一种基于人工智能的海冰冰情风险等级的预测方法及系统与流程

本发明涉及核电取水安全，具体涉及一种基于人工智能的海冰冰情风险等级的预测方法及系统。

背景技术：

1、滨海核电站的循环水系统和重要厂用水系统均以海水作为冷却介质，因此取水口的运行状态直接影响核电机组运行的安全性、经济性和可靠性。对于中、高维度区域的核电厂，由于寒流等因素的影响，每年冬季取水口海域都会出现不同程度的结冰现象。不同大小、形状的海冰入侵取水口，可能造成取水口堵塞，影响机组的安全稳定运行。因此，有必要对核电厂取水口的海冰冰情进行监测，指导核电厂采取相应的防范措施降低危险与损失。目前海冰冰情风险预警方法主要为：首先，通过站台监测、平台定点观测、破冰船海冰调查、卫星航空遥感等冰情观测手段，获取足量海冰冰情资料；然后，通过海冰计算公式、数理统计方法、数值预报方法或多种方法并用的手段，探索影响海冰堆积程度的关键因素及其影响规律，建立冰情识别判断体系；最后，建立冰情与取水口海冰堆积高度之间的关系。

2、然而，传统的海冰冰情风险预警方法存在以下问题：1)由于缺乏核电厂取水口海冰冰情预报规范标准和风险预警量化方法，目前对于冰情预警和风险判断主要依赖工程师经验，然而海上冰情复杂，仅依赖专家经验无法保证风险预警的精准度；2)现有的数值预报方法计算量大、数据处理效率较低，计算时间长，成本较高。

3、现有专利cn113011502a公开了一种基于人工智能的海冰等级预测方法，该方法包括如下步骤：接收输入的海冰特征数据；将所述海冰特征数据分别输入至knn回归模型、lstm回归模型和bp神经网络模型以得到第一海冰等级、第二海冰等级和第三海冰等级；将所述第一海冰等级、第二海冰等级和第三海冰等级输入至等级预测公式以得到海冰预测等级；所述等级预测公式包括y＝w1y1+w2y2+w3y3，其中y1、y2、y3表示第一、第二、第三海冰等级，w1、w2、w3依次表示knn回归模型权重系数、lstm回归模型权重系数、bp神经网络模型权重系数。该方法针对海冰等级预测的非线性和时序性的问题，通过集成多种预测模型来对海冰等级结果，同时将海冰等级划分为三种并规定了等级预测公式。

4、现有专利cn114462709a公开了一种冰崩灾害隐患综合识别方法及系统，该方法通过提取监测数据中的形态特征、地形地貌特征、形变特征确定易发性等级；同时根据危害性预测模型预测危害等级，从而进一步利用易发性和危害性综合判断发生冰崩灾害隐患的可能。该方法侧重于冰崩隐患风险的评价，监测数据主要为地形地貌等特征，未解决现有技术中海冰冰情风险预警方法缺乏量化指标、预警精准度较低且计算工作量大的问题。

5、综上所述，上述两个现有专利未解决现有技术中海冰冰情风险预警方法缺乏量化指标、预警精准度较低且计算工作量大的问题。

技术实现思路

1、基于上述技术问题，本发明提出一种基于人工智能的海冰冰情风险等级的预测方法及系统，解决现有技术中海冰冰情风险预警方法缺乏量化指标、预警精准度较低且计算工作量大的问题。

2、为实现上述目的，本发明提出一种基于人工智能的海冰冰情风险等级的预测方法，该方法包括：

3、获取历史海冰冰情数据，并利用所述历史海冰冰情数据建立海冰冰情风险预测人工智能模型；

4、实时监测并获取目标海域范围内的冰情信息；

5、对所述冰情信息进行预处理，获得冰情信息指纹图谱；

6、利用所述海冰冰情风险预测人工智能模型识别所述冰情信息指纹图谱对应的致灾因子，并根据所述致灾因子预测得到所述目标海域范围内的冰情风险等级。

7、进一步地，获取历史海冰冰情数据，并利用历史海冰冰情数据建立海冰冰情风险预测人工智能模型，包括：

8、对历史海冰冰情数据进行预处理；

9、利用预处理后的历史海冰冰情数据建立海冰冰情风险预测人工智能模型；

10、对海冰冰情风险预测人工智能模型进行训练。

11、进一步地，对海冰冰情风险预测人工智能模型进行训练，包括：

12、利用平均绝对误差、均方根误差、平均绝对百分比误差中的至少一种，评估海冰冰情风险预测人工智能模型的性能，并对海冰冰情风险预测人工智能模型的参数进行优化。

13、进一步地，实时监测并获取目标海域范围内的冰情信息，包括：

14、通过测冰雷达和/或高清图像摄像和/或声呐测量仪获取目标海域范围内的冰情信息，冰情信息包括冰量、浮冰密集度、冰厚、冰尺寸和冰速中的至少一种。

15、进一步地，对冰情信息进行预处理，获得冰情信息指纹图谱，包括：

16、对所述冰情信息进行双线性插值化处理。

17、进一步地，对冰情信息进行预处理，获得冰情信息指纹图谱，还包括：

18、通过公式一对插值化处理后的冰情信息进行标准化处理，

19、公式一，其中max为数据中的最大值，min为数据中的最小值。

20、进一步地，对海冰冰情风险预测人工智能模型进行训练，包括：

21、采用滚动训练方式训练海冰冰情风险预测人工智能模型。

22、为实现与上述方法相同的目的，本发明还提出一种基于人工智能的海冰冰情风险等级的预测系统，该系统包括：

23、建立模块，用于获取历史海冰冰情数据，并利用历史海冰冰情数据建立海冰冰情风险预测人工智能模型；

24、监测获取模块，用于实时监测并获取目标海域范围内的冰情信息；

25、预处理模块，用于对冰情信息进行预处理，获得冰情信息指纹图谱；

26、预测模块，用于利用所述海冰冰情风险预测人工智能模型识别所述冰情信息指纹图谱对应的致灾因子，并根据所述致灾因子预测得到所述目标海域范围内的冰情风险等级。

27、进一步地，建立模块，用于：

28、对历史海冰冰情数据进行预处理；

29、利用预处理后的历史海冰冰情数据建立海冰冰情风险预测人工智能模型；

30、对海冰冰情风险预测人工智能模型进行训练。

31、进一步地，对海冰冰情风险预测人工智能模型进行训练，包括：

32、利用平均绝对误差、均方根误差、平均绝对百分比误差中的至少一种，评估海冰冰情风险预测人工智能模型的性能，并对海冰冰情风险预测人工智能模型的参数进行优化。

33、进一步地，监测获取模块，具体用于：

34、通过测冰雷达和/或高清图像摄像和/或声呐测量仪获取目标海域范围内的冰情信息，冰情信息包括冰量、浮冰密集度、冰厚、冰尺寸和冰速中的至少一种。

35、进一步地，对冰情信息进行预处理，获得冰情信息指纹图谱，包括：

36、对冰情信息进行双线性插值化处理。

37、进一步地，对冰情信息进行预处理，获得冰情信息指纹图谱，还包括：

38、通过公式一对插值化处理后的冰情信息进行标准化处理，

39、公式一，其中max为数据中的最大值，min为数据中的最小值。

40、进一步地，对海冰冰情风险预测人工智能模型进行训练，包括：

41、采用滚动训练方式训练海冰冰情风险预测人工智能模型。

42、基于上述技术方案，本发明至少具有如下有益效果：

43、1、本发明利用历史海冰冰情数据通过人工智能算法建立海冰冰情风险预测人工智能模型，进而实现目标海域内的海冰冰情风险预测。该方法可量化风险预警指标，能够提升预测精准度，同时有效降低计算成本，降低对工程师经验的依赖，提高核电厂运行的经济性。

44、2、本发明通过海冰冰情风险预测人工智能模型识别对应的致灾因子,再基于致灾因子所占权重和风险分数预测得到目标海域范围内的冰情风险等级，该方法不仅能够降低非致灾因子对预测结果的干扰，提升预测精度，还可以结合不同厂址的特点调整致灾因子所占权重和风险分数，提升模型预测的可靠性。