CN117236702A - 基于概率风险模型进行风险评估的方法及其装置 - Google Patents
基于概率风险模型进行风险评估的方法及其装置 Download PDFInfo
- Publication number
- CN117236702A CN117236702A CN202311514741.7A CN202311514741A CN117236702A CN 117236702 A CN117236702 A CN 117236702A CN 202311514741 A CN202311514741 A CN 202311514741A CN 117236702 A CN117236702 A CN 117236702A
- Authority
- CN
- China
- Prior art keywords
- level
- submodels
- risk
- submodel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012502 risk assessment Methods 0.000 title claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 19
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供了一种基于概率风险模型进行风险评估的方法及其装置,该方法包括:根据核电机组概率风险模型中的所有频率型事件,确定最小路集;利用最小路集将概率风险模型分解成多个第一层级子模型;对多个第一层级子模型进行多线程并行求解,以获得多个第一层级子模型对应的多个第一层级割集结果;根据多个第一层级割集结果确定概率风险的计算结果。本申请通过基于最小路集分解概率风险模型的并行计算方法,从而降低了模型复杂度及规模,提升了多个第一层级子模型的求解效率,进而有利于提升风险监测管理工具的分析能力,提高配置风险管理中风险分析工作的效率。
Description
技术领域
本申请属于核电机组概率风险管理技术领域,具体涉及一种基于概率风险模型进行风险评估的方法及其装置。
背景技术
对核电机组开展配置风险管理,可提高核安全管理的科学性及有效性。在风险监测管理工具中,概率风险的快速分析计算是其核心。然而,由于现有的工程所用的概率风险模型规模大且复杂度高,这使得计算耗时过长,风险分析效率较低。
发明内容
有鉴于此,本申请实施例致力于提供一种基于概率风险模型进行风险评估的方法及其装置,通过基于最小路集分解概率风险模型的并行计算方法,以解决由于现有的工程所用的概率风险模型规模大且复杂度高而造成的风险评估计算耗时过长和风险分析效率较低的问题。
本申请第一方面提供了一种基于概率风险模型进行风险评估的方法,该方法包括:根据核电机组概率风险模型中的所有频率型事件,确定最小路集;利用最小路集将概率风险模型分解成多个第一层级子模型;对多个第一层级子模型进行多线程并行求解,以获得多个第一层级子模型对应的多个第一层级割集结果;根据多个第一割集层级结果确定概率风险的计算结果。
在上述方案中,通过利用最小路集将概率风险模型分解成多个第一层级子模型,从而降低了模型复杂度及规模,并通过多线程并行技术提升了多个第一层级子模型的求解效率,进而有利于提升风险监测管理工具的分析能力,提高配置风险管理中风险分析工作的效率。
在本申请一个具体实施方式中,上述根据核电机组概率风险模型中的所有频率型事件,确定最小路集,包括:确定核电机组概率风险模型的等价故障树模型结构函数Φ(X),
公式(1),
公式(1)中,P=(xp1,xp2,…,xpm)T,所有元集xpi均为频率型事件,E1=(1,0,…,0)T,E2=(0,1,…,0)T,…,Em=(0,0,…,1)T,为单位矩阵Em×m的列向量;根据等价故障树模型结构函数Φ(X)确定最小路集,集合S={xp1,xp2,…,xpm}构成结构函数Φ(X)的一个最小路集。
在本申请一个具体实施方式中,上述利用最小路集将概率风险模型分解成多个第一层级子模型,包括:利用最小路集,依次将集合S中的一个频率型事件的状态设置为真,将集合S中的其他事件状态设置为假,利用布尔逻辑简化模型,得到多个第一层级子模型Φ(X|P=Ei)。
在本申请一个具体实施方式中,上述利用最小路集将概率风险模型分解成多个第一层级子模型之后,该方法还包括:针对至少一个第一层级子模型,判别第一层级子模型的求解时长是否大于预设时长;若第一层级子模型的求解时长大于预设时长,则采用香农分解方法将第一层级子模型分解成多个第二层级子模型。上述对多个第一层级子模型进行多线程并行求解,以获得多个第一层级子模型对应的多个第一层级割集结果,包括:对多个第二层级子模型进行多线程并行求解,以获得多个第二层级子模型对应的多个第二层级割集结果;将多个第二层级子模型对应的多个第二层级割集结果进行割集间的吸收操作后获得相应的第一层级子模型对应的第一层级割集结果;若第一层级子模型的求解时长不大于预设时长,则对第一层级子模型进行多线程并行求解,以获得第一层级子模型对应的第一层级割集结果。
在本申请一个具体实施方式中,在上述针对至少一个第一层级子模型,判别第一层级子模型的求解时长是否大于预设时长之前,该方法还包括:分别获取多个第一层级子模型中故障树节点数目、重复事件节点所占比例、和故障树中不同逻辑门所占比例;根据多个第一层级子模型中故障树节点数目、重复事件节点所占比例、和故障树中不同逻辑门所占比例,从多个第一层级子模型中选取待求解时长的至少一个第一层级子模型;对至少一个第一层级子模型进行求解试算,以获取至少一个第一层级子模型的求解时长。
在本申请一个具体实施方式中,上述采用香农分解方法将第一层级子模型分解成多个第二层级子模型,包括:在第一层级子模型中选取至少一个变量x,根据至少一个变量确定布尔函数Φ(X)’,
Φ(X)’=xΦ(X|x=1)+Φ(X|x=0) (2),
公式(2)中,表示变量x取反操作;反复多次利用公式(2)对第一层级子模型再次分解,以得到多个第二层级子模型。
在本申请一个具体实施方式中,预设时长为至少一个第一层级子模型的求解时长的中位值或中位值的2倍。
本申请第二方面提供了一种基于概率风险模型进行风险评估的装置,该装置包括第一确定模块、分解模块、求解模块和第二确定模块。第一确定模块用于确定核电机组概率风险模型中的所有频率型事件构成的最小路集。分解模块用于利用最小路集将概率风险模型分解成多个第一层级子模型。求解模块用于对多个第一层级子模型进行多线程并行求解,以获得多个第一层级子模型对应的多个第一层级割集结果。第二确定模块用于根据多个第一层级割集结果确定概率风险的计算结果。
本申请第三方面提供了一种计算机可读存储介质,其上存储有计算机的可执行指令。可执行指令被处理器执行时实现本申请第一方面的基于概率风险模型进行风险评估的方法。
本申请第四方面提供了一种电子设备,该电子设备包括处理器和存储器。处理器用于执行本申请第一方面的基于概率风险模型进行风险评估的方法。存储器用于存储处理器的可执行指令。
附图说明
图1所示为本申请一实施例提供的一种基于概率风险模型进行风险评估的方法的流程示意图。
图2所示为本申请另一实施例提供的一种基于概率风险模型进行风险评估的方法的流程示意图。
图3所示为本申请一实施例提供的一种概率风险模型分解成多个第一层级子模型的逻辑示意图。
图4所示为本申请又一实施例提供的一种基于概率风险模型进行风险评估的方法的流程示意图。
图5所示为本申请一实施例提供的一种基于概率风险模型进行风险评估的装置的结构示意图。
图6所示为本申请一实施例提供的一种电子设备的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术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,都属于本申请保护的范围。
图1所示为本申请一实施例提供的一种基于概率风险模型进行风险评估的方法的流程示意图。如图1所示,该方法包括以下步骤。
S10:根据核电机组概率风险模型中的所有频率型事件,确定最小路集。
具体而言,根据核电机组概率风险模型中的所有频率型事件,可以是通过程序自动处理或者手动设定的方式确定所有频率型事件构成的最小路集。
举例来说,通常在实时风险监测系统所用模型中,可以选取频率型始发事件(Initiating Events,IEs)构成模型的一个最小路集。频率型始发事件通常为一组频率型基本事件。
在一些实施例中,最小路集可以提前确定,如此,在风险监测系统中,可以有效提升概率风险模型的计算效率。
S20:利用最小路集将概率风险模型分解成多个第一层级子模型。
S30:对多个第一层级子模型进行多线程并行求解,以获得多个第一层级子模型对应的多个第一层级割集结果。
具体而言,多个第一层级子模型的求解之间是相互独立的,可以将多个第一层级子模型分别分给多个线程,利用并行技术同时求解得到多个第一层级子模型对应的多个第一层级割集结果。
S40:根据多个第一层级割集结果确定概率风险的计算结果。
根据本申请实施例提供的技术方案,通过根据核电机组概率风险模型中的固有逻辑信息确定所有频率型事件,并确定合适的最小路集(Minimal Path Set,MPS),利用最小路集将概率风险模型分解成多个第一层级子模型,从而使用频率型事件集合这一典型最小路集分解模型,降低了模型复杂度及规模,并通过多线程并行技术提升了多个第一层级子模型的求解效率,提高了计算资源利用率,进而有利于提升风险监测管理工具的分析能力,提高配置风险管理中风险分析工作的效率,提供了一种提升计算速度及计算资源利用效率的概率风险模型风险分析计算方法。
图2所示为本申请另一实施例提供的一种基于概率风险模型进行风险评估的方法的流程示意图。图3所示为本申请一实施例提供的一种概率风险模型分解成多个第一层级子模型的逻辑示意图。如图2和图3所示,与图1所示实施例的不同之处在于,步骤S11和S12为图1所示实施例中步骤S10的一具体实现方式。
S11:确定核电机组概率风险模型的等价故障树模型结构函数Φ(X)。
公式(1)。
公式(1)中,P=(xp1,xp2,…,xpm)T,所有元集xpi均为频率型事件,E1=(1,0,…,0)T,E2=(0,1,…,0)T,…,Em=(0,0,…,1)T,为单位矩阵Em×m的列向量。
S12:根据等价故障树模型结构函数Φ(X)确定最小路集。集合S={xp1,xp2,…,xpm}构成结构函数Φ(X)的一个最小路集。
在一些实施例中,图1所示实施例中的步骤S20可以是采用上述公式(1)对概率风险模型进行分解,从而得到分解后的多个第一层级子模型Φ(X|P=Ei)。
在另一些实施例中,步骤S21为图1所示实施例中步骤S20的一具体实现方式。
S21:利用最小路集,依次将集合S中的一个频率型事件的状态设置为真,将集合S中的其他事件状态设置为假,利用布尔逻辑简化模型,得到多个第一层级子模型Φ(X|P=Ei)。
需要说明的是,在步骤S40中,可以利用公式(1)中Φi=xpiΦ(X|P=Ei)项之间的互异性,将各部分Φi计算所得多个第一层级割集结果简单合并即可得到概率风险的计算结果,对应的示意模型逻辑如图3所示。
根据本申请实施例提供的技术方案,通过利用等价故障树模型结构函数Φ(X)确定最小路集为集合S,且分解得到第一层级子模型为Φ(X|P=Ei),从而使得相对于原结构函数Φ(X),分解得到的第一层级子模型Φ(X|P=Ei)在规模和逻辑复杂度上均有所降低,有利于提升求解速度。
在本申请至少一实施例中,在上述步骤S20之后,该方法还包括S204和S205。上述步骤S31至S33为上述步骤S30的一具体实现方式。
S204:针对至少一个第一层级子模型,判别第一层级子模型的求解时长是否大于预设时长。
S205:若第一层级子模型的求解时长大于预设时长,则采用香农分解方法将第一层级子模型分解成多个第二层级子模型。
S31:对多个第二层级子模型进行多线程并行求解,以获得多个第二层级子模型对应的多个第二层级割集结果。
S32:将多个第二层级子模型对应的多个第二层级割集结果进行割集间的吸收操作后获得相应的第一层级子模型对应的第一层级割集结果。
举例来说,多个第二层级子模型对应的多个第二层级割集结果之间可能存在重复或者可吸收项,比如某一部分算出割集abc,另一部分算出割集abcd、abce。吸收操作即割集之间的吸收操作,将一个割集abc看做一个事件集合{a, b, c},吸收操作即将该事件集合的相同割集或者超集吸收掉。
S33:若至少一个第一层级子模型的求解时长不大于预设时长,则对第一层级子模型进行多线程并行求解,以获得第一层级子模型对应的第一层级割集结果。
需要说明的是,预设时长可以根据实际需求进行设定,本申请实施例对此不做具体限定。例如,预设时长设置成至少一个第一层级子模型的求解时长的中位值、中位值的2倍或3倍等。在一些实施例中,如果求解时长超过中位值的3倍(倍数值可以根据试算情况调整),则可以考虑对第二层级子模型进一步拆解。
在本申请实施例中,通过将求解时长大于预设时长的第一层级子模型进一步分解成多个第二层级子模型,针对所有分解所得的第二层级子模型进行多线程并行技术加速求解计算,从而通过两个层级的模型分解,将大规模复杂模型求解问题有序转换成一系列复杂度及规模均降低的多个第二层级子模型,或者多个第二层级子模型和部分第一层级子模型,避免了因单个或少数第一层级子模型的求解时长太长而造成的求解速度较慢的情况,进一步提升了求解速度,也提升了分析计算性能。
在本申请一个具体实施方式中,在上述S204之前,该方法还包括S201至S203。
S201:分别获取多个第一层级子模型中故障树节点数目、重复事件节点所占比例、和故障树中不同逻辑门所占比例。
具体而言,针对每一第一层级子模型进行检索,获取每一第一层级子模型中故障树节点数目、重复事件节点所占比例、和故障树中不同逻辑门(例如,表决逻辑和与逻辑)所占比例。
S202:根据多个第一层级子模型中故障树节点数目、重复事件节点所占比例、和故障树中不同逻辑门所占比例,从多个第一层级子模型中选取待求解时长的至少一个第一层级子模型。
具体而言,可以针对M个第一层级子模型中选取故障树节点数目大、重复事件节点所占比例高、和故障树中不同逻辑门所占比例高的N个第一层级子模型作为待求解时长的至少一个第一层级子模型,M>N≥1,且M,N为正整数。需要说明的是,故障树节点数目大、重复事件节点所占比例高、和故障树中不同逻辑门所占比例高可以是根据实际需求设定确定的,只要能够识别“短板”,从M个第一层级子模型中选取出相对于M-N个第一层级子模型而言求解时长较长的N个第一层级子模型即可,在此基础上,本申请实施例对此不做具体限定。例如,在一些实施例中,故障树节点数目大可以是节点数目大于2000,重复事件节点所占比例高可以是重复事件节点所占比例高于70%。
S203:对至少一个第一层级子模型进行求解试算,以获取至少一个第一层级子模型的求解时长。
在本申请实施例中,通过根据多个第一层级子模型中故障树节点数目、重复事件节点所占比例、和故障树中不同逻辑门所占比例,从多个第一层级子模型中选取待求解时长的至少一个第一层级子模型,从而可以提高至少一个第一层级子模型的筛选速度,且由于仅对选取的部分第一层级子模型进行求解试算,因而可以减少总的求解时长。
图4所示为本申请又一实施例提供的一种基于概率风险模型进行风险评估的方法的流程示意图。图4所示实施例为图2所示实施例的一变型例。如图4所示,与图2所示实施例的不同之处在于,步骤S2051和S2052为图2所示实施例中步骤S205的一具体实现方式。
S2051:若第一层级子模型的求解时长大于预设时长,则在第一层级子模型中选取至少一个变量x,根据至少一个变量确定布尔函数Φ(X)’。
Φ(X)’=xΦ(X|x=1)+Φ(X|x=0) (2)。
公式(2)中,表示变量x取反操作。
需要说明的是,香农分解(Shannon’s Decomposition)是对布尔函数的一种变换方式。香农分解可以将布尔函数表达为其中任何一个变量乘以该变量所对应的函数余子式,加上这个变量的反变量乘以该反变量所对应的函数余子式,也即上述公式(2)。
S2052:反复多次利用公式(2)对第一层级子模型再次分解,以得到多个第二层级子模型。
具体而言,若第一层级子模型的求解时长大于预设时长,则针对该第一层级子模型,可以预先确定一个或多个用于分解的基本事件(对应于上述步骤S2051),反复使用公式(2)进行分解,得到多个第二层级子模型(对应于上述步骤S2052)。在一些实施例中,第二层级分解的基本事件可以提前确定,如此,在风险监测系统中,可以进一步有效提升概率风险模型的计算效率。
在本申请实施例中,通过反复多次利用公式(2)对第一层级子模型再次分解,得到多个第二层级子模型,从而使得多个第二层级子模型的分解更加精准且并行计算效率更高。
图5所示为本申请一实施例提供的一种基于概率风险模型进行风险评估的装置的结构示意图。如图5所示,该装置100包括第一确定模块110、分解模块120、求解模块130和第二确定模块140。第一确定模块110用于确定核电机组概率风险模型中的所有频率型事件构成的最小路集。分解模块120用于利用最小路集将概率风险模型分解成多个第一层级子模型。求解模块130用于对多个第一层级子模型进行多线程并行求解,以获得多个第一层级子模型对应的多个第一层级割集结果。第二确定模块140用于根据多个第一层级割集结果确定概率风险的计算结果。
需要说明的是,该装置为上述方法实施例对应的装置,包括了上述方法实施例中对应的技术特征,至少能够实现相应的技术效果,此处不再赘述。
图6所示为本申请一实施例提供的一种电子设备的框图。
参照图6,电子设备10包括处理器11和存储器12。存储器12用于存储可由处理器11执行的指令,例如应用程序。处理器11的数量可以为一个或多个。存储器12中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器11被配置为执行指令,以执行上述基于概率风险模型进行风险评估的方法。
电子设备10还可以包括一个电源组件被配置为电子设备10的电源管理,一个有线或无线网络接口被配置为将电子设备10连接到网络,和一个输入输出(I/O)接口。电子设备10可以操作基于存储在存储器12的操作系统,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM,FreeBSDTM或类似。
一种非临时性计算机可读存储介质,当存储介质中的指令由上述电子设备10的处理器执行时,使得上述电子设备10能够执行一种基于概率风险模型进行风险评估的方法。该方法由代理程序执行。该基于概率风险模型进行风险评估的方法包括:根据核电机组概率风险模型中的所有频率型事件,确定最小路集;利用最小路集将概率风险模型分解成多个第一层级子模型;对多个第一层级子模型进行多线程并行求解,以获得多个第一层级子模型对应的多个第一层级割集结果;根据多个第一层级割集结果确定概率风险的计算结果。
本领域普通技术人员可以意识到,结合本申请中所公开的实施例描述的各示例的算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的计算方法、计算装置,可以通过其它的方式实现。例如,以上所描述的计算装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
所述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,本申请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)执行本申请各个实施例所述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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序校验码的介质。
本领域的技术人员可以清楚的了解到,为了描述的方便和简洁,上述描述的计算装置和电子设备的具体工作过程,可以参考前述计算方法实施例中的对应过程,在此不再赘述。
需要说明的是,本申请实施例中各技术特征的组合方式并不限本申请实施例中所记载的组合方式或是具体实施例所记载的组合方式,本申请所记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
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,所作的任何修改、等同替换等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于概率风险模型进行风险评估的方法,其特征在于,包括:
根据核电机组概率风险模型中的所有频率型事件,确定最小路集;
利用所述最小路集将所述概率风险模型分解成多个第一层级子模型;
对多个所述第一层级子模型进行多线程并行求解,以获得多个所述第一层级子模型对应的多个第一层级割集结果;
根据多个所述第一层级割集结果确定概率风险的计算结果。
2.根据权利要求1所述的方法,其特征在于,所述根据核电机组概率风险模型中的所有频率型事件,确定最小路集,包括:
确定核电机组概率风险模型的等价故障树模型结构函数Φ(X),其中,
公式(1),
公式(1)中, ,所有元集xpi均为频率型事件,,为单位矩阵Em×m的列向量;
根据等价故障树模型结构函数Φ(X)确定最小路集,其中,集合S={xp1,xp2,…,xpm}构成结构函数Φ(X)的一个最小路集 。
3.根据权利要求2所述的方法,其特征在于,所述利用所述最小路集将所述概率风险模型分解成多个第一层级子模型,包括:
利用所述最小路集,依次将所述集合S中的一个频率型事件的状态设置为真,将所述集合S中的其他事件状态设置为假,利用布尔逻辑简化模型,得到多个第一层级子模型Φ(X|P=Ei)。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述利用所述最小路集将所述概率风险模型分解成多个第一层级子模型之后,还包括:
针对至少一个所述第一层级子模型,判别所述第一层级子模型的求解时长是否大于预设时长;
若所述第一层级子模型的求解时长大于预设时长,则采用香农分解方法将所述第一层级子模型分解成多个第二层级子模型;
其中,所述对多个所述第一层级子模型进行多线程并行求解,以获得多个所述第一层级子模型对应的多个第一层级割集结果,包括:
对多个所述第二层级子模型进行多线程并行求解,以获得多个所述第二层级子模型对应的多个第二层级割集结果;
将多个所述第二层级子模型对应的多个第二层级割集结果进行割集间的吸收操作后获得相应的第一层级子模型对应的第一层级割集结果;
若所述第一层级子模型的求解时长不大于预设时长,则对所述第一层级子模型进行多线程并行求解,以获得所述第一层级子模型对应的第一层级割集结果。
5.根据权利要求4所述的方法,其特征在于,在所述针对至少一个所述第一层级子模型,判别所述第一层级子模型的求解时长是否大于预设时长之前,还包括:
分别获取多个所述第一层级子模型中故障树节点数目、重复事件节点所占比例、和故障树中不同逻辑门所占比例;
根据多个所述第一层级子模型中故障树节点数目、重复事件节点所占比例、和故障树中不同逻辑门所占比例,从多个所述第一层级子模型中选取待求解时长的至少一个所述第一层级子模型;
对所述至少一个第一层级子模型进行求解试算,以获取所述至少一个第一层级子模型的求解时间。
6.根据权利要求4所述的方法,其特征在于,所述采用香农分解方法将所述第一层级子模型分解成多个第二层级子模型,包括:
在所述第一层级子模型中选取至少一个变量x,根据所述至少一个变量确定布尔函数Φ(X)’,其中,
Φ(X)’=xΦ(X|x=1)+Φ(X|x=0) (2),
公式(2)中,表示变量x取反操作;
反复多次利用公式(2)对所述第一层级子模型再次分解,以得到多个第二层级子模型。
7.根据权利要求4所述的方法,其特征在于,
所述预设时长为至少一个所述第一层级子模型的求解时长的中位值或中位值的2倍。
8.一种基于概率风险模型进行风险评估的装置,其特征在于,包括:
第一确定模块,用于确定核电机组概率风险模型中的所有频率型事件构成的最小路集;
分解模块,用于利用所述最小路集将所述概率风险模型分解成多个第一层级子模型;
求解模块,用于对多个所述第一层级子模型进行多线程并行求解,以获得多个所述第一层级子模型对应的多个第一层级割集结果;以及
第二确定模块,用于根据多个所述第一层级割集结果确定概率风险的计算结果。
9.一种电子设备,其特征在于,包括:
处理器,用于执行权利要求1至7中任一项所述的一种基于概率风险模型进行风险评估的方法;以及
存储器,用于存储所述处理器的可执行指令。
10.一种计算机可读存储介质,其上存储有计算机的可执行指令,其特征在于,所述可执行指令被处理器执行时实现权利要求1至7中任一项所述的一种基于概率风险模型进行风险评估的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514741.7A CN117236702A (zh) | 2023-11-15 | 2023-11-15 | 基于概率风险模型进行风险评估的方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514741.7A CN117236702A (zh) | 2023-11-15 | 2023-11-15 | 基于概率风险模型进行风险评估的方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117236702A true CN117236702A (zh) | 2023-12-15 |
Family
ID=89097042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311514741.7A Pending CN117236702A (zh) | 2023-11-15 | 2023-11-15 | 基于概率风险模型进行风险评估的方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236702A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012008744A (ja) * | 2010-06-23 | 2012-01-12 | Inst Nuclear Energy Research Rocaec | 原子力発電プラント用コンピュータ支援トップ論理によるリスクの定量的評価方法。 |
CN109872084A (zh) * | 2019-03-18 | 2019-06-11 | 国电联合动力技术有限公司 | 风电机组的故障率统计方法及系统 |
CN112926865A (zh) * | 2021-03-10 | 2021-06-08 | 苏州热工研究院有限公司 | 基于概率安全分析的核电厂故障水平计算方法及计算机 |
CN113094417A (zh) * | 2021-03-10 | 2021-07-09 | 广东核电合营有限公司 | 一种核电厂的评价方法、装置、终端设备及可读存储介质 |
-
2023
- 2023-11-15 CN CN202311514741.7A patent/CN117236702A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012008744A (ja) * | 2010-06-23 | 2012-01-12 | Inst Nuclear Energy Research Rocaec | 原子力発電プラント用コンピュータ支援トップ論理によるリスクの定量的評価方法。 |
CN109872084A (zh) * | 2019-03-18 | 2019-06-11 | 国电联合动力技术有限公司 | 风电机组的故障率统计方法及系统 |
CN112926865A (zh) * | 2021-03-10 | 2021-06-08 | 苏州热工研究院有限公司 | 基于概率安全分析的核电厂故障水平计算方法及计算机 |
CN113094417A (zh) * | 2021-03-10 | 2021-07-09 | 广东核电合营有限公司 | 一种核电厂的评价方法、装置、终端设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
宋述芳等: "《可靠性工程基础》", 中国科学技术大学出版社, pages: 137 - 68 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3490223B1 (en) | System and method for simulating and foiling attacks on a vehicle on-board network | |
Bai et al. | Generalized shock models based on a cluster point process | |
CN113177225B (zh) | 基于区块链的数据存储证明方法、装置、设备和存储介质 | |
Karatkevich et al. | A polynomial-time algorithm to obtain state machine cover of live and safe Petri nets | |
Staudt et al. | Generating scaled replicas of real-world complex networks | |
Alfano et al. | Computing extensions of dynamic abstract argumentation frameworks with second-order attacks | |
US20080010230A1 (en) | Hybrid assessment tool, and systems and methods of quantifying risk | |
CN117236702A (zh) | 基于概率风险模型进行风险评估的方法及其装置 | |
Singh et al. | Implementation and performance analysis of exponential tree sorting | |
CN110377877B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN112612601A (zh) | 分布式图像识别的智能模型训练方法及系统 | |
AMRUTKAR et al. | Reliability and importance measures of weighted-k-out-of-n system | |
CN113111351A (zh) | 测试方法、装置和计算机可读存储介质 | |
Qin et al. | Approximately processing multi-granularity aggregate queries over data streams | |
Ismaeel et al. | A systematic cloud workload clustering technique in large scale data centers | |
EP3583738B1 (en) | Method and device to produce a secure hash value | |
OTSUKA et al. | A Framework for Computing Collision Probability in a Parallel Machines Model | |
WO2015135182A1 (en) | Method and apparatus for evaluating performance of real-time system | |
CN114978778B (zh) | 基于因果推断的多步攻击检测方法、装置及设备 | |
Miliczki et al. | Comparison of Cooling Strategies in simulated annealing Algorithms for Flow-shop Scheduling | |
CN112256801B (zh) | 抽取实体关系图中关键实体的方法、系统和存储介质 | |
CN115563103B (zh) | 一种多维度聚合方法、系统、电子设备及存储介质 | |
CN115292718A (zh) | 一种执行体的调度方法、装置和电子设备 | |
Laitinen et al. | Simulating parity reasoning | |
Shang et al. | Chance Constrained Model Predictive Control via Active Uncertainty Set Learning and Calibration |
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 |