买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河海大学

摘要：本发明提供了一种复杂水利工程系统实时调度风险传递规律动态识别方法，步骤如下：采用Gauss‑Dantzig选择的分类与回归树方法筛选重要风险因子，基于改进的条件生成对抗网络技术生成样本集；引入风险压力概念，将相似风险压力的工程划分为虚拟子系统，通过目标函数耦合构建单目标实时风险调度模型，并采用结合强化学习的澳洲野狗‑粒子群优化算法求解；构建融合风险传递信息的贝叶斯网络模型，模拟风险传递过程；计算风险传递强度、识别重要传递路径并提取关键调控工程。本发明全面考虑了实时调度的不确定性，降低了数据处理复杂度，提高了风险预测效率与精度，为水利系统的风险调度提供了有力支持。

主权项：1.复杂水利工程系统实时调度风险传递规律动态识别方法，其特征在于，包括如下步骤：步骤S1、收集研究流域各水利工程的基础信息，得到实时调度过程中的风险因子，采用基于Gauss-Dantzig选择的分类与回归树方法进行风险因子筛选，得到重要风险因子集，采用耦合多分布大趋势扩散与改进条件生成对抗网络的智能虚拟样本生成方法，模拟生成各个重要风险因子样本集；步骤S2、确定各个水利工程防洪、发电、供水和生态风险的权重，结合各个重要风险因子样本集计算水利工程的综合风险压力，采用等宽离散法将综合风险压力划分为u个等级，将风险压力等级相同的水利工程为划分一个虚拟子系统，基于最小化综合风险构建虚拟子系统目标函数，通过耦合各子系统的目标函数构建复杂水利工程系统实时风险调度模型，并采用基于Q-learning的澳洲野狗-粒子群融合优化算法求解，结合PolicyGradients算法得到各水利工程的风险调度方案；步骤S3、构建复杂水利工程系统实时调度风险传递的信息传播介数贝叶斯网络模型，采用广度优先搜索算法计算节点信息传播介数并作为更新贝叶斯网络参数的权重因子二次更新模型的网络参数；步骤S4、综合条件互信息、基于随机游走的PageRank算法和Shapley博弈值构建复杂水利工程系统风险传递强度计算、传递路径识别及关键风险调控水利工程提取的系统方法；所述步骤S1进一步为：步骤S11、获取研究流域各水利工程的基础信息，并从中提取出实时调度过程中的风险因子，构建风险因子数据集；其中，水利工程的基础信息包括入库流量、水库库容、泄流能力曲线、水位面积曲线、区间入流、河道演进模式和参数；实时调度过程中的风险因子包括各水利工程的入库流量预报误差、区间入流预报误差、水库库容曲线误差、泄流能力误差、河道洪水演进模型结构及参数误差、调度滞时；步骤S12、通过拉丁超立方抽样获取各风险因子数据集，选择径向基函数核构建支持向量机模型，采用融合Gauss-Dantzig选择器和分类与回归树模型的方法对风险因子筛选，得到重要风险因子集；步骤S13、基于基础信息假设各风险因子的分布特征，采用Kolmogorov-Smirnov法验证分布假设的准确性，使建立的分布特征真实反映风险因子的多分布大趋势特性；建立风险因子概率分布函数并采用Copula方法耦合单风险因子模型，采用引入条件变量的条件生成对抗网络方法，结合RMSprop优化算法依次对重要风险因子集中的各重要风险因子进行随机模拟，分别得到各重要风险因子样本集；所述步骤S13进一步为：步骤S13a、基于基础信息统计各风险因子的均值、标准差、偏度与峰度；基于统计结果假设各风险因子的分布特征，采用Kolmogorov-Smirnov检验法对假设的各风险因子分布进行验证，若偏差大于阈值，则更改初始假设，直至满足检验要求，获得各风险因子的分布特征并调用对应的概率分布函数，采用Copula方法耦合构建的单独的风险因子模型，得到风险因子耦合模型；其中，概率分布函数包括正态分布、对数正态分布、泊松分布和离散分布；步骤S13b、构建生成对抗网络模型中的生成器和判别器网络，在生成器和判别器的输入层中引入包括时间、上游来水条件和运行模式的条件变量；对条件变量进行分类并将其与原始的风险因子数据结合起来，形成网络的输入；在建立的条件生成对抗网络中利用历史数据和实时数据进行模型训练，获得训练后的生成对抗网络模型；步骤S13c、基于训练后的生成对抗网络模型，采用RMSprop优化算法生成与风险因子耦合模型相符合的各个重要风险因子的样本集；所述步骤S2进一步为：步骤S21、基于防洪风险、发电风险、供水风险和生态风险，结合专家经验知识和工程主要任务判断得到各个水利工程各类风险权重，基于所得权重和各个重要风险因子样本集计算出各水利工程的综合风险压力值，采用等宽离散法将风险压力值划分为u个区间范围，表示u种不同的压力风险等级，u为大于2的正整数，通过各水利工程综合风险值所处区间判断其风险等级；步骤S22、将具有相同等级风险压力值的水利工程划分为一个虚拟子系统，通过对虚拟子系统内部所有水利工程综合风险加权求和得到各个虚拟子系统的综合风险，以各虚拟子系统综合风险最小为原则建立起虚拟子系统内部的目标函数；步骤S23、依据各虚拟子系统的风险压力等级赋予各虚拟子系统不同的权重系数，风险压力值越大，该系统被赋予的权重系数越大，对u种不同风险压力等级的虚拟子系统分别设定加权系数，耦合虚拟子系统的局部目标函数与权重系数，构建复杂水利工程系统实时风险调度模型，包括整个水利工程系统的整体目标函数和约束条件，其中约束条件包括：水量平衡约束、特征水位约束、出力约束、出库流量约束、泄流变幅约束及非负约束；步骤S24、调用基于强化学习中Q-learning方法的澳洲野狗-粒子群融合优化算法对建立的复杂水利工程系统实时风险调度模型进行求解，在各迭代周期结束时通过PolicyGradients算法交换信息，得到各水利工程的风险调度方案；所述步骤S24进一步为：步骤S24a、基于构建的系统目标函数，生成数量相同的初始粒子群和澳洲野狗群，每个粒子和野狗表示一个潜在的风险调度方案，设定系统的算法参数，包括粒子速度、学习因子、野狗搜索范围；步骤S24b、确定每个粒子和野狗的当前位置，即计算每个粒子和野狗的单目标函数值，更新粒子和野狗的个体最优解和全局最优解，如果当前粒子或野狗的解优于其之前的个体最优解，则更新其个体最优解，所有粒子和野狗中，找出具有最佳适应度的解，更新为全局最优解；步骤S24c、采用强化学习中的Q-learning方法对当前智能体的位置进行更新：澳洲野狗算法根据当前位置和全局最优解位置动态选择跟随、包围、靠近或随机游走的策略更新位置，粒子群算法中每个粒子根据自己的速度、个体最优解和全局最优解来更新自己的速度和位置；步骤S24d、定义每50次迭代为一个周期，在算法的每个周期结束时，引入PolicyGradients算法决定是否进行信息交换，将部分粒子的最优解与野狗的最优解交换，并动态调整参数；步骤S24e、得到并输出各水利工程的风险调度方案；所述步骤S3进一步为：步骤S31、基于各水利工程的风险调度方案构建贝叶斯网络模型；步骤S32、对贝叶斯网络模型中某一节点随机选取k次任意两个不同的节点，基于广度优先搜索法计算节点间的最短路径，计算得到节点的信息传播介数；k为自然数；步骤S33、将计算得到的节点信息传播介数作为权重因子，计算其与条件概率值的乘积，并更新贝叶斯网络模型；所述步骤S4进一步为：步骤S41、针对贝叶斯网络模型中的每一对节点，计算它们之间的条件互信息，评估在给定其他节点状态时这两个节点状态之间的相互信息量以表征各节点间的风险传递强度；步骤S42、将基于计算出的条件互信息确定节点间的权重输入预构建的随机游走模型中，模拟多个随机游走过程确定节点在网络中的重要性，采用PageRank算法根据节点的重要性权重识别出关键的风险传递路径；步骤S43、采用基于Shapley值的敏感度分析法对贝叶斯网络模型分析，确定系统输出对各风险节点输入变化的敏感程度，计算各节点对系统输出的边际贡献，识别出对系统风险输出影响最大的节点，提取出系统中的关键风险控制节点。

全文数据：

权利要求：

百度查询： 河海大学 复杂水利工程系统实时调度风险传递规律动态识别方法