一时间段、水利枢纽某部位风险进行有效的控制,但对风险关联及其衍生影响无法准确把握,即便花费更多的人力物力,也无法实现水利枢纽运行风险的实时控制。本发明巧妙运用信息化、智能化技术手段,建立新的梯级水利枢纽运行风险实时控制方法,从诱因监测、风险点源识别、风险演进模拟再到风险实时控制,形成一个闭环,做到梯级水利枢纽风险的实时跟进与彻底根治。
发明内容
针对现有技术中的上述不足,本发明提供的一种水利枢纽运行风险实时控制系统及方法,实现水电站多维风险感知与控制,以及提高水电站的风险感知与风险应对能力,减少水电站的经济效益损失。
为了达到以上目的,本发明采用的技术方案为:
本方案提供了一种水利枢纽运行风险实时控制系统,包括:
风险监测子系统,用于构建风险传递链路,基于风险传递链路查找监测关键点,布设风险监测网络,并基于风险监测网络,通过终端监测设备及人工巡检,对水电站外部环境的变化情况及内部单元的运行情况进行实时监测;
风险分析子系统,用于根据实时监测结果对风险传递链路进行分析,确定风险发生点,以及根据风险发生点制定和筛选最优风险截断方案,并通过风险控制子系统将风险的断截情况反馈至风险分析子系统,利用平行模拟方法对风险的传播位置进行同步分析;
风险控制子系统,用于利用最优风险截断方案进行风险截断,并将风险截断情况反馈至风险分析子系统。
进一步地,所述风险监测子系统包括利用数据驱动和事件驱动两种方式对水电站运行情况进行实时监测的正常监测模式以及在正常监测模式无法对风险区域进行全面监测时,补充采用航空遥感与卫星遥感的应急监测模式;
所述数据驱动,用于利用终端监测设备对水利枢纽内部单元的运行情况提供实时监测,及时反映水利枢纽的运行情况:
所述事件驱动,用于通过人工巡检对水电站外部环境的变化情况进行监测,并告知发现的风险事件。
再进一步地,所述风险监测子系统包括:
识别模块,用于识别水利枢纽在规划、建设阶段的缺陷和前期运行出现的历史问题,建立水利枢纽风险事件集,并根据水利枢纽风险事件集将风险诱因出现的位置分为外因和内因;
风险传递链路绘制模块,用于根据水利枢纽风险事件集所涉及的风险诱因,分析各风险点源之间的关系,绘制风险传递链路,并基于风险传递链路查找监测关键点,布设风险监测网络;
监测模块,用于根据风险监测网络,通过终端监测设备及人工巡检对水电站外部环境的变化情况及内部单元的运行情况进行实时监测,并对实时监测信息进行更新。
再进一步地,所述水利枢纽风险事件集包括发电风险、防洪风险、航运风险、坝体库区风险、生态风险和突发公共事件风险;
所述发电风险,包括电力外的系统风险对水库运用调度的影响、水电站厂房机组震动、泄洪期尾水紊流对闸门的影响、水电站大面积停电风险、水淹厂房风险、水电站重大设备设施及机组设备故障风险;
所述防洪风险,包括水库泄洪对坝址区和周边建筑物的低频振动影响、水库泄洪振动对设备和设施的影响、异重流潜入坝前对机组和排沙的影响、水利枢纽泄洪对水利枢纽建筑物及近坝岸坡的影响、水利枢纽泄洪对升船机的影响及消力池空蚀问题;
所述航运风险,包括水利枢纽泄洪对下游航道的影响、梯级水利枢纽调度运用对下游航运的影响及支流对干流下游水位的顶托影响;
所述坝体库区风险,包括超设计标准洪水对水利枢纽建筑物安全的影响、超设计标准地震对水利枢纽建筑物安全的影响、坝体变形对水利枢纽建筑物正常运行的影响、山体滑坡对水利枢纽安全的影响、坝基渗控措施长期稳定性和对大坝安全影响及山体滑坡引起的涌浪问题;
所述生态风险,包括水电站泄洪与发电尾水对下游鱼类的影响、水利枢纽库区排污与水动力减弱对水质的影响;
所述突发公共事件风险,包括沉船事件及水面出现大型漂浮物。
再进一步地,所述风险传递链路绘制模块,包括:
风险点源位置查找子模块,用于根据水利枢纽风险事件集所涉及的风险诱因,以水利枢纽规划、建设中的缺陷而形成的隐性风险为起点,结合实际运行过程中存在的真实风险,查找出风险演进和演变所涉的风险点源位置;
风险传递链路构建子模块,用于分析风险在单体水利枢纽以及梯级水利枢纽之间的风险传播和演变关系,连接各风险点源,得到风险传递链路,并基于风险传递链路查找监测关键点,布设风险监测网络,其中,所述单体水利枢纽的风险传递包括结构力传递,所述梯级水利枢纽的风险传递包括水力传递和电力传递。
再进一步地,所述风险分析子系统包括:
定位模块,用于针对数据驱动,根据接收到的异常监测信息,在风险传递链中监测所对应的风险发生点,并根据该风险发生点在风险传递链中进行定位;以及
针对事件驱动,在风险发生后,接入水利枢纽运行风险实时控制系统,并通过收到的预警或监测信号找到风险发生点,并根据该风险发生点在风险传递链中进行定位;
风险链模拟模块,用于根据定位结果,利用机理模型、智能学习模型和人工知识经验模型对风险传递过程进行模拟分析,得到风险传递结果;
风险适应性模拟模块,用于根据风险传递结果,制定风险截断方案,并利用基于概率直觉性的模糊评价方法筛选最优风险截断方案,以及通过风险控制子系统将风险断截情况反馈至风险分析子系统,并利用平行模拟方法对风险的传播位置进行同步分析。
再进一步地,所述利用人工知识经验模型对风险传递过程进行模拟分析,其具体为:
在风险传递链路中选择水利枢纽所研究的风险部位,收集涉及到该风险部位的历史风险资料,整理该部位发生风险时传播的方向;
根据风险部位,对风险的传播方向进行分析,并根据风险在各风险发生点之间的传播情况构建风险传递的贝叶斯网络;
针对历史风险资料中,不能提取风险传递概率时,建立语言测量量度表,将风险传播概率分为七个等级,由专家给出评判意见,通过模糊集理论整合专家评判意见获得风险发生概率的模糊性评分,并通过去模糊化计算得到风险的传播概率;
基于风险传播概率,利用真实风险数据对贝叶斯网络进行更新,并利用更新后的贝叶斯网络对风险传递过程进行模拟分析,得到风险传递结果。
再进一步地,所述计算得到风险的传播概率,其具体为:
在风险传递链路中,计算得到相邻节点之间的传播概率:
其中,P(U)表示相邻节点之间的传播概率,P(·)表示联合概率,n表示节点总数,i表示节点个数,Pa(Xi)表示节点Xi的父集;
根据相邻节点之间的传播概率,计算得到节点Xi的边际概率:
其中,Xi,P(Xi)表示节点Xi的边际概率,Xj表示节点,j表示节点个数;
根据节点Xi的边际概率,针对风险部位更新时,计算得到更新后的风险传递概率:
其中,P(U/E)表示更新后的风险传递概率,P(U,E)是风险变量U和风险变量E的联合风险传递概率,P(E)表示风险变量E发生的风险传递概率;
根据更新后的风险传递概率,针对贝叶斯网络中缺少的风险概率,利用模糊集理论进行概率赋值;
建立语言测量量度表,将风险发生的可能性分为七个级别,由每一位专家对节点发生风险的概率进行评判,通过模糊集理论整合专家评判意见获得风险发生概率的模糊性评分,并利用去模糊化将模糊性评分转化为概率数,并基于概率数,将专家评判意见加入至风险传递链路中;所述去模糊化的表达式如下;
其中,X*表示风险概率,∫表示对隶属度函数积分,μi(x)表示隶属度函数,x表示变量,即模糊数,d表示积分符号,对模糊函数进行积分;
再进一步地,所述模糊性评分的具体过程如下:
计算得到M位专家的平均一致程度AA(Eu):
Eu(u=1,2,...,M)
根据平均一致程度AA(Eu),计算得到专家的相对同意程度RA(Eu):
根据专家的相对同意程度RA(Eu),计算得到专家共识系数度CC(Eu):
CC(Eu)=β·w(Eu)+(1-β)·RA(Eu)
其中,β表示弛豫因子,w(Eu)表示专家u的权重因子;
再进一步地,所述风险适应性模拟模块,包括:
风险截断方案制定子模块,用于根据风险传递结果,分析每条传播路径的损失情况,制定风险截断方案;
最优风险截断方案选择子模块,用于根据风险截断方案,利用基于概率直觉性的模糊评价方法优选最优风险截断方案,并将最优风险截断方案上传至风险控制子系统;
第一反馈子模块,用于根据最优风险截断方案,通过风险控制子系统将风险的断截情况反馈至风险分析子系统,并利用平行模拟方法对风险的传播位置进行同步分析。
再进一步地,所述最优风险截断方案包括:起点截断方案、中点控制方案和尾点恢复方案。
再进一步地,所述最优风险截断方案选择子模块,包括:
权重分配单元,用于根据决策者的意见分配权重;
聚合直觉模糊决策矩阵构建单元,用于根据分配的权重,利用决策者的评价准则构建聚合直觉模糊决策矩阵;
权重计算单元,用于根据聚合直觉模糊决策矩阵,计算得到等级每个评价准则对应的权重;
聚合加权直觉模糊决策矩阵构建单元,用于根据等级每个评价准则对应的权重和聚合直觉模糊决策矩阵,构建聚合加权直觉模糊决策矩阵;
理想解计算单元,用于根据聚合加权直觉模糊决策矩阵,计算直觉模糊正理想解和直觉模糊负理想解;
概率分离度量计算单元,用于根据直觉模糊正理想解和直觉模糊负理想解,计算得到概率分离度量;
评估单元,用于根据概率分离度量,评估直觉模糊正理想解的相对接近系数;
筛选单元,用于根据相对接近系数对风险截断方案进行排名,选择相对接近度最大的风险截断方案作为最优风险截断方案。
本发明还提供了一种水利枢纽运行风险实时控制系统的控制方法,包括以下步骤:
S1、风险监测阶段:构建风险传递链路,基于风险传递链路查找监测关键点,布设风险监测网络,并基于风险监测网络,通过终端监测设备及人工巡检,对水电站外部环境的变化情况及内部单元的运行情况进行实时监测;
S2、风险分析阶段:根据实时监测结果对风险传递链路进行分析,确定风险发生点,并根据风险发生点制定和筛选最优风险截断方案,并通过风险控制阶段将风险的断截情况反馈至风险分析阶段,利用平行模拟方法对风险的传播位置进行同步分析;
S3、风险控制阶段:利用最优风险截断方案进行风险截断,并将风险截断情况反馈至风险分析阶段。
本发明的有益效果:
(1)现有风险控制技术在单体水利枢纽、单一专业风险的控制方面应用效果较好,很难处理水利枢纽不同部位、跨专业风险的关联分析与控制,更无法有效处理梯级水利枢纽的风险截断。本发明解决的问题集中在梯级水利枢纽关联风险的实时防控上,从系统的角度解决了现有技术无法解决的难题。为了解决这个难题,本发明在风险点源、风险传递链路、风险关联关系识别(即结构力传递、水力传递和电力传递)以及水利枢纽真实多维的风险网络空间构建和风险实时控制方面进行了创新突破,实现了水电站多维风险感知与控制,以及提高水电站的风险感知与风险应对能力,减少水电站的经济效益损失。
(2)本发明提出了功能与事件相结合的分类方法,即:库区大坝、泄流、发电、航运、生态环境和突发公共事件六个大类,避免了水利枢纽按照功能、按照部位等分类,出现重叠,边界模糊的缺点,为后续风险分类防控奠定了基础。
(3)本发明提出了以风险事件为线头梳理水利枢纽的风险点源、传播链路等的方法,明晰风险传递的具体环节,不仅避免大量无效工作,而且实现了风险精准识别,助力精准防控。
(3)本发明提出了梯级水利枢纽风险传递链路空间创建及分析方法,不仅可识别单体水利枢纽不同部位、跨专业风险的关联关系,而且真实再现了梯级水利枢纽风险沿水流、电力和力学流传播的所有链路。
(4)本发明给出了风险传递链路空间的定量分析方法,即,创建了机理模型、数据统计分析和经验概率估计等方法的共同分析机制,即便缺乏数据、机理不明晰的情况,仍能做出较为精准的分析。
(5)本发明提出基于数据驱动和事件驱动的触发模式,可涵括水利枢纽可能遭遇的所有风险。
(6)本发明创新构建了多圈层风险控制机制,建立风险控制的三级包围圈,一级:风险可由单体水利枢纽进行风险截断,不会对上游及下游水利枢纽运行产生影响;二级:风险需要上下游梯级综合调度才能完成截断,影响到梯级电站的正常运行;三级:风险影响到流域水利枢纽的正常运行,需要全流域进行综合调度控制风险。将三级包围圈与风险网络空间对应,风险出现时,找到风险核,也就是风险扩散的源点,以此点为中心,按照三级风险标准对风险可能扩散到的位置进行划分,形成三个包围圈,多圈层防护可确保风险链路彻底截断。
(7)本发明所提出的风险实时反馈系统能够对风险控制过程进行实时跟踪,实时反馈风险控制情况并做出对应调整,做到的风险的动态控制,不仅可有效降低静态风险控制出错的概率,还可显著提高可风险救援效率并降低救援成本。
(8)本发明中风险分析子系统采用平行模拟方法,针对同级风险分析所有可能风险链路,堵塞风险传递的一切可能。
(9)本发明首次实现了水利枢纽风险控制的闭环。找到风险传递关系后,判断风险截断的最佳位置,制定风险截断方案,并对风险截断方案评估,采用优选方案进行风险控制。根据风险的截断情况进行实时更新,调整风险的传播位置,再次制定风险截断方案,实现了风险控制的闭环管理。
(10)本发明提出了基于概率直觉性的风险贝叶斯方法和基于概率直觉性的模糊评价算法的风险方案优选方法,特别适用于因风险发生频次少、数据不足以支撑决策情况下的偶发风险应对,进一步完善风险传递链路。
附图说明
图1为本发明的系统结构示意图。
图2为本实施例中风险截断与风险控制点位的实时反馈机制示意图。
图3为本发明的方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1
本发明提出一种水利枢纽运行风险的实时控制系统,其关键特点是,建立了集风险监测、风险分析、风险控制于一体的梯级水利枢纽关联风险实时控制系统,对风险发生的点位的追踪溯源,在风险演变过程分析时,步步为营,水利枢纽各部位的运行状态及风险演变进行监测,根据风险控制后的反馈信息修正风险控制方案,关键是,本发明是从一个整体角度来分析梯级水利枢纽存在系统性风险,采用了一种风险动态控制机制,实现了水利枢纽运行阶段的多维及多重安全防护。
如图1所示,本发明提供了一种水利枢纽运行风险实时控制系统,包括:
风险监测子系统,用于构建风险传递链路,基于风险传递链路查找监测关键点,布设风险监测网络,并基于风险监测网络,通过终端监测设备及人工巡检,对水电站外部环境的变化情况及内部单元的运行情况进行实时监测;
风险分析子系统,用于根据实时监测结果对风险传递链路进行分析,确定风险发生点,以及根据风险发生点制定和筛选最优风险截断方案,并通过风险控制子系统将风险的断截情况反馈至风险分析子系统,利用平行模拟方法对风险的传播位置进行同步分析;
本实施例中,平行模拟是对所有可能传播链路进行同步的分析,同时加强监测数据收集,根据风险控制实施效果,保留选择路径,将其他选择排除,推进下一阶段的模拟。
风险控制子系统,用于利用最优风险截断方案进行风险截断,并将风险截断情况反馈至风险分析子系统。
本实施例中,所述风险监测子系统包括利用数据驱动和事件驱动两种方式对水电站运行情况进行实时监测的正常监测模式以及在正常监测模式无法对风险区域进行全面监测时,补充采用航空遥感与卫星遥感的应急监测模式;
所述数据驱动,用于利用终端监测设备对水利枢纽内部单元的运行情况提供实时监测,及时反映水利枢纽的运行情况:
所述事件驱动,用于通过人工巡检对水电站外部环境的变化情况进行监测,并告知发现的风险事件。
本实施例中,所述风险监测子系统包括:
识别模块,用于识别水利枢纽在规划、建设阶段的缺陷和前期运行出现的历史问题,建立水利枢纽风险事件集,并根据水利枢纽风险事件集将风险诱因出现的位置分为外因和内因;
风险传递链路绘制模块,用于根据水利枢纽风险事件集所涉及的风险诱因,分析各风险点源之间的关系,绘制风险传递链路,并基于风险传递链路查找监测关键点,布设风险监测网络;
监测模块,用于根据风险监测网络,通过终端监测设备及人工巡检对水电站外部环境的变化情况及内部单元的运行情况进行实时监测,并对实时监测信息进行更新。
本实施例中,所述水利枢纽风险事件集包括发电风险、防洪风险、航运风险、坝体库区风险、生态风险和突发公共事件风险;
所述发电风险,包括电力外的系统风险对水库运用调度的影响、水电站厂房机组震动、泄洪期尾水紊流对闸门的影响、水电站大面积停电风险、水淹厂房风险、水电站重大设备设施及机组设备故障风险;
所述防洪风险,包括水库泄洪对坝址区和周边建筑物的低频振动影响、水库泄洪振动对设备和设施的影响、异重流潜入坝前对机组和排沙的影响、水利枢纽泄洪对水利枢纽建筑物及近坝岸坡的影响、水利枢纽泄洪对升船机的影响及消力池空蚀问题;
所述航运风险,包括水利枢纽泄洪对下游航道的影响、梯级水利枢纽调度运用对下游航运的影响及支流对干流下游水位的顶托影响;
所述坝体库区风险,包括超设计标准洪水对水利枢纽建筑物安全的影响、超设计标准地震对水利枢纽建筑物安全的影响、坝体变形对水利枢纽建筑物正常运行的影响、山体滑坡对水利枢纽安全的影响、坝基渗控措施长期稳定性和对大坝安全影响及山体滑坡引起的涌浪问题;
所述生态风险,包括水电站泄洪与发电尾水对下游鱼类的影响、水利枢纽库区排污与水动力减弱对水质的影响;
所述突发公共事件风险,包括沉船事件及水面出现大型漂浮物。
本实施例中,所述风险传递链路绘制模块,包括:
风险点源位置查找子模块,用于根据水利枢纽风险事件集所涉及的风险诱因,以水利枢纽规划、建设中的缺陷而形成的隐性风险为起点,结合实际运行过程中存在的真实风险,查找出风险演进和演变所涉的风险点源位置;
风险传递链路构建子模块,用于分析风险在单体水利枢纽以及梯级水利枢纽之间的风险传播和演变关系,连接各风险点源,得到风险传递链路,并基于风险传递链路查找监测关键点,布设风险监测网络,其中,所述单体水利枢纽的风险传递包括结构力传递,所述梯级水利枢纽的风险传递包括水力传递和电力传递。
本实施例中,所述风险分析子系统包括:
定位模块,用于针对数据驱动,根据接收到的异常监测信息,在风险传递链中监测所对应的风险发生点,并根据该风险发生点在风险传递链中进行定位;以及
针对事件驱动,在风险发生后,接入水利枢纽运行风险实时控制系统,并通过收到的预警或监测信号找到风险发生点,并根据该风险发生点在风险传递链中进行定位;
风险链模拟模块,用于根据定位结果,利用机理模型、智能学习模型和人工知识经验模型对风险传递过程进行模拟分析,得到风险传递结果;
风险适应性模拟模块,用于根据风险传递结果,制定风险截断方案,并利用基于概率直觉性的模糊评价方法筛选最优风险截断方案,以及通过风险控制子系统将风险断截情况反馈至风险分析子系统,并利用平行模拟方法对风险的传播位置进行同步分析。
本实施例中,所述利用人工知识经验模型对风险传递过程进行模拟分析,其具体为:
在风险传递链路中选择水利枢纽所研究的风险部位,收集涉及到该风险部位的历史风险资料,整理该部位发生风险时传播的方向;
根据风险部位,对风险的传播方向进行分析,并根据风险在各风险发生点之间的传播情况构建风险传递的贝叶斯网络;
针对历史风险资料中,不能提取风险传递概率时,建立语言测量量度表,将风险传播概率分为七个等级,由专家给出评判意见,通过模糊集理论整合专家评判意见获得风险发生概率的模糊性评分,并通过去模糊化计算得到风险的传播概率;
基于风险传播概率,利用真实风险数据对贝叶斯网络进行更新,并利用更新后的贝叶斯网络对风险传递过程进行模拟分析,得到风险传递结果。
本实施例中,所述计算得到风险的传播概率,其具体为:
在风险传递链路中,计算得到相邻节点之间的传播概率:
其中,P(U)表示相邻节点之间的传播概率,P(·)表示联合概率,n表示节点总数,i表示节点个数,Pa(Xi)表示节点Xi的父集;
根据相邻节点之间的传播概率,计算得到节点Xi的边际概率:
其中,Xi,P(Xi)表示节点Xi的边际概率,Xj表示节点,j表示节点个数;
根据节点Xi的边际概率,针对风险部位更新时,计算得到更新后的风险传递概率:
其中,P(U/E)表示更新后的风险传递概率,P(U,E)是风险变量U和风险变量E的联合风险传递概率,P(E)表示风险变量E发生的风险传递概率;
根据更新后的风险传递概率,针对贝叶斯网络中缺少的风险概率,利用模糊集理论进行概率赋值;
建立语言测量量度表,将风险发生的可能性分为七个级别,由每一位专家对节点发生风险的概率进行评判,通过模糊集理论整合专家评判意见获得风险发生概率的模糊性评分,并利用去模糊化将模糊性评分转化为概率数,并基于概率数,将专家评判意见加入至风险传递链路中;所述去模糊化的表达式如下;
其中,X*表示风险概率,∫表示对隶属度函数积分,μi(x)表示隶属度函数,x表示变量,即模糊数,d表示积分符号,对模糊函数进行积分;
本实施例中,所述模糊性评分的具体过程如下:
计算得到M位专家的平均一致程度AA(Eu):
Eu(u=1,2,...,M)
根据平均一致程度AA(Eu),计算得到专家的相对同意程度RA(Eu):
根据专家的相对同意程度RA(Eu),计算得到专家共识系数度CC(Eu):
CC(Eu)=β·w(Eu)+(1-β)·RA(Eu)
其中,β表示弛豫因子,w(Eu)表示专家u的权重因子;
本实施例中,所述风险适应性模拟模块,包括:
风险截断方案制定子模块,用于根据风险传递结果,分析每条传播路径的损失情况,制定风险截断方案;
最优风险截断方案选择子模块,用于根据风险截断方案,利用基于概率直觉性的模糊评价方法优选最优风险截断方案,并将最优风险截断方案上传至风险控制子系统;
第一反馈子模块,用于根据最优风险截断方案,通过风险控制子系统将风险的断截情况反馈至风险分析子系统,并利用平行模拟方法对风险的传播位置进行同步分析。
本实施例中,所述最优风险截断方案包括:起点截断方案、中点控制方案和尾点恢复方案。
本实施例中,所述最优风险截断方案选择子模块,包括:
权重分配单元,用于根据决策者的意见分配权重;
聚合直觉模糊决策矩阵构建单元,用于根据分配的权重,利用决策者的评价准则构建聚合直觉模糊决策矩阵;
权重计算单元,用于根据聚合直觉模糊决策矩阵,计算得到等级每个评价准则对应的权重;
聚合加权直觉模糊决策矩阵构建单元,用于根据等级每个评价准则对应的权重和聚合直觉模糊决策矩阵,构建聚合加权直觉模糊决策矩阵;
理想解计算单元,用于根据聚合加权直觉模糊决策矩阵,计算直觉模糊正理想解和直觉模糊负理想解;
概率分离度量计算单元,用于根据直觉模糊正理想解和直觉模糊负理想解,计算得到概率分离度量;
评估单元,用于根据概率分离度量,评估直觉模糊正理想解的相对接近系数;
筛选单元,用于根据相对接近系数对风险截断方案进行排名,选择相对接近度最大的风险截断方案作为最优风险截断方案。
下面对本发明作进一步的说明。
本实施例中,针对风险监测子系统:首先,识别水利枢纽在规划、建设阶段的缺陷和前期运行曾经出现的问题,建立水利枢纽风险事件集,并进行归类,根据风险诱因出现位置分为内因与外因。内因为水利枢纽自身及其重要组件的风险,譬如通航、泄洪的设备设施故障、电站机组的人为操作失误等;外因则是水利枢纽相关风险,主要是水利枢纽控制范围内发生的自然灾害、社会事件等,需要水利枢纽需要被迫调整运行方式。特别说明的是,风险事件的调查与识别是开放的,即影响水利枢纽安全运行新的风险一旦发现,就要立即增补进来,丰富完善风险事件集。
本实施例中,水利枢纽运行风险调查的结果是风险事件集。在风险调查过程中,需要查明水利枢纽曾经出现的风险事件,可采用座谈交流、头脑风暴、问卷调查、文献调查、原型监测、实验分析等多种技术手段,详细调查水利枢纽在前期规划、建设过程的存在缺陷以及国内外其他同类工程在运行过程中出现过的风险事件,查明本级水利枢纽可能存在的风险,在此基础上,对所有的风险事件分类整理。逐类、逐个地分析每个风险事件的诱因、可能造成的水利枢纽部位或(和)功能受损以及相关的风险管控措施等,绘制风险传递链路的领结图,同时还要注意拓展风险调查的范围,即:针对同类水利枢纽,从国际、国内、流域内和流域外范围,分析同类风险事件所造成的水利枢纽受损及其所涉的风险所有部位。
本实施例中,风险事件分类可以有多种方式,除了内因与外因的分类方式外,还可以按照对水利枢纽功能影响进行划分大类,譬如按照防洪、发电、航运、排沙、灌溉、供水、生态功能,或按照库区、大坝、电站、航道、船闸等水利枢纽部位,或者两者综合,譬如,库区大坝、泄流、发电、航运、生态环境和突发公共事件等,大类之内,互不隶属风险事件划归为亚类。每大类风险事件划即可作为水利枢纽运行风险的一个独立维度。
本实施例中,为方便风险管理,本发明创造性地将风险事件划分为发电风险、防洪风险、航运风险、坝体库区风险、生态风险、突发公共事件风险六类。发电风险包括但不限于电力外送系统风险对水库运用调度的影响、水电站厂房机组震动、泄洪期尾水紊流对闸门的影响、水电站大面积停电风险、水淹厂房风险、水电站重大设备设施及机组设备故障风险等;防洪风险包括但不限于水库泄洪对坝址区和周边建筑物的低频振动影响、水库泄洪振动对设备和设施的影响、异重流潜入坝前对机组和排沙的影响、水利枢纽泄洪对水利枢纽建筑物及近坝岸坡的影响、水利枢纽泄洪对升船机的影响、消力池空蚀问题;航运风险包括但不限于水利枢纽泄洪对下游航道的影响、梯级水利枢纽调度运用对下游航运的影响、支流对干流下游水位的顶托影响等;坝体库区风险包括但不限于超设计标准洪水对水利枢纽建筑物安全的影响、超设计标准地震对水利枢纽建筑物安全的影响、坝体变形对水利枢纽建筑物正常运行的影响、山体滑坡对水利枢纽(库区、坝体、机组)安全的影响、坝基渗控措施长期稳定性及对大坝安全影响、山体滑坡引起的涌浪问题等;生态风险包括但不限于水电站泄洪与发电尾水对下游鱼类的影响、水利枢纽库区排污与水动力减弱对水质的影响等;突发公共事件风险包括但不限于沉船事件、水面出现大型漂浮物等。
本实施例中,关于风险事件所涉点源的全部识别。本发明是在前期的风险领结图基础上,逐个针对单一风险事件,找出该事件风险所涉所有的触发点源(即,风险诱因),进一步地,分析各风险点源之间的输入与输出之间的关系,绘制风险传递链路。这个风险传递链的识别过程,可独立运用或结合使用综合安全评估法(FSA)、故障树分析法、系统动力学法和贝叶斯方法等风险分析法,以水利枢纽规划、建设中的缺陷而形成的隐性风险为起点,以及实际运行过程中存在的真实风险为抓手进行梳理,找出该类风险演进、演变所涉点源位置,进一步地,分析风险在单体水利枢纽以及梯级水利枢纽之间的风险传播、演变关系,连接各风险点源,从而得到风险传递的完整链路。
本实施例中,关于梯级水利枢纽运行风险的关联关系识别,本发明提出从能量传递角度来分析水利枢纽风险演变,单体水利枢纽各部位的风险主要是结构力学的传递,梯级水利枢纽之间则是主要沿水流传递和电力能量传递。这三种风险能量的传递链在水库、电站连接处交织在一起,将风险事件头尾相连,头尾衔接处既可以是同一位置/部位,也可以是水位、流量、当量应力等存在某种联系,将风险事件衔接起来,就形成相互铰接风险传递网,也就是创建了多维、立体的风险传递链路空间。
本实施例中,本发明的风险传递链的网络空间是数字化的,是能够支撑风险传递的定量分析的。
本实施例中,对风险传递链路数字化过程作进一步说明。基于已掌握的机理知识、人工经验或数据分析成果,创建风险传递的链路,相关风险传递关系的识别分析方法,包括因果分析法、综合安全评估方法(FSA)、故障树分析方法或(和)贝叶斯方法等的单独使用或综合运用,这些方法都可以用来连接风险点源,形成风险传递链路,这是开展风险传递定量分析的基础。
本实施例中,风险传递的定量分析方法可采用机理模型、数据统计分析和经验概率估计等手段,这三类模型、方法或手段应用情景有差别。机理模型所能够分析处理的风险,是已经清楚了该风险的发生机制,在现实情况下,是控制较好的一类。数据统计分析所主要处理的风险,主要是风险经常发生、风险监测的数据积累较多,能够清楚了解其因果关系,但是具体机制尚不清楚的一类风险,当然,也可以应用于机理模型所处理的风险,在一些情况下,机理模型和数据驱动模型配合使用,可以显著提高风险分析的精度。经验概率手段所处理的风险,发生频次低、很难控制,一旦发生通常会影响到水利枢纽的安全运行,此类风险,是本发明处理的重点对象。
本实施例中,风险监测子系统用于对水利枢纽运行过程中的风险状况进行监测,主要服务于后续的风险分析。本发明是在风险传递链路空间基本确定的基础上,找到需要监测关键环节,布设风险监测网络。
本实施例中,风险监测是为风险分析服务,因此风险监测网络布局需要了解风险分析方法所需数据。在本发明中,风险分析采用了两种驱动方式,即,数据驱动和事件驱动两种。
本实施例中,数据驱动利用预先设置的监测设备对水利枢纽的运行情况提供实时的监测,及时反映水利枢纽的运行情况。监测范围包括坝体、坝基、坝肩、近坝库岸以及库区,同时还包括大坝主体结构所附带的各种附属设备。在这些位置设置监测设备,保证对大坝环境的实时监控,提供监测信息,服务于风险的实时控制。除此之外,还要对梯级水利枢纽进行整体的监测,对梯级水利枢纽的运行情况进行实时的感知,监测范围包括各水库的水位、库区降雨以及库区范围内的地质情况等,形成水利枢纽内部工况、外部环境、梯级整体的一体化监测网络,为后续分析水利枢纽各部位之间的风险演变过程,绘制风险传递链路提供数据支持。
本实施例中,事件驱动是通过人工巡检发现、外部信息告知发现的风险事件。这些风险事件超出了日常监测的监测范围,无法通过自动监测设备进行警报,例如:沉船事件、地震事件等。一些事件通过人工巡检发现后进行上报,在将风险接入风险传递链路;还有一些事件在水电站的监测能力范围之外,但有可能对水利枢纽的安全运行造成影响,需要结合地质部门、气象部门发布的灾害信息进行整理,找到有可能出现事故的风险点源,然后结合风险传递链路进行后续处理。
本实施例中,风险监测子系统的监测信息包括但不限于气象、水文、地质等。此外,风险监测子系统包含常规监测与应急监测两种监测模式。水电站正常运行情况下采用常规监测模式,利用数据驱动和事件驱动两种方式对水电站运行过程中出现的风险进行监测。当遇到的风险事件较为罕见或风险发生位置较为偏僻,现有的监测信息无法满足此次风险事件评估的需要时,根据风险事件的类型、发生位置采用对应的应急监测模式。例如:库区突然出现沉船事件,常规监测设备无法对风险区域的情况进行全面的监测,则补充采用航空遥感与卫星遥感的监测方式,对风险区域进行重点监测,补充监测信息,对风险点源进行追溯以及制定对应的风险截断方案。
本实施例中,风险监测子系统通过终端监测设备及人工巡检,对水电站外部环境的变化情况及内部单元的运行情况进行监测。所收集数据包括但不限于气象数据、水文数据、地质数据等,利用边缘计算技术对收集到的信息在各个收集点进行分散式处理,提取关键信息上传至风险分析子系统。
本实施例中,风险分析子系统接收到风险监测子系统上传的信息后进行风险传递分析,确定风险发生点位,根据风险传递链路,预估风险下一步的扩散范围,推测风险由点到线到面的演进或演变过程。当风险传递链路中的某一位置发生风险后,对与之相邻的环节加强监测与防御力度,或增加监测密度、频率,增加无人机、无人船、全球导航卫星系统、三维激光扫描、微芯桩、临时站点等相关空、天、地移动监测手段。
本实施例中,风险发生后或监测到变量发生变化超出设定阈值范围,风险分析子系统将基于前述建立的风险传递链路,利用机理模型、智能学习模型和(或)人工知识经验模型,将监测到的变量输入模型,然后,对风险的传递过程进行量化分析,完整地推演整个风险传递过程,推测风险的可能导致的一切后果。所述风险传递过程的模拟分析模型,主要包括1)机理模型、2)数据驱动或智能学习模型和3)人工知识、经验概率模型三类,模型使用方式既包括模型方法的独立运用也包括联合验证使用。在实际操作过程中,首先,考虑机理模型,若已有风险部位成熟的风险传递机理经验则根据具体位置,利用机理模型进行分析,找到风险的传递后果。其次,考虑数据驱动的智能学习模型,结合历史事件的数据以及实时监测数据对风险事件进行分析模拟,找到风险的传递后果。最后,考虑人工知识经验的概率模型,当风险事件为罕见事件,历史数据不足或者风险事件的监测信息不足时,结合概率分析以及人工经验判断,找到风险的传递后果。需要说明的是,本发明中,每一风险过程的传递都要采用至少两种模型进行模拟并相互验证,确保结果的可靠。这里所述,模型即可能不同类的模型相互验证(譬如,机理模型和大数据驱动模型),也可能同类模型采用了不同方法构建的模型进行相互验证(譬如,人工智能模型中采用神经元网络学习、深度学习、知识向量机等)。
本实施例中,风险监测关键部位亦为风险分析的节点,风险监测范围包括坝体、坝基、坝肩、近坝库岸以及库区,同时还包括大坝主体结构所附带的各种附属设备,上面布设了大量传感器网络。在风险分析过程中,为了满足风险演变或演化模拟分析的需要,在模型计算中一些部位需要加密,主要通过设置虚拟节点方式实现,包括人为设置计算节点、划分计算网格等。
本实施例中,风险分析步骤如下:
1、网络定位:1)若是数据驱动,接收到监测模块的监测异常信息,按照监测信息中的监测位置坐标、监测装置变化、监测变量和风险类型等信息,在风险传递链路空间中监测所对应的节点位置。2)若是事件驱动,风险发生后,人工输入或通过专用通道输入接入本系统,通过分析收到的预警或监测信息,找到风险节点,快速在风险传递链路空间中进行定位。
2、风险链模拟:利用机理模型、智能学习模型和人工知识经验模型对风险传递过程进行分析,得到风险传递后果。根据风险监测模块提供的信息,找到风险发生的部位以及风险类型,选择对应的风险分析模型进行风险演变的模拟,通过模拟结果对风险的下一步传播位置进行分析,然后根据下一位置的具体情况选择合适的分析模型做进一步的推测。例如:当出现洪水风险时,利用水动力学模型进行模拟,对洪水可能危害到的水利枢纽位置进行分析,以模拟结果为这些位置的风险起源,对风险的下一传播位置选择对应的分析模型进行风险分析。以此类推,得到风险的传递链路及演变过程。每一个链路、每个链路所采用的模型类型以及各类型模型基于不同算法构造的模型,选取系统自动推荐(系统设计中,会对模型的应用条件进行预设,系统根据风险类型、演进/演变阶段等风险模拟需要进行特征匹配)或由专业人员根据实际情况选择,做出判断。
本实施例中,机理模型是基于人们已了解的物理机制建立的数学模型,正式被采纳前,机理模型通常需经过严格的参数率定和偏差检验。水利枢纽机理模型,包括大坝、电站、机组、闸门等专业模型,有一维、二维和三维模型之分,能够模拟风险演进/演变过程中的水流、电流和力学传递,模型计算结果与事前设置的阈值比较,可以较为准确地估计风险事故后果,如存在机理模型,通常优先考虑使用。
本实施例中,智能学习模型是大数据驱动模型,包括神经网络、深度学习、深度神经网络,知识向量机(SVM)、遗传算法、PSO等。如果历史风险数据足够多,即便人们对风险内部机制不清楚,亦借助该方法可以推断风险发生后果,与机理模型(如有)配合使用,相互校验,结果更准确。
本实施例中,大风险发生频次低,但是往往造成的后果事故却很严重。风险发生频次低,数据就会十分匮乏,此种情况,如能将人工经验转化数据变量就变得十分重要,当然,这个转化过程需要常识推理、经验推理等辅助,譬如,头脑风暴等。本发明给出了一种基于专家概率直觉性的风险贝叶斯网络构建及完善的方法。
本实施例中,机理模型和大数据驱动模型已有很多研究,下面重点对本发明所采用的风险贝叶斯网络的构建进行介绍。网络节点的传递概率确定是贝叶斯网络建模与估计风险发生概率分析的关键,当历史数据资料充足,可以通过整理历史数据创建先验概率和条件概率表,从而得到风险在各节点间的传递概率,最后计算出风险从根节点传播到叶节点的概率。如前所示,水利枢纽一些风险发生频次低,有些是百年一遇、千年一遇的风险,几乎没有监测的历史数据,其发生频次完全依靠专家或经验估计,针对此种情况,本方明在基础贝叶斯网络模型上进行改进,提出了一种基于专家概率直觉性的风险贝叶斯网络,它是对基础贝叶斯网络严重缺乏历史风险监测数据的状况下,如何确定节点概率及节点之间的传递概率,这是对贝叶斯网络建模方法发展和完善。在采用专家头脑风暴确定概率时,为了保证最终结果的公平可靠,采用概率直觉性的模糊评价算法,平衡各位专家的评价结果,保证结果的客观有效,其基于概率直觉性的风险贝叶斯方法如下:
首先,在风险传递链路空间已经构建的基础上,选择网络中的一点(即水利枢纽所研究的风险部位),收集涉及到该部位的历史风险资料,整理该部位发生风险时可能传播到的位置。根据风险部位选择合适的分析方法、设置变量,对风险的传播方向进行分析,根据风险在各节点之间的传播情况构建出风险传递的贝叶斯网络。
然后,针对历史风险资料中,不能提取风险传递概率时,建立语言测量量度表,将风险传播概率分为七个等级,由专家给出评判意见,通过模糊集理论整合专家评判意见获得风险发生概率的模糊性评分,并通过去模糊化计算得到风险的传播概率。
专家意见通常是描述性,定性的估计,将模糊、定性的语言定量化需要一定的技术处理,本发明处理专家意见的技术流程是:模糊集理论->专家估测—>模糊化—>聚合—>去模糊化。
风险传递链路之中,相邻节点之间的传播概率为下面所述变量U:U={X1,X2,...,Xn}的联合概率分布为:
其中,P(U)表示相邻节点之间的传播概率,P(·)表示联合概率,n表示节点总数,i表示节点个数,Pa(Xi)表示节点Xi的父集:
根据传播概率,计算得到节点Xi的边际概率:
其中,Xi,P(Xi)表示节点Xi的边际概率,Xj表示节点,j表示节点个数;
根据节点Xi的边际概率,针对风险部位更新时,计算得到更新后的风险传递概率:
其中,P(U/E)表示更新后的风险传递概率,P(U,E)是风险变量U和风险变量E的联合风险传递概率,P(E)表示风险变量E发生的风险传递概率;
根据更新后的风险传递概率,针对贝叶斯网络中缺少的风险概率,利用模糊集理论进行概率赋值;
建立语言测量量度表,将风险发生的可能性分为七个级别,由每一位专家对节点发生风险的概率进行评判,通过模糊集理论整合专家意见获得风险发生概率的模糊性评分,并利用去模糊化将专家评分转化为概率数,并将专家意见加入至风险传递链路中:所述去模糊化的表达式如下;
其中,X*表示风险概率,∫表示对隶属度函数积分,μi(x)表示隶属度函数,x表示变量,即模糊数,d表示积分符号,对模糊函数进行积分;
其中,模糊数a是对专家语言的不确定性描述,本发明将其分为七个级别,由低到高分别为一至七级,进行专家知识启发,其中,模糊数与专家语言量度的对应关系,见表1,表1为语言测量量度。
表1
模糊隶属度通过取0到1之间的数字来表示专家评价的不确定性,利用梯形和三角形模糊数来捕获先验概率值和条件概率值。
计算出各节点之间的传递概率,逐步搭建风险传递链路,计算模糊集理论概率,将专家意见加入到风险传递链路的搭建中,其中,一对专家意见;两种不同专家意见的一致程度(相似度);两个模糊数字之间的相似度;AA(Eu):专家的平均一致程度;RA(Eu):专家的相对同意程度;CC(Eu):专家共识系数度;专家决策的汇总结果;计算一对专家Eu(u=1到M)的意见和的一致度(相似度)
模糊性评分的具体过程如下:
计算得到M位专家的平均一致程度AA(Eu):
Eu(u=1,2,...,M)
根据平均一致程度AA(Eu),计算得到专家的相对同意程度RA(Eu):
根据专家的相对同意程度RA(Eu),计算得到专家共识系数度CC(Eu):
CC(Eu)=β·w(Eu)+(1-β)·RA(Eu)
β(0≤β≤1)是该方法的弛豫因子。它显示了w(Eu)(专家u的权重因子)对RA(Eu)的重要性。当β=为0时,忽略专家的权重因素,专家之间存在均匀分布。当β=1时,专家的共识系数(CC)与权重的显著性相同,本方明采用了β=0.5。
根据模糊概率对专家的意见进行合理的采用,风险发生后,利用真实风险数据对贝叶斯风险传递链路进行完善。
需要说明的是,贝叶斯网络模型真实应用前也是需要校验的,方法如下:贝叶斯网络构建完成后首先由专家对风险网络传播的合理性进行定性审查,为了保证专家经验概率的合理性,需要对专家经验赋值后的计算结果进行合理性检验。在数据资料充分的前提下,任选贝叶斯网络中的某一段风险传播路径,由专家经验进行概率赋值,以此概率代替基于数据驱动得到的条件概率,并对风险完整传递的概率进行计算,将新的计算结构与原计算结果进行比较,结果一致则表述专家赋值概率可取,不一致则需要进行误差分析,寻找误差出现的原因,总结经验后进行概率修正,再次进行概率赋值。若数据资料不充分,无法通过数据驱动的概率结果进行验证,则由专家对历史每次事件中的传播概率进行赋值,计算最终结果。统计历次结果的概率分布情况并计算概率均值,与当前的计算结果进行比较。若两者拟合度较高则完成贝叶斯网络的分析计算,否则进行误差分析,修正概率后进一步计算。
本实施例中,适应性模拟:为服务于风险实时控制需要,本发明的风险分析采用了动态、适应性模拟技术。风控措施实施后,风险传递链路或被改变或被延长等,因此,需要根据风险援救的进度,运用新的监测数据或者经验判断,重新开展风险演进或演变的模拟,为风控方案的优化或新风控方案制定提供技术支持。这个过程需要风险分析模块与后面的控制模块进行交互,交互方法如下:
1)通过风险分析的模拟结果,分析每条传播路径的损失情况,找到风险传递的薄弱环节,制定风险截断方案。
2)比较截断方案的投入成本与挽回的损失,找到效益最高的风险截断位置,将风险截断方案上传至风险控制子系统,进行风险截断。
3)风险控制子系统将风险的截断情况反馈至风险分析子系统,利用平行模拟的方法,对风险的下一步传播位置进行分析,风险的截断控制有多条路径可以选择,各路径之间可能会有交叉在实施控制后,保留以选择的路径,将其他选择排除。
4)针对选择的路径进行控制后,根据风险的截断情况,参考风险传递链路分析风险的下一步传播趋势,并将新的信息反馈至风险分析子系统。
若风险成功截断,则恢复水利枢纽的正常运行,若未截断,则重复2-4步,直至风险彻底截断。
本实施例中,风险分析阶段的成果是三层包围的划分:风险阶段是风险控制的根本目的。之前本发明已提出划分出三层包围,确保风险传递的彻底截断,在此基础上,本发明创造性地提出针对每一层的截断,风险截断分为三个部分,即,起点截断、中点控制、尾点恢复。
本实施例中,分层包围划分与风控原则:
第一层:风险限制在单体水利枢纽,影响防洪、发电、生态、航运、供水、排沙等功能1项以上,需要水利枢纽内部各专业配合,或许需要上、下梯级协同或电网部门配合,风险可消除;在此范围内,风险截断方案的制定,综合考虑风险控制投入成本和风控时间延迟可能造成的损失增加;
第二层:风险对单体水利枢纽产生影响,影响防洪、发电、生态、航运、供水、排沙等水利枢纽运行功能3项以上,风险需要上、下梯级协同防控可消除;在此范围内,优先考虑水利枢纽安全,保证风险传递链路的完全截断;
第三层:风险需要梯级水利枢纽联合调度,风险控制之前会影响到梯级的正常运行,会对流域管理产生影响,需要流域委进行综合调度控制风险。在此范围内调动全流域的力量进行风险控制,确保涉及风险诱因、点源和链路的彻底截断。
本实施例中,起点截断是在风险对风险承载部位造成损害之前,通过制定合理的方案进行截断,从而避免事故的发生。中点控制是指风险事件已经到达风险承载部位,通过制定合理的控制方案避免或减小风险承载部位的损害。尾点恢复是在风险事件过去后,对受灾位置进行修复,使水利枢纽恢复正常的运行状态。
如图2所示,在适应性模拟中,风险控制点位是在变化的,直观上来讲,当风险点位停止下来、不在进一步恶化,通常代表风险已经得到了有效控制。风险点位变化的实时反馈可以反映出风险截断过程中的难点和结症所在,做到对症下药,避免一概而论的风险截断方式。将风险的截断情况上传至风险分析模块,判断风险截断是否完成。若风险成功截断,则解除风险预警,并对风险波及位置以及邻近的传播节点维持一段时间的重点监测,保证风险的彻底截断。若风险未能在指定位置成功截断,则由风险分析子系统重新制定风险截断方案,再次进行风险控制,直至风险彻底截断。
本实施例中,风险控制子系统接收到风险模拟分析与三层控制范围的划定结果后,编制风险截断方案后,组织专业人员开始逐层实施风险截断。
需要注意的是,在风险截断过程中仍需时刻关注风险的传播状况,此时,需持续对水利枢纽所处的风险状态以及风险截断情况进行模拟演进。若风险的传播位置与风险截断方案中预测的位置一致则继续执行风险截断方案,若风险传播位置出现偏离,产生了新的受损部位,则将风险传播的变化情况上传至风险分析子系统,对风险截断方案进行调整,原有的风险截断方案需要优化或者调整或不在执行。
所述风险控制是建立在风险分析基础之上的,下面阐述本发明是如何实时地优选风险控制方案的:
首先,逐个对每条传播链路进行分析,找到风险传递的薄弱环节(点位),考虑风险源到演变到环节的一致时间,划分包围。
然后,针对每一个风险链路,给出风险截断方案,然后,针对设定的包围(立体空间网络),给出风险截断集合方案,可能会有多种。特别是,本发明了采用了平行模拟法,风险的下一步传播的路径可能有多条,而且各路径之间可能还会有交叉,为满足风险实时控制需要,本发明对所有可能传播链路进行同步的分析,同时加强监测数据收集,根据风险控制实施效果,保留选择路径,将其他选择排除,推进下一阶段的模拟。
下一步,建立多方案评价模型或指标体系。计算风险截断的人力、物力等资源投入成本、随时间的风险损失增加控制难度增加预判等,综合考虑多方面因素,给出风险截断方案的最优排序。
本实施例中,本发明针对该问题,提出了基于概率直觉性的模糊评价算法,如下:所述概率直觉性的模糊评价方法制定风险截断方案有以下8个步骤:
A1、根据决策者的意见分配权重。将所有决策者的意见以语言变量的形式表达,这些变量由直觉模糊数建模。
A2、利用所有决策者的评价准则,构造聚合的直觉模糊决策矩阵。
A3、计算出每个准则对应的权重。由于不可能所有的标准都同样重要,因此构建一个加权决策矩阵,其中利用了决策者对每个标准的重要性的观点。
A4、聚合加权直觉模糊决策矩阵的构建。
A5、计算出直觉模糊正理想解和直觉模糊负理想解。
A6、计算出概率分离度量。
A7、评估直觉模糊正理想解的相对接近系数。
A8、对备选方案进行排名,替代方案按降序排列,选择相对接近度最大的备选作为最佳备选方案。
本实施例中,将风险截断方案上传至风险控制子系统,进行风险截断。风险控制子系统将风险的截断情况反馈至风险分析子系统,利用平行决策的方法,对风险的下一步传播位置进行分析,然后重复风险传递分析、风险方案制定、风险截断,直至风险彻底截断为止。需要说明的是,风险发生后,监测信息不足是经常遇到的情况,特别紧急的时候,还需在地面测站常规监测的基础上,增加卫星遥感监测与航空遥感监测,对风险区域进行重点监测,补充监测数据,为风险截断方案制定提供数据基础。
本实施例中,本发明在水利枢纽运行风险实时控制系统(简称“风控系统”),进行示例说明:
首先,根据事故的诱因数量确定原因值,若一个风险事故是由一个诱因引起的,则该诱因的原因值记为1,若一个风险事故是由n个诱因引起的,则每个诱因的原因值为1/n。这种计算方法是使用分数和频率分布的基本概念的事故原因的百分比。
不同类型的风险后果差异很大,即便是同类风险事件在水利枢纽不同部位、运行不同时间段所产生的后果差异也很大。风险后果等级决定了风险控制所投入的人力、物力等资源成本,十分重要。
然后,建立了“风险指数”用于评估风险事件对水利枢纽安全运行影响,将风险事件的灾害后果划分为五个等级。一级:造成水利枢纽建筑物、设备设施永久性破坏,并导致大规模、群体性伤亡,重大财产损失,影响周边社会及区域经济、环境稳定发展;二级:可造成水利枢纽建筑物、设备、设施永久性损坏,并导致大量人员伤亡,财产较大损失和社会影响;三级:水利枢纽局部建筑物、设备、设施的局部损害,导致人员伤亡,存在一定量财产损失;四级:水利枢纽局部建筑物、设备、设施的临时性损坏,但可以修复并导致人员轻微受伤、有财产损失;五级:各方面损坏程度都小于四级。
根据风险事件的出现频率划分为五个等级。一级:频繁发生;二级:在某期限内会出现若干次;三级:在某期限内有可能发生;四级:在某期限内有可能发生但不易发生;五级:极不易发生,可认为不会发生。期限的确定根据各水利枢纽的具体情况,由专业人员进行制定。
5×5风险矩阵反映了频率大于结果的潜在变化。促进评级的排名和验证需要结果和频率指数的定义在对数尺度上。“风险指数”是由频率指数和严重程度指数结合起来,使用以下公式:
风险指数=频率指数×严重程度指数
本实施例中,根据之前整理的风险点源,找到每个类型的风险中各部位出现事故的概率,按照水力传递、结构力传递和电力传递三种传递类型分析传递链,运用贝叶斯方法创建条件概率表。以各风险事件出现的概率为先验概率,以风险诱因为父节点,对其下一步的传播方向以及概率进行计算,直至历史事件中风险传递结束停止计算。重复此操作,对所收集到的所有类型的风险事件进行概率计算,同类型的风险传递方式所得到的风险传递链路是二维的,重复计算后可以得到所有风险的有向无环风险传递链路。首先将同种风险传递方式的二维风险传递链路进行整合绘制出来,然后将三种类型的传递方式所绘制出的风险网络进行有机结合,以所有风险点源为基础,绘制出水流、电流和结构力学流传递的多维、立体风险传递链路空间。
最后,在多维、立体网络空间建立风险控制的画出包围,本发明给出的风险控制方案是包围层出的风险截断措施。设计时,本系统建立了三层包围,实际操作过程中,可以简化层数,也可以更多。第一层:风险限制在单体水利枢纽,影响防洪、发电、生态、航运、供水、排沙等功能1项以上,需要水利枢纽内部各专业配合,或许需要上、下梯级协同或电网部门配合,风险可消除;第而层:风险对单体水利枢纽产生影响,影响防洪、发电、生态、航运、供水、排沙等水利枢纽运行功能3项以上,风险需要上、下梯级协同防控可消除;第四层:风险需要梯级水利枢纽联合调度,风险控制之前会影响到梯级的正常运行,会对流域管理产生影响,需要流域委进行综合调度控制风险。
风险包围是以风险源点位中心,以前述风险管理范围的划分为基本原则,兼顾按照风险扩散的耗时(风险由源点沿路径扩散到风险包围层的耗时基本等同),在风险传递链路空间中展示包围范围,包围范围内为风险实时控制可调配的资源,风险控制方案是基于包围圈时间、圈内资源等给出,同时,后续包围的控制方案,是储备方案,提前做准备,若突破前序包围,方便后续包围圈快速调配资源。
本发明通过以上设计:
1)识别了水电站在规划、建设、运行过程中出现的问题,收集水利枢纽以往的风险事件,为清楚地能将事件分类处置,创造性提出库区大坝、泄流、发电、航运、生态环境和突发公共事件六个大类划分方法,不仅空间上完整包含了整个水利枢纽,涵括体、坝基、坝肩、近坝库岸以及库区,同时还包括大坝主体结构所附带的各种附属设备,同时兼顾了水利枢纽防洪、发电、供水、灌溉、航运、生态等功能。从多个维度考虑了水利枢纽的运行安全,包括风险对水利枢纽的物理损伤,还包括对水利枢纽功能发挥的损伤。
2)明晰了水利枢纽的风险传递机制,即沿水流传递、电流和结构力传递。首先,逐个分析风险事件传递链路,然后,运用综合安全评估方法(FSA)、故障树分析方法和(或)贝叶斯方法等连接各风险点源,最后,以水库电站为核心,水流、电流和结构力传递为纽带,形成相互铰接风险传递网,即创建了多维、立体的风险传递链路空间。
3)机理模型、数据统计分析和经验概率估计等模型、方法是一个类别,其中包括很多专业的模型、算法等,在本发明设计时,提供的是模型集合,在实际应用中,各模型的选取由专业人员根据实际情况以及现有的模型进行遴选,做出判断。
4)在已建立的风险传递链路的基础上,利用模糊集理论与贝叶斯结合的方法构建风险传递的定量分析模型,然后,采用系统动力学方法进行风险传递链路的提取,为后续风险传递分析和风险实时控制奠定基础。
5)风险的实时截断分为三个部分,起点截断、中点控制、尾点恢复。起点截断是在风险对风险承载部位造成损害之前,通过制定合理的方案进行截断,从而避免风险传播到水利枢纽,影响水利枢纽的正常运行,造成事故的发生。中点控制是指风险事件已经到达水利枢纽的风险承载部位,此时需要对风险的影响点位进行判断,分析其在三级包围圈的哪一级,通过制定合理的控制方案避免或减小风险承载部位的损害。尾点恢复是在风险事件过去后,对受灾位置进行修复,使水利枢纽恢复正常的运行状态。在起点截断、中点控制、尾点恢复三个阶段中,风险的控制信息都将实时反馈至风险方案制定部分,根据反馈信息对控制方案及时做出调整,再进行起点截断、中点控制、尾点恢复,直至风险彻底截断,水利枢纽恢复正常运行状态。
6)风险分析是动态的。根据风险监测子系统提供的信息,找到风险发生的部位以及风险类型,选择对应的风险分析子系统进行风险演变的模拟,通过模拟结果对风险的下一步传播位置进行分析,然后根据下一位置的具体情况选择合适的分析模型做进一步的推测。例如:当出现洪水风险时,利用水动力学模型进行模拟,对洪水可能危害到的水利枢纽位置进行分析,以模拟结果为这些位置的风险起源,对风险的下一传播位置选择对应的分析模型进行风险分析。以此类推,得到风险的传递链路及演变过程。
7)风险传递链路空间也是随着水利枢纽运行不断发展完善的。所述风险传递链路的构建是根据水电站内部运动机理以及人工知识经验,以智能学习网络为平台,风险传递链路采用模糊集理论与贝叶斯结合的方法,构建水利枢纽风险传递链路。利用机理模型找到风险发生位置及其传递方式,初步构建风险传递链;利用人工知识经验模型分析历史风险事件的传播路径,对风险传递链进行完善;利用将风险传递链路输入到智能学习模型中,利用机器学习算法对风险传递链路中各单元之间的关系进行深度挖掘,形成完整的风险传递链路,并通过自动学习对风险传递链路进行不断的跟新和完善,包括对已有风险单元之间的关系建立和添加新的风险单元。
8)以基础贝叶斯为基底,创建基于概率直觉性的风险贝叶斯方法,此方法可以在风险监测数据、历史资料匮乏情况下,定量分析风险发生概率,识别风险传播路径,为后续风险截断方案的制定提供依据。
实施例2
如图3所示,本发明提供了一种水利枢纽运行风险实时控制方法,其实现方法如下:
S1、风险监测阶段:构建风险传递链路,基于风险传递链路查找监测关键点,布设风险监测网络,并基于风险监测网络,通过终端监测设备及人工巡检,对水电站外部环境的变化情况及内部单元的运行情况进行实时监测;
S2、风险分析阶段:根据实时监测结果对风险传递链路进行分析,确定风险发生点,并根据风险发生点制定和筛选最优风险截断方案,并通过风险控制阶段将风险的断截情况反馈至风险分析阶段,利用平行模拟方法对风险的传播位置进行同步分析;
S3、风险控制阶段:利用最优风险截断方案进行风险截断,并将风险截断情况反馈至风险分析阶段。
如图3所示实施例提供的水利枢纽运行风险实时控制方法可以执行上述系统实施例水利枢纽运行风险实时控制系统所示的技术方案,其实现原理与有益效果类似,此处不再赘述。
本领域的技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (13)
1.一种水利枢纽运行风险实时控制系统,其特征在于,包括:
风险监测子系统,用于构建风险传递链路,基于风险传递链路查找监测关键点,布设风险监测网络,并基于风险监测网络,通过终端监测设备及人工巡检,对水电站外部环境的变化情况及内部单元的运行情况进行实时监测;
风险分析子系统,用于根据实时监测结果对风险传递链路进行分析,确定风险发生点,以及根据风险发生点制定和筛选最优风险截断方案,并通过风险控制子系统将风险的断截情况反馈至风险分析子系统,利用平行模拟方法对风险的传播位置进行同步分析;
风险控制子系统,用于利用最优风险截断方案进行风险截断,并将风险截断情况反馈至风险分析子系统。
2.根据权利要求1所述的水利枢纽运行风险实时控制系统,其特征在于,所述风险监测子系统包括利用数据驱动和事件驱动两种方式对水电站运行情况进行实时监测的正常监测模式以及在正常监测模式无法对风险区域进行全面监测时,补充采用航空遥感与卫星遥感的应急监测模式;
所述数据驱动,用于利用终端监测设备对水利枢纽内部单元的运行情况提供实时监测,及时反映水利枢纽的运行情况:
所述事件驱动,用于通过人工巡检对水电站外部环境的变化情况进行监测,并告知发现的风险事件。
3.根据权利要求2所述的水利枢纽运行风险实时控制系统,其特征在于,所述风险监测子系统包括:
识别模块,用于识别水利枢纽在规划、建设阶段的缺陷和前期运行出现的历史问题,建立水利枢纽风险事件集,并根据水利枢纽风险事件集将风险诱因出现的位置分为外因和内因;
风险传递链路绘制模块,用于根据水利枢纽风险事件集所涉及的风险诱因,分析各风险点源之间的关系,绘制风险传递链路,并基于风险传递链路查找监测关键点,布设风险监测网络;
监测模块,用于根据风险监测网络,通过终端监测设备及人工巡检对水电站外部环境的变化情况及内部单元的运行情况进行实时监测,并对实时监测信息进行更新。
4.根据权利要求3所述的水利枢纽运行风险实时控制系统,其特征在于,所述水利枢纽风险事件集包括发电风险、防洪风险、航运风险、坝体库区风险、生态风险和突发公共事件风险;
所述发电风险,包括电力外的系统风险对水库运用调度的影响、水电站厂房机组震动、泄洪期尾水紊流对闸门的影响、水电站大面积停电风险、水淹厂房风险、水电站重大设备设施及机组设备故障风险;
所述防洪风险,包括水库泄洪对坝址区和周边建筑物的低频振动影响、水库泄洪振动对设备和设施的影响、异重流潜入坝前对机组和排沙的影响、水利枢纽泄洪对水利枢纽建筑物及近坝岸坡的影响、水利枢纽泄洪对升船机的影响及消力池空蚀问题;
所述航运风险,包括水利枢纽泄洪对下游航道的影响、梯级水利枢纽调度运用对下游航运的影响及支流对干流下游水位的顶托影响;
所述坝体库区风险,包括超设计标准洪水对水利枢纽建筑物安全的影响、超设计标准地震对水利枢纽建筑物安全的影响、坝体变形对水利枢纽建筑物正常运行的影响、山体滑坡对水利枢纽安全的影响、坝基渗控措施长期稳定性和对大坝安全影响及山体滑坡引起的涌浪问题;
所述生态风险,包括水电站泄洪与发电尾水对下游鱼类的影响、水利枢纽库区排污与水动力减弱对水质的影响;
所述突发公共事件风险,包括沉船事件及水面出现大型漂浮物。
5.根据权利要求4所述的水利枢纽运行风险实时控制系统,其特征在于,所述风险传递链路绘制模块,包括:
风险点源位置查找子模块,用于根据水利枢纽风险事件集所涉及的风险诱因,以水利枢纽规划、建设中的缺陷而形成的隐性风险为起点,结合实际运行过程中存在的真实风险,查找出风险演进和演变所涉的风险点源位置;
风险传递链路构建子模块,用于分析风险在单体水利枢纽以及梯级水利枢纽之间的风险传播和演变关系,连接各风险点源,得到风险传递链路,并基于风险传递链路查找监测关键点,布设风险监测网络,其中,所述单体水利枢纽的风险传递包括结构力传递,所述梯级水利枢纽的风险传递包括水力传递和电力传递。
6.根据权利要求5所述的水利枢纽运行风险实时控制系统,其特征在于,所述风险分析子系统包括:
定位模块,用于针对数据驱动,根据接收到的异常监测信息,在风险传递链中监测所对应的风险发生点,并根据该风险发生点在风险传递链中进行定位;以及
针对事件驱动,在风险发生后,接入水利枢纽运行风险实时控制系统,并通过收到的预警或监测信号找到风险发生点,并根据该风险发生点在风险传递链中进行定位;
风险链模拟模块,用于根据定位结果,利用机理模型、智能学习模型和人工知识经验模型对风险传递过程进行模拟分析,得到风险传递结果;
风险适应性模拟模块,用于根据风险传递结果,制定风险截断方案,并利用基于概率直觉性的模糊评价方法筛选最优风险截断方案,以及通过风险控制子系统将风险断截情况反馈至风险分析子系统,并利用平行模拟方法对风险的传播位置进行同步分析。
7.根据权利要求6所述的水利枢纽运行风险实时控制系统,其特征在于,所述利用人工知识经验模型对风险传递过程进行模拟分析,其具体为:
在风险传递链路中选择水利枢纽所研究的风险部位,收集涉及到该风险部位的历史风险资料,整理该部位发生风险时传播的方向;
根据风险部位,对风险的传播方向进行分析,并根据风险在各风险发生点之间的传播情况构建风险传递的贝叶斯网络;
针对历史风险资料中,不能提取风险传递概率时,建立语言测量量度表,将风险传播概率分为七个等级,由专家给出评判意见,通过模糊集理论整合专家评判意见获得风险发生概率的模糊性评分,并通过去模糊化计算得到风险的传播概率;
基于风险传播概率,利用真实风险数据对贝叶斯网络进行更新,并利用更新后的贝叶斯网络对风险传递过程进行模拟分析,得到风险传递结果。
8.根据权利要求7所述的水利枢纽运行风险实时控制系统,其特征在于,所述计算得到风险的传播概率,其具体为:
在风险传递链路中,计算得到相邻节点之间的传播概率:
其中,P(U)表示相邻节点之间的传播概率,P(·)表示联合概率,n表示节点总数,i表示节点个数,Pa(Xi)表示节点Xi的父集;
根据相邻节点之间的传播概率,计算得到节点Xi的边际概率:
其中,Xi,P(Xi)表示节点Xi的边际概率,Xj表示节点,j表示节点个数;
根据节点Xi的边际概率,针对风险部位更新时,计算得到更新后的风险传递概率:
其中,P(U/E)表示更新后的风险传递概率,P(U,E)是风险变量U和风险变量E的联合风险传递概率,P(E)表示风险变量E发生的风险传递概率;
根据更新后的风险传递概率,针对贝叶斯网络中缺少的风险概率,利用模糊集理论进行概率赋值;
建立语言测量量度表,将风险发生的可能性分为七个级别,由每一位专家对节点发生风险的概率进行评判,通过模糊集理论整合专家评判意见获得风险发生概率的模糊性评分,并利用去模糊化将模糊性评分转化为概率数,并基于概率数,将专家评判意见加入至风险传递链路中;所述去模糊化的表达式如下;
其中,X*表示风险概率,∫表示对隶属度函数积分,μi(x)表示隶属度函数,x表示变量,即模糊数,d表示积分符号,对模糊函数进行积分;
9.根据权利要求8所述的水利枢纽运行风险实时控制系统,其特征在于,所述模糊性评分的具体过程如下:
计算得到M位专家的平均一致程度AA(Eu):
Eu(u=1,2,...,M)
根据平均一致程度AA(Eu),计算得到专家的相对同意程度RA(Eu):
根据专家的相对同意程度RA(Eu),计算得到专家共识系数度CC(Eu):
CC(Eu)=β·w(Eu)+(1-β)·RA(Eu)
其中,β表示弛豫因子,w(Eu)表示专家u的权重因子;
10.根据权利要求9所述的水利枢纽运行风险实时控制系统,其特征在于,所述风险适应性模拟模块,包括:
风险截断方案制定子模块,用于根据风险传递结果,分析每条传播路径的损失情况,制定风险截断方案;
最优风险截断方案选择子模块,用于根据风险截断方案,利用基于概率直觉性的模糊评价方法优选最优风险截断方案,并将最优风险截断方案上传至风险控制子系统;
第一反馈子模块,用于根据最优风险截断方案,通过风险控制子系统将风险的断截情况反馈至风险分析子系统,并利用平行模拟方法对风险的传播位置进行同步分析。
11.根据权利要求10所述的水利枢纽运行风险实时控制系统,其特征在于,所述最优风险截断方案包括:起点截断方案、中点控制方案和尾点恢复方案。
12.根据权利要求11所述的水利枢纽运行风险实时控制系统,其特征在于,所述最优风险截断方案选择子模块,包括:
权重分配单元,用于根据决策者的意见分配权重;
聚合直觉模糊决策矩阵构建单元,用于根据分配的权重,利用决策者的评价准则构建聚合直觉模糊决策矩阵;
权重计算单元,用于根据聚合直觉模糊决策矩阵,计算得到等级每个评价准则对应的权重;
聚合加权直觉模糊决策矩阵构建单元,用于根据等级每个评价准则对应的权重和聚合直觉模糊决策矩阵,构建聚合加权直觉模糊决策矩阵;
理想解计算单元,用于根据聚合加权直觉模糊决策矩阵,计算直觉模糊正理想解和直觉模糊负理想解;
概率分离度量计算单元,用于根据直觉模糊正理想解和直觉模糊负理想解,计算得到概率分离度量;
评估单元,用于根据概率分离度量,评估直觉模糊正理想解的相对接近系数;
筛选单元,用于根据相对接近系数对风险截断方案进行排名,选择相对接近度最大的风险截断方案作为最优风险截断方案。
13.根据权利要求1到12任一所述的一种水利枢纽运行风险实时控制系统的控制方法,其特征在于,包括以下步骤:
S1、风险监测阶段:构建风险传递链路,基于风险传递链路查找监测关键点,布设风险监测网络,并基于风险监测网络,通过终端监测设备及人工巡检,对水电站外部环境的变化情况及内部单元的运行情况进行实时监测;
S2、风险分析阶段:根据实时监测结果对风险传递链路进行分析,确定风险发生点,并根据风险发生点制定和筛选最优风险截断方案,并通过风险控制阶段将风险的断截情况反馈至风险分析阶段,利用平行模拟方法对风险的传播位置进行同步分析;
S3、风险控制阶段:利用最优风险截断方案进行风险截断,并将风险截断情况反馈至风险分析阶段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210833678.2A CN115330127A (zh) | 2022-07-15 | 2022-07-15 | 一种水利枢纽运行风险实时控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210833678.2A CN115330127A (zh) | 2022-07-15 | 2022-07-15 | 一种水利枢纽运行风险实时控制系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115330127A true CN115330127A (zh) | 2022-11-11 |
Family
ID=83917523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210833678.2A Pending CN115330127A (zh) | 2022-07-15 | 2022-07-15 | 一种水利枢纽运行风险实时控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330127A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206426A (zh) * | 2023-05-06 | 2023-06-02 | 长春市城建维护集团股份有限公司 | 一种基于物联网的移动式水位监测报警系统 |
CN117273465A (zh) * | 2023-11-15 | 2023-12-22 | 中国水利水电科学研究院 | 一种梯级水电枢纽群风险传递方法 |
CN117649156A (zh) * | 2024-01-30 | 2024-03-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 高城镇化河网全自动水环境监测方法及系统 |
-
2022
- 2022-07-15 CN CN202210833678.2A patent/CN115330127A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206426A (zh) * | 2023-05-06 | 2023-06-02 | 长春市城建维护集团股份有限公司 | 一种基于物联网的移动式水位监测报警系统 |
CN116206426B (zh) * | 2023-05-06 | 2023-07-07 | 长春市城建维护集团股份有限公司 | 一种基于物联网的移动式水位监测报警系统 |
CN117273465A (zh) * | 2023-11-15 | 2023-12-22 | 中国水利水电科学研究院 | 一种梯级水电枢纽群风险传递方法 |
CN117273465B (zh) * | 2023-11-15 | 2024-02-02 | 中国水利水电科学研究院 | 一种梯级水电枢纽群风险传递方法 |
CN117649156A (zh) * | 2024-01-30 | 2024-03-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 高城镇化河网全自动水环境监测方法及系统 |
CN117649156B (zh) * | 2024-01-30 | 2024-04-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 高城镇化河网全自动水环境监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330127A (zh) | 一种水利枢纽运行风险实时控制系统及方法 | |
CN103744850A (zh) | 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法 | |
Zhou et al. | Boosting hydropower output of mega cascade reservoirs using an evolutionary algorithm with successive approximation | |
Li et al. | Spatio-temporal difference and influencing factors of environmental adaptability measurement of human-sea economic system in Liaoning coastal area | |
CN115063020B (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 | |
CN107516167A (zh) | 城市排水一体化运行智能调度管理系统 | |
CN116341891A (zh) | 一种基于流域水电风险防控的应急管理系统 | |
CN113139737A (zh) | 一种面向全电力船舶电力系统弹性的综合评价方法 | |
Li et al. | Risk analysis of dam based on artificial bee colony algorithm with fuzzy c-means clustering | |
Wu et al. | Assessment of waterlogging risk in the deep foundation pit projects based on projection pursuit model | |
US20240086589A1 (en) | Early warning method for safety production risk of tailings pond based on risk ranking | |
CN112101737A (zh) | 基于云模型的堰塞湖开发可行性评价方法 | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
Zhang et al. | A large-group dynamic decision-making method for assessing storm surge emergency plans under hybrid information | |
CN104574218A (zh) | 一种自组织关键性能指标的建模方法和装置 | |
Nie et al. | Diagnosis of critical risk sources in the operation safety of the central route project of South-to-North water diversion based on the improved FMEA method | |
CN115496128A (zh) | 一种基于雨强-雨型特征参数联合分布的城市内涝风险预报方法 | |
Cheng et al. | Safety grade evaluation of aqueduct structure based on fuzzy cloud theory analysis | |
Mao et al. | A multi-criteria group decision-making framework for investment assessment of offshore floating wind-solar-aquaculture project under probabilistic linguistic environment | |
Saraji et al. | A novel two-stage multicriteria decision-making approach for selecting solar farm sites: A case study | |
CN116384285B (zh) | 一种多受端水域突发水污染事故应急调控方法及系统 | |
CN108038591A (zh) | 一种钢筋混凝土排水箱涵的风险评估方法 | |
Yildizbasi et al. | Using intuitionistic fuzzy TOPSIS in site selection of wind power plants in Turkey | |
CN116822728A (zh) | 基于典型相关系数和模糊Petri网络变电站防汛控制方法 | |
Lou et al. | The development and application of hydraulic engineering migration risk early warning system based on data mining |
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 |