[發明專利]一種水庫大壩安全信息智慧感知融合預警方法及終端設備

有效

• 申請號: 202110059633.X
• 申請日: 2021-01-18
• 公開（公告）號: CN112949900B
• 公開（公告）日: 2022-01-11
• 發明（設計）人: 劉成棟;向衍;沈光澤;鄒世平;趙建文;孫昌俊;張凱;應立鋒;劉檢生;王獻輝;孟穎;楊鑫;陳哲;閆靜;陳星;傅志敏
• 申請（專利權）人: 水利部交通運輸部國家能源局南京水利科學研究院;河海大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G08B21/18;G01D21/02;G06N3/08
• 代理公司: 南京樂羽知行專利代理事務所(普通合伙) 32326
• 代理人: 李玉平

1.一種水庫大壩安全信息智慧感知融合預警方法，其特征在于：監測水庫庫區的雨量、水位、壩體壓力及場景變化數據，形成水庫大壩安全運行全監測要素；隨后，通過智慧化建模計算方法對水庫大壩的運行狀態進行辨識；其中，智慧化建模計算方法主要包括：①計算基于歷史信息的預測信息與當日測量信息間的差值或耦合關系，形成要素信息的融合權重，②基于深度學習模型表征水庫大壩運行狀態，并采用加權分類器模型對運行狀態進行分類，當屬于危險狀態的概率大于閾值時判斷水庫大壩運行存在風險，進行預警；

計算基于歷史信息的預測信息與當日測量信息間的差值或耦合關系，形成要素信息的融合權重，具體步驟為：

步驟11，計算基于歷史信息的庫區當日雨量預測信息與庫區雨量當日測量信息間的差值：

采用Kalman濾波器計算當日雨量預測信息隨后計算預測信息與當日測量信息R_t間差值ε_R：

步驟12，計算基于歷史信息的庫區當日水位預測信息與庫區水位當日測量信息間的差值：

采用Kalman濾波器計算當日水位預測信息隨后計算預測信息與當日測量信息T_t間的差值ε_T：

步驟13，計算基于歷史信息的當日壩體壓力預測信息與壩體壓力當日測量信息間的差值：

采用Kalman濾波器計算當日壩體壓力預測信息隨后計算預測信息與當日測量信息P_t間的差值ε_P：

步驟14，計算基于歷史信息的當日場景變化預測信息與場景變化當日測量信息間的二維耦合值：

采用Kalman濾波器計算當日場景變化預測信息隨后計算預測信息與當日測量信息I_t間的二維耦合值其中corr2()為二維耦合關系計算模型；

步驟21，計算各要素當日測量信息的權重

雨量要素當日測量信息權重：

庫區水位要素當日測量信息權重：

壩體壓力要素當日測量信息權重：

庫區場景變化要素當日測量信息權重：

其中，為雨量、水位、壩體壓力及場景變化要素的當日權重，為雨量、水位、壩體壓力及場景變化要素的上一日的權重。

2.根據權利要求1所述的水庫大壩安全信息智慧感知融合預警方法，其特征在于：所述水庫大壩監測全要素集合構建包括如下內容：①通過自計雨量筒獲取庫區雨量要素信息R，②通過雷達水位計獲取庫區水位要素信息T，③通過測壓管獲取壩體壓力要素信息P，④通過攝像機獲取壩體場景變化要素信息I。

3.根據權利要求1所述的水庫大壩安全信息智慧感知融合預警方法，其特征在于：所述基于深度學習模型表征水庫大壩運行狀態，并采用加權分類器模型對運行狀態進行分類，當屬于危險狀態的概率大于閾值時判斷水庫大壩運行存在風險，進行預警；首先建立共享單元的多流深度學習網絡；其中每一流對應一個庫區監測要素I、T、P、R，每一流的權重為其中網絡結構設計主要采用共享深度卷積框架，該框架中卷積層與共享單元交替，其中共享單元設計為：

其中，i為深度網絡的層數，分別為第i層I、T、P、R監測要素所提取到的深度特征，為共享權重矩陣，通過訓練學習得到，為第i層共享學習后的特征；定義深度學習網絡的深度為L，則通過深度網絡得到水庫大壩運行狀態特征為

則對于水庫大壩安全運行狀態的判斷為：

其中，x_t為t時刻的狀態，分為安全運行狀態標簽1和險情狀態標簽0，當p(x_t＝1)＞θ,判斷為水庫大壩出現險情，否則，判斷為水庫大壩安全運行，其中θ為辨識閾值。

4.一種水庫大壩安全信息智慧感知融合預警終端設備，其特征在于：包括數據監測單元和識別單元；所述數據監測單元包括自計雨量筒、雷達水位計、測壓管和攝像裝置；通過自計雨量筒、雷達水位計、測壓管和攝像裝置綜合監測水庫庫區的雨量、水位、壩體壓力及場景變化數據，形成水庫大壩安全運行全監測要素；所述識別單元通過智慧化建模計算方法對水庫大壩的運行狀態進行辨識；其中，智慧化建模計算方法主要包括：①計算基于歷史信息的預測信息與當日測量信息間的差值或耦合關系，形成要素信息的融合權重，②基于深度學習模型表征水庫大壩運行狀態，并采用加權分類器模型對運行狀態進行分類，當屬于危險狀態的概率大于閾值時判斷水庫大壩運行存在風險，進行預警；

計算基于歷史信息的預測信息與當日測量信息間的差值或耦合關系，形成要素信息的融合權重，具體步驟為：

步驟11，計算基于歷史信息的庫區當日雨量預測信息與庫區雨量當日測量信息間的差值：

采用Kalman濾波器計算當日雨量預測信息隨后計算預測信息與當日測量信息R_t間差值ε_R：

步驟12，計算基于歷史信息的庫區當日水位預測信息與庫區水位當日測量信息間的差值：

采用Kalman濾波器計算當日水位預測信息隨后計算預測信息與當日測量信息T_t間的差值ε_T：

步驟13，計算基于歷史信息的當日壩體壓力預測信息與壩體壓力當日測量信息間的差值：

采用Kalman濾波器計算當日壩體壓力預測信息隨后計算預測信息與當日測量信息P_t間的差值ε_P：

步驟14，計算基于歷史信息的當日場景變化預測信息與場景變化當日測量信息間的二維耦合值：

采用Kalman濾波器計算當日場景變化預測信息隨后計算預測信息與當日測量信息I_t間的二維耦合值其中corr2()為二維耦合關系計算模型；

步驟21，計算各要素當日測量信息的權重

雨量要素當日測量信息權重：

庫區水位要素當日測量信息權重：

壩體壓力要素當日測量信息權重：

庫區場景變化要素當日測量信息權重：

其中，為雨量、水位、壩體壓力及場景變化要素的當日權重，為雨量、水位、壩體壓力及場景變化要素的上一日的權重。