CN116258251A - 一种滨海核电站冷源致灾物报警预警智能化系统 - Google Patents
一种滨海核电站冷源致灾物报警预警智能化系统 Download PDFInfo
- Publication number
- CN116258251A CN116258251A CN202310011404.XA CN202310011404A CN116258251A CN 116258251 A CN116258251 A CN 116258251A CN 202310011404 A CN202310011404 A CN 202310011404A CN 116258251 A CN116258251 A CN 116258251A
- Authority
- CN
- China
- Prior art keywords
- data
- disaster
- causing
- module
- model
- 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
- 238000013523 data management Methods 0.000 claims abstract description 21
- 238000013500 data storage Methods 0.000 claims abstract description 21
- 238000005065 mining Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 44
- 238000013178 mathematical model Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 12
- 238000011068 loading method Methods 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 241000238557 Decapoda Species 0.000 claims description 3
- 241000199919 Phaeophyceae Species 0.000 claims description 3
- 241000242583 Scyphozoa Species 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000013456 study Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000007774 longterm Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- IUKLSMSEHKDIIP-UHFFFAOYSA-N petine Natural products CC1(O)C2CCC3C4CC(O)C5CC(O)CCC5(C)C4CC3C2CN2C1CCC(C)C2 IUKLSMSEHKDIIP-UHFFFAOYSA-N 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Accounting & Taxation (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于核电站外部灾害预警技术领域，具体涉及一种滨海核电站冷源致灾物报警预警智能化系统，用于核电厂冷源系统致灾物预测预警，包括依次连接的数据采集模块(1)、数据存储与管理模块(2)、致灾物预测模型(3)、智能决策模块(4)和显示模块(5)，还包括与数据存储与管理模块(2)、致灾物预测模型(3)和智能决策模块(4)连接的时空挖掘模块(6)。本发明通过物联网技术同步收集、融合环境、水文气象、生物视频与声纳监测等相关数据，涵盖了致灾爆发的所有前期条件，为预测预警模型提供重要数据支撑；通过建立时空挖掘模块，对长期积累数据进行深度挖掘，可以对系统进行实时优化和更新。
Description
技术领域
本发明属于核电站外部灾害预警技术领域，具体涉及一种滨海核电站冷源致灾物报警预警智能化系统。
背景技术
核电项目因取水堵塞造成的机组停堆/降功率事件不仅对核电项目造成巨额经济损失，而且威胁了核电取水的稳定性、安全性。为提高滨海核电厂取水系统的稳定性、安全性，需开展致灾物报警预警系统研究，以实现实时监测、提前预警功能，从而为海生物防治预留更多响应时间，提高核电站应对海生物堵塞的主动防御能力。
目前，相关企业和研究院所开展了大量致灾物报警预警系统的相关研究，基本能实现多源数据的接入、存储、学习、分析和输出。但是仍存在以下不足：
(1)致灾物报警预警系统的监测数据积累不足；
(2)视频和图像识别、预测预警模型可靠性低；
(3)现有功能模块的实时优化能力弱。
发明内容
本发明的目的是提供一种智能系统，该系统能够将环境、水文气象、生物视频与声纳监测数据通过物联网技术实时同步收集，并进行数据融合，涵盖致灾爆发的所有前期条件；能够将卷积神经网络用于视频与声纳图像识别与应急决策支持；还能够建立时空挖掘模块，对长期积累数据进行深度挖掘，并根据结果对系统进行实时优化。
为达到以上目的，本发明采用的技术方案是一种滨海核电站冷源致灾物报警预警智能化系统，用于核电厂冷源系统致灾物预测预警，其中，包括依次连接的数据采集模块、数据存储与管理模块、致灾物预测模型、智能决策模块和显示模块，还包括与所述数据存储与管理模块、所述致灾物预测模型和所述智能决策模块连接的时空挖掘模块。
进一步，所述数据采集模块用于收集数据并发送至所述数据存储与管理模块进行存储及管理，所述数据在所述数据存储与管理模块中经过多源数据融合进行存储，并进入所述致灾物预测模型，在所述致灾物预测模型中利用人工智能算法对所述数据进行计算，所述智能决策模块根据所述致灾物预测模型中的计算结果提供相应的应急预案，最后，所述数据和所述应急预案通过所述显示模块对外显示；所述数据时空挖掘模块通过对所述数据长时间的累积记录，用于对所述致灾物预测模型进行学习修正与研究。
进一步，所述数据采集模块采用RTT嵌入式系统，支持通信协议及硬件多路接入，所述通信协议包括RS232、RS485、北斗、4G、TCP/IP、射频、LoRa和ZigBee，采集的所述数据包括水质监测数据、水文气象数据、水下声呐数据、水下摄像头数据、远程摄像图数据和遥感图像数据。
进一步，
所述数据存储与管理模块内包含数据库，所述数据库分为两部分；第一部分为实时数据数据库，是将实时采集的所述数据通过多源数据融合进行存储；第二部分为致灾物图像信息基础数据库，用于存储后期数据，所述后期数据是所述致灾物预测模型所需样本；
所述数据融合采用抽取、转换、加载的方式；
所述数据抽取是指从源数据源系统抽取目的数据源系统需要的数据；
所述数据转换是指将从源数据源获取的数据按照业务需求，转换成目的数据源要求的形式，并对错误、不一致的数据进行清洗和加工；
所述数据加载是指将转换后的数据装载到目的数据源；
所述致灾物图像信息基础数据库通过文献和原有的图像中收集潜在致灾物在不同状态、位置、光照条件下和浑浊度情况下的视频和声呐图像信息；所述原有的图像是指所述数据采集模块采集的图像数据；
通过网络爬虫，读取典型生物大数据平台的图像信息，作为所述致灾物图像信息基础数据库的拓展库。
进一步，
所述致灾物预测模型中包含水文动力模型、生物生长模型和识别量化算法；
所述水文动力模型采用二维浅水潮波模型，以质点建立模型通过正演和反演进行计算；
所述生物生长模型采用毛虾、水母和棕囊藻生长爆发模型；
所述识别量化算法采用卷积神经网路通过识别所述水下摄像头数据、所述远程摄像图数据和所述水下声呐数据实现；
所述致灾物预测模型以所述水文动力模型为基础，融合所述生物生长模型、集群定位和所述识别量化算法，随着生物增值规律、气象参数、水文动力参数和生态水质参数的不断更新，所述水文动力模型和所述生物生长模型不断迭代校正，使预测的准确度和灵敏度不断提高。
进一步，
所述致灾物预测模型还能够通过建立基于风场下的潮流场数学模型及水质点跟踪数学模型，进行堵塞物轨迹模拟，预测堵塞物的运动轨迹，为可能的堵塞物进行预警，并为防堵塞工程措施提供依据；所述堵塞物就是所述致灾物，指海生物或杂物；具体步骤包括：
步骤S1，计算所述潮流场数学模型海域若干时间段的潮流场并存储流场信息，流场参数包含风场资料；
步骤S2，利用所述水质点跟踪数学模型，进行典型情景下取水口堵塞物的可能来源模拟；
步骤S3，根据取水口一定范围内的即时堵塞物位置，启动所述水质点跟踪数学模型，判断堵塞物是否在48h内抵达取水口及堵塞物数量。
进一步，所述智能决策模块通过神经网络推荐所述应急预案，所述应急预案设置在应急数据库中，所述应急数据库设置在所述数据存储与管理模块中，所述智能决策模块能够直接获取所述应急预案。
进一步，所述显示模块以图和或表对外输出，输出内容包括潜在致灾物类型、种群规模、数量、主要聚集位置、潜在危害等级和预测到达时间，并可通过声光电报警；所述显示模块包括PC端与移动端。
进一步，
所述时空挖掘模块通过对时空数据长时间的累积记录，用于对所述致灾物预测模型中的模型进行学习、修正和研究；
所述时空数据是指具有时间元素并随时间变化而变化的，并带有空间属性的数据。
本发明的有益效果在于：
1.本发明通过物联网技术同步收集、融合环境、水文气象、生物视频与声纳监测等相关数据，涵盖了致灾爆发的所有前期条件，为预测预警模型提供重要数据支撑。
2.本发明将卷积神经网络用于视频与声纳图像识别与应急决策支持，进一步提高响应的准确性和可靠性。
3.本发明建立时空挖掘模块，对长期积累数据进行深度挖掘，可以对系统进行实时优化和更新。
附图说明
图1是本发明具体实施方式中所述的一种滨海核电站冷源致灾物报警预警智能化系统；
图2是本发明具体实施方式中所述的数据采集模块1的示意图；
图3是本发明具体实施方式中所述的致灾物预测模型3的示意图；
图中：1-数据采集模块，2-数据存储与管理模块，3-致灾物预测模型，4-智能决策模块，5-显示模块，6-时空挖掘模块。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
本发明提供的一种滨海核电站冷源致灾物报警预警智能化系统(见图1)，用于核电厂冷源系统致灾物预测预警(冷源系统包含核电厂的取水口，预测预警的范围包括取水口附近海域)，其中，包括依次连接的数据采集模块1、数据存储与管理模块2、致灾物预测模型3、智能决策模块4和显示模块5，还包括与数据存储与管理模块2、致灾物预测模型3和智能决策模块4连接的时空挖掘模块6。
数据采集模块1用于收集数据并发送至数据存储与管理模块2进行存储及管理，数据在数据存储与管理模块2中经过多源数据融合进行存储，并进入致灾物预测模型3，在致灾物预测模型3中利用人工智能算法对数据进行计算，智能决策模块4根据致灾物预测模型3中的计算结果提供相应的应急预案，最后，数据和应急预案通过显示模块5对外显示；数据时空挖掘模块6通过对数据长时间的累积记录，用于对致灾物预测模型3进行学习修正与研究。
数据采集模块1(见图2)位于系统最前端，采用RTT嵌入式系统，支持通信协议及硬件多路接入，通信协议包括RS232、RS485、北斗、4G、TCP/IP、射频、LoRa和ZigBee等，采集的数据包括水质监测数据(即海洋环境数据)、水文气象数据、水下声呐数据、水下摄像头数据(即水下视频数据)、远程摄像图数据(即水上视频数据)和遥感图像数据。
数据存储与管理模块2内包含数据库，数据库分为两部分；第一部分为实时数据数据库，主要是将实时采集的数据通过多源数据融合进行存储；第二部分为致灾物图像信息基础数据库，用于存储后期数据，后期数据是致灾物预测模型3所需样本；
数据融合采用抽取、转换、加载的方式；
数据抽取是指从源数据源系统抽取目的数据源系统需要的数据；
数据转换是指将从源数据源获取的数据按照业务需求，转换成目的数据源要求的形式，并对错误、不一致的数据进行清洗和加工；
数据加载是指将转换后的数据装载到目的数据源；
数据融合负责将分布的、异构数据源中的数据(如关系数据、平面数据文件等)抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础；现在也越来越多地将数据融合应用于一般信息系统中数据的迁移、交换和同步；
致灾物图像信息基础数据库主要通过文献和原有的图像中收集潜在致灾物在不同状态、位置、光照条件下和浑浊度等情况下的视频和声呐图像信息；原有的图像是指数据采集模块1采集的图像数据；
通过网络爬虫，读取典型生物大数据平台的图像信息，作为致灾物图像信息基础数据库的拓展库。
例如：ht tp://fi shdb.s inica.edu.tw/chi/、http://fishdb.sinica.edu.tw/chi/chinesequer2.php？hideme＝&T1＝％E9％87％91％E9％B2％B3％E9％B1％BC&T1_new_value＝true等。
致灾物预测模型3(见图3)中包含水文动力模型、生物生长模型和识别量化算法；
水文动力模型采用二维浅水潮波模型，以质点建立模型通过正演和反演进行计算；
生物生长模型采用毛虾、水母和棕囊藻生长爆发模型；
识别量化算法采用卷积神经网路通过识别水下摄像头数据(即水下视频数据)、远程摄像图数据(即水上视频数据)和水下声呐数据(即声纳图像)实现；
致灾物预测模型3以水文动力模型为基础，融合生物生长模型(即集群爆发模型)、集群定位和识别量化算法(即量化算法)，随着生物增值规律、气象参数、水文动力参数和生态水质参数的不断更新，水文动力模型和生物生长模型不断迭代校正，使预测的准确度和灵敏度不断提高。
致灾物预测模型3还能够通过建立基于风场下的潮流场数学模型及水质点跟踪数学模型，进行堵塞物轨迹模拟，预测堵塞物的运动轨迹，为可能的堵塞物进行预警，并为防堵塞工程措施提供依据；堵塞物就是致灾物，指海生物或杂物；具体步骤包括：
步骤S1，计算潮流场数学模型海域若干时间段的潮流场并存储流场信息，流场参数包含风场资料；
步骤S2，利用水质点跟踪数学模型，进行典型情景下取水口堵塞物的可能来源模拟；
步骤S3，根据取水口一定范围内的即时堵塞物(海生物或杂物)位置，启动水质点跟踪数学模型，判断堵塞物是否在48h内抵达取水口及堵塞物数量。
潮流场方程选用平面直角坐标下的二维浅水潮波方程(“潮流场方程”是“潮流场数学模型”的建模基础)：
其中：x、y为平面直角坐标，t为时间，H为水深(H＝d+η)，d为平均水位平面下的水深，η为水位，u、v分别为x、y方向分量，
和/>
为沿水深平均的流速；
g为重力加速度，f为科氏参数，r为底摩擦系数，
cn为谢才系数，cn＝H1/6/n，n为海底粗糙系数。Ax、Ay是水平运动粘性系数，采用Smagorinsky公式计算：
ρ为海水密度，Wx、Wy为海面x、y方向的风应力分量，所选公式为：
式中空气密度ρa＝1.23kg/m3，ra为风应力系数，按拟合经验公式：
ra＝(1.1×0.0536W10)×10-3，W10为海面上10米处的风速，ua、va分别是x，y方向上的风速；
(拟合经验公式源于《中国科学院南京地理研究与湖泊研究所集刊》，NO.6，1989，太湖水动力学的不规则网格有限差分数值模拟，作者吴坚，濮培民)
造成海洋生物入侵的主要因素是海生物密度，其他因素还包括洋流流速、洋流与入水口的角度、海风、海风与入水口的角度、海水温度、海水盐度等。本项目基于文献资料调研，结合生物栖息生境中的水环境要素等变化情况，建立海洋致灾生物生长预测通用模型，采用基于多种因素数据特征的融合技术，得到海洋生物生长或入侵密度，进而判断核电厂取水口堵塞的可能性，用于预测可能的生物集群爆发。
智能决策模块4通过神经网络推荐应急预案，应急预案设置在应急数据库中，应急数据库设置在数据存储与管理模块2中，智能决策模块4能够直接获取应急预案。
显示模块5以图和或表对外输出，输出内容包括潜在致灾物类型、种群规模、数量、主要聚集位置、潜在危害等级和预测到达时间，并可通过声光电报警；显示模块5包括PC端与移动端。
时空挖掘模块6通过对时空数据长时间的累积记录(对长时间序列的数据分析)，用于对致灾物预测模型3中的模型进行学习、修正和研究；
时空数据是指具有时间元素并随时间变化而变化的，并带有空间属性的数据，时空数据涉及到各式各样的数据，如海洋环境地物要素的数量、形状、纹理、空间分布特征、内在联系及规律等的数字、文本、图形和图像等；
系统根据不同需要，可对生物、海域、生态系统等进行时空挖掘分析；
在时间维度上分析数据的历史时间演变情况，并根据一定的模型预算出其未来的发展趋势，为预警预报提供参考依据；
利用地理信息技术实现对信息的空间关联分析，包括空间分布、空间拓扑关系以及空间关联关系等分析；例如可利用生物空间位置结合全球地形地貌数据分析出生物分布与地形地貌之间的关系及特点，可预测致灾物的生消演变趋势。
本发明所述的装置并不限于具体实施方式中所述的实施例，本领域技术人员根据本发明的技术方案得出其他的实施方式，同样属于本发明的技术创新范围。
Claims (9)
1.一种滨海核电站冷源致灾物报警预警智能化系统，用于核电厂冷源系统致灾物预测预警，其特征是：包括依次连接的数据采集模块(1)、数据存储与管理模块(2)、致灾物预测模型(3)、智能决策模块(4)和显示模块(5)，还包括与所述数据存储与管理模块(2)、所述致灾物预测模型(3)和所述智能决策模块(4)连接的时空挖掘模块(6)。
2.如权利要求1所述的一种滨海核电站冷源致灾物报警预警智能化系统，其特征是：所述数据采集模块(1)用于收集数据并发送至所述数据存储与管理模块(2)进行存储及管理，所述数据在所述数据存储与管理模块(2)中经过多源数据融合进行存储，并进入所述致灾物预测模型(3)，在所述致灾物预测模型(3)中利用人工智能算法对所述数据进行计算，所述智能决策模块(4)根据所述致灾物预测模型(3)中的计算结果提供相应的应急预案，最后，所述数据和所述应急预案通过所述显示模块(5)对外显示；所述数据时空挖掘模块(6)通过对所述数据长时间的累积记录，用于对所述致灾物预测模型(3)进行学习修正与研究。
3.如权利要求2所述的一种滨海核电站冷源致灾物报警预警智能化系统，其特征是：所述数据采集模块(1)采用RTT嵌入式系统，支持通信协议及硬件多路接入，所述通信协议包括RS232、RS485、北斗、4G、TCP/IP、射频、LoRa和ZigBee，采集的所述数据包括水质监测数据、水文气象数据、水下声呐数据、水下摄像头数据、远程摄像图数据和遥感图像数据。
4.如权利要求3所述的一种滨海核电站冷源致灾物报警预警智能化系统，其特征是：
所述数据存储与管理模块(2)内包含数据库，所述数据库分为两部分；第一部分为实时数据数据库，是将实时采集的所述数据通过多源数据融合进行存储；第二部分为致灾物图像信息基础数据库，用于存储后期数据，所述后期数据是所述致灾物预测模型(3)所需样本；
所述数据融合采用抽取、转换、加载的方式；
所述数据抽取是指从源数据源系统抽取目的数据源系统需要的数据；
所述数据转换是指将从源数据源获取的数据按照业务需求，转换成目的数据源要求的形式，并对错误、不一致的数据进行清洗和加工；
所述数据加载是指将转换后的数据装载到目的数据源；
所述致灾物图像信息基础数据库通过文献和原有的图像中收集潜在致灾物在不同状态、位置、光照条件下和浑浊度情况下的视频和声呐图像信息；所述原有的图像是指所述数据采集模块(1)采集的图像数据；
通过网络爬虫，读取典型生物大数据平台的图像信息，作为所述致灾物图像信息基础数据库的拓展库。
5.如权利要求4所述的一种滨海核电站冷源致灾物报警预警智能化系统，其特征是：
所述致灾物预测模型(3)中包含水文动力模型、生物生长模型和识别量化算法；
所述水文动力模型采用二维浅水潮波模型，以质点建立模型通过正演和反演进行计算；
所述生物生长模型采用毛虾、水母和棕囊藻生长爆发模型；
所述识别量化算法采用卷积神经网路通过识别所述水下摄像头数据、所述远程摄像图数据和所述水下声呐数据实现；
所述致灾物预测模型(3)以所述水文动力模型为基础，融合所述生物生长模型、集群定位和所述识别量化算法，随着生物增值规律、气象参数、水文动力参数和生态水质参数的不断更新，所述水文动力模型和所述生物生长模型不断迭代校正，使预测的准确度和灵敏度不断提高。
6.如权利要求5所述的一种滨海核电站冷源致灾物报警预警智能化系统，其特征是：
所述致灾物预测模型(3)还能够通过建立基于风场下的潮流场数学模型及水质点跟踪数学模型，进行堵塞物轨迹模拟，预测堵塞物的运动轨迹，为可能的堵塞物进行预警，并为防堵塞工程措施提供依据；所述堵塞物就是所述致灾物，指海生物或杂物；具体步骤包括：
步骤S1，计算所述潮流场数学模型海域若干时间段的潮流场并存储流场信息，流场参数包含风场资料；
步骤S2，利用所述水质点跟踪数学模型，进行典型情景下取水口堵塞物的可能来源模拟；
步骤S3，根据取水口一定范围内的即时堵塞物位置，启动所述水质点跟踪数学模型，判断堵塞物是否在48h内抵达取水口及堵塞物数量。
7.如权利要求2所述的一种滨海核电站冷源致灾物报警预警智能化系统，其特征是：所述智能决策模块(4)通过神经网络推荐所述应急预案，所述应急预案设置在应急数据库中，所述应急数据库设置在所述数据存储与管理模块(2)中，所述智能决策模块(4)能够直接获取所述应急预案。
8.如权利要求2所述的一种滨海核电站冷源致灾物报警预警智能化系统，其特征是：所述显示模块(5)以图和或表对外输出，输出内容包括潜在致灾物类型、种群规模、数量、主要聚集位置、潜在危害等级和预测到达时间，并可通过声光电报警；所述显示模块(5)包括PC端与移动端。
9.如权利要求2所述的一种滨海核电站冷源致灾物报警预警智能化系统，其特征是：
所述时空挖掘模块(6)通过对时空数据长时间的累积记录，用于对所述致灾物预测模型(3)中的模型进行学习、修正和研究；
所述时空数据是指具有时间元素并随时间变化而变化的，并带有空间属性的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310011404.XA CN116258251A (zh) | 2023-01-05 | 2023-01-05 | 一种滨海核电站冷源致灾物报警预警智能化系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310011404.XA CN116258251A (zh) | 2023-01-05 | 2023-01-05 | 一种滨海核电站冷源致灾物报警预警智能化系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116258251A true CN116258251A (zh) | 2023-06-13 |
Family
ID=86681887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310011404.XA Pending CN116258251A (zh) | 2023-01-05 | 2023-01-05 | 一种滨海核电站冷源致灾物报警预警智能化系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116258251A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118033660A (zh) * | 2024-04-11 | 2024-05-14 | 上海阿波罗机械股份有限公司 | 一种冷源致灾物的声光识别方法及系统 |
-
2023
- 2023-01-05 CN CN202310011404.XA patent/CN116258251A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118033660A (zh) * | 2024-04-11 | 2024-05-14 | 上海阿波罗机械股份有限公司 | 一种冷源致灾物的声光识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018214190A1 (zh) | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 | |
| CN102564508B (zh) | 基于视频图像的河流流量在线测验实现方法 | |
| CN107657348B (zh) | 一种基于物联网的全方位水质智能监管方法及其系统 | |
| Zerger et al. | Beyond modelling: linking models with GIS for flood risk management | |
| Aguzzi et al. | The new seafloor observatory (OBSEA) for remote and long-term coastal ecosystem monitoring | |
| CN112423255A (zh) | 一种海洋环境在线监测预警系统 | |
| CN102135531A (zh) | 大型浅水湖泊72小时蓝藻水华预测方法 | |
| Angnuureng et al. | Application of shore-based video and unmanned aerial vehicles (drones): complementary tools for beach studies | |
| CN102682573A (zh) | 一种基于时间序列分析的风暴潮灾害预警系统 | |
| KR20160072432A (ko) | 해양환경 관측자료 제공시스템 | |
| CN209545749U (zh) | 一种陆海空一体化生态环境监测系统 | |
| CN110375720A (zh) | 漂流浮标监测方法及其系统 | |
| CN116258251A (zh) | 一种滨海核电站冷源致灾物报警预警智能化系统 | |
| CN111855942A (zh) | 一种基于3s技术的船舶与海洋溢油污染的监测系统 | |
| Li et al. | Cognitive ocean of things: a comprehensive review and future trends | |
| CN212160899U (zh) | 一种基于物联网的海洋环境突变预警系统 | |
| CN112735619A (zh) | 一种基于滨海核电厂海洋致灾物综合信息处理系统 | |
| Cao et al. | Drift path of green tide and the impact of typhoon “Chan-hom” in the Chinese Yellow Sea based on GOCI images in 2015 | |
| CN117687416B (zh) | 河网水安全检测装置路径规划方法及系统 | |
| CN115310706A (zh) | 一种台风路径智能预报方法 | |
| Pimenta et al. | Characterization of wind resources of the east coast of maranhão, brazil | |
| CN111291520B (zh) | 一种优化空间效率的海洋锚定浮标站位智能选址方法 | |
| Xu et al. | Monthly NDVI prediction using spatial autocorrelation and nonlocal attention networks | |
| CN114782255B (zh) | 一种基于语义的夜光遥感影像高分辨率重建方法 | |
| KR20130128696A (ko) | 해양재해 예측 시스템 |
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 |