CN117273465A - 一种梯级水电枢纽群风险传递方法 - Google Patents
一种梯级水电枢纽群风险传递方法 Download PDFInfo
- Publication number
- CN117273465A CN117273465A CN202311518876.0A CN202311518876A CN117273465A CN 117273465 A CN117273465 A CN 117273465A CN 202311518876 A CN202311518876 A CN 202311518876A CN 117273465 A CN117273465 A CN 117273465A
- Authority
- CN
- China
- Prior art keywords
- risk
- junction group
- node
- nodes
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012546 transfer Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 238000011160 research Methods 0.000 claims abstract description 5
- 239000000203 mixture Substances 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000009423 ventilation Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 5
- 238000012502 risk assessment Methods 0.000 abstract description 4
- 238000011144 upstream manufacturing Methods 0.000 description 18
- 238000010248 power generation Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种梯级水电枢纽群风险传递方法，包括针对梯级水电枢纽群的不同梯级组成绘制梯级水电枢纽群风险网络图；基于所述梯级水电枢纽群风险网络图，构建图神经网络模型，建立不同风险结点和边之间风险传递计算方法；获取研究区梯级水电枢纽群每个梯级历史水位、流量、坡度、烈度数据，将相关数据转化成无量纲数据，作为图神经网络训练数据集；给定不同水位、流量、坡度情景，应用图神经网络模型计算得到各网络节点的风险值。本发明将图神经网络方法应用于梯级水库群风险分析，该方法充分挖掘了梯级水电枢纽群不同层级和层级内部多要素的相互作用关系，解决了传统风险分析方法对于因子间互馈作用考虑不足的问题。
Description
技术领域
本发明涉及一种风险传递方法计算技术，尤其涉及一种梯级水电枢纽群风险传递方法。
背景技术
在水电工程中，梯级水电枢纽群是一种重要的工程形式。然而，随着工程的复杂性和规模的增大，其面临的风险也日益增加。梯级水电枢纽群是指在拟定河段上连续开发建造的工程群组，工程群组自上游到下游呈现阶梯状分布。受到气象条件、地质条件、工程建设等因素的影响，梯级水电枢纽群灾害形成过程极为复杂，当前对于梯级水电枢纽群灾害风险传递过程认尚不清楚。
目前，现有的风险评估方法主要针对单个水电枢纽，无法有效评估梯级水电枢纽群的整体风险。此外，现有的风险评估方法未能充分考虑不同水电枢纽之间的相互影响，以及由此产生的风险传递效应。因此，需要一种新的风险传递方法来评估梯级水电枢纽群的整体风险。因此需要一种梯级水电枢纽群风险传递方法。
发明内容
本发明的目的是要提供一种梯级水电枢纽群风险传递方法。
为达到上述目的，本发明是按照以下技术方案实施的：
本发明包括如下步骤：
进一步地，在步骤A中， 所述风险传递计算方法包括将梯级水电枢纽群概化为集合，其中
（6）
（7）
其中U、V代表两个不同节点，Y代表两个节点之间的关联权重。式7中代表节点i和节点j在t时刻的关联权重。/>表示t时刻节点i和节点j的信息传递量，/>表示t时刻节点i和m个节点信息传递量的总和。
进一步地，所述图神经网络训练数据集使用基于最终节点q嵌入的交叉熵损失MLP最小化为训练目标函数对模型进行训练：
(9)
代表交叉熵损失， /> 代表枢纽群概化集合， y代表关联权重，/> 代表两个连接层的多层感知。/>代表嵌入节点q与节点u的关联性，/>代表嵌入节点q与节点u的关联性。
进一步地，所述将相关数据转化成无量纲数据的方法包括
a计算每个特征的均值和标准差。
b对每个特征的值进行标准化处理，即将每个特征的值减去均值，然后除以标准差。
c将标准化后的数据转换为0到1之间的值5、根据权利要求1所述的一种梯级水电枢纽群风险传递方法，其特征在于：所述研究区梯级水电枢纽群的数据进行预处理的方法，包括数据清洗、去重、去噪、去除异常值、数据转换和向量化。
进一步地，采用正态分配算法、神经网络控制算法构建暖通图神经网络控制模型，使用正态分配算法将实时图神经网络数据按照5:2随机分成训练集和测试集，采用训练集训练图神经网络控制模型.
进一步地，所述神经网络模型有多个隐藏层，每个隐藏层都包含多个的神经元，在模型的最后一层，使用 softmax 函数将输出映射到概率分布上.
进一步地，使用历史灾害数据库作为训练数据，并使用交叉熵损失作为目标函数，通过反向传播算法，计算出每个神经元的梯度，并使用梯度下降算法来更新神经网络的参数。
本发明的有益效果是：
本发明将图神经网络方法应用于梯级水库群风险分析，该方法充分挖掘了梯级水电枢纽群不同层级和层级内部多要素的相互作用关系，解决了传统风险分析方法对于因子间互馈作用考虑不足的问题。
附图说明
图1是本发明梯级水电枢纽群风险传递方法的流程图；
图2是本发明梯级水电枢纽群风险传递方法的流程图；
具体实施方式
下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
如图1所示，本发明包括如下步骤：
S1在本实施例子中选择我国西南某梯级水电枢纽群，如图2所示首先分析梯级上下游组织关系，识别梯级内部以及梯级之间的主要风险源，绘制梯级水电枢纽群风险网络图。
首先把系统问题用图形结构表示出来，图结构表达示意图如图1所示。图结构应包括系统的关键节点集合和关键边的集合，同时图结构的相关节点和边应是随时间变化的,可以用式1来表示。
（1）
式中是节点集合，/>是t时刻中存在的边，/>是节点的特征向量，/>是边的特征向量。
定义链路样本如式2所示，其中/> 、/>代表两个节点，Y代表两个节点之间的关联度，基于图的链路挖掘的目的是通过已有的数据来预测风险传播路径。其中两个节点之间的关联度Y使用信息流动比例来表示，其计算公式如式3所示。
（2）
（3）
式中，其中 、/>代表两个节点，Y代表两个节点之间的关联度，/>代表在时间t从节点 i到 节点j的信息传递量，/> 表示与i交互的所有节点。
假定梯级水电枢纽群可概化为n个随机变量,应用贝叶斯网络理论条件概率和联合分布概率计算可表示为式4和式5。
（4）
（5）
所述风险传递计算方法包括将梯级水电枢纽群概化为集合，其中
（6）
（7）
其中U、V代表两个不同节点，Y代表两个节点之间的关联权重。式7中代表节点i和节点j在t时刻的关联权重。/>表示t时刻节点i和节点j的信息传递量，/>表示t时刻节点i和m个节点信息传递量的总和。
在本实施例子中，所述图神经网络训练数据集使用基于最终节点q嵌入的交叉熵损失 MLP最小化为训练目标函数对模型进行训练：
（8）
（9）
代表交叉熵损失， /> 代表枢纽群概化集合， y代表关联权重，/> 代表两个连接层的多层感知。/>代表嵌入节点q与节点u的关联性，/>代表嵌入节点q与节点u的关联性。
该梯级水电枢纽群位于河流上游和下游之间，通过控制水流来调节水位和流量，以满足下游水电站的发电需求。因此，梯级水电枢纽群与上下游水电站之间存在密切的组织关系。
在上游方向，该梯级水电枢纽群受到上游水位和流量变化的影响。如果上游水位过高或流量过大，可能会对梯级水电枢纽群的水工建筑物和发电设备造成不利影响;因此，需要对上游的水位和流量进行监测和调控，以确保梯级水电枢纽群的安全运行；在下游方向，该梯级水电枢纽群需要满足下游水电站的发电需求;如果下游水位过低或流量过小，可能会导致下游水电站无法正常运行。因此，需要对下游的水位和流量进行监测和调控，以确保下游水电站的正常发电。
对于该梯级水电枢纽群而言，主要风险源包括自然灾害、设备故障、管理失误等。其中，自然灾害是最不可控的风险源，可能对水工建筑物和发电设备造成重大损害。设备故障和管理失误也可能导致发电设备的损坏或效能下降。
此外，该梯级水电枢纽群还面临上下游水位和流量变化带来的风险。如果上下游水位和流量控制不当，可能会导致水工建筑物和发电设备的损坏或效能下降。
根据以上分析，可以绘制该梯级水电枢纽群的风险网络图。该风险网络图应包括以下节点和边：
在绘制梯级水电枢纽群风险网络图的基础上，可以进一步分析各风险源之间的关联性和影响程度，以便采取相应的措施进行风险控制和管理；通过分析该梯级水电枢纽群的风险网络图，可以发现各风险源之间存在密切的关联性和影响程度。例如，上游水位和流量变化会对梯级水电枢纽群的水工建筑物和发电设备产生直接影响，而自然灾害则可能对整个梯级水电枢纽群产生更大的影响。设备故障和管理失误则可能对梯级水电枢纽群的运行效能产生长期影响。
针对这些风险源之间的关联性和影响程度，可以采取相应的措施进行风险控制和管理。例如，加强上游水位和流量的监测和调控，提高自然灾害的预警和应对能力，加强设备维护和管理工作，以降低风险发生的可能性及其影响程度。
S2：基于梯级水电枢纽群风险网络关系，应用图神经网络法构建梯级水电枢纽群神经网络模型，建立不同风险结点和边之间风险传递计算方法。
应用图神经网络法进行风险传递计算
在构建的风险网络模型中，应用图神经网络法进行风险传递计算。具体步骤如下：
（1）对每个风险结点进行特征提取。根据每个风险结点的属性、状态和历史数据，提取相应的特征，例如上下游水位和流量数据、设备故障和管理失误数据等；
（2）对每个边进行权重计算。根据每个边的属性、历史数据和风险传递关系，计算相应的权重，例如上下游水位和流量数据的差异、设备故障和管理失误的概率等；
（3）构建图神经网络模型。将每个风险结点作为图神经网络中的一个节点，将每个边作为节点之间的连接。根据每个节点的特征和边的权重，构建一个图神经网络模型；
（4）进行风险传递计算。在构建的图神经网络模型中，应用图卷积神经网络等方法对每个节点的风险进行计算；具体来说，通过将每个节点的特征进行卷积运算，得到每个节点的局部特征向量；然后将局部特征向量进行池化操作，得到每个节点的全局特征向量；最后将全局特征向量输入到全连接层中，得到每个节点的风险值。
（5）输出风险传递结果。根据每个节点的风险值，可以输出整个梯级水电枢纽群的风险传递结果。具体来说，可以将每个节点的风险值进行可视化展示，或者根据风险值的大小进行排序和筛选，以便更好地评估和管理梯级水电枢纽群的风险。
在本实施案例中，所述将相关数据转化成无量纲数据的方法包括：
计算每个特征的均值和标准差。
对于灾害类型特征，假设其均值为2（以0-10之间的数值表示不同类型的灾害），标准差为2。
对于发生时间特征，假设其均值为2000年，标准差为100年。
对于地点特征，假设其均值为10（以0-100之间的数值表示不同地点），标准差为10。
对于损失特征，假设其均值为50,000,000元，标准差为20,000,000元。
对每个特征的值进行标准化处理，即将每个特征的值减去均值，然后除以标准差。
对于灾害类型特征，标准化后的数据 = (灾害类型 - 2) / 2。
对于发生时间特征，标准化后的数据 = (发生时间 - 2000) / 100。
对于地点特征，标准化后的数据 = (地点 - 10) / 10。
对于损失特征，标准化后的数据 = (损失 - 50,000,000) / 20,000,000。
将标准化后的数据转换为0到1之间的值。
在这个例子中，我们可以通过将标准化后的数据除以标准化数据的最大值来实现这一点。
对于灾害类型特征，转换后的数据 = 标准化后的数据 / 标准化数据的最大值。
对于发生时间特征，转换后的数据 = 标准化后的数据 / 标准化数据的最大值。
对于地点特征，转换后的数据 = 标准化后的数据 / 标准化数据的最大值。
对于损失特征，转换后的数据 = 标准化后的数据 / 标准化数据的最大值。
S3：收集研究区历史巨灾数据，构建历史巨灾数据库，包括历史巨灾事件时各梯级的降雨、水位、坡度、裂度等数据。
S4: 根据构建的历史巨灾数据库对神经网络模型进行训练，使用基于最终节点嵌入 q 的具有交叉熵损失的 MLP最小化为训练的目标函数。
将历史巨灾数据作为输入，将最终节点嵌入q作为输出。使用交叉熵损失作为目标函数，进行模型的训练。具体来说，将输入数据通过前向传播计算得到输出结果，然后计算输出结果与实际结果之间的交叉熵损失，通过梯度下降等优化算法对模型参数进行调整，以最小化损失函数。
S5: 给定上游降水量、坡度、烈度数据，应用模型预测得到梯级沿途节点和最终节点风险数据。以四级梯级水电枢纽群为例，上游降水量达到100年一遇，同时坡度、烈度未发生变化时，下游出口处洪峰流量为50年一遇。当上游降水量达到100年一遇、坡度和烈度都发生显著变化时，下游出口处洪峰流量远超过百年一遇。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。
Claims (9)
1.一种梯级水电枢纽群风险传递方法，其特征在于：包括如下步骤：
A针对梯级水电枢纽群的不同梯级组成绘制梯级水电枢纽群风险网络图；
B基于所述梯级水电枢纽群风险网络图，构建图神经网络模型，建立不同风险结点和边之间风险传递计算方法；
C获取研究区梯级水电枢纽群每个梯级历史水位、流量、坡度、烈度数据，将相关数据转化成无量纲数据，作为图神经网络训练数据集；
D给定不同水位、流量、坡度情景，应用图神经网络模型计算得到各网络节点的风险值。
2.根据权利要求1所述的一种梯级水电枢纽群风险传递方法，其特征在于：
所述梯级水电枢纽群风险网络图的构建方法包括系统的关键节点集合和关键边的集合，同时图结构的相关节点和边应是随时间变化的,可以用式1来表示；
（1）
式中是节点集合，/>是t时刻中存在的边，/>是节点的特征向量，/>是边的特征向量；
定义链路样本如式2所示，其中/> 、/>代表两个节点，Y代表两个节点之间的关联度，基于图的链路挖掘的目的是通过已有的数据来预测风险传播路径；其中两个节点之间的关联度Y使用信息流动比例来表示，其计算公式如式3所示：
（2）
（3）
式中，其中 、/>代表两个节点，Y代表两个节点之间的关联度，/>代表在时间t从节点i到 节点j的信息传递量，/> 表示与i交互的所有节点。
3.根据权利要求1所述的一种梯级水电枢纽群风险传递方法，其特征在于：在步骤A中，所述风险传递计算方法包括将梯级水电枢纽群概化为集合，其中：
（6）
（7）
其中U、V代表两个不同节点，Y代表两个节点之间的关联权重；式7中代表节点i和节点j在t时刻的关联权重；/>表示t时刻节点i和节点j的信息传递量，/>表示t时刻节点i和m个节点信息传递量的总和。
4.根据权利要求1所述的一种梯级水电枢纽群风险传递方法，其特征在于：所述图神经网络训练数据集使用基于最终节点q嵌入的交叉熵损失 MLP最小化为训练目标函数对模型进行训练：
（8）
（9）
代表交叉熵损失， /> 代表枢纽群概化集合， y代表关联权重，/> 代表两个连接层的多层感知；/>代表嵌入节点q与节点u的关联性，/>代表嵌入节点q与节点u的关联性。
5.根据权利要求1所述的一种梯级水电枢纽群风险传递方法，其特征在于：所述将相关数据转化成无量纲数据的方法包括：
a计算每个特征的均值和标准差；
b对每个特征的值进行标准化处理，即将每个特征的值减去均值，然后除以标准差；
c将标准化后的数据转换为0到1之间的值。
6.根据权利要求1所述的一种梯级水电枢纽群风险传递方法，其特征在于：所述研究区梯级水电枢纽群的数据进行预处理的方法，包括数据清洗、去重、去噪、去除异常值、数据转换和向量化。
7.根据权利要求1所述的一种梯级水电枢纽群风险传递方法，其特征在于：采用正态分配算法、神经网络控制算法构建暖通图神经网络控制模型，使用正态分配算法将实时图神经网络数据按照5:2随机分成训练集和测试集，采用训练集训练图神经网络控制模型。
8.根据权利要求1所述的一种梯级水电枢纽群风险传递方法，其特征在于：所述神经网络模型有多个隐藏层，每个隐藏层都包含多个的神经元，在模型的最后一层，使用 softmax函数将输出映射到概率分布上。
9.根据权利要求1所述的一种梯级水电枢纽群风险传递方法，其特征在于：使用历史灾害数据库作为训练数据，并使用交叉熵损失作为目标函数，通过反向传播算法，计算出每个神经元的梯度，并使用梯度下降算法来更新神经网络的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311518876.0A CN117273465B (zh) | 2023-11-15 | 2023-11-15 | 一种梯级水电枢纽群风险传递方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311518876.0A CN117273465B (zh) | 2023-11-15 | 2023-11-15 | 一种梯级水电枢纽群风险传递方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117273465A true CN117273465A (zh) | 2023-12-22 |
| CN117273465B CN117273465B (zh) | 2024-02-02 |
Family
ID=89204841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311518876.0A Active CN117273465B (zh) | 2023-11-15 | 2023-11-15 | 一种梯级水电枢纽群风险传递方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117273465B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832917A (zh) * | 2017-10-13 | 2018-03-23 | 四川大学 | 基于贝叶斯风险网络的梯级水库群薄弱梯级、关键梯级以及控制性梯级的识别方法 |
| CN115169724A (zh) * | 2022-07-27 | 2022-10-11 | 电子科技大学长三角研究院(湖州) | 一种基于时空图卷积神经网络的径流预测方法 |
| CN115330127A (zh) * | 2022-07-15 | 2022-11-11 | 中国水利水电科学研究院 | 一种水利枢纽运行风险实时控制系统及方法 |
| CN115693661A (zh) * | 2022-11-15 | 2023-02-03 | 贵州电网有限责任公司 | 一种基于图神经网络的连锁故障风险关键线路辨识方法 |
| CN115860478A (zh) * | 2022-12-16 | 2023-03-28 | 中国水利水电科学研究院 | 一种梯级水电枢纽群可能最大灾难的分析方法 |
| US20230196114A1 (en) * | 2021-03-15 | 2023-06-22 | Hohai University | Method for optimizing reservoir operation for multiple objectives based on graph convolutional neural network and nsga-ii algorithm |
| CN116702959A (zh) * | 2023-05-22 | 2023-09-05 | 河海大学 | 一种基于分布自适应图注意力网络的洪水预报方法 |
-
2023
- 2023-11-15 CN CN202311518876.0A patent/CN117273465B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832917A (zh) * | 2017-10-13 | 2018-03-23 | 四川大学 | 基于贝叶斯风险网络的梯级水库群薄弱梯级、关键梯级以及控制性梯级的识别方法 |
| US20230196114A1 (en) * | 2021-03-15 | 2023-06-22 | Hohai University | Method for optimizing reservoir operation for multiple objectives based on graph convolutional neural network and nsga-ii algorithm |
| CN115330127A (zh) * | 2022-07-15 | 2022-11-11 | 中国水利水电科学研究院 | 一种水利枢纽运行风险实时控制系统及方法 |
| CN115169724A (zh) * | 2022-07-27 | 2022-10-11 | 电子科技大学长三角研究院(湖州) | 一种基于时空图卷积神经网络的径流预测方法 |
| CN115693661A (zh) * | 2022-11-15 | 2023-02-03 | 贵州电网有限责任公司 | 一种基于图神经网络的连锁故障风险关键线路辨识方法 |
| CN115860478A (zh) * | 2022-12-16 | 2023-03-28 | 中国水利水电科学研究院 | 一种梯级水电枢纽群可能最大灾难的分析方法 |
| CN116702959A (zh) * | 2023-05-22 | 2023-09-05 | 河海大学 | 一种基于分布自适应图注意力网络的洪水预报方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘家宏 等: "梯级水电枢纽群巨灾风险分析与防控研究综述", 水利学报, vol. 54, no. 1, pages 34 - 44 * |
| 马森标: "图神经网络驱动的流域洪水预报技术", 江西水利科技, vol. 49, no. 5, pages 313 - 319 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117273465B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230080737A1 (en) | Federated Learning-Based Regional Photovoltaic Power Probabilistic Forecasting Method and Coordinated Control System | |
| CN104573881B (zh) | 一种基于退化数据建模的服役设备剩余寿命自适应预测方法 | |
| CN104077651B (zh) | 电网检修计划优化方法 | |
| CN109977621A (zh) | 一种基于深度学习的空调故障预测方法 | |
| CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
| Xu et al. | Pressure prediction and abnormal working conditions detection of water supply network based on LSTM | |
| CN115663922A (zh) | 一种分布式电源多自由度优化配置方法及系统 | |
| CN107301479B (zh) | 基于自然灾害风险的输电系统多场景规划方法 | |
| CN110033102A (zh) | 一种巨型水电厂具有学习功能的智能诊断方法及专家系统 | |
| CN112949181A (zh) | 一种多源关联数据的预警预测方法、存储介质及电子设备 | |
| Li et al. | Takagi–Sugeno fuzzy based power system fault section diagnosis models via genetic learning adaptive GSK algorithm | |
| CN112464575A (zh) | 一种基于贝叶斯网络的大坝群风险评估方法和设备 | |
| CN108694479A (zh) | 考虑天气对检修间隔时间影响的配电网可靠性预测方法 | |
| Amini et al. | Electrical energy systems resilience: A comprehensive review on definitions, challenges, enhancements and future proceedings | |
| CN115062534A (zh) | 天然气管道系统的供气可靠性计算方法及装置 | |
| CN111785093A (zh) | 一种基于分形插值的空中交通流量短期预测方法 | |
| CN117696224A (zh) | 一种基于大模型的磨矿优化处理系统 | |
| Shaghaghi et al. | Proposing a new optimized forecasting model for the failure rate of power distribution network thermal equipment for educational centers | |
| CN113850017A (zh) | 一种基于潮流变化图谱的系统级故障分析系统及方法 | |
| CN117273465B (zh) | 一种梯级水电枢纽群风险传递方法 | |
| CN117638891A (zh) | 一种基于关联特性矩阵的新型配电网安全性分析评价方法 | |
| CN117078123A (zh) | 一种电-气综合能源系统可用输电能力计算方法及系统 | |
| CN116415708B (zh) | 考虑置信水平的电网鲁棒规划方法 | |
| CN115775107A (zh) | 一种考虑连锁故障的电网信息物理系统风险评估方法 | |
| Mohammadi et al. | Towards tractable stochastic unit commitment for preventive operation during hurricanes |
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 |