CN116090839A - 水资源耦合系统多重风险分析与评估方法及系统 - Google Patents
水资源耦合系统多重风险分析与评估方法及系统 Download PDFInfo
- Publication number
- CN116090839A CN116090839A CN202310367401.XA CN202310367401A CN116090839A CN 116090839 A CN116090839 A CN 116090839A CN 202310367401 A CN202310367401 A CN 202310367401A CN 116090839 A CN116090839 A CN 116090839A
- Authority
- CN
- China
- Prior art keywords
- water resource
- risk
- coupling system
- risk factors
- risk factor
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 188
- 230000008878 coupling Effects 0.000 title claims abstract description 93
- 238000010168 coupling process Methods 0.000 title claims abstract description 93
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 93
- 238000012502 risk assessment Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 72
- 238000011160 research Methods 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000008278 dynamic mechanism Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 8
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 12
- 230000018109 developmental process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000003911 water pollution 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水资源耦合系统多重风险分析与评估方法，包括如下步骤：构建多维互馈的水资源耦合系统；针对水资源耦合系统构建多重风险因子集和风险因子筛选模型；构建包含多重风险因子的贝叶斯网络，并从层次结构和时空尺度分析水资源耦合系统中致险节点的拓扑结构，提取关键风险因子和多重风险因子之间的时空动态演化规律；形成水资源耦合系统多重风险分析的贝叶斯网络图；对给定风险因子发生概率情况下水资源耦合系统的风险进行预测，分析变化环境下水资源耦合系统的薄弱环节，给出分析和评估结果。本发明提供了一种描述供水、防洪与环境耦合系统互馈动力过程，辨识三者之间的相互作用机制的方法，为多种风险分析和评估提供了技术支撑。
Description
技术领域
本发明涉及水资源评估技术，尤其是一种水资源耦合系统多重风险分析与评估方法及系统。
背景技术
随着全球平均气温升高、人口数量持续增长和社会经济活动不断增强，导致流域降水、蒸发、土地利用/覆被、河道外用水等发生改变。受气候变化和人类活动的双重影响，流域水资源时空分布规律发生了不同程度的变异，加深了水资源的不确定性。变化环境对区域水资源安全的影响，已成为普遍关注的全球性问题，是可持续发展所面临的重大战略问题。
在变化环境下，气候变化和人类活动影响导致的水文要素非一致性、经济社会高速发展引发的河道外用水的非平稳性等给水资源系统的运行带来了高度的不确定性和风险。而目前的研究成果考虑的不确定因素较为单一，多侧重于分析径流变化造成的系统风险。事实上，在气候变化、人类活动和经济社会用水等多因素综合影响下，除径流等自然条件外，工程、社会、经济等诸多因素的不确定性均可导致水资源系统产生风险，系统风险为多风险源综合影响结果。现有研究对汛期洪水灾害造成系统失衡风险研究较多，而对枯季、汛枯交替段水资源系统综合效益失准的研究成果偏少。此外，现有研究考虑的系统往往较为简单，对复杂水资源系统的分析研究不足，尤其缺乏流域供水、防洪、环境互馈系统间耦合作用对风险影响的分析手段。
因此，亟需创新变化条件下供水、防洪、环境互馈的水资源耦合系统系统多因素、多角度风险分析理论与方法研究，以满足水资源系统的综合风险评估的需要。
发明内容
发明目的：一方面，提供一种水资源耦合系统多重风险分析与评估方法，以解决现有技术存在的上述问题。另一方面，提供一种系统，以实现上述方法。
技术方案：根据本申请的一个方面，水资源耦合系统多重风险分析与评估方法，包括如下步骤：
步骤S1、构建多维互馈的水资源耦合系统；
步骤S2、针对水资源耦合系统构建多重风险因子集和风险因子筛选模型；
步骤S3、构建包含多重风险因子的贝叶斯网络，并从层次结构和时空尺度分析水资源耦合系统中致险节点的拓扑结构，提取关键风险因子和多重风险因子之间的时空动态演化规律；形成水资源耦合系统多重风险分析的贝叶斯网络图；
步骤S4、基于构建的贝叶斯网络，对给定风险因子发生概率情况下水资源耦合系统的风险进行预测，分析变化环境下水资源耦合系统的薄弱环节，给出分析和评估结果。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、读取研究区域的基础数据，所述基础数据包括供水数据、防洪数据、环境数据和地理数据，
步骤S12、构建多源输入对多源输出的映射关系集合，包括气候变化与天然径流变化映射关系，人类活动、经济发展、生态环境与需水量之间的映射关系，水利工程调控与水资源供需之间的映射关系；
步骤S13、基于映射关系，建立水资源耦合系统源汇之间的动力学机制，并采用系统动力学模型模拟动力演化行为，获得供水、防洪和环境之间的互馈数据并存储，基于互馈数据构建多维互馈的水资源耦合系统。
根据本申请的一个方面，所述步骤S1还包括：
步骤S14、从基础数据中读取河湖拓扑数据，形成水资源产汇流时空有向图；
步骤S15、读取基础数据并提取至少两个典型场景，形成典型场景集，并建立每个典型场景集的水资源产汇流时空有向图，采用系统动力学模型分别模拟每一典型场景集下的演化行为，获得每一典型场景集下的互馈数据，并得到水资源产汇流时空有向图的节点和边的权重集合；
步骤S16、逐一读取每一典型场景下的权重集合，并分别将节点和边的权重进行归一化处理，并降序排列，获取每一典型场景下的前N项节点和边，构建节点集合和边集合，N为自然数。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、分析并提取水资源耦合系统中的风险因子，构建风险因子集合；
步骤S22、构建基于BP神经网络的风险因子筛选模型，从风险因子集合中筛选出主要风险因子，形成主要风险因子集合；
步骤S23、调用系统动力学模型，针对每一典型场景进行模拟，获得主要风险因子在每一典型场景下的时空变化序列，计算各个主要风险因子的变化率并根据变化率阈值将主要风险因子分成至少稳定依次降低的第一主要风险因子集合和第二主要风险因子集合；
步骤S24、从各个典型场景下的第一主要风险因子集合和第二主要风险因子集合中提取相同的第一主要风险因子和第二主要风险因子，形成区域整体情景下稳定性不同的风险因子集合；
步骤S25、采用系统动力学模型，对区域整体情况下的第一主要风险因子进行模拟，获得第一主要风险因子的变异系数。
根据本申请的一个方面，所述步骤S23中，针对每一典型场景进行模拟，获得主要风险因子在每一典型场景下的时空变化序列的过程进一步为：
步骤S23a、读取典型场景并按照时间顺序分成预定数量个时间单元；每个时间单元的跨度为每天、每月或每小时；
步骤S23b、读取系统动力学模型的计算结果，将主要风险因子的计算数据映射到每个时间单元，调取水资源产汇流时空有向图并将主要风险因子标记在区域的水资源产汇流时空有向图中；
步骤S23c、构建展示模块，以展示区域的水资源产汇流时空有向图中的主要风险因子的变化过程。
根据本申请的一个方面，所述步骤S23还包括：
步骤S23d、计算每一典型场景下，各个主要风险因子在时间单元之间的变化率并形成时间尺度上的变化率转移序列集合；
步骤S23e、计算主要风险因子之间的相关系数变化率。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、读取基础数据并预处理，确定研究范围和影响因素，所述影响因素至少包括气候变化、人类活动和自然灾害；所述预处理至少包括采用数据填充法、Gibbs抽样法、最大似然估计或最大后验概率估计对不完备的数据进行参数学习；
步骤S32、构建包含多重风险因子的贝叶斯网络，并基于河湖拓扑对研究区域的基础数据进行处理，获得研究区域数据的层次结构和时空尺度分析水资源耦合系统中致险节点的拓扑结构；
步骤S33、将主要风险因子归一化并计算权重比例，提取前M项为关键风险因子，并通过关键风险因子的时空变化序列和关键风险因子之间的相关系数变化率，提取时空动态演化规律；M为自然数；
步骤S34、进行贝叶斯网络参数学习，确定根节点的先验概率密度函数和非根节点的条件概率密度函数或者条件概率分布表，形成水资源耦合系统多重风险分析的贝叶斯网络图。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、调用已构建的贝叶斯网络，对给定风险因子发生概率情况下水资源耦合系统的风险进行预测，计算系统荷载和抗力，以及风险事件的发生概率；
步骤S42、采用精确推理算法或近似推理算法，建立贝叶斯网络风险预测、诊断和决策的推理方法；所述精确推理算法包括多树传播算法和组合优化算法，所述近似推理算法包括模型化简算法和循环消息传递算法；
步骤S43、在给定风险因子发生概率情况下，构建定量评估水资源耦合系统系统性风险的方法，结合变化环境下风险因子变化趋势；基于风险因子变化趋势分析变化环境下水资源耦合系统的薄弱环节，给出分析和评估结果。
根据本申请的另一个方面，一种水资源耦合系统多重风险分析与评估系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的水资源耦合系统多重风险分析与评估方法。
有益效果：本发明提供了一种描述供水、防洪与环境耦合系统互馈动力过程，辨识三者之间的相互作用机制的方法，为多种风险分析和评估提供了技术支撑。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
图5是本发明步骤S4的流程图。
具体实施方式
为了解决现有技术存在的上述问题，申请人进行了深入地研究，针对目前未充分考虑各子系统间的关联及其联合边界约束的问题，以及未能从供水-防洪-环境耦合系统的角度整体上解析三者之间的互馈动力过程及相互作用机理的问题。提出如下解决方案。
如图1所示，根据本申请的一个方面，水资源耦合系统多重风险分析与评估方法，包括如下步骤：
步骤S1、构建多维互馈的水资源耦合系统；
通过构建多维互馈的水资源耦合系统，以期能够全面考虑各种因素对水资源的影响，各种因素包括气候变化、人类活动、土地利用等。通过对这些因素进行综合分析，可以更加准确地评估水资源的风险。例如，在某个地区，气候变化可能导致降雨量减少，而人类活动又可能导致土地退化和水污染等问题，这些因素相互作用会影响到该地区的水资源状况。
而现有的研究大多以水资源系统耦合优化调度模型的数值解为基础，依托于高度概化的数学模型，无法客观准确地描述供水、防洪、环境子系统之间的互馈交换过程及相互作用机理。
步骤S2、针对水资源耦合系统构建多重风险因子集和风险因子筛选模型；
可以帮助用户快速筛选出最具有影响力和危害性的风险因子。不仅能够提高分析效率，还能够减少在分析过程中可能遇到的错误和偏差。换句话说，通过对多种风险因子进行筛选和分析，目的是找出对水资源影响最大的因素，并制定相应的管理措施。
步骤S3、构建包含多重风险因子的贝叶斯网络，并从层次结构和时空尺度分析水资源耦合系统中致险节点的拓扑结构，提取关键风险因子和多重风险因子之间的时空动态演化规律；形成水资源耦合系统多重风险分析的贝叶斯网络图；
本步骤的目的是能够更加准确地预测水资源耦合系统中的风险，可以更加全面地考虑各种不确定性因素，并预测未来可能出现的风险。通过利用贝叶斯网络，并对各种因素进行分析和评估，可以预测未来可能出现的风险，并提出相应的管理措施。换句话说，本步骤可以实现对水资源耦合系统中致险节点的拓扑结构分析。不仅能够帮助用户更加全面地了解水资源系统中各个节点之间的关系，还能够提取关键风险因子和多重风险因子之间的时空动态演化规律。
步骤S4、基于构建的贝叶斯网络，对给定风险因子发生概率情况下水资源耦合系统的风险进行预测，分析变化环境下水资源耦合系统的薄弱环节，给出分析和评估结果。能够更加准确地预测水资源系统可能遇到的各种风险。
在气候变化和人类活动的影响下，水文要素出现非一致性的情况，同时经济社会的快速发展，导致河道外用水的非平稳性。这些因素对水资源管控系统带来了不确定性和风险，在现有的解决方案中，一般是通过收集相关数据，然后通过水文水动力等各种模型进行模拟，系统之间缺乏有机的耦合，存在诸多问题。而在本实施例中，通过构建新的模型对水资源耦合系统多重风险进行评估，能够解决现有技术存在的上述难题，提高了模型的可解释性和精确度，而且计算速度更快。
如图2所示，根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、读取研究区域的基础数据，所述基础数据包括供水数据、防洪数据、环境数据和地理数据。
步骤S12、构建多源输入对多源输出的映射关系集合，包括气候变化与天然径流变化映射关系，人类活动、经济发展、生态环境与需水量之间的映射关系，水利工程调控与水资源供需之间的映射关系。通过综合考虑多源输入对多源输出的映射关系，能够更全面地分析水资源耦合系统中各个因素之间的相互作用。例如，在气候变化与天然径流变化映射关系中，可以通过分析气候变化对径流量的影响，预测未来水资源供需情况；在人类活动、经济发展、生态环境与需水量之间的映射关系中，可以分析人类活动和经济发展对水资源利用的影响，从而制定相应的措施。
步骤S13、基于映射关系，建立水资源耦合系统源汇之间的动力学机制，并采用系统动力学模型模拟动力演化行为，获得供水、防洪和环境之间的互馈数据并存储，基于互馈数据构建多维互馈的水资源耦合系统。基于互馈数据构建多维互馈的水资源耦合系统，能够更真实地反映现实情况。例如，在防洪数据和环境数据之间存在着相互作用关系，如果只考虑其中一方面因素，则可能会忽略另一方面因素对整个系统的影响。通过采用系统动力学模型模拟动力演化行为，能够更好地预测未来水资源供需情况，并制定相应管理措施。例如，在某个城市中，通过建立多维互馈的水资源耦合系统，可以预测未来供水、防洪和环境之间的关系。可以利用地理数据，例如通过分析地形、土壤等因素对水资源的影响，预测未来水资源供需情况。
在某个流域中，通过整合现有的供水数据、防洪数据、环境数据和地理数据等信息，建立多维互馈的水资源耦合系统，并采用系统动力学模型模拟动力演化行为，从而预测未来流域内各项指标变化趋势。
本实施例给出了一种新的思路，即通过采集研究区域的基础数据，先是建立多源输入和多源输出的映射关系，然后通过系统动力学进行模拟。水资源耦合系统的互馈数据。换句话说，通过这一数据，能够对研究区域的各种因素之间的互馈关系进行初步探索和计算。
根据本申请的一个方面，所述步骤S1还包括：
步骤S14、从基础数据中读取河湖拓扑数据，形成水资源产汇流时空有向图；
用于清晰地了解水资源在不同地区的分布情况以及它们之间的流向，预测未来一段时间内各个地区的水资源变化趋势，实现更加合理、高效的水资源配置。可以提高物理可解释性、精度和可靠性，同时使得数据更加直观、易于理解。同时，可视化技术还可以帮助用户更加方便地进行数据分析和决策。
步骤S15、读取基础数据并提取至少两个典型场景，形成典型场景集，并建立每个典型场景集的水资源产汇流时空有向图，采用系统动力学模型分别模拟每一典型场景集下的演化行为，获得每一典型场景集下的互馈数据，并得到水资源产汇流时空有向图的节点和边的权重集合；
步骤S16、逐一读取每一典型场景下的权重集合，并分别将节点和边的权重进行归一化处理，并降序排列，获取每一典型场景下的前N项节点和边，构建节点集合和边集合，N为自然数。
在某个实施例中，某个研究区域由于气候变化、人口增长等因素导致水资源短缺。通过采用该方案建立动力学模型，可以预测出未来几年内该城市水资源供需情况，并根据不同场景制定相应的应对措施。同时，在模型中加入防洪数据、环境数据等多个因素，可以更全面地考虑到各种因素对水资源产汇流时空变化规律的影响程度。
在进一步的思路中，通过构建不同的场景下的水资源时空演变架构，获得典型场景下水资源在时空的演变过程，从而分析水资源产汇流过程中各个环节的影响因素和风险因子，以及各环节之间的耦合关系。换句话说，针对现有技术将所有数据导入模型进行模拟，通过构建典型场景，对研究区域的模拟过程进行划分，然后针对每个场景构建时空演变过程数据，分析系统相关参数在不同场景，不同时空过程中的关系。大大加快了计算速度，物理可解释性和模拟的准确度。
如图3所示，根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、分析并提取水资源耦合系统中的风险因子，构建风险因子集合；
步骤S22、构建基于BP神经网络的风险因子筛选模型，从风险因子集合中筛选出主要风险因子，形成主要风险因子集合；
步骤S23、调用系统动力学模型，针对每一典型场景进行模拟，获得主要风险因子在每一典型场景下的时空变化序列，计算各个主要风险因子的变化率并根据变化率阈值将主要风险因子分成至少稳定依次降低的第一主要风险因子集合和第二主要风险因子集合；
步骤S24、从各个典型场景下的第一主要风险因子集合和第二主要风险因子集合中提取相同的第一主要风险因子和第二主要风险因子，形成区域整体情景下稳定性不同的风险因子集合；
步骤S25、采用系统动力学模型，对区域整体情况下的第一主要风险因子进行模拟，获得第一主要风险因子的变异系数。
通过分析和提取水资源系统中可能存在的风险因素，可以更全面地了解水资源系统的脆弱性和抗干扰能力。采用BP神经网络模型进行风险因子筛选，具有更高的精度和可靠性。通过对主要风险因素的时空变化进行模拟和分析，可以更准确地确定其对水资源系统的影响，并为制定相应的应对措施提供依据。通过比较各个典型场景下的主要风险因素，可以更准确地确定区域整体情况下的主要风险因素，并为制定相应的应对措施提供依据。通过计算第一主要风险因素在不同时间段内的变异系数，可以评估其稳定性和可靠性，并为制定相应的应对措施提供依据。贝叶斯网络既可以分析各种风险之间的相互影响，又可为水资源系统的风险管理提供更加通用的管理工具和平台。
在本实施例中，通过对风险因子的采集和筛选，并在动力学模型中进行仿真模拟，针对每个典型场景进行风险因子优选和赋权，提取主要风险因子并将主要风险因子进行分类。换句话说，在不同的场景下，风险因子的类别、数量和权重是不同的，如果采用静态的数据，则计算量很大，且仿真数据准确度不够。在某些研究区域，经过仿真发现，在不同的场景下，有部分风险因子是相对稳定的，仅风险因子的参数存在不同。因此在不同的场景下进行仿真模拟，可以将这些风险因子作为一个共同的输入数据集合，即形成相对稳定的风险因子集合。另外一些风险因子可能随着场景的变化，参数差异较大，在一个场景中，为主要风险因子，在另外一个场景中，可能为次要风险因子，因此通过仿真模拟和BP神经网络进行筛选，对风险因子进行优选。最后稳定的风险因子，在不同的区域或不同的场景下，参数可能存在一些变化，因此通过计算变异系数对风险因子进行调整。通过优选和简化风险因子的数量和参数，可以对模型进行优化，提高计算准确度。
根据本申请的一个方面，所述步骤S23中，针对每一典型场景进行模拟，获得主要风险因子在每一典型场景下的时空变化序列的过程进一步为：
步骤S23a、读取典型场景并按照时间顺序分成预定数量个时间单元；每个时间单元的跨度为每天、每月或每小时；
步骤S23b、读取系统动力学模型的计算结果，将主要风险因子的计算数据映射到每个时间单元，调取水资源产汇流时空有向图并将主要风险因子标记在区域的水资源产汇流时空有向图中；
步骤S23c、构建展示模块，以展示区域的水资源产汇流时空有向图中的主要风险因子的变化过程。决策者可以直观地看到该风险因素的变化趋势，有助于制定更加科学的水资源管理策略。
在本实施例中，进一步将风险因子与水资源产汇流时空有向图建立关联，这一方案是相当重要的，在现有的技术方案中，由于采用普通的水文水动力模型进行模拟，基本形如黑箱，无法知晓较为明确的物理过程。对于实际环境中的一些问题，无法进行很好地解决，比如，某一风险因子在不同的场景下，或者在同一场景下的不同时刻，风险因子的风险度等参数是不同的，风险因子的参数是时变的，风险因子之间的回馈耦合关系等也是随着场景和时间在变化。因此通过场景分拆、时间切片和空间分区，将风险因子在每一典型情景下的时变过程进行分析和计算，为后续加快计算速度，提高计算精度提供技术基础。
总之，本实施例通过精细化模拟、多维度展示和科学决策等方式，该方案帮助用户及时发现和应对潜在风险，提高了水资源管理效率和质量。在某一实施例中，根据历史数据和专家经验，确定了5个典型场景，并将其按照月份分成12个时间单元。然后，采用系统动力学模型对每个时间单元内的水资源系统进行模拟和分析，并提取出主要风险因子。最后，在水资源产汇流时空有向图中标记出主要风险因子，并通过折线图等方式展示各个风险因素在不同时间单元内的变化情况。通过该方案，决策者能够更加清晰地了解各个风险因素之间的关系，并制定更加科学的水资源管理策略。
根据本申请的一个方面，所述步骤S23还包括：
步骤S23d、计算每一典型场景下，各个主要风险因子在时间单元之间的变化率并形成时间尺度上的变化率转移序列集合；
读取典型场景数据，并按照时间顺序分成预定数量个时间单元。读取模型计算结果，并将主要风险因子的计算数据映射到每个时间单元中。计算各个主要风险因子在相邻两个时间单元之间的变化率，并将这些变化率组成一个转移矩阵。将所有典型场景下的转移矩阵组成一个转移序列集合。
步骤S23e、计算主要风险因子之间的相关系数变化率。
读取模型计算结果，并将主要风险因子的计算数据映射到每个时间单元中。计算各个主要风险因子之间的相关系数，并将这些相关系数组成一个相关系数矩阵。计算相邻两个时间单元之间，各个主要风险因子之间的相关系数变化率。
在本实施例中，通过计算风险因子在时间上的转移，为后续加速计算提供支撑，现有技术是通过将所有参数输入模型，然后每个场景，每个环节进行轮训计算，而在本申请中，通过风险转移序列，即可直接得到相关参数，从而大大加快了计算速度。
例如，在某个实施例中，通过对历史水文数据进行分析，确定了三种典型场景：干旱、正常和洪涝。针对每一典型场景，按照上述方案进行模拟和分析，得到了各个主要风险因子在不同时间尺度上的时空变化序列、变化率转移序列集合和相关系数变化率转移序列集合。通过对这些数据进行综合分析，制定了更加科学、有效的水资源管理策略。例如，在干旱场景下，可以采取限制用水、增加水资源调配等措施，以应对可能出现的水资源短缺风险。
如图4所示，根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、读取基础数据并预处理，确定研究范围和影响因素，所述影响因素至少包括气候变化、人类活动和自然灾害；所述预处理至少包括采用数据填充法、Gibbs抽样法、最大似然估计或最大后验概率估计对不完备的数据进行参数学习；
步骤S32、构建包含多重风险因子的贝叶斯网络，并基于河湖拓扑对研究区域的基础数据进行处理，获得研究区域数据的层次结构和时空尺度分析水资源耦合系统中致险节点的拓扑结构；
步骤S33、将主要风险因子归一化并计算权重比例，提取前M项为关键风险因子，并通过关键风险因子的时空变化序列和关键风险因子之间的相关系数变化率，提取时空动态演化规律；
步骤S34、进行贝叶斯网络参数学习，确定根节点的先验概率密度函数和非根节点的条件概率密度函数或者条件概率分布表，形成水资源耦合系统多重风险分析的贝叶斯网络图。
以某地区为例，收集该地区气候变化、人类活动和自然灾害等方面的数据，包括降雨量、蒸发量、温度、湖泊水位、河流流量等。对于不完备的数据采用最大后验概率估计方法进行参数学习。确定研究范围为该地区内部所有水资源系统，并建立相应的模型。
构建包含多重风险因子的贝叶斯网络，将各个节点之间的关系进行建模。同时，基于河湖拓扑对研究区域的基础数据进行处理，获得研究区域数据的层次结构和时空尺度分析水资源耦合系统中致险节点的拓扑结构。得到贝叶斯网络后，将主要风险因子进行归一化并计算权重比例。然后提取前M项为关键风险因子，并通过关键风险因子的时空变化序列和关键风险因子之间的相关系数变化率，提取时空动态演化规律。例如，在某地区水资源耦合系统中，确定了温度、湖泊水位、河流流量等为主要影响因素，并将它们进行归一化处理，计算出它们的权重比例。然后提取前三项为关键风险因子，并通过它们之间的相关系数变化率，提取时空动态演化规律。
在确定了关键风险因子和它们之间的时空动态演化规律后，进行贝叶斯网络参数学习，确定根节点的先验概率密度函数和非根节点的条件概率密度函数或者条件概率分布表。然后形成水资源耦合系统多重风险分析的贝叶斯网络图。例如，在某地区水资源耦合系统中，结合温度、湖泊水位、河流流量等关键风险因子进行参数学习，得到了各个节点之间的先验概率密度函数和条件概率密度函数，并形成了相应的贝叶斯网络图。
如图5所示，根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、调用已构建的贝叶斯网络，对给定风险因子发生概率情况下水资源耦合系统的风险进行预测，计算系统荷载和抗力，以及风险事件的发生概率；利用贝叶斯网络对气象数据进行预测。使用贝叶斯网络模型对气象数据进行分析和预测，并将结果与传统方法进行比较。结果表明，贝叶斯网络模型在推理方面表现出色，并且能够更好地捕捉变量之间的相互作用。换句话说，在本申请的构思下，水资源系统的风险分析从本质上可以归结为联合概率分布求解的问题。由于影响系统的风险因子数目众多，其联合概率分布求解的复杂度随着风险因子个数的增加呈指数级增长，表现为高维度、非线性的特点。因此，传统的方法在联合概率分布的获取、存储和运算方面都存在着相当大的困难，无论是采用传统概率分布函数、回归分析还是主成分分析方法，对于上述复杂的非线性关系的处理，都存在一定的困难。在水资源模型中，每个节点代表一个变量，例如水位、降雨量、蒸发量和水库出水量等。节点之间通过条件概率表示，将变量和他们之间的关系表示为一个联合概率分布，可以对高维非线性的系统进行预测，同时还可以评估不同事件的概率和影响。本实施例构建的贝叶斯网络凭借其强大的联合概率分布求解能力以及其他诸多优势，为水资源系统风险分析开辟一条新思路，具有广阔的研究前景。
步骤S42、采用精确推理算法或近似推理算法，建立贝叶斯网络风险预测、诊断和决策的推理方法；所述精确推理算法包括多树传播算法和组合优化算法等，所述近似推理算法包括模型化简算法和循环消息传递算法；可以提高推理效率，减少计算时间，而且预测结果更加可靠。
步骤S43、在给定风险因子发生概率情况下，构建定量评估水资源耦合系统系统性风险的方法，结合变化环境下风险因子变化趋势；基于风险因子变化趋势分析变化环境下水资源耦合系统的薄弱环节，给出分析和评估结果。评估更加全面、预警效果更好。
在本实施例中，分析水资源耦合系统的薄弱环节，具体过程为：
逐一针对各个风险因子，改变风险因子的输入数值，记录输出结果变化量并求得所有输出结果变化量之和；
计算每一风险因子对应的输出结果变量占所有输出结果变化量之和的比例，并降序排列，取比例大于阈值的风险因子作为敏感风险因子。计算敏感风险因子与主要风险因子的交集并存储。
逐一获取水资源产汇流时空有向图中的主要风险因子变化过程中，每一主要风险因子在各个环节中引起的变化量超过预设值的情况，构建风险因子改变量矩阵，其中超过预设值为1，未超过预设值，为0。
构建敏感风险因子、主要风险因子和风险因子改变量权重集合，将加权结果用于薄弱环节分析。
根据本申请的另一个方面，一种水资源耦合系统多重风险分析与评估系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的水资源耦合系统多重风险分析与评估方法。由于计算机技术较为成熟，本领域的技术人员可以依据上述方法构建软件模块，然后配置在计算机中，因此在此不再详述。
总之，传统的风险分析方法需要求解高维、多参数的联合概率分布函数，其求解复杂、耗时，并且对于不同风险事件需要重新推求联合概率密度函数和率定参数，实时性和适应性较差，应用受限。本发明将多因子交织组合、多参数、非线性风险联合分布求解问题，分解为多个独立或条件关联的风险因子的先验概率和条件概率求解，降低了水资源系统风险求解的维数和复杂度，实时性和适应性强，满足复杂背景下大规模水资源系统联合调度风险分析的要求。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。本领域的技术人员可以根据实际情况选择或设定N、M的数值。
Claims (9)
1.水资源耦合系统多重风险分析与评估方法，其特征在于，包括如下步骤：
步骤S1、构建多维互馈的水资源耦合系统；
步骤S2、针对水资源耦合系统构建多重风险因子集和风险因子筛选模型；
步骤S3、构建包含多重风险因子的贝叶斯网络，并从层次结构和时空尺度分析水资源耦合系统中致险节点的拓扑结构，提取关键风险因子和多重风险因子之间的时空动态演化规律；形成水资源耦合系统多重风险分析的贝叶斯网络图；
步骤S4、基于构建的贝叶斯网络，对给定风险因子发生概率情况下水资源耦合系统的风险进行预测，分析变化环境下水资源耦合系统的薄弱环节，给出分析和评估结果。
2.如权利要求1所述的水资源耦合系统多重风险分析与评估方法，其特征在于，
所述步骤S1进一步为：
步骤S11、读取研究区域的基础数据，所述基础数据包括供水数据、防洪数据、环境数据和地理数据，
步骤S12、构建多源输入对多源输出的映射关系集合，包括气候变化与天然径流变化映射关系，人类活动、经济发展、生态环境与需水量之间的映射关系，水利工程调控与水资源供需之间的映射关系；
步骤S13、基于映射关系，建立水资源耦合系统源汇之间的动力学机制，并采用系统动力学模型模拟动力演化行为，获得供水、防洪和环境之间的互馈数据并存储，基于互馈数据构建多维互馈的水资源耦合系统。
3.如权利要求2所述的水资源耦合系统多重风险分析与评估方法，其特征在于，所述步骤S1还包括：
步骤S14、从基础数据中读取河湖拓扑数据，形成水资源产汇流时空有向图；
步骤S15、读取基础数据并提取至少两个典型场景，形成典型场景集，并建立每个典型场景集的水资源产汇流时空有向图，采用系统动力学模型分别模拟每一典型场景集下的演化行为，获得每一典型场景集下的互馈数据，并得到水资源产汇流时空有向图的节点和边的权重集合；
步骤S16、逐一读取每一典型场景下的权重集合，并分别将节点和边的权重进行归一化处理，并降序排列，获取每一典型场景下的前N项节点和边，构建节点集合和边集合，N为自然数。
4.如权利要求3所述的水资源耦合系统多重风险分析与评估方法，其特征在于，所述步骤S2进一步为：
步骤S21、分析并提取水资源耦合系统中的风险因子，构建风险因子集合；
步骤S22、构建基于BP神经网络的风险因子筛选模型，从风险因子集合中筛选出主要风险因子，形成主要风险因子集合；
步骤S23、调用系统动力学模型，针对每一典型场景进行模拟，获得主要风险因子在每一典型场景下的时空变化序列，计算各个主要风险因子的变化率并根据变化率阈值将主要风险因子分成至少稳定依次降低的第一主要风险因子集合和第二主要风险因子集合；
步骤S24、从各个典型场景下的第一主要风险因子集合和第二主要风险因子集合中提取相同的第一主要风险因子和第二主要风险因子，形成区域整体情景下稳定性不同的风险因子集合；
步骤S25、采用系统动力学模型，对区域整体情况下的第一主要风险因子进行模拟，获得第一主要风险因子的变异系数。
5.如权利要求4所述的水资源耦合系统多重风险分析与评估方法，其特征在于，所述步骤S23中，针对每一典型场景进行模拟，获得主要风险因子在每一典型场景下的时空变化序列的过程进一步为：
步骤S23a、读取典型场景并按照时间顺序分成预定数量个时间单元；每个时间单元的跨度为每天、每月或每小时；
步骤S23b、读取系统动力学模型的计算结果，将主要风险因子的计算数据映射到每个时间单元，调取水资源产汇流时空有向图并将主要风险因子标记在区域的水资源产汇流时空有向图中；
步骤S23c、构建展示模块，以展示区域的水资源产汇流时空有向图中的主要风险因子的变化过程。
6.如权利要求5所述的水资源耦合系统多重风险分析与评估方法，其特征在于，所述步骤S23还包括：
步骤S23d、计算每一典型场景下，各个主要风险因子在时间单元之间的变化率并形成时间尺度上的变化率转移序列集合；
步骤S23e、计算主要风险因子之间的相关系数变化率。
7.如权利要求6所述的水资源耦合系统多重风险分析与评估方法，其特征在于，所述步骤S3进一步为：
步骤S31、读取基础数据并预处理，确定研究范围和影响因素，所述影响因素至少包括气候变化、人类活动和自然灾害；所述预处理至少包括采用数据填充法、Gibbs抽样法、最大似然估计或最大后验概率估计对不完备的数据进行参数学习；
步骤S32、构建包含多重风险因子的贝叶斯网络，并基于河湖拓扑对研究区域的基础数据进行处理，获得研究区域数据的层次结构和时空尺度分析水资源耦合系统中致险节点的拓扑结构；
步骤S33、将主要风险因子归一化并计算权重比例，提取前M项为关键风险因子，并通过关键风险因子的时空变化序列和关键风险因子之间的相关系数变化率，提取时空动态演化规律，M为自然数；
步骤S34、进行贝叶斯网络参数学习，确定根节点的先验概率密度函数和非根节点的条件概率密度函数或者条件概率分布表，形成水资源耦合系统多重风险分析的贝叶斯网络图。
8.如权利要求7所述的水资源耦合系统多重风险分析与评估方法，其特征在于，所述步骤S4进一步为：
步骤S41、调用已构建的贝叶斯网络，对给定风险因子发生概率情况下水资源耦合系统的风险进行预测，计算系统荷载和抗力，以及风险事件的发生概率；
步骤S42、采用精确推理算法或近似推理算法，建立贝叶斯网络风险预测、诊断和决策的推理方法；所述精确推理算法包括多树传播算法和组合优化算法，所述近似推理算法包括模型化简算法和循环消息传递算法；
步骤S43、在给定风险因子发生概率情况下，构建定量评估水资源耦合系统系统性风险的方法，结合变化环境下风险因子变化趋势；基于风险因子变化趋势分析变化环境下水资源耦合系统的薄弱环节，给出分析和评估结果。
9. 一种水资源耦合系统多重风险分析与评估系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-8任一项所述的水资源耦合系统多重风险分析与评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310367401.XA CN116090839B (zh) | 2023-04-07 | 2023-04-07 | 水资源耦合系统多重风险分析与评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310367401.XA CN116090839B (zh) | 2023-04-07 | 2023-04-07 | 水资源耦合系统多重风险分析与评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116090839A true CN116090839A (zh) | 2023-05-09 |
| CN116090839B CN116090839B (zh) | 2023-06-16 |
Family
ID=86210491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310367401.XA Active CN116090839B (zh) | 2023-04-07 | 2023-04-07 | 水资源耦合系统多重风险分析与评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116090839B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629640A (zh) * | 2023-07-20 | 2023-08-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 高寒区水电梯级开发的生物生境影响评估方法及系统 |
| CN116822965A (zh) * | 2023-08-28 | 2023-09-29 | 中铁七局集团电务工程有限公司武汉分公司 | 一种地铁施工风险预警方法及系统 |
| CN117540173A (zh) * | 2024-01-09 | 2024-02-09 | 长江水利委员会水文局 | 基于贝叶斯联合概率模型的洪水模拟不确定性分析方法 |
| CN117579329A (zh) * | 2023-11-15 | 2024-02-20 | 北京源堡科技有限公司 | 组织网络安全暴露风险预测方法、电子设备及存储介质 |
| CN117579329B (zh) * | 2023-11-15 | 2024-06-07 | 北京源堡科技有限公司 | 组织网络安全暴露风险预测方法、电子设备及存储介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056302A (zh) * | 2016-06-12 | 2016-10-26 | 浙江大学 | 基于石化企业工业现场危险源及风险信息的建模方法 |
| CN106469340A (zh) * | 2015-08-17 | 2017-03-01 | 苏州优估营网络科技有限公司 | 一种基于神经网络的复合型项目风险评估模型 |
| CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
| CN109359469A (zh) * | 2018-10-16 | 2019-02-19 | 上海电力学院 | 一种工业控制系统的信息安全风险评估方法 |
| US20190340526A1 (en) * | 2016-11-07 | 2019-11-07 | Equifax Inc. | Optimizing automated modeling algorithms for risk assessment and generation of explanatory data |
| CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及系统 |
| CN111461421A (zh) * | 2020-03-28 | 2020-07-28 | 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 |
| CN112085384A (zh) * | 2020-09-08 | 2020-12-15 | 华侨大学 | 一种基于模糊推理与lstm结合的邮寄物风险评价方法与系统 |
| CN112149984A (zh) * | 2020-09-17 | 2020-12-29 | 河海大学 | 一种基于贝叶斯网络的水库调洪多维不确定性风险分析方法 |
| CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
| CN112734209A (zh) * | 2020-12-31 | 2021-04-30 | 国网山东省电力公司青岛供电公司 | 负荷密集型城市电网安全稳定控制风险预警方法及系统 |
| CN113030633A (zh) * | 2020-12-01 | 2021-06-25 | 国家电网有限公司 | 基于ga-bp神经网络的配电网故障大数据分析方法和系统 |
| CN113240688A (zh) * | 2021-06-01 | 2021-08-10 | 安徽建筑大学 | 一种一体化洪涝灾害精准监测预警方法 |
| CN113256138A (zh) * | 2021-06-01 | 2021-08-13 | 安徽建筑大学 | 一种基于异源多尺度监测数据的洪涝灾害风险评估方法 |
| CN113487069A (zh) * | 2021-06-22 | 2021-10-08 | 浙江大学 | 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 |
| CN113762730A (zh) * | 2021-08-16 | 2021-12-07 | 中国科学院地理科学与资源研究所 | 一种水资源承载力风险评估方法及其电子设备 |
| WO2023275181A1 (en) * | 2021-06-29 | 2023-01-05 | Swiss Reinsurance Company Ltd. | Digital system for automated measuring of relative risk measurands and scores of living individuals and method thereof |
-
2023
- 2023-04-07 CN CN202310367401.XA patent/CN116090839B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106469340A (zh) * | 2015-08-17 | 2017-03-01 | 苏州优估营网络科技有限公司 | 一种基于神经网络的复合型项目风险评估模型 |
| CN106056302A (zh) * | 2016-06-12 | 2016-10-26 | 浙江大学 | 基于石化企业工业现场危险源及风险信息的建模方法 |
| US20190340526A1 (en) * | 2016-11-07 | 2019-11-07 | Equifax Inc. | Optimizing automated modeling algorithms for risk assessment and generation of explanatory data |
| CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
| CN109359469A (zh) * | 2018-10-16 | 2019-02-19 | 上海电力学院 | 一种工业控制系统的信息安全风险评估方法 |
| CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及系统 |
| 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 |
| CN111461421A (zh) * | 2020-03-28 | 2020-07-28 | 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 |
| CN112085384A (zh) * | 2020-09-08 | 2020-12-15 | 华侨大学 | 一种基于模糊推理与lstm结合的邮寄物风险评价方法与系统 |
| CN112149984A (zh) * | 2020-09-17 | 2020-12-29 | 河海大学 | 一种基于贝叶斯网络的水库调洪多维不确定性风险分析方法 |
| CN113030633A (zh) * | 2020-12-01 | 2021-06-25 | 国家电网有限公司 | 基于ga-bp神经网络的配电网故障大数据分析方法和系统 |
| CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
| CN112734209A (zh) * | 2020-12-31 | 2021-04-30 | 国网山东省电力公司青岛供电公司 | 负荷密集型城市电网安全稳定控制风险预警方法及系统 |
| CN113240688A (zh) * | 2021-06-01 | 2021-08-10 | 安徽建筑大学 | 一种一体化洪涝灾害精准监测预警方法 |
| CN113256138A (zh) * | 2021-06-01 | 2021-08-13 | 安徽建筑大学 | 一种基于异源多尺度监测数据的洪涝灾害风险评估方法 |
| CN113487069A (zh) * | 2021-06-22 | 2021-10-08 | 浙江大学 | 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 |
| WO2023275181A1 (en) * | 2021-06-29 | 2023-01-05 | Swiss Reinsurance Company Ltd. | Digital system for automated measuring of relative risk measurands and scores of living individuals and method thereof |
| CN113762730A (zh) * | 2021-08-16 | 2021-12-07 | 中国科学院地理科学与资源研究所 | 一种水资源承载力风险评估方法及其电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| 尚熳廷等: "长江流域省区用水总量与用水效率控制评估", 《人民长江》, vol. 50, no. 01, pages 84 - 88 * |
| 王运鑫: "基于模糊贝叶斯网络的突发水污染事故风险评价研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 01, pages 027 - 1297 * |
| 蔡跃波等: "重大水利工程大坝深水检测及突发事件监测预警与应急处置", 《中国环境管理》, no. 05, pages 105 - 106 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629640A (zh) * | 2023-07-20 | 2023-08-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 高寒区水电梯级开发的生物生境影响评估方法及系统 |
| CN116629640B (zh) * | 2023-07-20 | 2023-09-29 | 水利部交通运输部国家能源局南京水利科学研究院 | 高寒区水电梯级开发的生物生境影响评估方法及系统 |
| CN116822965A (zh) * | 2023-08-28 | 2023-09-29 | 中铁七局集团电务工程有限公司武汉分公司 | 一种地铁施工风险预警方法及系统 |
| CN116822965B (zh) * | 2023-08-28 | 2023-11-21 | 中铁七局集团电务工程有限公司武汉分公司 | 一种地铁施工风险预警方法及系统 |
| CN117579329A (zh) * | 2023-11-15 | 2024-02-20 | 北京源堡科技有限公司 | 组织网络安全暴露风险预测方法、电子设备及存储介质 |
| CN117579329B (zh) * | 2023-11-15 | 2024-06-07 | 北京源堡科技有限公司 | 组织网络安全暴露风险预测方法、电子设备及存储介质 |
| CN117540173A (zh) * | 2024-01-09 | 2024-02-09 | 长江水利委员会水文局 | 基于贝叶斯联合概率模型的洪水模拟不确定性分析方法 |
| CN117540173B (zh) * | 2024-01-09 | 2024-04-19 | 长江水利委员会水文局 | 基于贝叶斯联合概率模型的洪水模拟不确定性分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116090839B (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116090839B (zh) | 水资源耦合系统多重风险分析与评估方法及系统 | |
| Larsen et al. | Appropriate complexity landscape modeling | |
| CN116070886B (zh) | 水资源系统多维适应性调控方法及系统 | |
| Alizadeh et al. | Development of an entropy method for groundwater quality monitoring network design | |
| Robati et al. | Inflation rate modeling: Adaptive neuro-fuzzy inference system approach and particle swarm optimization algorithm (ANFIS-PSO) | |
| Villa et al. | A stochastic model of future extreme temperature events for infrastructure analysis | |
| Khadr et al. | GA-based implicit stochastic optimization and RNN-based simulation for deriving multi-objective reservoir hedging rules | |
| Yaghmaei-Sabegh | A new method for ranking and weighting of earthquake ground-motion prediction models | |
| CN117495094A (zh) | 一种产业链安全风险综合评估预警方法与系统 | |
| Novak et al. | A decision support methodology for stochastic multi-criteria linear programming using spreadsheets | |
| Fan et al. | Explainable machine learning model for multi-step forecasting of reservoir inflow with uncertainty quantification | |
| CN113537607B (zh) | 停电预测方法 | |
| Boopathi A et al. | Forecasting the Generation and Consumption of Electricity and Water in Kingdom of Bahrain using Grey Models | |
| Sanderson et al. | Opportunistic emulation of computationally expensive simulations via deep learning | |
| CN118014325B (zh) | 水网系统中调蓄工程调度规则提取方法及系统 | |
| Derras et al. | Prediction of recovery time of infrastructure functionalities after an earthquake using machine learning | |
| Asih et al. | Cost-volume-profit analysis for uncertain capacity planning: A case study paper | |
| Rahman et al. | A Hybrid Deep Neural Network Model to Forecast Day-Ahead Electricity Prices in the USA Energy Market | |
| Ren et al. | Scale-invariant sensitivity for multi-purpose water reservoirs management with temporal scale-dependent modeling | |
| Huamaní et al. | Daily reservoir inflow forecasting using fuzzy inference systems | |
| Simic et al. | Assessing water resources systems’ dynamic resilience under hazardous events via a genetic fuzzy rule-based system | |
| Mihailovs et al. | Dynamic System Sustainability Simulation Modelling. | |
| Baboli et al. | Multivariate Cross-Correlated Reliability Modeling of Wind Turbines using Pair-Copula Functions | |
| Morales et al. | Hyperparameter optimization of deep learning model for short-term electricity demand forecasting | |
| Deng et al. | The DLS Model and Its Application |
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 |