CN115730828A - 燃气风险因素权重确定方法、装置、设备及可读存储介质 - Google Patents

Abstract

本申请提供了一种燃气风险因素权重确定方法，通过构建层次结构模型，使复杂多样的关键风险因素系统化、简单化，将层次结构模型作为自适应层次分析法的输入，能够使输出权重更为精确；另外，基于关键风险因素层次结构模型，通过自适应层次分析法进行相对权重计算和有效性检验、并基于检验结果进行层级数据调整，以及进行组合权重计算和有效性检验、并基于检验结果进行模型调整，可以得到更为精确的底层关键风险因素组合权重，进而可以对燃气管网进行准确的风险态势评估。本申请还提供了一种燃气风险因素权重确定装置、设备及计算机可读存储介质。

Description

燃气风险因素权重确定方法、装置、设备及可读存储介质

技术领域

本申请涉及控制技术领域，特别涉及一种燃气风险因素权重确定方法、装置、设备及计算机可读存储介质。

背景技术

现阶段城市燃气需求量不断成倍增长，燃气已成为城市生产、生活的主要能源之一。燃气管网系统作为输送燃气的工程设施，是城市生命线系统的重要组成部分。

极端天气气候事件的多发、强发、广发、并发，比如某地区降水异常偏多且极端性强，寒潮过程多、强度大、极端低温频现等，会造成重要基础设施特别是生命线系统的破坏，进一步加剧人民生命财产损失。

根据以往的燃气受灾情况统计显示，暴雨对燃气管道的影响占比大、影响持续，引发灾害具有滞后性，然而极端暴雨对于城市燃气系统的影响主要是引起地面塌陷，导致管网受损，对管道、调压箱、配电设备、阀室等正常运行均能造成一定的影响。比如因低温寒潮影响，我国某区域气温低，燃气管线遭多次“冻堵”，导致燃气传输受阻。因此，需要对极端天气下燃气管网风险态势进行精确的评估，并根据评估结果采取相应的应对保护措施，可以有效控制灾害演化程度、降低管网泄漏致灾损失程度，以降低事故发生的概率，从而提升城市燃气管网的安全运行水平，保障人民的生命财产安全。

发明内容

本申请提供了一种燃气风险因素权重确定方法、装置、设备及计算机可读存储介质，能够精确获取燃气关键风险因素的权重，从而对燃气管网进行准确的风险态势评估。

第一方面，本申请提供了一种燃气风险因素权重确定方法，包括：

构建层次结构模型，所述层次结构模型包含了极端天气下对燃气管网有影响的关键风险因素、以及模型不同层级中各关键风险因素之间的从属关系；

对所述层次结构模型进行逐层数据处理，得到当前层级中各关键风险因素在当前层级中的相对权重，并对相对权重的有效性进行检验；若检验不通过，则对当前层级的处理数据进行调整，直至各层级相对权重均通过检验为止；

根据所述层次结构模型各层级关键风险因素的相对权重，生成所述层次结构模型中底层各关键风险因素在所述层次结构模型中的组合权重，并对组合权重的有效性进行检验；若检验不通过，则对所述层次结构模型进行调整，并重新执行对所述层次结构模型进行逐层数据处理的步骤，直至底层组合权重通过检验为止。

可选的，所述得到当前层级中各关键风险因素在当前层级中的相对权重，包括：

确定当前层级中的各个因素集合，所述因素集合包括当前层级中隶属于同一上级因素的各个关键风险因素；对于每一因素集合，确定该因素集合中各关键风险因素在该因素集合中的相对权重。

可选的，所述确定该因素集合中各关键风险因素在该因素集合中的相对权重，包括：

为该因素集合中的各个关键风险因素构建判断矩阵，所述判断矩阵反映了该因素集合中每两个关键风险因素对燃气管网的影响对比结果；根据该因素集合对应的判断矩阵，确定该因素集合中各关键风险因素在该因素集合中的相对权重。

可选的，所述影响对比结果对应的两个关键风险因素分别被定义为第一风险因素和第二风险因素，所述影响对比结果为以下三个对比结果之一：

第一对比结果，表示所述第一风险因素对燃气管网的影响程度高于所述第二风险因素；第二对比结果，表示所述第一风险因素对燃气管网的影响程度与所述第二风险因素相同；第三对比结果，表示所述第一风险因素对燃气管网的影响程度低于所述第二风险因素。

可选的，所述根据该因素集合对应的判断矩阵，确定该因素集合中各关键风险因素在该因素集合中的相对权重，包括：

对于该因素集合对应的判断矩阵，计算该判断矩阵的最大特征值对应的特征向量，并对该特征向量进行归一化处理，得到该因素集合中各关键风险因素在该因素集合中的相对权重。

可选的，所述对相对权重的有效性进行检验，包括：

对于当前层级中的每一因素集合，根据该因素集合对应的判断矩阵的阶数和最大特征值，对该因素集合的各个关键风险因素的相对权重的有效性进行检验。

可选的，根据所述层次结构模型各层级关键风险因素的相对权重，生成所述层次结构模型中底层各关键风险因素在所述层次结构模型中的组合权重，包括：

对于所述层级结构模型底层的每一关键风险因素，将该关键风险因素的相对权重与该关键风险因素的每一上级因素的相对权重进行相乘，并将乘积作为该关键风险因素的组合权重。

可选的，所述对组合权重的有效性进行检验，包括：

根据所述层次结构模型中每一层级的相对权重检验指标，对所述层次结构模型中底层各关键风险因素的组合权重的有效性进行检验。

可选的，所述方法还包括：

获取所述层次结构模型底层中的至少两个关键风险因素对应的采集数据，并确定该采集数据在对应关键风险因素下的等级划分分数；根据该至少两个关键风险因素对应的采集数据的等级划分分数、以及该至少两个关键风险因素各自的组合权重，对该至少两个关键风险因素造成的燃气风险态势进行评估。

第二方面，本申请提供了一种燃气风险因素权重确定装置法，包括：

模型构建单元，用于构建层次结构模型，所述层次结构模型包含了极端天气下对燃气管网有影响的关键风险因素、以及模型不同层级中各关键风险因素之间的从属关系；

逐层处理单元，用于对所述层次结构模型进行逐层数据处理，得到当前层级中各关键风险因素在当前层级中的相对权重，并对相对权重的有效性进行检验；若检验不通过，则对当前层级的处理数据进行调整，直至各层级相对权重均通过检验为止；

权重确定单元，用于根据所述层次结构模型各层级关键风险因素的相对权重，生成所述层次结构模型中底层各关键风险因素在所述层次结构模型中的组合权重，并对组合权重的有效性进行检验；若检验不通过，则对所述层次结构模型进行调整，并重新利用所述逐层处理单元820对所述层次结构模型进行逐层数据处理，直至底层组合权重通过检验为止。

可选的，所述逐层处理单元在得到当前层级中各关键风险因素在当前层级中的相对权重时，具体用于：

确定当前层级中的各个因素集合，所述因素集合包括当前层级中隶属于同一上级因素的各个关键风险因素；对于每一因素集合，确定该因素集合中各关键风险因素在该因素集合中的相对权重。

可选的，所述逐层处理单元在确定该因素集合中各关键风险因素在该因素集合中的相对权重时，具体用于：

为该因素集合中的各个关键风险因素构建判断矩阵，所述判断矩阵反映了该因素集合中每两个关键风险因素对燃气管网的影响对比结果；根据该因素集合对应的判断矩阵，确定该因素集合中各关键风险因素在该因素集合中的相对权重。

可选的，所述影响对比结果对应的两个关键风险因素分别被定义为第一风险因素和第二风险因素，所述影响对比结果为以下三个对比结果之一：

第一对比结果，表示所述第一风险因素对燃气管网的影响程度高于所述第二风险因素；第二对比结果，表示所述第一风险因素对燃气管网的影响程度与所述第二风险因素相同；第三对比结果，表示所述第一风险因素对燃气管网的影响程度低于所述第二风险因素。

可选的，所述逐层处理单元在根据该因素集合对应的判断矩阵，确定该因素集合中各关键风险因素在该因素集合中的相对权重时，具体用于：

对于该因素集合对应的判断矩阵，计算该判断矩阵的最大特征值对应的特征向量，并对该特征向量进行归一化处理，得到该因素集合中各关键风险因素在该因素集合中的相对权重。

可选的，所述逐层处理单元在对相对权重的有效性进行检验时，具体用于：

对于当前层级中的每一因素集合，根据该因素集合对应的判断矩阵的阶数和最大特征值，对该因素集合的各个关键风险因素的相对权重的有效性进行检验。

可选的，所述权重确定单元在根据所述层次结构模型各层级关键风险因素的相对权重，生成所述层次结构模型中底层各关键风险因素在所述层次结构模型中的组合权重时，具体用于：

对于所述层级结构模型底层的每一关键风险因素，将该关键风险因素的相对权重与该关键风险因素的每一上级因素的相对权重进行相乘，并将乘积作为该关键风险因素的组合权重。

可选的，所述权重确定单元在对组合权重的有效性进行检验时，具体用于：

根据所述层次结构模型中每一层级的相对权重检验指标，对所述层次结构模型中底层各关键风险因素的组合权重的有效性进行检验。

可选的，所述装置还包括：风险态势评估单元，用于获取所述层次结构模型底层中的至少两个关键风险因素对应的采集数据，并确定该采集数据在对应关键风险因素下的等级划分分数；根据该至少两个关键风险因素对应的采集数据的等级划分分数、以及该至少两个关键风险因素各自的组合权重，对该至少两个关键风险因素造成的燃气风险态势进行评估。

第三方面，本申请提供了一种电子设备，包括：处理器、存储器；

所述存储器，用于存储计算机程序；

所述处理器，用于通过调用所述计算机程序，执行上述燃气风险因素权重确定方法。

第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述燃气风险因素权重确定方法。

由以上本申请提供的技术方案可见，通过构建层次结构模型，使复杂多样的关键风险因素系统化、简单化，将层次结构模型作为自适应层次分析法的输入，能够使输出权重更为精确；另外，基于关键风险因素层次结构模型，通过自适应层次分析法进行相对权重计算和有效性检验并基于检验结果进行层级数据调整，以及进行组合权重计算和有效性检验并基于检验结果进行模型调整，可以得到更为精确的底层关键风险因素组合权重，进而可以对燃气管网进行准确的风险态势评估。

附图说明

图1为本申请示出的实现燃气管网的风险因素权重确定和风险态势评估的流程示意图；

图2为本申请示出的一种燃气风险因素权重确定方法的流程示意图；

图3为本申请示出的层次结构模型示意图；

图4为本申请示出的极端寒潮层次结构模型实例示意图；

图5为本申请示出的极端暴雨层次结构模型实例示意图；

图6为本申请示出的极端寒潮天气下管线冻堵关键风险因素层次总排序权值计算结果示意图；

图7为本申请示出的燃气管网各项因素数据评级与归一化处理结果示意图；

图8为本申请示出的一种燃气风险因素权重确定装置的组成示意图；

图9为本申请示出的一种电子设备的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

在本申请实施例中，可以对极端天气下的城市燃气管网风险进行态势评估，主要包括“风险因素构建”、“权重设计”和“具体计算”三个环节，其中，“风险因素构建”和“权重设计”是该方法的核心部分，“具体计算”是该方法的使用部分。在“风险因素构建”过程中，基于案例分析、调研，结合风险分析和分类系统理论方法，将城市燃气管网的关键风险因素概括为几大类，并支持在具体分析过程中通过自适应方法构建多个层级的不同因素；在“权重设计”阶段中，将自适应层级结果与定性定量的改进层次分析法相结合，实现不同层级的关键风险因素的权重设计；在“具体计算”过程中，根据不同层级具体因素数值作为模型输入，与响应权重进行自适应权重加权，得到最终的燃气管网风险态势评估结果。

本申请实施例针对极端天气因素和燃气管网相结合，梳理出几大类关键风险因素，并根据实际计算因素差异、可操作性等情况，提出自适应层级结构与层级分析法相结合，可以适应多种场景燃气风险态势评估的要求。

需要说明的是，现有技术在分析关键风险因素时，多为人工整理、分类和总结，当关键风险因素复杂、多样时，没有将天气因素与燃气管网建立联系，没有系统梳理极端天气下对燃气管网造成影响的关键风险因素，耗时费力且容易出现误差。而本申请实施例则对复杂、多样的关键风险因素构建层次结构模型，采用自适应层次分析法把研究对象作为一个系统，按照分解、比较判断、综合的思维方式进行决策，提取出的关键风险因素更为准确、客观，将复杂问题简单化，极大的缩短了分析时间。

还需要说明的是，当前关于极端天气下燃气管网的风险态势研究方法及模型较少，其它领域风险态势分析方法多基于层级分析法是实现基于多种因素的态势判断，但通过开展极端天气下城市燃气管网关键风险因素综合分类分级，整理关键风险因素数据发现极端天气下城市燃气管网风险影响因素复杂多样，该方面研究较少。由于现有技术在极端天气下燃气风险态势评估较少且准确性不高，本申请实施例则通过自适应层次分析法获取各关键风险因素的精确权重，再通过严格的数据评级和归一化处理，最终得到准确度更高的极端天气燃气管网风险态势评估结果。

参见图1所示的实现燃气管网的风险因素权重确定和风险态势评估的流程示意图，下面分为两部分对本申请实施例进行具体介绍，首先介绍燃气管网风险因素的权重确定方法(即图1左侧部分)，然后介绍燃气管网风险态势评估方法(即图1右侧部分)。

参见图2，为本申请实施例提供的一种燃气风险因素权重确定方法的流程示意图，该方法包括以下步骤S201-S203：

S201：构建层次结构模型，该层次结构模型包含了极端天气下对燃气管网有影响的关键风险因素、以及模型不同层级中各关键风险因素之间的从属关系。

需要说明的是，“风险综合分类分级”是系统管理学中“分级管理”思想在风险分类实践中的具体应用，其具有科学性、系统性、完整性、层次性、兼容性和可扩展性原则。因此，本申请实施例可以借鉴“风险综合分类分级”的思想，开展极端天气下城市燃气管网关键风险影响因素综合分类分级，整理关键风险因素数据，对风险及影响因素进行判断、归类，构造关键风险因素层次结构模型，该层次结构模型包含n(n为整数且n≥2)层结构，能够包含丰富的关键风险因素，并进行详细归类，该层次结构模型作为权重计算的输入，支持多层级自适应权重计算。

如图3所示的层次结构模型示意图，该层次结构模型为数据结构模型，作为图1中自适应层次分析法的输入，其中，自适应是指可以根据因素层级结构，实现支持多层级因素的架构搭建，并进行各层级因素权重计算的定性因素权重计算方法。

为便于理解，下面结合例子对层次结构模型进行具体介绍。

对燃气管网影响的主要极端天气类型包括寒潮天气和暴雨天气，这里对两种极端天气导致的燃气管网受灾事件进行举例说明，梳理两种类型下燃气管网的主要风险因素。其中，其核心因素类型为气象环境要素、地理环境要素、管网设备要素、社会环境要素和设备状态要素这五类。

参见图4所示的极端寒潮层次结构模型实例示意图，寒潮天气下燃气管网可能出现管道冻堵、断裂设备失效等情况，可将影响因素分为气象、地理、管网、社会环境和设备状态五大要素，每一影响因素下还包括影响管道冻堵的一个或多个相关因素，比如气象环境要素下包括与气象相关的当前气温、低温持续时间和地温这3个因素。类似的，参见图5所示的极端暴雨层次结构模型实例示意图，极端暴雨可能导致管道被冲刷断裂，可将影响因素分为气象、地理、管网、社会环境和设备状态五大要素，每一影响因素下还包括影响管线断裂的一个或多个相关因素，比如气象环境要素下包括与气象相关的降雨量和降雨时长这2个因素。

S202：对层次结构模型进行逐层数据处理，得到当前层级中各关键风险因素在当前层级中的相对权重，并对相对权重的有效性进行检验；若检验不通过，则对当前层级的处理数据进行调整，直至各层级相对权重均通过检验为止。

需要说明的是，在对层次结构模型进行逐层数据处理时，如果层次结构模型的第一层只有一个关键风险因素(比如图4所示的极端寒潮管线冻堵、或图5所示的极端暴雨管线断裂)，可以从第二层开始进行逐层处理，并将正在处理的层级定义为当前层级，从而得到当前层级中每一关键风险因素在当前层级中的相对权重，其中，该相对权重表示其对应的关键风险因素在当前层级中对燃气管网的风险影响程度，即当前层级中每一关键风险因素的权重大小是与当前层级中其它关键风险因素相对的。

在本申请实施例中，可以采用图1所示的自适应层次分析法，自适应获取输入的层次结构模型的层数n，再对层次结构模型进行逐层数据处理，通过层次分析法逐步计算出所有底层关键风险因素的权值。

在本申请实施例的一种实现方式中，S202中的“得到当前层级中各关键风险因素在当前层级中的相对权重”，可以包括S2021-S2022：

S2021：确定当前层级中的各个因素集合，该因素集合包括当前层级中隶属于同一上级因素的各个关键风险因素。

例如，在图4和图5的第二层中，“气象环境要素、地理环境要素、管网设备要素、社会环境要素和设备状态要素”构成一个因素集合；又例如，在图4的第三层中，“当前气温、低温持续时间、地温”构成一个因素集合；在图5的第三层中，“降雨量、降雨时长”构成一个因素集合。

S2022：对于每一因素集合，确定该因素集合中各关键风险因素在该因素集合中的相对权重。

其中，该相对权重表示其对应的关键风险因素在该因素集合中对燃气管网的风险影响程度，即该因素集合中每一关键风险因素的权重大小是与该因素集合中其它关键风险因素相对的。

在一种实现方式中，S2022具体可以包括以下步骤A1-A2：

A1：对于每一因素集合，为该因素集合中的各个关键风险因素构建判断矩阵，该判断矩阵反映了该因素集合中每两个关键风险因素对燃气管网的影响对比结果；

A2：根据该因素集合对应的判断矩阵，确定该因素集合中各关键风险因素在该因素集合中的相对权重。

在步骤A1，将影响对比结果对应的两个关键风险因素分别定义为第一风险因素和第二风险因素，则该影响对比结果为以下三个对比结果之一：

第一对比结果，表示第一风险因素对燃气管网的影响程度高于第二风险因素；第二对比结果，表示第一风险因素对燃气管网的影响程度与第二风险因素相同；第三对比结果，表示第一风险因素对燃气管网的影响程度低于第二风险因素。

具体来讲，在本实现方式中，对于每一因素集合，先为该因素集合中的各个关键风险因素构建判断矩阵。例如，在图4中，为第二层的五大因素构造两两判断矩阵，接着为第三层气象环境要素下级的“当前温度、低温持续时间和地温”构造两两判断矩阵，如此依次构造地理环境要素、管网设备要素、社会环境要素和设备状态要素下级的关键风险因素的两两判断矩阵。需要说明的是，同一层级的判断矩阵可以依次构造、也可同时构造。

在构造判断矩阵时，具体可能构造标度为1、0、-1的两两判断矩阵，如公式(1)所示：

式中，C_mj为某因素集合中第一风险因素f_m和第二风险因素f_j对燃气管网的的影响对比结果，m和j为第一风险因素f_m和第二风险因素f_j的下标序号，是小于n的数字，此处的n表示该因素集合的总个数，比如该因素集合包括图4或图5中的5个因素，则n＝5。

需要说明的是，关于判断矩阵中的每一数值，可基于式(1)通过专家决策进行工人判断得到，也可基于式(1)按照某种预设判断规则进行自动判断得到，之后，基于判断结果构造判断矩阵。

例如，对图4中“极端寒潮管线冻堵”下级指标“气象、地理、管网、社会环境和设备状态”因素构造判断矩阵，以得出气象环境对冻堵的影响程度优于地理环境，所以，如下表格1所示，在第一行第二列填1，反之在第二行第一列填-1，由于气象环境与气象环境自身优劣相同，所以在第一行第一列填0。如此进行两两因素判断，以构建由1、0、-1组成的判断矩阵。

表1极端寒潮管线冻堵下级指标两两判断矩阵构建

类似的，对图4中“气象环境要素”下级指标“当前气温、低温持续时间和地温”因素构造判断矩阵，以得出地温对冻堵影响程度优于当前气温，所以，如下表格2所示，在第一行第二列填1，反之在第二行第一列填-1，由于地温与地温自身优劣相同，所以在第一行第一列填0。如此进行两两因素判断，以构建由1、0、-1组成的判断矩阵。

表2极端寒潮管线冻堵下级指标两两判断矩阵构建

关键风险因素	地温	当前气温	低温持续时间
				地温	0	1	1
当前气温	-1	0	1
				低温持续时间	-1	-1	0

需要说明的是，本申请实施例是按照1、0、-1这三个标度来构造判断矩阵，但如果有很多标度比如1-9标度，则重要程度分级较多，主观成分较多，然而大多数情况下，人们也不能很好的度量各因素的重要程度具体处于哪个标度范围内，以至于关键风险因素重要程度分级不准确，进而导致输出的权重结果不精确，但采用本申请实施例的三个标度可以有效解决上述问题。

还需要说明的是，本申请实施例通过基础层次分析法思想构建判断矩阵，由标度1,0，-1构建判断矩阵，通过两两比较矩阵搭建同一层级所有因素定性到定量评价过程，再通过后续内容进行层次排序组合权重计算和一致性检验，各关键风险因素的权重更为精确。

如图1所示，当为某因素集合构造了判断矩阵后，可以基于该判断矩阵，对该因素集合中的各个关键风险因素进行层次单排序相对权值计算。在一种实现方式中，上述步骤A2中的“根据该因素集合对应的判断矩阵，确定该因素集合中各关键风险因素在该因素集合中的相对权重”，具体可以包括：对于该因素集合对应的判断矩阵，计算该判断矩阵的最大特征值对应的特征向量，并对该特征向量进行归一化处理，得到该因素集合中各关键风险因素在该因素集合中的相对权重。

在本实现方式中，层次单排序相对权值计算，是从层次结构模型的底层因素往上依次计算所有关键风险因素的权值。具体地，依次计算构建的两两判断矩阵最大特征值对应的特征向量，并对特征向量进行归一化处理，即得到层次单排序相对权值，。

以图4寒潮天气为例，计算寒潮天气下管线冻堵关键风险因素层次单排序相对权值。如下表3-表7所示的寒潮天气下最底层层次单排序因素矩阵取值及权重计算结果，依次对应于图4第二层从左往右数第(1-5)个关键风险因素的下级所有因素；如下表8为寒潮天气下第二层层次单排序因素矩阵取值及权重计算结果。

表3

关键风险因素	地温	当前气温	低温持续时间	权值
					地温	0	1	1	0.56274
当前气温	-1	0	1	0.28892
					低温持续时间	-1	-1	0	0.14834

表4

关键风险因素	土壤含水量	土壤腐蚀性	权值
				土壤含水量	0	1	0.73106
土壤腐蚀性	-1	0	0.26894

表5

关键风险因素	防护措施	埋深	结构	位置	材质	管径	长度	权值
									防护措施	0	1	1	1	1	1	1	0.28742
埋深	-1	0	1	1	1	1	1	0.21599
									结构	-1	-1	0	1	1	1	1	0.16231
位置	-1	-1	-1	0	1	1	1	0.12197
									材质	-1	-1	-1	-1	0	1	1	0.09166
管径	-1	-1	-1	-1	-1	0	1	0.06888
									长度	-1	-1	-1	-1	-1	-1	0	0.05176

表6

关键风险因素	是否有清管作业	投产前干燥质量	供气用户数量	权值
					是否有清管作业	0	1	1	0.56274
投产前干燥质量	-1	0	1	0.28892
					供气用户数量	-1	-1	0	0.14834

表7

表8

如图1所示，当完成层次单排序相对权重计算后，然后进行层次单排序一致性检验，一致性是指针对各个因素集合的所有取值和计算过程符合比较逻辑、权重计算结果可以被接受。若一致性检验通过，则继续后续步骤S203；若一致性检验不通过，需要重新构造判断矩阵，重新进行层次单排序相对权重计算和一致性检验。

在本申请实施例的一种实现方式中，S202中的“对相对权重的有效性进行检验”，可以包括：对于当前层级中的每一因素集合，根据该因素集合对应的判断矩阵的阶数和最大特征值，对该因素集合的各个关键风险因素的相对权重的有效性进行检验。

在本实现方式中，为了使相对权重的计算结果具有有效性，应使判断矩阵的合理性和不一致程度在容许范围内，因此，需要进行一致性检验。由于一个因素集合对应一个判断矩阵，每个判断矩阵可以对应计算一个一致性指标，可按照下面公式(2)计算一致性指标:

式中，n为判断矩阵的阶数，λ_max为判断矩阵的最大特征值；CI＝0时具有完全一致性；CI越大，不一致性越严重。

然后，按照下面公式(3)计算一致性比率：

其中，RI为随机性指标，参照表9如下：

表9RI随机性指标

矩阵阶数	1	2	3	4	5	6	7	8	9	10	11
												RI	0	0	0.58	0.9	1.12	1.24	1.32	1.41	1.45	1.48	1.51

RI根据判断矩阵的阶数取值，通过公式(2)、(3)计算出CR。当CR<0.1时，则通过一致性检验，反之则不通过，不通过则需要对判断矩阵进行比较和调整，直到一致性检验通过为止。

需要说明的是，关于S202中提及的“若检验不通过，则对当前层级的处理数据进行调整，直至各层级相对权重均通过检验为止”，具体来讲，当采用对当前层级的各个因素集合构造判断矩阵的方式来进行数据处理时，若构造的判断矩阵未通过一致性检验，则说明构造的判断矩阵以及基于该判断矩阵计算的相对权重不合理，即判断矩阵的取值和计算过程不符合比较逻辑、相对权重计算结果不被接受，即相对权重不能真实反映其对应的关键风险因素(在所属因素合理中)对燃气管网的风险影响程度，因此，需要对判断矩阵(该判断矩阵即为对应因素集合的处理数据)进行调整，并重新基于调整后的判断矩阵进行权重计算和一致性检验。如此操作，直至层次结构模型的每一层级的每一因素集合的判断矩阵均通过一致性检验为止，之后执行步骤S203。

S203：根据层次结构模型各层级关键风险因素的相对权重，生成层次结构模型中底层各关键风险因素在层次结构模型中的组合权重，并对组合权重的有效性进行检验；若检验不通过，则对层次结构模型进行调整，并重新执行步骤S202，直至底层组合权重通过检验为止。

其中，组合权重表示其对应的关键风险因素在整个层次结构模型中对燃气管网的风险影响程度。

在本申请实施例中，由于层次结构模型底层的各关键风险因素分别隶属于一层或多层上级因素，因此，可以根据层次结构模型各层级关键风险因素的相对权重，生成层次结构模型底层各关键风险因素的组合权重，即，实现图1所示的层次总排序组合权重计算。需要说明的是，如果模型第一层级只有一个因素(如图4和图5所示)，则该因素权重为1，该权重1可参与组合权重的计算、也可不参与组合权重的计算。

在本申请实施例的一种实现方式中，S203中的“根据层次结构模型各层级关键风险因素的相对权重，生成层次结构模型中底层各关键风险因素在层次结构模型中的组合权重”，可以包括：对于层级结构模型底层的每一关键风险因素，将该关键风险因素的相对权重与该关键风险因素的每一上级因素的相对权重进行相乘，并将乘积作为该关键风险因素的组合权重。

举例说明本实现方式，如图4所示的层次结构模型，第三层即为模型底层，对于底层关键风险因素“当前气温”，该因素的上级因素分别为“气象环境要素”和“极端寒潮管线冻堵”，“极端寒潮管线冻堵”的相对权重可以默认为1，可不参与计算，因此，可以将“气象环境要素”的相对权重与“当前气温”的相对权重进行权值相乘，得到“当前气温”的组合权重。类似的，可以按此方式计算其它底层关键风险因素的组合权重。

参见图6所示的极端寒潮天气下管线冻堵关键风险因素层次总排序权值计算结果示意图，图中C1-C19依次为图4底层关键风险因素“地温、当前气温、低温持续时间、土壤含水量、土壤腐蚀性、防护措施、埋深、结构、位置、材质、管径、长度、是否有清管作业、投产前干燥质量、供气用户数量、管内气压、气流速度、气源水露点、服役时长”的组合权重。

如图1所示，当进行层次总排序组合权重计算后，需要进行层次总排序一致性检验，即，检验组合权重是否真实反映其对应的底层关键风险因素(在整个层次结构模型中)对燃气管网的风险影响程度。

因此，在本申请实施例的一种实现方式中，S203中的“对组合权重的有效性进行检验”，可以包括：根据层次结构模型中每一层级的相对权重检验指标，对层次结构模型中底层各关键风险因素的组合权重的有效性进行检验。

在本实现方式中，当进行层次总排序一致性检验时，若层次结构模型的第一层只有一个因素，则可以将第二层每一关键风险因素的CI分别与其下级所有关键风险因素的CI取乘积值后求和，得到CI_总，其中，CI为上述采用公式(2)计算得到的一致性指标。也就是说，对于模型底层的每一关键风险因素，将该关键风险因素对应的CI值与其每一上级因素的CI值相乘，得到M(M为底层关键风险因素的个数)个CI乘积值，然后将这M个CI乘积值求和，即为CI_总。

类似的，将第二层每一关键风险因素的RI分别与其下级所有关键风险因素的RI取乘积值后求和，得到RI_总，其中，RI为查表9得到的随机性指标。也就是说，对于模型底层的每一关键风险因素，将该关键风险因素对应的RI值与其每一上级因素的RI值相乘，得到M(M为底层关键风险因素的个数)个RI乘积值，然后将这M个RI乘积值求和，即为RI_总。

然后，将CI_总和RI_总带入公式(3)求出总的CR值，若该总的CR<0.1，则通过一致性检验，反之则不通过，不通过则需要对层次结构模型进行调整，进而对判断矩阵进行比较和调整，直到一致性检验通过为止。

可见，当进行层次总排序一致性检验后，若检验不通过，则对层次结构模型进行调整，并重新执行步骤S202及其后续步骤，直至检验通过为止，此时得到底层各个关键风险因素的组合权重。

基于以上内容可知，本申请实施例采用自适应层次分析法，能够自适应获取输入的层次结构模型的层数n，再通过层次分析法计算出所有底层关键因素的权值。具体地，自适应获取层次结构模型的层数n，逐层构造判断矩阵，按照上一层所决定的下一层所有关键因素构造判断矩阵，每一个判断矩阵都需要经过一致性检验，当CR<0.1时则通过一致性检验，反之不通过则重新构造判断矩阵，直到满足一致性；其中，先进行层次单排序权重计算和一致性检验，所有判断矩阵都通过一致性检验后，再进行层次总排序一次性检验，层次总排序一致性检验全部通过之后，获得底层关键风险因素的组合权重。

需要说明的是，如果以固定层结构模型作为自适应层次分析法的输入，则由于固定层结构模型不具有可扩展性，无法完全获取丰富多样的关键风险因素，尤其是极端天气下对燃气管网影响的关键因素，进而导致输出结果不够准确。而本申请实施例采用的是非固定层级结构模型，需要不断对层级结构模型及其判断矩阵进行调整，从而可以输出准确的权重结果。

在以上本申请实施例提供的燃气风险因素权重确定方法中，通过构建层次结构模型，使复杂多样的关键风险因素系统化、简单化，将层次结构模型作为自适应层次分析法的输入，能够使输出权重更为精确；另外，基于关键风险因素层次结构模型，通过自适应层次分析法进行相对权重计算和有效性检验并基于检验结果进行层级数据调整，以及进行组合权重计算和有效性检验并基于检验结果进行模型调整，可以得到更为精确的底层关键风险因素组合权重。

进一步地，当得到层次结构模型底层各个关键风险因素的组合权重后，可以基于这些组合权重，对燃气管网风险态势进行评估。

因此，本申请实施例还可以包括：获取层次结构模型底层中的至少两个关键风险因素对应的采集数据，并确定该采集数据在对应关键风险因素下的等级划分分数；根据该至少两个关键风险因素对应的采集数据的等级划分分数、以及该至少两个关键风险因素各自的组合权重，对该至少两个关键风险因素造成的燃气风险态势进行评估。

具体来讲，如图1所示的右侧部分，本申请实施例可以基于输入的底层关键风险因素数据，严格按照关键风险因素数据所属等级进行评分并进行归一化处理，将归一化处理结果与底层关键风险因素的组合权重结合，从而输出燃气管网风险态势评估结果。

当将m个底层关键风险因素各自对应的采集数据进行严格的数据评级，再通过评级等级/最高的评级等级进行归一化处理，得到G＝[g1,g2,g3,…,gm]后，结合关键风险因素组合权重得到风险态势评估结果，计算公式为：

E＝sum(W*G) (4)

其中，G为m个底层关键风险因素各自对应的采集数据的归一化处理结果；W为m个底层关键风险因素各自对应的组合权重；W*G表示m个底层关键风险因素各自对应的归一化处理结果和组合权重进行对应相乘。

以图4所示的寒潮天气为例，参见图7所示的燃气管网各项因素数据评级与归一化处理结果示意图。在图7中，有2个关键风险因素，模拟数据即为上述采集数据，将图7中的关键风险因素组合权重结合数据评级与归一化结果，通过公式(4)计算得到风险态势评估得分E如表格10所示：

表10风险态势评估得分

输入数据	模拟数据1	模拟数据2	模拟数据3
				评估得分	0.70	0.51	0.41

根据所得评分E的值对风险态势进行评估，评估范围在0-1之间，评分越接近1说明风险越大。根据评估得分可知，第一组数据对应的管道冻堵风险最大，第二组数据对应的管道发生冻堵的风险次之，第三组数据对应的管道发生冻堵的风险最小。该输出结果与实际预期的风险结果一致。

可见，本申请实施例可以将模拟数据进行严格的数据评级与归一化处理，从而获取更为准确地风险等级划分，结合精确的关键风险因素权重计算出总得分，从而对极端天气下燃气管网风险态势进行评估。

参见图8，为本申请示出的一种燃气风险因素权重确定装置的组成示意图，该装置包括：

模型构建单元810，用于构建层次结构模型，所述层次结构模型包含了极端天气下对燃气管网有影响的关键风险因素、以及模型不同层级中各关键风险因素之间的从属关系；

逐层处理单元820，用于对所述层次结构模型进行逐层数据处理，得到当前层级中各关键风险因素在当前层级中的相对权重，并对相对权重的有效性进行检验；若检验不通过，则对当前层级的处理数据进行调整，直至各层级相对权重均通过检验为止；

权重确定单元830，用于根据所述层次结构模型各层级关键风险因素的相对权重，生成所述层次结构模型中底层各关键风险因素在所述层次结构模型中的组合权重，并对组合权重的有效性进行检验；若检验不通过，则对所述层次结构模型进行调整，并重新利用所述逐层处理单元820对所述层次结构模型进行逐层数据处理，直至底层组合权重通过检验为止。

在本申请实施例的一种实现方式中，所述逐层处理单元820在得到当前层级中各关键风险因素在当前层级中的相对权重时，具体用于：

确定当前层级中的各个因素集合，所述因素集合包括当前层级中隶属于同一上级因素的各个关键风险因素；

对于每一因素集合，确定该因素集合中各关键风险因素在该因素集合中的相对权重。

在本申请实施例的一种实现方式中，所述逐层处理单元820在确定该因素集合中各关键风险因素在该因素集合中的相对权重时，具体用于：

为该因素集合中的各个关键风险因素构建判断矩阵，所述判断矩阵反映了该因素集合中每两个关键风险因素对燃气管网的影响对比结果；

根据该因素集合对应的判断矩阵，确定该因素集合中各关键风险因素在该因素集合中的相对权重。

在本申请实施例的一种实现方式中，所述影响对比结果对应的两个关键风险因素分别被定义为第一风险因素和第二风险因素，所述影响对比结果为以下三个对比结果之一：

第一对比结果，表示所述第一风险因素对燃气管网的影响程度高于所述第二风险因素；第二对比结果，表示所述第一风险因素对燃气管网的影响程度与所述第二风险因素相同；第三对比结果，表示所述第一风险因素对燃气管网的影响程度低于所述第二风险因素。

在本申请实施例的一种实现方式中，所述逐层处理单元820在根据该因素集合对应的判断矩阵，确定该因素集合中各关键风险因素在该因素集合中的相对权重时，具体用于：

对于该因素集合对应的判断矩阵，计算该判断矩阵的最大特征值对应的特征向量，并对该特征向量进行归一化处理，得到该因素集合中各关键风险因素在该因素集合中的相对权重。

在本申请实施例的一种实现方式中，所述逐层处理单元820在对相对权重的有效性进行检验时，具体用于：

对于当前层级中的每一因素集合，根据该因素集合对应的判断矩阵的阶数和最大特征值，对该因素集合的各个关键风险因素的相对权重的有效性进行检验。

在本申请实施例的一种实现方式中，所述权重确定单元830在根据所述层次结构模型各层级关键风险因素的相对权重，生成所述层次结构模型中底层各关键风险因素在所述层次结构模型中的组合权重时，具体用于：

对于所述层级结构模型底层的每一关键风险因素，将该关键风险因素的相对权重与该关键风险因素的每一上级因素的相对权重进行相乘，并将乘积作为该关键风险因素的组合权重。

在本申请实施例的一种实现方式中，所述权重确定单元830在对组合权重的有效性进行检验时，具体用于：

根据所述层次结构模型中每一层级的相对权重检验指标，对所述层次结构模型中底层各关键风险因素的组合权重的有效性进行检验。

在本申请实施例的一种实现方式中，所述装置还包括：

风险态势评估单元，用于获取所述层次结构模型底层中的至少两个关键风险因素对应的采集数据，并确定该采集数据在对应关键风险因素下的等级划分分数；根据该至少两个关键风险因素对应的采集数据的等级划分分数、以及该至少两个关键风险因素各自的组合权重，对该至少两个关键风险因素造成的燃气风险态势进行评估。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本申请实施例还提供了一种电子设备，该电子设备的结构示意图如图9所示，该电子设备9000包括至少一个处理器9001、存储器9002和总线9003，至少一个处理器9001均与存储器9002电连接；存储器9002被配置用于存储有至少一个计算机可执行指令，处理器9001被配置用于执行该至少一个计算机可执行指令，从而执行如本申请中任意一个实施例或任意一种可选实施方式提供的任意一种燃气风险因素权重确定方法的步骤。

进一步，处理器9001可以是FPGA(Field－Programmable Gate Array，现场可编程门阵列)或者其它具有逻辑处理能力的器件，如MCU(Microcontroller Unit，微控制单元)、CPU(Central Process Unit，中央处理器)。

应用本申请实施例，通过构建层次结构模型，使复杂多样的关键风险因素系统化、简单化，将层次结构模型作为自适应层次分析法的输入，能够使输出权重更为精确；另外，基于关键风险因素层次结构模型，通过自适应层次分析法进行相对权重计算和有效性检验并基于检验结果进行层级数据调整，以及进行组合权重计算和有效性检验并基于检验结果进行模型调整，可以得到更为精确的底层关键风险因素组合权重。

本申请实施例还提供了另一种计算机可读存储介质，存储有计算机程序，该计算机程序用于被处理器执行时实现本申请中任意一个实施例或任意一种可选实施方式提供的任意一种燃气风险因素权重确定方法的步骤。

本申请实施例提供的计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(RandomAccess Memory，随即存储器)、EPROM(Erasable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读存储介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。

应用本申请实施例，通过构建层次结构模型，使复杂多样的关键风险因素系统化、简单化，将层次结构模型作为自适应层次分析法的输入，能够使输出权重更为精确；另外，基于关键风险因素层次结构模型，通过自适应层次分析法进行相对权重计算和有效性检验并基于检验结果进行层级数据调整，以及进行组合权重计算和有效性检验并基于检验结果进行模型调整，可以得到更为精确的底层关键风险因素组合权重。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (12)

1.一种燃气风险因素权重确定方法，其特征在于，包括：

构建层次结构模型，所述层次结构模型包含了极端天气下对燃气管网有影响的关键风险因素、以及模型不同层级中各关键风险因素之间的从属关系；

对所述层次结构模型进行逐层数据处理，得到当前层级中各关键风险因素在当前层级中的相对权重，并对相对权重的有效性进行检验；若检验不通过，则对当前层级的处理数据进行调整，直至各层级相对权重均通过检验为止；

根据所述层次结构模型各层级关键风险因素的相对权重，生成所述层次结构模型中底层各关键风险因素在所述层次结构模型中的组合权重，并对组合权重的有效性进行检验；若检验不通过，则对所述层次结构模型进行调整，并重新执行对所述层次结构模型进行逐层数据处理的步骤，直至底层组合权重通过检验为止。

2.根据权利要求1所述的方法，其特征在于，所述得到当前层级中各关键风险因素在当前层级中的相对权重，包括：

确定当前层级中的各个因素集合，所述因素集合包括当前层级中隶属于同一上级因素的各个关键风险因素；

对于每一因素集合，确定该因素集合中各关键风险因素在该因素集合中的相对权重。

3.根据权利要求2所述的方法，其特征在于，所述确定该因素集合中各关键风险因素在该因素集合中的相对权重，包括：

为该因素集合中的各个关键风险因素构建判断矩阵，所述判断矩阵反映了该因素集合中每两个关键风险因素对燃气管网的影响对比结果；

根据该因素集合对应的判断矩阵，确定该因素集合中各关键风险因素在该因素集合中的相对权重。

4.根据权利要求3所述的方法，其特征在于，所述影响对比结果对应的两个关键风险因素分别被定义为第一风险因素和第二风险因素，所述影响对比结果为以下三个对比结果之一：

第一对比结果，表示所述第一风险因素对燃气管网的影响程度高于所述第二风险因素；第二对比结果，表示所述第一风险因素对燃气管网的影响程度与所述第二风险因素相同；第三对比结果，表示所述第一风险因素对燃气管网的影响程度低于所述第二风险因素。

5.根据权利要求3所述的方法，其特征在于，所述根据该因素集合对应的判断矩阵，确定该因素集合中各关键风险因素在该因素集合中的相对权重，包括：

对于该因素集合对应的判断矩阵，计算该判断矩阵的最大特征值对应的特征向量，并对该特征向量进行归一化处理，得到该因素集合中各关键风险因素在该因素集合中的相对权重。

6.根据权利要求3所述的方法，其特征在于，所述对相对权重的有效性进行检验，包括：

对于当前层级中的每一因素集合，根据该因素集合对应的判断矩阵的阶数和最大特征值，对该因素集合的各个关键风险因素的相对权重的有效性进行检验。

7.根据权利要求1所述的方法，其特征在于，根据所述层次结构模型各层级关键风险因素的相对权重，生成所述层次结构模型中底层各关键风险因素在所述层次结构模型中的组合权重，包括：

对于所述层级结构模型底层的每一关键风险因素，将该关键风险因素的相对权重与该关键风险因素的每一上级因素的相对权重进行相乘，并将乘积作为该关键风险因素的组合权重。

8.根据权利要求1所述的方法，其特征在于，所述对组合权重的有效性进行检验，包括：

根据所述层次结构模型中每一层级的相对权重检验指标，对所述层次结构模型中底层各关键风险因素的组合权重的有效性进行检验。

9.根据权利要求1-8任一项所述的方法，其特征在于，所述方法还包括：

获取所述层次结构模型底层中的至少两个关键风险因素对应的采集数据，并确定该采集数据在对应关键风险因素下的等级划分分数；

根据该至少两个关键风险因素对应的采集数据的等级划分分数、以及该至少两个关键风险因素各自的组合权重，对该至少两个关键风险因素造成的燃气风险态势进行评估。

10.一种燃气风险因素权重确定装置，其特征在于，包括：

模型构建单元，用于构建层次结构模型，所述层次结构模型包含了极端天气下对燃气管网有影响的关键风险因素、以及模型不同层级中各关键风险因素之间的从属关系；

逐层处理单元，用于对所述层次结构模型进行逐层数据处理，得到当前层级中各关键风险因素在当前层级中的相对权重，并对相对权重的有效性进行检验；若检验不通过，则对当前层级的处理数据进行调整，直至各层级相对权重均通过检验为止；

权重确定单元，用于根据所述层次结构模型各层级关键风险因素的相对权重，生成所述层次结构模型中底层各关键风险因素在所述层次结构模型中的组合权重，并对组合权重的有效性进行检验；若检验不通过，则对所述层次结构模型进行调整，并重新利用所述逐层处理单元对所述层次结构模型进行逐层数据处理，直至底层组合权重通过检验为止。

11.一种电子设备，其特征在于，包括：处理器、存储器；

所述存储器，用于存储计算机程序；

所述处理器，用于通过调用所述计算机程序，执行如权利要求1-9中任一项所述的燃气风险因素权重确定方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9任一项所述的燃气风险因素权重确定方法。

Images