一种梯级水电枢纽群风险传递方法

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

（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

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， />

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

定义链路样本

（2）

（3）

式中，其中

假定梯级水电枢纽群可概化为n个随机变量

（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

（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

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， />

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。