【技術實現步驟摘要】
本專利技術涉及水利工程，具體涉及一種智能ai分析的水利工程防洪安全預警方法和系統。
技術介紹
1、水利工程為民生帶來了較大的便利，而水利工程預警系統通過實時監測水文數據、氣象數據和水利工程狀態，有助于優化水資源的管理和調度，使得水利工程能夠更好地應對不同的氣象和水文條件，提高水庫的調度效率，進一步確保水利工程的安全性和穩定性。
2、現有的水利工程防洪安全預警系統中，已存有智能化的運用，例如申請公開號為cn116993164a的專利公開了一種水利工程的安全監控方法、裝置、設備和介質，上述技術通過可視化數據進行數據分析，最終輸出風險預警結果，通過相關設備進行的自動化防洪調控，但無法基于現有情況面對突發的多樣環境，即若存有降雨情況呈現逐漸嚴重的趨勢時，通過實時數據進行泄洪處理的泄洪量無法根據降雨量進行調控，防洪處理具有一定的預警延遲；
3、除上述技術，現在技術中還存有相關人員根據最終輸出的結果進行防洪措施采取，在此過程中，相關人員需要花費一定時間進行系統輸出結果的分析與防洪措施的布設，最終導致防洪工作的實施存有一定的延遲，整體的防洪響應效率較低。
4、為解決上述所提及的問題，提出了一種智能ai分析的水利工程防洪安全預警方法和系統。
技術實現思路
1、本專利技術的目的是提供一種智能ai分析的水利工程防洪安全預警方法和系統，以解決
技術介紹
中不足。
2、為了實現上述目的，本專利技術提供如下技術方案：
3、所述智能ai分析的水利工程防洪
4、步驟s100:收集水庫每個監測區域內的歷史防洪數據；
5、步驟s200:對歷史防洪數據進行處理，生成評估水澇風險等級的機器學習模型；
6、步驟s300:收集當前水庫每個監測區域內的實時防洪數據，預設風險閾值，提高分析準度，基于風險閾值收集風險等級的屬性值；
7、步驟s400:根據每個監測區域實時的風險等級的屬性值輸出處理方案。
8、進一步地，所述歷史防洪數據包括歷史水庫水位數據、歷史水庫入流和出流數據、歷史泄洪流量和泄洪方式、歷史水庫蓄水量，所述實時防洪數據包括實時水庫水位數據、實時水庫入流和出流數據、實時泄洪流量和泄洪方式、實時水庫蓄水量。
9、進一步地，所述歷史防洪數據的收集包括以下步驟：
10、步驟q1；將水庫的歷史防洪數據按照監測區域的順序進行排序，并按順序將歷史防洪數據標記為glx,其中glx＝1,2,3…w，其中w為單個監測區域中獲取的歷史防洪數據數量；
11、步驟q2；對于歷史防洪數據glx,收集該歷史防洪數據與歷史防洪數據glx-1之間所有風險情況的處理方案，并基于每個處理方案收集對應的風險等級；
12、步驟q3；收集每個檢測區域中的歷史防洪數據glx的處理方案以及風險等級的屬性值。
13、進一步地，所述風險等級的劃分邏輯為：
14、其中，所述每個風險等級根據處理方案的響應速度和設備處理功率進行劃分，所述處理方案響應速度包括一級響應速度、二級響應速度和三級影響速度，所述設備處理功率包括一級處理功率、二級處理功率和三級處理功率；
15、若同時具有一級響應速度和一級處理功率、一級響應速度和二級處理功率、二級響應速度和一級處理功率，則進行第一風險等級的生成，并標記為“ka”；
16、若同時具有一級響應速度和二級處理功率、二級響應速度和二級處理功率、二級響應速度和一級處理功率，則進行第二風險等級的生成，并標記為“kb”；
17、若同時具有二級響應速度和三級處理功率、一級響應速度和二級處理功率、二級響應速度和一級處理功率，則進行第三風險等級的生成,并標記為“kc”；
18、若同時具有一級響應速度和三級處理功率或三級響應速度和一級處理功率，則進行數據異常等級的生成，并標記為“kd”。
19、進一步地，生成評估水澇風險等級的機器學習模型的步驟如下：
20、步驟j1:對于每個監測區域中的歷史防洪數據glx，將歷史防洪數據glx中的風險等級的屬性值作為機器學習模型的輸入，將處理方案作為機器學習模型的輸出，以監測區域中的歷史防洪數據glx的處理方案為預測目標，以機器學習模型的預測準確率作為訓練目標；
21、步驟j2:基于每個歷史防洪數據glx的機器學習模型進行訓練，預設準確率閾值gy；
22、步驟j3:當機器學習模型的預測準確率達到了預測準確率閾值gy時，終止訓練，并將歷史防洪數據glx訓練完成后的機器學習模型標記為gxd。
23、進一步地，收集當前水庫每個監測區域內的實時防洪數據步驟如下：
24、步驟k1:根據實際情況預設風險閾值，將風險閾值標記為vg；
25、步驟k2：根據每個監測區域，計算出監測比較值，記作vb,所述檢測比較值為第一風險等級和標記為第二風險等級的監測區域數目之和占總監測區域的比值，若檢測出的監測比較值vb小于險閾值標記為vg，則不做處理，若檢測出的監測比較值vb大于險閾值標記為vg，轉至步驟k3；
26、步驟k3:對于每個監測區域，收集對應風險等級的屬性值。
27、進一步地，基于訓練完成后的機器學習模型gxd，將風險等級的屬性值輸入機器學習模型gxd中，獲得機器學習模型gxd輸出的處理方案。
28、本專利技術還提供一種智能ai分析的水利工程防洪安全預警系統，包括歷史防洪數據采集模塊、歷史防洪數據分析模塊、實時防洪數據采集模塊和防洪監測模塊，各個模塊之間通過電氣和/或無線網絡方式連接；
29、歷史防洪數據采集模塊；用于預先收集水庫每個監測區域內的歷史防洪數據，并將歷史防洪數據發送至歷史防洪數據分析模塊；
30、歷史防洪數據分析模塊；用于對歷史防洪數據進行處理，生成評估水澇風險等級的機器學習模型，并將訓練完成的機器學習模型發送至防洪監測模塊；
31、實時防洪數據采集模塊；收集當前水庫每個監測區域內的實時防洪數據，并將每個監測區域的風險等級的屬性值發送至防洪監測模塊；
32、防洪監測模塊；用于根據每個監測區域實時的風險等級的屬性值輸出處理方案。
33、進一步地，所述存儲器中存儲有可供處理器調用的計算機程序；
34、所述處理器通過調用所述存儲器中存儲的計算機程序，在水利設備控制后臺中執行述的任意一條智能ai分析的水利工程防洪安全預警方法。
35、進一步地，當所述計算機程序在計算機設備上運行時，使得所述計算機設備執行所述任意一條智能ai分析的水利工程防洪安全預警方法。
36、在上述技術方案中，本專利技術提供的技術效果和優點：
37、本專利技術通過采集當前水庫每個監測區域內的實時防洪數據，并結合機器學習模型，實現了對水澇風險的實時監測和準確評估，提高了預警系統的響應速度和準確性；基于機器學習模型提供了每個監測區域的處理本文檔來自技高網...
【技術保護點】
1.一種智能AI分析的水利工程防洪安全預警方法，其特征在于，所智能AI分析的水利工程防洪安全預警方法包括以下步驟：
2.根據權利要求1所述的一種智能AI分析的水利工程防洪安全預警方法，其特征在于，所述歷史防洪數據包括歷史水庫水位數據、歷史水庫入流和出流數據、歷史泄洪流量和泄洪方式、歷史水庫蓄水量，所述實時防洪數據包括實時水庫水位數據、實時水庫入流和出流數據、實時泄洪流量和泄洪方式、實時水庫蓄水量。
3.根據權利要求2所述的一種智能AI分析的水利工程防洪安全預警方法，其特征在于，所述歷史防洪數據的收集包括以下步驟：
4.根據權利要求3所述的一種智能AI分析的水利工程防洪安全預警方法，其特征在于，所述風險等級的劃分邏輯為：
5.根據權利要求4所述的一種智能AI分析的水利工程防洪安全預警方法，其特征在于，生成評估水澇風險等級的機器學習模型的步驟如下：
6.根據權利要求5所述的一種智能AI分析的水利工程防洪安全預警方法，其特征在于，收集當前水庫每個監測區域內的實時防洪數據步驟如下：
7.根據權利要求6所述的一種智能A
8.一種智能AI分析的水利工程防洪安全預警系統，用于實現權利要求1-7任一項所述的方法，其特征在于，包括歷史防洪數據采集模塊、歷史防洪數據分析模塊、實時防洪數據采集模塊和防洪監測模塊，各個模塊之間通過電氣和/或無線網絡方式連接；
9.一種計算機服務器，包括：處理器和存儲器，其中；
10.一種計算機可讀存儲介質，其上存儲有可擦寫的計算機程序；其特征在于，當所述計算機程序在計算機設備上運行時，使得所述計算機設備執行權利要求1-7所述任意一條智能AI分析的水利工程防洪安全預警方法。
...【技術特征摘要】
1.一種智能ai分析的水利工程防洪安全預警方法，其特征在于，所智能ai分析的水利工程防洪安全預警方法包括以下步驟：
2.根據權利要求1所述的一種智能ai分析的水利工程防洪安全預警方法，其特征在于，所述歷史防洪數據包括歷史水庫水位數據、歷史水庫入流和出流數據、歷史泄洪流量和泄洪方式、歷史水庫蓄水量，所述實時防洪數據包括實時水庫水位數據、實時水庫入流和出流數據、實時泄洪流量和泄洪方式、實時水庫蓄水量。
3.根據權利要求2所述的一種智能ai分析的水利工程防洪安全預警方法，其特征在于，所述歷史防洪數據的收集包括以下步驟：
4.根據權利要求3所述的一種智能ai分析的水利工程防洪安全預警方法，其特征在于，所述風險等級的劃分邏輯為：
5.根據權利要求4所述的一種智能ai分析的水利工程防洪安全預警方法，其特征在于，生成評估水澇風險等級的機器學習模型的步驟如下：
6.根據權利要求5所述...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。