CN117078116B - 风电场选址对海洋生物群落影响的鲁棒性分析方法及系统 - Google Patents
风电场选址对海洋生物群落影响的鲁棒性分析方法及系统 Download PDFInfo
- Publication number
- CN117078116B CN117078116B CN202311340386.6A CN202311340386A CN117078116B CN 117078116 B CN117078116 B CN 117078116B CN 202311340386 A CN202311340386 A CN 202311340386A CN 117078116 B CN117078116 B CN 117078116B
- Authority
- CN
- China
- Prior art keywords
- network
- robustness
- vertex
- data
- attack
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013432 robust analysis Methods 0.000 title claims abstract description 38
- 241000902900 cellular organisms Species 0.000 title claims abstract description 36
- 230000003993 interaction Effects 0.000 claims abstract description 66
- 239000011159 matrix material Substances 0.000 claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 12
- 239000002028 Biomass Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 claims 1
- 238000004891 communication Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 4
- 230000006378 damage Effects 0.000 description 11
- 230000007423 decrease Effects 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000003012 network analysis Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 231100000167 toxic agent Toxicity 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Abstract
本发明公开了风电场选址对海洋生物群落影响的鲁棒性分析方法及系统,涉及信息技术领域,包括:将浮游生物监测数据进行数据清洗构建数据矩阵;对浮游生物数据矩阵进行相关系数计算并生成生物间的相关系数矩阵;在相互作用网络上进行基于仿真攻击的鲁棒性分析;选取网络鲁棒性衡量的指标,并通过敏感性分析方法为各指标分配权重,构建多指标协同的鲁棒性系数。本发明提供的风电场选址对海洋生物群落影响的鲁棒性分析方法通过相互作用矩阵数据中的数值关系构建边,以相互作用矩阵数据中的数值关系作为网络中边构建的条件,考虑实体之间的隐含关系,鲁棒性系数计算多种衡量指标进行计算,抗干扰能力强,不存在固有缺陷。
Description
技术领域
本发明涉及信息技术领域,具体为风电场选址对海洋生物群落影响的鲁棒性分析方法及系统。
背景技术
随着近海风能资源利用日益饱和,由于深远海风能具有较大的开发潜能,海上风电逐渐往深海、远海发展;相较于陆上以及近海风电场,深远海风电场建设需要考虑复杂海洋环境的影响,需要研究海洋气象、海底工况、海洋生物、海洋油气开发、航道等多方面因素对深远海风电场微观选址的影响;其中海上风电场建设和运行期间产生的噪声、电磁辐射以及对海洋沉积环境的改变等会对海洋生物和海洋生态产生一定的负面影响。因此,该发明从复杂网络分析的角度研究海上风电场微观选址对海洋生物群落系统影响的鲁棒性分析,为深远海风电场微观选址提供依据。
复杂网络分析研究如何分析网络拓扑结构与网络运行效能之间的相互关系。此发明特别关注复杂网络的鲁棒性问题,即复杂网络在节点或链路发生故障时,其余部分网络如何保持连接和运行。这是复杂网络分析和应用的关键问题之一。
复杂网络理论研究网络结构与功能之间的相互关系,是一门新兴的跨学科领域。许多自然系统和人工系统可以抽象为复杂网络,例如生物网络、社会网络和交通运输网络。在这些网络中,鲁棒性是一个重要课题,它表示网络在部分节点或链路失效的情况下,仍可以保持大部分的连接和功能。
现有技术中,Barabási等提出的无标度网络模型可以增强网络鲁棒性。Albert等提出的随机攻击和定向攻击模型用于评估网络故障对网络连通性的影响。Zhang等通过构建优化的网络冗余拓扑结构,平衡了互相依赖复杂网络的稳健性和可控性,实现了在提高网络故障稳健性的同时,最大限度地保持网络的可控制性和功能性。Shrestha通过评估农村地区道路网络的连接冗余性,识别薄弱环节,并提出优化网络拓扑的规划建议,以提高灾害发生时网络的稳健性和灾害抗击能力。这些研究分析了特定网络的鲁棒性,但没有提供一个系统的方法来评估和改善网络鲁棒性。
Leskovec等收集了多城市实际道路网络的数据,包括道路段及其连接关系。在此基础上,他们首先构建了等规模的随机网络和无标度网络作为对比。然后,他们在三种网络中随机移除一定比例的道路段,观察网络的最大连通组件的规模和网络效率的变化,作为评估网络鲁棒性的指标。
结果显示,实际网络的连通组件大小和网络效率的下降速度介于随机网络和无标度网络之间,表现出比随机网络高的鲁棒性,但略逊于无标度网络。由此,Leskovec等认为实际网络具有冗余结构,这赋予其一定的鲁棒性。
综上,现有研究主要局限于特定的网络和模型,没有系统的方法论。络模型以显性条件(如道路,河流等实体)作为网络中边构建的条件,并未考虑实体之间的隐含关系;鲁棒性常基于单一指标进行计算,可能会存在固有缺陷且易受干扰。本发明提出的就是一种用于系统评估和分析复杂网络鲁棒性的方法。这种方法可以广泛应用于各种网络,具有明显的创新性和实用价值。
发明内容
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的鲁棒性分析方法存在仅依靠实体作为网络边构建的条件,未考虑实体之间的隐含关系,以及如何基于多种指标进行计算的优化问题。
为解决上述技术问题,本发明提供如下技术方案:一种风电场选址对海洋生物群落影响的鲁棒性分析方法,包括:将浮游生物监测数据进行数据清洗构建数据矩阵;对浮游生物数据矩阵进行相关系数计算并生成生物间的相关系数矩阵;通过复杂网络的构建方法,将生物间的相关系数矩阵构建成为相互作用网络,在相互作用网络上进行基于仿真攻击的鲁棒性分析;选取网络鲁棒性衡量的指标,并通过敏感性分析方法为各指标分配权重,构建多指标协同的鲁棒性系数,评价相互作用网络在遭受攻击下的鲁棒性并确定生态保护策略。
作为本发明所述的风电场选址对海洋生物群落影响的鲁棒性分析方法的一种优选方案,其中:所述将浮游生物监测数据进行数据清洗构建数据矩阵包括采集海洋浮游生物监测数据,海洋浮游生物监测数据为每种识别生物一行的矩阵数据行,数据行包括监测时间、监测地点、生物分类、生物量数据,将监测数据处理为二维矩阵数据,行名为生物分类名,列名为监测数据的时间,同一监测地点中的所有海洋浮游生物数据生成一个二维矩阵数据,并在生成二维矩阵数据的过程中去除缺失值和异常值。
作为本发明所述的风电场选址对海洋生物群落影响的鲁棒性分析方法的一种优选方案,其中:所述对浮游生物数据矩阵进行相关系数计算并生成生物间的相关系数矩阵包括通过Spearman相关系数来检验海洋浮游生物之间是否存在相互作用关系,表示为:
;
其中,为数据中属分类总数量,/>分别表示一个属,并且/>,/>表示属的第/>条生物量数据,/>表示属/>的第/>条生物量数据,且/>,/>和分别表示属/>和属/>观测数据的均值,/>表示属/>和属/>之间的相关系数,当相关系数对应的显著性水平P<0.05时,视为相关系数具有可靠性,两个属之间存在相互作用关系;基于海洋浮游生物间相关系数构建由顶点和边组成的相互作用网络,将浮游生物视为顶点,通过相关系数确定顶点间的边,相关系数表示因子间的相互关系,构建的网络为无向网络,设相互作用网络/>有/>个顶点,集合/>表示网络顶点集;集合/>表示称为边集合/>,对于任一边/>,/>且/>,网络的邻接矩阵/>表示为:
;
其中,当邻接矩阵时,表示顶点/>和/>之间存在连边,当/>时,表示顶点/>和/>之间不存在连边,邻接矩阵中的对角元素/>,表示不存在自环。
作为本发明所述的风电场选址对海洋生物群落影响的鲁棒性分析方法的一种优选方案,其中:所述进行基于仿真攻击的鲁棒性分析包括随机顶点攻击、随机边攻击、基于顶点介数中心性的攻击以及基于边介数中心性的攻击;所述随机顶点攻击包括随机删除相互作用网络中的顶点,当顶点被删除时,与顶点相连的边也被删除,使用表示顶点/>受到攻击的顺序,表示为:
;
其中,表示网络中顶点的数量,/>表示随机数生成函数,每次只生成一个区间/>内的随机自然数,共生成/>个,并且/>函数的不重复生成同一个数;所述随机边攻击包括随机删除相互作用网络中的边,顶点的全部边被删除后,顶点被删除,使用/>表示边/>受到攻击的顺序,表示为:
;
其中,表示网络中边的数量,/>表示随机数生成函数,每次只生成一个区间/>内的随机自然数,共生成/>个,并且/>函数的不重复生成同一个数;所述基于顶点介数中心性的攻击包括根据网络中顶点的介数中心性由大到小,进行顺序攻击,顶点/>的介数中心性/>表示为:
;
其中,表示顶点/>和/>之间的总路径数量,/>表示顶点/>和/>之间经过顶点/>的路径数量;所述基于边介数中心性的攻击包括根据网络中顶点的接近中心性由大到小,进行顺序攻击,顶点/>的接近中心性/>表示为:
;
其中,表示顶点/>与顶点/>之间的路径权重,顶点/>的接近中心性/>表示为顶点/>到网络中所有其他顶点的最短路径之和。
作为本发明所述的风电场选址对海洋生物群落影响的鲁棒性分析方法的一种优选方案,其中:所述选取网络鲁棒性衡量的指标包括选择平均顶点连通性、最大连通分量以及网络效率为衡量指标;所述平均顶点连通性包括设相互作用网络中,顶点和/>之间的顶点连通性/>表示使顶点/>与/>不连通需移除的最少顶点数,则平均顶点连通性/>定义为:
;
进行归一化处理,表示为:
;
所述最大连通分量包括设相互作用网络中,初始的顶点数量为/>,网络受到攻击后,最大连通子网络中包含的顶点数量为/>,则最大连通分量相对值表示为:
;
进行归一化处理,表示为
;
所述网络效率包括设顶点与顶点/>之间的路径权重为/>,网络效率表示为:
;
进行归一化处理,表示为:
;
根据指标计算综合鲁棒性系数。
作为本发明所述的风电场选址对海洋生物群落影响的鲁棒性分析方法的一种优选方案,其中:所述构建多指标协同的鲁棒性系数包括设鲁棒性系数为,为衡量指标的归一化表示,计算相互作用网络被破坏下的指标参数/>,每种指标获得一组数量为c的变化量数据/>,计算变化量的平均值,表示为:
;
计算指标变化量的方差,表示为:
;
通过重复相互作用网络的破坏步骤D次,计算数量为的指标变化量方差,表示为:
;
通过来确定鲁棒性系数中的各指标权重,表示为:
;
利用归一化方法,令,则存在:
;
鲁棒性系数表示为:
;
基于鲁棒性系数,分析在相互作用网络中整个网络的鲁棒性变化情况。
作为本发明所述的风电场选址对海洋生物群落影响的鲁棒性分析方法的一种优选方案,其中:所述评价相互作用网络在遭受攻击下的鲁棒性并确定生态保护策略包括根据鲁棒性系数确定相互作用网络中的鲁棒性变化,得到对海洋生物和海洋生态产生影响的程度,实现为深远海风电场微观选址提供依据。
本发明的另外一个目的是提供一种风电场选址对海洋生物群落影响的鲁棒性分析系统,其能通过选择平均顶点连通性、最大连通分量、网络效率为衡量指标,进行多指标分析,抗干扰能力强,不存在固有缺陷。
作为本发明所述的风电场选址对海洋生物群落影响的鲁棒性分析系统的一种优选方案,其中:包括生物矩阵构建模型,相关系数矩阵构建模型,仿真攻击模型,鲁棒性系数计算模块;所述生物矩阵构建模型用于采集海洋浮游生物监测数据构建二维矩阵数据;所述相关系数矩阵构建模型通过Spearman相关系数来检验海洋浮游生物之间是否存在相互作用关系;所述仿真攻击模型通过随机顶点攻击、随机边攻击、基于顶点介数中心性的攻击以及基于边介数中心性的攻击进行仿真攻击;所述鲁棒性系数计算模块通过敏感性分析方法为各指标分配权重,构建多指标协同的鲁棒性系数。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序是实现风电场选址对海洋生物群落影响的鲁棒性分析方法的步骤。
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,所述计算机程序被处理器执行时实现风电场选址对海洋生物群落影响的鲁棒性分析方法的步骤。
本发明的有益效果:本发明提供的风电场选址对海洋生物群落影响的鲁棒性分析方法通过相互作用矩阵数据中的数值关系构建边,以相互作用矩阵数据中的数值关系作为网络中边构建的条件,考虑实体之间的隐含关系,鲁棒性系数计算基于平均顶点连通性、最大连通分量以网络效率为衡量指标进行计算,抗干扰能力强,不存在固有缺陷。本发明在抗干扰能力、固有缺陷和实体间的关系种类方面都取得更加良好的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例提供的风电场选址对海洋生物群落影响的鲁棒性分析方法的整体流程图。
图2为本发明第二个实施例提供的风电场选址对海洋生物群落影响的鲁棒性分析方法的网络的度分布情况图。
图3为本发明第二个实施例提供的风电场选址对海洋生物群落影响的鲁棒性分析方法的基于随机顶点攻击下的鲁棒性衡量指标变化情况图。
图4为本发明第二个实施例提供的风电场选址对海洋生物群落影响的鲁棒性分析方法的基于随机边攻击下的鲁棒性衡量指标变化情况图。
图5为本发明第二个实施例提供的风电场选址对海洋生物群落影响的鲁棒性分析方法的基于顶点介数中心性攻击下的鲁棒性衡量指标变化情况图。
图6为本发明第二个实施例提供的风电场选址对海洋生物群落影响的鲁棒性分析方法的基于边介数中心性攻击下的鲁棒性衡量指标变化情况图。
图7为本发明第二个实施例提供的风电场选址对海洋生物群落影响的鲁棒性分析方法的鲁棒性系数变化图。
图8为本发明第三个实施例提供的风电场选址对海洋生物群落影响的鲁棒性分析系统的整体流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1,为本发明的一个实施例,提供了一种风电场选址对海洋生物群落影响的鲁棒性分析方法,包括:
S1:将浮游生物监测数据进行数据清洗构建数据矩阵。
更进一步的,将浮游生物监测数据进行数据清洗构建数据矩阵包括采集海洋浮游生物监测数据,海洋浮游生物监测数据为每种识别生物一行的矩阵数据行,数据行包括监测时间、监测地点、生物分类、生物量数据,将监测数据处理为二维矩阵数据,行名为生物分类名,列名为监测数据的时间,同一监测地点中的所有海洋浮游生物数据生成一个二维矩阵数据,并在生成二维矩阵数据的过程中去除缺失值和异常值。
S2:对浮游生物数据矩阵进行相关系数计算并生成生物间的相关系数矩阵。
更进一步的,对浮游生物数据矩阵进行相关系数计算并生成生物间的相关系数矩阵包括通过Spearman相关系数来检验海洋浮游生物之间是否存在相互作用关系,表示为:
;
其中,为数据中属分类总数量,/>分别表示一个属,并且/>,/>表示属的第/>条生物量数据,/>表示属/>的第/>条生物量数据,且/>,/>和分别表示属/>和属/>观测数据的均值,/>表示属/>和属/>之间的相关系数,当相关系数对应的显著性水平P<0.05时,视为相关系数具有可靠性,两个属之间存在相互作用关系;基于海洋浮游生物间相关系数构建由顶点和边组成的相互作用网络,将浮游生物视为顶点,通过相关系数确定顶点间的边,相关系数表示因子间的相互关系,构建的网络为无向网络,设相互作用网络/>有/>个顶点,集合/>表示网络顶点集;集合/>表示称为边集合/>,对于任一边/>,/>且/>,网络的邻接矩阵/>表示为:
;
其中,当邻接矩阵时,表示顶点/>和/>之间存在连边,当/>时,表示顶点/>和/>之间不存在连边,邻接矩阵中的对角元素/>,表示不存在自环。
应说明的是,首先以生物属分类创建相互网络中的顶点,其次通过相互作用矩阵数据中的数值关系构建顶点之间的连边,不同连边具有不同的特征表示,考虑自然浮游生物群落系统结构特点。
S3:通过复杂网络的构建方法,将生物间的相关系数矩阵构建成为相互作用网络,在相互作用网络上进行基于仿真攻击的鲁棒性分析。
更进一步的,进行基于仿真攻击的鲁棒性分析包括随机顶点攻击、随机边攻击、基于顶点介数中心性的攻击以及基于边介数中心性的攻击;随机顶点攻击包括随机删除相互作用网络中的顶点,当顶点被删除时,与顶点相连的边也被删除,使用表示顶点/>受到攻击的顺序,表示为:
;
其中,表示网络中顶点的数量,/>表示随机数生成函数,每次只生成一个区间/>内的随机自然数,共生成/>个,并且/>函数的不重复生成同一个数;随机边攻击包括随机删除相互作用网络中的边,顶点的全部边被删除后,顶点被删除,使用表示边/>受到攻击的顺序,表示为:
;
其中,表示网络中边的数量,/>表示随机数生成函数,每次只生成一个区间/>内的随机自然数,共生成/>个,并且/>函数的不重复生成同一个数;基于顶点介数中心性的攻击包括根据网络中顶点的介数中心性由大到小,进行顺序攻击,顶点/>的介数中心性/>表示为:
;
其中,表示顶点/>和/>之间的总路径数量,/>表示顶点/>和/>之间经过顶点/>的路径数量;基于边介数中心性的攻击包括根据网络中顶点的接近中心性由大到小,进行顺序攻击,顶点/>的接近中心性/>表示为:
;
其中,表示顶点/>与顶点/>之间的路径权重,顶点/>的接近中心性/>表示为顶点/>到网络中所有其他顶点的最短路径之和,/>数值越大表示重要性越大。
应说明的是,攻击策略是对复杂系统进行鲁棒性分析的重要方法是通过模拟的方式,对其进行干扰和破坏,并评估其在遭受干扰和破坏下功能演变情况。而对于复杂网络理论而言,进行鲁棒性评估的重要依据便是,通过使用网络攻击策略,删除网络中的成员,即顶点和边,并观察网络的性能变化,因此攻击策略是复杂网络鲁棒性分析中的重要一环。目前,攻击策略可以分为随机攻击和蓄意攻击两类。随机攻击是指随机破坏网络的顶点或边,意指相互作用网络受到自然灾害、气候影响等随机破坏;蓄意破坏是指通过一定顺序有选择性的破坏顶点或边,意指相互作用网络受到人为影响、有毒物质污染等有针对性的破坏。两类攻击各有特点,在进行网络的鲁棒性分析过程中,使用不同的攻击策略对网络结构的破坏顺序也将不尽相同,因此使用不同的攻击策略非常有利于从多个角度评估网络的鲁棒性。
还应说明的是,顶点介数中心性主要用于衡量顶点在网络中的重要地位。网络中任意两个非邻居的连通顶点间的作用关系尤其依赖路径上的其他顶点,这些路径上的顶点存在构建了边缘顶点相互作用的桥梁。顶点介数中心性的目的则在于衡量在网络中起到这样作用的顶点的重要程度。
顶点接近中心性利用了整个网络的结构特征来计算,以计算顶点在网络中的位置重要性。使用路径权重作为计算单元。如果顶点在网络中到其他顶点的路径权重都很大,那么可以简单的认为该顶点处于网络中较为中心的位置,其接近中心性就较高。
S4:选取网络鲁棒性衡量的指标,并通过敏感性分析方法为各指标分配权重,构建多指标协同的鲁棒性系数,评价相互作用网络在遭受攻击下的鲁棒性并确定生态保护策略。
更进一步的,选取网络鲁棒性衡量的指标包括选择平均顶点连通性、最大连通分量以及网络效率为衡量指标;顶点连通性在连通性概念的基础上提出,衡量删除部分顶点之后网络顶点仍能保持相互连接的能力。在海洋浮游生物群落中的生物,稳定状态下生物数量与所能摄取的营养物质息息相关。若某生物仅以一种食物为食,则该食物数量锐减时,遭受严重破坏的风险较高,生物数量便会迅速下降;若某生物以多种食物为食,则食物中的一种数量锐减时,仍有其他食物可替代,遭受严重破坏的风险较低。从能量传递角度来看,当生物能量来源较少,显然更易在干扰和破坏中丢失能量来源,因此,群落的稳定性往往与相互作用的多样性有关,顶点联通性便可衡量复杂网络中类似的性质。平均顶点连通性包括设相互作用网络中,顶点/>和/>之间的顶点连通性/>表示使顶点/>与不连通需移除的最少顶点数,则平均顶点连通性/>定义为:
;
进行归一化处理,表示为:
;
最大连通分量网络中顶点和边形成的最大子网络的大小,换言之,反映的是网络被破坏的程度,当移除顶点或边的比率达到了临界值,最大联通分量就会改变。海洋浮游生物种类众多,但一方面,生物之间相互作用关系的存在才决定着群落系统的主要特性和功能。另一方面,当生物之间的相互作用团簇发生变化,生物之间的物质传递被阻断,便会发生明显的特征功能改变,即原始浮游生物群落开始崩溃。因此,最大连通分量的变化能有效的反映出网络结构对攻击的容忍度,对网络中的群聚结构做出良好的评价。最大连通分量包括设相互作用网络中,初始的顶点数量为/>,网络受到攻击后,最大连通子网络中包含的顶点数量为/>,则最大连通分量相对值表示为:
;
进行归一化处理,表示为
;
网络效率即整个网络交换信息的效率。生物之间的能量传递往往伴随着损耗,任意两个生物之间的能量传递通路越狭窄,就越不利于能量的获取,并且在遭受干扰和破坏时链路也越易断开,而通路更加宽广显然更有利于系统稳定状态的保持。
在相互作用网络中,路径权重在一方面而言起到了衡量“道路宽广度”的参数。网络效率包括设顶点与顶点/>之间的路径权重为/>,网络效率表示为:
;
进行归一化处理,表示为:
;
根据指标计算综合鲁棒性系数。
应说明的是,构建多指标协同的鲁棒性系数包括设鲁棒性系数为,/>为衡量指标的归一化表示,计算相互作用网络被破坏下的指标参数/>,每种指标获得一组数量为c的变化量数据/>,计算变化量的平均值,表示为:
;
计算指标变化量的方差,表示为:
;
通过重复相互作用网络的破坏步骤D次,计算数量为的指标变化量方差,表示为:
;
通过来确定鲁棒性系数中的各指标权重,表示为:
;
利用归一化方法,令,则存在:
;/>
鲁棒性系数表示为:
;
基于鲁棒性系数,分析在相互作用网络中整个网络的鲁棒性变化情况。
还应说明的是,评价相互作用网络在遭受攻击下的鲁棒性并确定生态保护策略包括根据鲁棒性系数确定相互作用网络中的鲁棒性变化,得到对海洋生物和海洋生态产生影响的程度,实现为深远海风电场微观选址提供依据。
实施例2
参照图2-图7,为本发明的一个实施例,提供了一种风电场选址对海洋生物群落影响的鲁棒性分析方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
以3组海洋浮游生物监测点数据作为实验数据,不同监测点之间的生物量存在差异并且生物属数量也不尽相同,统计数据如表1所示。
表1 各监测点统计数据表
原始数据经过数据清洗加工后作为实验的输入数据,其部分数据详情如表2所示。
表2 部分输入数据表
通过生物监测数据计算得到浮游生物群落a、b、c中各生物间相关系数邻接矩阵。
3个监测点(a、b、c)所构建的相互作用网络特征指标计算统计结果如表2网络特征指标所示。a、b、c三个网络的顶点数非常接近,但边数存在差距,网络b的边数要远少于网络a、c,而网络a、c的边数接近。此外网络b的平均度仅为5.548387,过低的平均度数表示其连接并不紧密,它在遭受攻击时相对其他网络可能会有更差的表现。
图2展示了三个监测点所构成网络的度分布情况,可以看到,在相互作用网络a中,顶点的度数分布最为均匀,并且具有多个高度数的顶点,而网络b中的度数分布则不均匀,且多数顶点呈现出较低的度数。
根据网络攻击策略和鲁棒性衡量指标对浮游生物相互作用网络进行鲁棒性分析。实验开始前,首先对生物分类(属)进行编号(),然后根据攻击策略并按照一定的比例进行攻击,攻击方式为删去操作。当顶点或边被删除后,网络的结构和性质也将发生变化,对遭受不同攻击程度下的相互作用网络进行鲁棒性衡量指标的计算。
图3-图6中的曲线展示了三个网络分别在4种攻击模式下的网络鲁棒性衡量指标变化情况。
图3为基于随机顶点攻击下的鲁棒性衡量指标变化情况,可以看出,3个网络的鲁棒性衡量指标变化情况接近,其中最大连通分量下降最缓慢,平均顶点连通性次之,网络效率下降最快。由图7所示的鲁棒性系数变化情况可知,随机顶点攻击下,3个网络鲁棒性系数下降较快,其中网络a、c表现几乎相同,网络b则明显差于网络a、c,但差距不大。
图4为基于随机边攻击下的鲁棒性衡量指标变化情况,可以看出,3个网络的平均顶点连通性变化情况接近,几乎呈现一条直线。网络a、c中最大连通分量和网络效率变化情况较为一致,而网络b中网络效率变化情况要逊于最大连通分量。由图7所示的鲁棒性系数变化情况可知,随机边攻击下3个网络的鲁棒性系数变化都较为缓慢,呈现为外凸,其中网络a表现略好于网络c,而网络b则明显差于网络a、c。
图5为基于顶点介数中心性攻击下的鲁棒性衡量指标变化情况,可以看出,网络b中的几个鲁棒性衡量指标变化情况较为相似,并且下降较快,顶点失效比率达到60%时,平均顶点连通性和网络效率便几乎降为0,最大连通分量也仅有原网络的10%左右。网络a、c的表现中,最大连通分量的下降速率要远小于平均顶点连通性和网络效率。并且网络a中顶点失效比率达到80%时,几个鲁棒性指标才几乎降为0,而网络b则是70%。由图7所示的鲁棒性系数变化情况可知,网络a、c的鲁棒性系数变化表现要远好于网络b,并且在前半段中网络a与c变化几乎一致,甚至网络c要略好于网络a,但后半段网络a的表现要好于网络c。
图6为基于边介数中心性攻击下的鲁棒性衡量指标变化情况,可以看出,3个网络的鲁棒性衡量指标变化情况不如顶点介数中心性攻击下的平滑,存在部分边消失后网络鲁棒性发生突变的情况。网络a、c中最大连通分量和网络效率下降缓慢,而在网络b中则下降快速。并且在网络a、c中,网络效率变化与最大连通分量接近,在网络b中,网络效率变化与平均顶点连通性更加接近。网络a、c的鲁棒性系数下降较为缓慢,并且变化存在波动,在整个攻击过程中,两者交替成为鲁棒性系数最大的网络。而网络a的鲁棒性系数远低于网络a、c。
根据以上3个网络的鲁棒性分析发现,当网络遭受随机攻击,尤其是面对边随机攻击时,网络的鲁棒性下降缓慢,在攻击的前中期,3个网络中的鲁棒性仅发生了很小的变化。而面对边随机攻击时,鲁棒性下降速率高于边随机攻击,但仍然保持较为平缓的下降速率。而当面对蓄意攻击时,网络鲁棒性迅速下降,相对于随机顶点攻击和随机边攻击,网络呈现出了较强的脆弱性。其原因是介数中心性攻击有着更强的全局性,相对于随机攻击,其更具有目的性,能够迅速瓦解网络,因此攻击力更高。此外,无论是在随机攻击还是在蓄意攻击之中,顶点攻击的破坏力都要大于边攻击,这是因为边攻击下移除的部分边,很多情况下仍然有其他路径可以完成替代,但顶点攻击移除顶点的过程也会将相连的边移除,而往往上面提到的可替代路径是包含同一个顶点元素的。
实施例3
参照图8,为本发明的一个实施例,提供了一种风电场选址对海洋生物群落影响的鲁棒性分析系统,包括:生物矩阵构建模型,相关系数矩阵构建模型,仿真攻击模型,鲁棒性系数计算模块。
其中,生物矩阵构建模型用于采集海洋浮游生物监测数据构建二维矩阵数据;相关系数矩阵构建模型通过Spearman相关系数来检验海洋浮游生物之间是否存在相互作用关系;仿真攻击模型通过随机顶点攻击、随机边攻击、基于顶点介数中心性的攻击以及基于边介数中心性的攻击进行仿真攻击;鲁棒性系数计算模块通过敏感性分析方法为各指标分配权重,构建多指标协同的鲁棒性系数。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.风电场选址对海洋生物群落影响的鲁棒性分析方法,其特征在于,包括:
将浮游生物监测数据进行数据清洗构建数据矩阵;
所述将浮游生物监测数据进行数据清洗构建数据矩阵包括采集海洋浮游生物监测数据,海洋浮游生物监测数据为每种识别生物一行的矩阵数据行,数据行包括监测时间、监测地点、生物分类、生物量数据,将监测数据处理为二维矩阵数据,行名为生物分类名,列名为监测数据的时间,同一监测地点中的所有海洋浮游生物数据生成一个二维矩阵数据,并在生成二维矩阵数据的过程中去除缺失值和异常值;
对浮游生物数据矩阵进行相关系数计算并生成生物间的相关系数矩阵;
通过复杂网络的构建方法,将生物间的相关系数矩阵构建成为相互作用网络,在相互作用网络上进行基于仿真攻击的鲁棒性分析;
选取网络鲁棒性衡量的指标,并通过敏感性分析方法为各指标分配权重,构建多指标协同的鲁棒性系数,评价相互作用网络在遭受攻击下的鲁棒性并确定生态保护策略;
所述选取网络鲁棒性衡量的指标包括选择平均顶点连通性、最大连通分量以及网络效率为衡量指标;
所述平均顶点连通性包括设相互作用网络G=(V,E)中,顶点s和t之间的顶点连通性Cst表示使顶点s与t不连通需移除的最少顶点数,则平均顶点连通性AC定义为:
进行归一化处理,表示为:
所述最大连通分量包括设相互作用网络G=(V,E)中,初始的顶点数量为N,网络受到攻击后,最大连通子网络中包含的顶点数量为N',则最大连通分量相对值表示为:
进行归一化处理,表示为:
所述网络效率包括设顶点s与顶点t之间的路径权重为lst,网络效率表示为:
进行归一化处理,表示为:
根据指标计算综合鲁棒性系数;
所述构建多指标协同的鲁棒性系数包括设鲁棒性系数为y=f(w',c',l'),w',c',l'为衡量指标的归一化表示,计算相互作用网络被破坏下的指标参数rk,每种指标获得一组数量为c的变化量数据Δrk,计算变化量的平均值,表示为:
计算指标变化量的方差,表示为:
通过重复相互作用网络的破坏步骤D次,计算数量为D的指标变化量方差,表示为:
通过来确定鲁棒性系数中的各指标权重,表示为:
利用归一化方法,令w1'+w2'+w3'=1,则存在:
鲁棒性系数表示为:
基于鲁棒性系数,分析在相互作用网络中整个网络的鲁棒性变化情况。
2.如权利要求1所述的风电场选址对海洋生物群落影响的鲁棒性分析方法,其特征在于:所述对浮游生物数据矩阵进行相关系数计算并生成生物间的相关系数矩阵包括通过Spearman相关系数来检验海洋浮游生物之间是否存在相互作用关系,表示为:
其中,n为数据中属分类总数量,x,y分别表示一个属,并且x≠y,xi表示属x的第i条生物量数据,yi表示属y的第i条生物量数据,且i=1,2,3,4…n,和/>分别表示属x和属y观测数据的均值,ρxy表示属x和属y之间的相关系数,当相关系数对应的显著性水平P<0.05时,视为相关系数具有可靠性,两个属之间存在相互作用关系;
基于海洋浮游生物间相关系数构建由顶点和边组成的相互作用网络,将浮游生物视为顶点,通过相关系数确定顶点间的边,相关系数表示因子间的相互关系,构建的网络为无向网络,设相互作用网络G=(V,E)有a个顶点,集合V表示网络顶点集V={v1,v2,v3,…,vn};集合E表示称为边集合E={e1,e2,e3,…,en},对于任一边e≤u,v≥E,u,v∈V且u≠v,网络的邻接矩阵表示为:
其中,当邻接矩阵Aij=1时,表示顶点i和j之间存在连边,当Aij=0时,表示顶点i和j之间不存在连边,邻接矩阵中的对角元素Aii=0,表示不存在自环。
3.如权利要求2所述的风电场选址对海洋生物群落影响的鲁棒性分析方法,其特征在于:所述进行基于仿真攻击的鲁棒性分析包括随机顶点攻击、随机边攻击、基于顶点介数中心性的攻击以及基于边介数中心性的攻击;
所述随机顶点攻击包括随机删除相互作用网络中的顶点,当顶点被删除时,与顶点相连的边也被删除,使用qv表示顶点v受到攻击的顺序,表示为:
qv=Rand(b),1≤qv≤b;
其中,b表示网络中顶点的数量,rand(b)表示随机数生成函数,每次只生成一个区间[1,b]内的随机自然数,共生成b个,并且rand(b)函数的不重复生成同一个数;
所述随机边攻击包括随机删除相互作用网络中的边,顶点的全部边被删除后,顶点被删除,使用qe表示边e受到攻击的顺序,表示为:
qe=Rand(m),1≤qe≤m;
其中,m表示网络中边的数量,rand(m)表示随机数生成函数,每次只生成一个区间[1,m]内的随机自然数,共生成m个,并且rand(m)函数的不重复生成同一个数;
所述基于顶点介数中心性的攻击包括根据网络中顶点的介数中心性由大到小,进行顺序攻击,顶点k的介数中心性betk表示为:
其中,pathij表示顶点i和j之间的总路径数量,表示顶点i和j之间经过顶点k的路径数量;
所述基于边介数中心性的攻击包括根据网络中顶点的接近中心性由大到小,进行顺序攻击,顶点k的接近中心性Clok表示为:
其中,lki表示顶点k与顶点i之间的路径权重,顶点k的接近中心性Clok表示为顶点k到网络中所有其他顶点的最短路径之和。
4.如权利要求1所述的风电场选址对海洋生物群落影响的鲁棒性分析方法,其特征在于:所述评价相互作用网络在遭受攻击下的鲁棒性并确定生态保护策略包括根据鲁棒性系数确定相互作用网络中的鲁棒性变化,得到对海洋生物和海洋生态产生影响的程度,实现为深远海风电场微观选址提供依据。
5.一种采用如权利要求1~4任一所述的风电场选址对海洋生物群落影响的鲁棒性分析方法的系统,其特征在于:包括生物矩阵构建模型,相关系数矩阵构建模型,仿真攻击模型,鲁棒性系数计算模块;
所述生物矩阵构建模型用于采集海洋浮游生物监测数据构建二维矩阵数据;
所述相关系数矩阵构建模型通过Spearman相关系数来检验海洋浮游生物之间是否存在相互作用关系;
所述仿真攻击模型通过随机顶点攻击、随机边攻击、基于顶点介数中心性的攻击以及基于边介数中心性的攻击进行仿真攻击;
所述鲁棒性系数计算模块通过敏感性分析方法为各指标分配权重,构建多指标协同的鲁棒性系数。
6.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的风电场选址对海洋生物群落影响的鲁棒性分析方法的步骤。
7.一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,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的风电场选址对海洋生物群落影响的鲁棒性分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340386.6A CN117078116B (zh) | 2023-10-17 | 2023-10-17 | 风电场选址对海洋生物群落影响的鲁棒性分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340386.6A CN117078116B (zh) | 2023-10-17 | 2023-10-17 | 风电场选址对海洋生物群落影响的鲁棒性分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078116A CN117078116A (zh) | 2023-11-17 |
CN117078116B true CN117078116B (zh) | 2024-02-27 |
Family
ID=88704723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311340386.6A Active CN117078116B (zh) | 2023-10-17 | 2023-10-17 | 风电场选址对海洋生物群落影响的鲁棒性分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078116B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2446579C1 (ru) * | 2010-09-03 | 2012-03-27 | Александр Александрович Новиков | Устройство для передачи информации и система для передачи информации над водной поверхностью морей и океанов |
CN108630209A (zh) * | 2018-04-24 | 2018-10-09 | 中国科学院深海科学与工程研究所 | 一种基于特征融合与深度置信网络的海洋生物识别方法 |
CN112132363A (zh) * | 2020-10-16 | 2020-12-25 | 国网湖北省电力有限公司十堰供电公司 | 一种增强系统运行鲁棒性的储能选址定容方法 |
CN112183587A (zh) * | 2020-09-10 | 2021-01-05 | 国家海洋局南海调查技术中心(国家海洋局南海浮标中心) | 一种海上风电场生物监测方法、系统、计算机设备和存储介质 |
CN112580217A (zh) * | 2020-12-25 | 2021-03-30 | 北京机电工程研究所 | 基于复杂网络的通信体系结构参数化建模方法 |
CN112883471A (zh) * | 2021-02-08 | 2021-06-01 | 深圳大学 | 一种城市生态网络结构韧性动态模拟方法 |
WO2022151890A1 (zh) * | 2021-01-13 | 2022-07-21 | 中国长江三峡集团有限公司 | 一种风电场发电量评估及微观选址模型建立方法 |
CN115081910A (zh) * | 2022-06-30 | 2022-09-20 | 东南大学 | 城市多模式公共交通网络的鲁棒性评估方法 |
CN115564087A (zh) * | 2022-08-10 | 2023-01-03 | 华南理工大学 | 一种区域生态网络识别优化方法、系统、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10749888B2 (en) * | 2018-03-08 | 2020-08-18 | Bank Of America Corporation | Prerequisite quantitative risk assessment and adjustment of cyber-attack robustness for a computer system |
-
2023
- 2023-10-17 CN CN202311340386.6A patent/CN117078116B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2446579C1 (ru) * | 2010-09-03 | 2012-03-27 | Александр Александрович Новиков | Устройство для передачи информации и система для передачи информации над водной поверхностью морей и океанов |
CN108630209A (zh) * | 2018-04-24 | 2018-10-09 | 中国科学院深海科学与工程研究所 | 一种基于特征融合与深度置信网络的海洋生物识别方法 |
CN112183587A (zh) * | 2020-09-10 | 2021-01-05 | 国家海洋局南海调查技术中心(国家海洋局南海浮标中心) | 一种海上风电场生物监测方法、系统、计算机设备和存储介质 |
CN112132363A (zh) * | 2020-10-16 | 2020-12-25 | 国网湖北省电力有限公司十堰供电公司 | 一种增强系统运行鲁棒性的储能选址定容方法 |
CN112580217A (zh) * | 2020-12-25 | 2021-03-30 | 北京机电工程研究所 | 基于复杂网络的通信体系结构参数化建模方法 |
WO2022151890A1 (zh) * | 2021-01-13 | 2022-07-21 | 中国长江三峡集团有限公司 | 一种风电场发电量评估及微观选址模型建立方法 |
CN112883471A (zh) * | 2021-02-08 | 2021-06-01 | 深圳大学 | 一种城市生态网络结构韧性动态模拟方法 |
CN115081910A (zh) * | 2022-06-30 | 2022-09-20 | 东南大学 | 城市多模式公共交通网络的鲁棒性评估方法 |
CN115564087A (zh) * | 2022-08-10 | 2023-01-03 | 华南理工大学 | 一种区域生态网络识别优化方法、系统、装置及存储介质 |
Non-Patent Citations (5)
Title |
---|
Calculating the offshore wind power resource: Robust assessment methods applied to the US Atlantic Coast;等;《RENEWABLE ENERGY》;第43卷;224-233 * |
国内外海上风电发展现状;郑海等;《水电与新能源》;第32卷(第06期);75-77 * |
海上风电对海洋生态环境与海洋生物资源的综合影响研究进展;王婷等;《海洋科学》;第46卷(第7期);95-104 * |
湿地生态系统网络模型鲁棒性分析;胡子轩等;《生态学杂志》;第42卷(第1期);237-247 * |
鄱阳湖平原土地利用变化对生态网络稳定性影响的模拟分析;黄心怡等;《农业工程学报》;第38卷(第9期);277-287 * |
Also Published As
Publication number | Publication date |
---|---|
CN117078116A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Evolutionarily stable strategy of networked evolutionary games | |
Prevosti et al. | The impact of missing data on real morphological phylogenies: influence of the number and distribution of missing entries | |
Wiil et al. | Measuring link importance in terrorist networks | |
Nagaraja | The impact of unlinkability on adversarial community detection: Effects and countermeasures | |
CN107483487B (zh) | 一种基于topsis的多维网络安全度量方法 | |
Gonzalès et al. | Network theory in the assessment of the sustainability of social–ecological systems | |
CN109558621B (zh) | 一种结构损伤识别方法及系统 | |
Xiangyu et al. | Identification of key transmission lines in power grid using modified K-core decomposition | |
CN106569030A (zh) | 一种电能计量异常诊断中的告警阈值寻优方法及装置 | |
CN108769018B (zh) | 一种多维多粒度的网络空间安全度量方法 | |
Zhong et al. | Identification of vital nodes in complex network via belief propagation and node reinsertion | |
Fang et al. | Unifying sensor fault detection with energy conservation | |
Dhamge et al. | Genetic algorithm driven ANN model for runoff estimation | |
Li | Networked analysis approach of supply chain network | |
CN117078116B (zh) | 风电场选址对海洋生物群落影响的鲁棒性分析方法及系统 | |
Cadena et al. | Near-optimal and practical algorithms for graph scan statistics with connectivity constraints | |
Liu et al. | Genetic algorithm optimizing modularity for community detection in complex networks | |
CN104699979B (zh) | 基于复杂网络的城市湖库藻类水华混沌时间序列预测方法 | |
Cai et al. | Breakup of directed multipartite networks | |
WO2024007565A1 (en) | Network analysis using optical quantum computing | |
Anggraini et al. | Network disintegration in criminal network | |
Zhao et al. | Finding key nodes in complex networks: An edge and local partition approach | |
Kibanov et al. | On the evolution of contacts and communities in networks of face-to-face proximity | |
Walsh et al. | The structure of vulnerable nodes in behavioral network models of complex engineered systems | |
Rehak et al. | Analysis of Critical Infrastructure Network |
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 |