定量评估的方法 一篇：
一种对食用贻贝进行食品安全风险定量评估的方法
第一、技术领域
本发明涉及食品安全领域，具体涉及一种对食用贻贝进行食品安全风险定量评估的方法。
第二、背景技术
中国贻贝年养殖量近100万吨，浙江省是贻贝主要产区，占全国总产量15％以上。近30年来，中国近海污染加剧，再加上全球气候变暖等因素，海水中副溶血弧菌(Vibrio parahaemolyticus，Vp)含量有上升趋势。VP的致病影响因素较多，如侵袭力、溶血毒素，其中又以耐热直接溶血毒素(Thermalstable Directheamolysin，TDH)最为重要。VP污染的食物会引起急性肠胃炎，患者症状主要表现为腹泻、呕吐、头痛、恶心、腹部绞痛和低烧等，病程一般为2～4d，持续时间较短，且能自愈。重症亦可引发伤口感染和败血症，身体其它组织也会产生病变，如皮肤大疱性损害、反应性关节炎和类风湿性关节炎等。
而贻贝是滤食性生物，可以从环境中大量富集Vp，使贻贝成为Vp腹泻的重要食源。根据我国国家食源性疾病监测网的监测数据显示，由Vp引起的食物中毒在细菌性食物中毒中已经占据重要位置。
目前已建立对Vp进行定性和定量检测的方法，本发明基于食用贻贝导致感染Vp的或有风险，发明了一种通过蒙特卡洛模拟法对于贻贝中Vp数量进行概率预测，进而做出预警式定量风险评估的方法。
第三、发明内容
本发明提供了一种对食用贻贝进行食品安全风险定量评估的方法，通过蒙特卡洛模拟法对于贻贝中Vp数量进行概率预测，进而做出预警式定量风险评估的方法。
一种对食用贻贝进行食品安全风险定量评估的方法，包括以下步骤：
根据每次食用贻贝的数量，单位为g，结合副溶血弧菌的平均密度，单 位为MPN/g，代入计算模型P(ill|d)＝1-(1+d/β)-α，得到致病的概率P(ill|d)；
其中，d＝副溶血弧菌的平均密度×每次食用贻贝的数量。
在进行微生物的安全风险定量评估时，必须获得来自于人的暴露量及所对应的效应数据以建立剂量-效应曲线。Takikawa在1958年(Takikawa I.Studies on pathogenic halophilic bacteria.Yokohama Med Bull，1958,9:313-322)，Aiso和Fujiwara在1963年(Aiso K and Fujiwara K.Feeding tests of the pathogenic halophilic bacteria.J Food Microbiol,1963,15:34-38.)，以及Sanyal和Sen在1974年(Sanyal SC and Sen PC.Human volunteer study on the pathogenicity of Vibrio parahaemolyticus//Fujino T,Sakaguchi G,Sakazaki R,et al.International symposium on Vibrio parahaemolyticus.Tokyo:Saikon Publishing Company,1974:227-230)，分别通过人类志愿者进行了关于Vp的剂量-反应实验，建立了Vp的剂量-反应模型，与剂量相关的患病概率P(ill|d)＝1-(1+d/β)-α。
以下作为本发明的优选技术方案：
当α＝0.6，β＝1.3×106时，曲线最能代表剂量-反应关系，即：P(ill|d)＝1-[1+d/(1.3×106)]-0.6。
所述的副溶血弧菌的平均密度通过以下方法得到：通过蒙特卡洛模拟法对贻贝中副溶血弧菌的数量进行概率预测，得到贻贝中副溶血弧菌的平均密度，单位为MPN/g。
所述的蒙特卡洛模拟法中采用的实际测试的贻贝中副溶血弧菌的生长速率数据通过以下方法得到：
在标准培养基环境中，不同温度和水分活度下Vp生长速率方程如下：
μm=b×(T-Tmin)×{{1-exp(c×(T-Tmax))}}×(aw-aw,min)×[1-exp(d×(aw-aw,max))]}ln(10).]]>
μm＝最大生长率(log10/min)；aw＝水分活度(％)；T＝温度(用绝对温度表示，K)；
其中，b＝0.0356；c＝0.34；Tmin＝278.5；Tmax＝319.6；aw,min＝0.921；aw,max＝0.998；d＝263.64。
参数Tmin＝278.5，Tmax＝319.6，aw,min＝0.921，aw,max＝0.998表示Vp能够生长的温度和aw范围。μm是Vp在培养基上的生长速度。
通过该式得到标准培养基环境下不同温度对应的副溶血弧菌的生长速率，该值的四分之一即为实际测试的贻贝中副溶血弧菌的生长速率。
进一步优选，所述的副溶血弧菌的平均密度为12MPN/g。
一种贻贝健康食品的制备方法，包括：
1)根据每次食用贻贝的数量，单位为g，结合副溶血弧菌的平均密度，单位为MPN/g，代入计算模型P(ill|d)＝1-(1+d/β)-α，得到致病的概率P(ill|d)；
其中，d＝副溶血弧菌的平均密度×每次食用贻贝的数量；
2)根据致病的概率P(ill|d)，制备贻贝健康食品。
步骤2)中，致病的概率P(ill|d)可优选控制在0.05％以下。
与现有技术相比，本发明具有如下优点：
本发明基于食用贻贝导致感染Vp的或有风险，提供了一种通过蒙特卡洛模拟法对于贻贝中Vp数量进行概率预测，进而做出预警式定量风险评估的方法。采用Vp剂量-反应模型P(ill|d)＝1-(1+d/β)-α(P(ill|d)为与剂量相关的患病概率)为计算依据，选用了α＝0.6，β＝1.3×106时，曲线最能代表剂量-反应关系，模型计算准确度高。通过蒙特卡洛模拟法(采用Motlab软件结合EXCEL进行)对贻贝中Vp数量进行概率预测；在不对贻贝中Vp进行实测的情况下，根据食用贻贝数量，即可计算出罹患Vp致病的概率，从而做出预警式定量风险评估。因此，可以在各个领域展开应用，具备广阔的应用前景。
附图说明
图1为蒙特卡洛模拟得出贻贝中Vp密度的概率分布图。
第四、具体实施方式
实施例一
在标准环境(培养基)中，不同温度和水分活度下Vp生长速率方程如下：
μm=b×(T-Tmin)×{{1-exp(c×(T-Tmax))}}×(aw-aw,min)×[1-exp(d×(aw-aw,max))]}ln(10).]]>
μm＝最大生长率(log10/min)；aw＝水分活度(％)；T＝温度(用绝对温度表示，K)；
b＝0.0356；c＝0.34；Tmin＝278.5；Tmax＝319.6；aw,min＝0.921；aw,max＝0.998；d＝263.64。
参数Tmin＝278.5，Tmax＝319.6，aw,min＝0.921，aw,max＝0.998表示Vp能够生长的温度和aw范围。μm是Vp在培养基上的生长速度。
贻贝中的aw等同于最有利于Vp生长的aw，即aw＝0.985。根据测试结果，在26℃温度、培养基上预测的Vp的生长速率，相当于实际测试的贻贝中的Vp生长速率的4倍，即μm培养基＝4μm贻贝。
贻贝样品采集后，在22℃或30℃放置1天，其Vp较采收时密度增加2～3个数量级；而如果放置在4℃条件下，则贻贝肉体自身温度呈指数性下降，当达到4℃时，Vp生长速度降为0。批量的贻贝进入4℃冷藏时，其体内中心温度从常温下降到4℃最长不超过10小时。因此，贻贝从常温冷却到4℃冷藏温度的时间为范围为l到10小时离散型均匀分布，k小时(k＝1～10)中Vp生长情况见表1：
表1
冷却时间(h) 冷却时的副溶血弧菌的平均生长速度(log/h) 1 μm[(k+1)-1]/k 2 μm[(k+1)-2]/k … k μm[(k+1)-k]/k k+1 0
在k小时里，Vp的总生长量为：
Σi-1kμm*(k+1)-ik=μm*[(k+1)-1kΣi-1ki]=μm*[(k+1)-k+12]=μm*k+12]]>
根据贻贝捕捞时所处水体环境的温度，模拟贻贝中Vp生长量，推算出其生长速率见表2。
表2
通过蒙特卡洛模拟(采用Motlab软件结合EXCEL)，在不对贻贝中Vp进行实测的情况下，对于决定Vp生长速度的温度和生长时间k在一定范围内进行随机抽样模拟，模拟次数为550次，有关模拟参数设置如下：
clear％A＝[0 3 5 12 15 18 20 25 32 70 92 120]；
％B＝[28 11 7.5 7.5 8.5 7.5 5.0 8.0 8.0 4.0 3.0 2.0]；
％A[i]浓度的概率为B[i]
A＝[0 3 4 7 10 13 17 20 24 28 75 93 120]；
B＝[32 10 7 4 4 9 4 4 7 7 4 4 4]；
％A[i]浓度的概率为B[i]
C＝cumsum(B)./sum(B)；
N＝550；
％蒙特卡洛的次数；
M＝length(B)；
D＝[0.24，0.25，0.27，0.29，0.31，0.34，0.38，0.44，0.48，0.55，0.61，0.70，0.80，0.93，1.10，1.30，1.56，1.88，2.28，2.78，3.45，4.30，5.56，6.85，8.60，10.70，13.30，16.30，19.30，23.90；
E＝linspace(0,250,50)；
S＝length(E)；
AN＝zeros(1,S-1)；
for i＝1:N
x＝r and()；
％初始浓度的随机数；
k＝0；
for j＝1:M；
if x<C(j)
k＝A(j)；
T＝r and i([9,39])；
K＝r and i([1,10])；
％up(i)＝min((K+1)/2×D(T-8),6-log10(k)；
total(i)＝A(j)+(K+1)/2×D(T-8)；
for j＝1:S
if total(i)<E(j+1)
AN(j)＝AN(j)+1；
蒙特卡洛模拟最后得出的概率分布图如图1所示，结果显示，贻贝中Vp密度集中在0～120MPN之间，其平均值为12MPN/g。
贻贝去壳的平均重量为6.5g，每次食用贻贝5个，则平均每餐食用的贻贝量为32.5g。则根据与剂量相关的患病概率计算公式P(ill|d)＝1-(1+d/β)-α，
P(ill|d)＝1-[1+d/(1.3×106)]-0.6＝
P(ill|d)＝1-[1+12×32.5/(1.3×106)]-0.6＝1.800×10-4
患病概率为：1.800×10-4。
实施例二
蒙特卡洛模拟过程同实施例一，即贻贝中Vp密度集中在0～120MPN之间，其平均值为12MPN/g。
贻贝去壳的平均重量为6.5g，每次食用贻贝10个，则平均每餐食用的贻贝量为65g。则根据与剂量相关的患病概率计算公式P(ill|d)＝1-(1+d/β)-α，
P(ill|d)＝1-[1+d/(1.3×106)]-0.6＝
P(ill|d)＝1-[1+12×65/(1.3×106)]-0.6＝3.598×10-4
患病概率为：3.598×10-4。
实施例三
蒙特卡洛模拟过程同实施例一，即贻贝中Vp密度集中在0～120MPN之间，其平均值为12MPN/g。
贻贝去壳的平均重量为6.5g，每次食用贻贝20个，则平均每餐食用的贻贝量为130g。则根据与剂量相关的患病概率计算公式P(ill|d)＝1-(1+d/β)-α，
P(ill|d)＝1-[1+d/(1.3×106)]-0.6＝
P(ill|d)＝1-[1+12×130/(1.3×106)]-0.6＝7.193×10-4
患病概率为：7.193×10-4。
实施例四
蒙特卡洛模拟过程同实施例一，即贻贝中Vp密度集中在0～120MPN之间，其平均值为12MPN/g。
贻贝去壳的平均重量为6.5g，每次食用贻贝40个，则平均每餐食用的贻贝量为260g。则根据与剂量相关的患病概率计算公式P(ill|d)＝1-(1+d/β)-α，
P(ill|d)＝1-[1+d/(1.3×106)]-0.6＝
P(ill|d)＝1-[1+12×260/(1.3×106)]-0.6＝1.437×10-3
患病概率为：1.437×10-3。
定量评估的方法 二篇：
一种安全通信残差率的风险定量评估方法
第一、技术领域
本发明涉及安全通信领域，具体涉及对安全通信的风险进行定量评估的方法。
第二、背景技术
在通信行业，残差率是对安全通信中影响安全功能的定量评估，目前被功能安全领域普遍认可，该指标涵盖了通信设计的许多因素，详见IEC 61784-3.IEC 61784-3-2007 5.6.1节中残差率计算公式，如下：
ΛSL(Pe)＝RSL(Pe)×v×m
其中：ΛSL(Pe)表示安全通信层每小时的残差率，其与误码概率有关，Pe表示误码概率，除非有充分的证明，不然该值为10-2，RSL(Pe)表示一个安全信息的残差率，v表示每小时传输的最大安全信息数量，m表示一个安全功能涉及到的最大信宿数，SL表示安全通信层。
其中的RSL(Pe)的计算方法采用IEC 61784-3附录B.3.1的计算公式如下：
RCRC(Pe)≈2-r×Σk=dminnnm×Pek×(1-Pe)n-k]]>
其中，dmin表示最小码间距离，表示n中取k的组合数。
通过上述计算原理可以计算绝大部分的通信残差率，但是对安全通信中采用冗余通信的方式未给出计算方法。如果仍按照原标准方法执行，估计过于保守。提高安全性的设计得不到很好的评估。
第三、发明内容
为解决现有技术中残差率未考虑安全通信中冗余通信的问题，本发明提供一种带有冗余通信的安全通信差率值计算方法，具体方案如下：一种安全通信残差率的风险定量评估方法，获取当前安全通信层每小时传输的最大安全信息数量v和最大信宿数m，其特征在于，将一个安全信息包的残差率和冗余通信数据的设计，转化为该安全信息包通信的残差率，将上述数值相乘即得到此安全通信层的残差率ΛSL(Pe)，计算公式如下：
ΛSL(Pe)=NM(RSL(Pe))M×v×m]]>
其中表示N中取M的组合数，RSL(Pe)表示一个安全信息包的残差率。
本发明根据通用可靠性理论和基本残差率的计算方法，解决在安全通信层采用冗余通信的方式如何评估通信残差率的问题，得到的结果使通信残差率的评价更客观。弥补了原有残差率只考虑协议部分未考虑冗余设计的缺点。本发明适应任意一种通信方式的安全通信评价，特别是多重冗余通信的结构。
附图说明
图1本发明的实施例1的示意图；
图2本发明的实施例1的故障树示意图。
第四、具体实施方式
本发明的安全通信残差率的风险定量评估方法，首先获取当前安全通信层每小时传输的最大安全信息数量v和最大信宿数m，然后将一个安全信息包的残差率和冗余通信数据的设计，转化为该安全信息包通信的残差率，将上述数值相乘即能够得到此安全通信层的残差率ΛSL(Pe)，计算公式如下：
ΛSL(Pe)=NM(RSL(Pe))M×v×m]]>
其中表示N中取M的组合数，其物理含义是表示N个通道中如果有M个通信信息失效，则整个通信失效，RSL(Pe)表示一个安全信息的残差率。
通过上述计算方式能够考虑当前安全通信的冗余通信数据，使通信通道的残差率精确度更高，而且本发明能够适应多通道时的残差率计算。
实施例1：
如图1所示，当A向B发起通信时，其每一个周期都会有一个冗余数据包同时发送，这样接收方B就不能仅考虑单一的数据包的残差率，而且要考虑冗余数据包的残差率，这样得到的当前通信周期的残差率才是精确的。
每一个周期内的两包数据是冗余的，接收端进行冗余对比不一致会导向安全，按照传统可靠性理论知识，根据图1建立如图2所示的故障树，概述的顶层失效概率P表示如下：
P＝(RSL(Pe))2
每一次发送的数据的残差率，可以参考现有公式：
RCRC(Pe)≈2-r×Σk=dminnnm×Pek×(1-Pe)n-k]]>
但是对于系统的通信残差率，可以采用概率相乘的方法计算总体系统的残差率，即
ΛSL(Pe)＝(RSL(Pe))2×v×m
由此式得到的计算结果比现有技术中的计算残差率值更低，评价更客观。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例公开如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。
定量评估的方法 三篇：
一种对信用风险进行评估的系统
第一、技术领域
本实用新型涉及信用风险管理第一、技术领域，特别是涉及一种对信用风险进行评估的系统。
第二、背景技术
信用风险是指债务人或交易对手因未能履行合同规定的义务或信用质量发生变化，影响合同的执行，从而给债权人或金融工具持有人带来损失的风险。从风险是否可预期的角度，银行面临的信用风险损失分为预期损失、非预期损失和极端损失。对于预期损失，可以通过银行定价和准备金来消化；非预期损失则只能靠经济资本来抵御吸收；而极端损失是在异常情况下所发生的损失，发生概率极低但损失巨大。近年来银行对信用风险评价进行了很多方面的研究，取得了不少成绩，但对于评估极端情况下的资产损失还停留在初始阶段，不能有效地预估在异常情况下发生的损失。目前，银行对资产极端损失的评估主要依赖于评估人的经验，并主要借助电子表格程序(如Micrsoft Excel及VBA宏代码)等工具。这种处理方式存在下列缺陷：
(1)数据采集完全依靠人工，工作量巨大，数据处理效率很低，受电子表格程序能力所限，难以进行大数据量的处理；
(2)数据一般由个人进行管理，容易被破坏，数据的安全性没有保障；
(3)对极端情况下信用风险评估时主观判断占有很大成分，对其风险的计量没有一个统一的标准与模型；
(4)数据难以实现共享，评价结果和经验难以提供给其他应用使用。
实用新型内容
(一)要解决的技术问题
为了克服目前银行在极端情况下，对信用风险进行量化与评价主要依赖人的经验，不能实现客观、准确、高效评价的困难，本实用新型提供了一种客观、准确、处理效率高的在极端情况下对信用风险进行评估的系统，以提高数据处理效率和安全性。
(二)技术方案
为达到上述目的，本实用新型提供了一种在极端情况下对信用风险进行评估的系统，该系统包括源数据采集装置1、用户输入装置2、信用风险压力计量装置3、数据存储装置4和数据输出装置5，其中：源数据采集装置1连接于数据存储装置4，用户输入装置2、信用风险压力计量装置3、数据存储装置4和数据输出装置5依次连接，由信用风险压力计量装置3从数据存储装置4中读取源数据采集装置1采集的源数据，并对该源数据和用户输入装置2输入的用户输入信息进行模拟和预测处理，实现在极端情况下对信用风险的评估。
上述方案中，所述源数据采集装置1以数据接口的方式从银行业务系统或者用户界面采集宏观经济数据层面的源数据，并将采集的源数据存储到数据存储装置4。所述源数据至少包括客户的资产信息、交易信息和经济指标。
上述方案中，所述用户输入装置2实现用户与信用风险压力计量装置3之间的交互，用户通过该用户输入装置2输入用户输入信息，并从该用户输入装置2得到信用风险压力计量装置3计量的宏观各类模型模拟和预测的结果数据。所述用户输入信息包括解释变量、被解释变量和模拟模型，其中解释变量包括GDP和市场利率、被解释变量包括违约概率PD和违约损失率LGD，模拟模型包括线性回归模型、时间序列模型和面板回归模型。
上述方案中，所述信用风险压力计量装置3从数据存储装置4中读取源数据采集装置1采集的源数据，并对该源数据和用户输入装置2输入的需要模拟的变量信息进行模拟和预测处理。
上述方案中，所述数据存储装置4存储源数据采集装置1采集得到的宏观经济数据层面的源数据，以及信用风险压力计量装置3计量的宏观各类模型模拟和预测的结果数据。
上述方案中，所述数据输出装置5输出和展现数据存储装置4中存储的数据。
(三)有益效果
从上述技术方案可以看出，本实用新型具有以下有益效果：
1、本实用新型提供的这种在极端情况下对信用风险进行评估的系统，克服了目前银行在极端情况下，对信用风险进行量化与评价主要依赖人的经验，不能实现客观、准确、高效评价的困难，大大提高了数据的准确性和安全性。
2、本实用新型提供的这种在极端情况下对信用风险进行评估的系统，为银行提供了一个高效的在极端情况下进行计量的数据处理平台，与以前电子表格式的半手工处理方式相比，大大提高了数据处理的效率，能以较高的频度(实时)高效率的处理大量的分析数据，及时的进行宏观经济指标、信贷指标等的计量；
3、本实用新型提供的这种在极端情况下对信用风险进行评估的系统，实现任何时候可以根据当前的宏观经济数据模拟银行资产的长期走势，实时量化极端情况下可能发生的变化，控制银行资产的风险，以及提高收益。根据客户真实的资产数据，预测客户违约风险，防范优质客户流失、提高客户风险管理能力，为进一步增强商业银行产品和服务的市场竞争力提供稳定支持。
附图说明
图1是本实用新型提供的在极端情况下对信用风险进行评估的系统的示意图；
图2是本实用新型提供对信用风险进行评估的方法的流程图；
图3是本实用新型中信用风险压力计量装置的处理流程图。
第四、具体实施方式
为使本实用新型的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本实用新型进一步详细说明。
本实用新型提供的这种对信用风险进行评估的系统，采用“自上而下”(Top-Down)的宏观模型方式，自动采集各个业务系统的源数据，并对这些源数据以逻辑回归、面板回归、时间序列分析等手段进行极端情况下信用风险的计量和评价，生成评价结果数据，并将生成的评价结果数据存储在数据存储装置中。最终的评价结果是极端情况下的信用风险分析数据(如施压后的违约概率PD，施压后的经济资本EC，施压后的不良贷款率NPLR等)。下面对照附图进行具体描述：
图1是本实用新型提供的在极端情况下对信用风险进行评估的系统的示意图，该系统包括源数据采集装置1、用户输入装置2、信用风险压力计量装置3、数据存储装置4和数据输出装置5。
源数据采集装置1，用于以数据接口的方式从银行业务系统或者用户界面采集宏观经济数据层面的源数据(包括客户的资产信息、交易信息，经济指标等)，再将采集到的源数据通过内部网络存储到数据存储装置4。
用户输入装置2，用于用户与信用风险压力计量装置3的交互，用户通过该用户输入装置输入想要模拟的变量信息，即用户输入信息，并从该用户输入装置得到信用风险压力计量装置3中宏观施压计量处理实时运算的结果。
信用风险压力计量装置3，用于从数据存储装置4中读取源数据采集装置1采集的源数据，并对该源数据和用户输入装置2输入的用户输入信息进行模拟和预测处理。
数据存储装置4，用于存储源数据采集装置1采集得到的宏观经济数据层面的源数据，以及信用风险压力计量装置3计量的宏观各类模型模拟和预测的结果数据。
数据输出装置5，用于输出数据存储装置4中存储的数据。
图2是本实用新型提供对信用风险进行评估的方法的流程图，该方法包括以下步骤：
步骤101：源数据采集装置1采集数据。
源数据采集装置1采集银行业务系统或者外部数据源中的宏观经济数据层面的源数据，并将采集到的源数据通过内部网络存储到数据存储装置4，该宏观经济数据层面的源数据具体包括客户信息、合同、债项交易数据以及经济指标数据。
步骤102：用户输入装置2将用户选择的解释变量(如GDP，市场利率等)和被解释变量(如违约概率PD，违约损失率LGD)以及模拟模型(如线性回归模型、时间序列模型、面板回归模型等)等用户输入信息输入信用风险压力计量装置3。
步骤103：信用风险压力计量装置3从数据存储装置4中读取源数据采集装置1采集的源数据，对该源数据和用户输入装置2输入的用户输入信息进行模拟和预测处理。
步骤104：信用风险压力计量装置3将模拟和预测处理的结果数据存放到数据存储装置4中。
步骤105：数据输出装置5将数据存储装置4的结果数据展现给用户，供用户进行查看和下载。
图3是本实用新型中信用风险压力计量装置的处理流程图。信用风险压力计量装置3从数据存储装置4中读取源数据采集装置1采集的源数据，并对该源数据和用户输入装置2输入的用户输入信息进行模拟和预测处理，该模拟和预测处理的流程如下：
步骤201：获取模拟变量；
从数据存储装置4中获取拟合模型变量，其中变量分为解释变量和被解释变量，比如下面简单的公式：
Y＝aX+b
公式中的X即为解释变量(施压变量)，该变量可以是经济指标数据(如GDP，市场利率等)，也可以是风险计量因子(如违约概率PD，不良贷款率LGD等)，公式中的Y是被解释变量(受压变量)，该变量一般为风险计量因子(如违约概率PD，不良贷款率LGD等)，公式中的a叫做系数，b叫做常数。
步骤202：计量变量的内在关系；
为了对获取的变量做回归模拟，信用风险压力计量装置3对这些变量进行初步分析，用以筛选合适的变量和合适的模型。初步分析可以选择变量的相关性计算、变量曲线图拟合和标准化变量曲线图拟合等进行分析评估手段，并将结果存在数据存储装置4。相关性计算是将选择的变量进行相关性的计算，用以判断被选择的变量间的内在关系，比如如果两组变量的相关性过高，即随着时间的变化，这两组数据呈现出同增同减的同步状况，信用风险压力计量装置会去掉其中的一组数据，因为这两组数据可以近似的认为是一组数据。变量曲线图拟合和标准化变量曲线图拟合则是通过画出被选择变量的分布情况来直观反映所选变量是否符合回归模拟的要求。变量的相关性计算、变量曲线图拟合和标准化变量曲线图拟合等分析手段都可实时操作，信用风险压力计量装置3实时的将分析结果保存在数据存储装置4，用户可以通过数据输出装置5实时查看或者下载分析的结果。
步骤203：使用模型进行回归模拟；
信用风险压力计量装置3进行回归模拟处理，分别用下述三种模型进行处理：
模型一：线性回归模型；
Y＝β0+β1X1+......+βkXk+ε
其中β0为常数，β1β2......是系数，X1X2......是解释变量(如：GDP、市场利率等)，Y是被解释变量(如违约概率PD，不良贷款率LGD等)，ε是随机扰动项，通过数据存储装置4获取解释变量和被解释变量，使用线性回归模型拟合出变量间的内在关系，将求出公式中的常数和系数，将求得的常数β0和系数β1β2......存入数据存储装置4。
模型二：时间序列模型；
y t = Σ i = 1 n α i y t - i + Σ t = 0 k Σ j = 1 N b j X j ( t - k ) + c + ϵ ]]>
其中c为常数，αibj是系数，Xj(t-k)是解释变量(如：GDP、市场利率等)，yt是被解释变量(如违约概率PD，不良贷款率LGD等)，ε是随机扰动项，通过数据存储装置4获取解释变量和被解释变量，使用时间序列模型拟合出变量间的内在关系，将求出公式中的常数和系数，将求得的常数c和系数αibj存入数据存储装置4。
模型三：面板回归模型；
y it = Σ k = 1 p β k X itk + u it + ϵ , i = 1 , . . . . . . , N , t = 1 , . . . . . . T ]]>
其中uit为常数，βk是系数，Xitk是解释变量(如：GDP、市场利率等)，yit是被解释变量(如违约概率PD，不良贷款率LGD等)，ε是随机扰动项，通过数据存储装置4获取解释变量和被解释变量，使用面板回归模型拟合出变量间的内在关系，将求出公式中的常数和系数，将求得的常数uit和系数βk存入数据存储装置4。
步骤204：输入压力数据，根据模拟结果进行预测
信用风险压力计量装置3通过读取数据存储装置4获取回归模型求出的常数和系数，通过用户输入装置2获取用户选择的(施压)变量作为公式中的解释变量，根据公式求得等式左边的Y，也就是被解释变量，达到通过拟合模型传导压力数据，得到基于预测的结果，将预测结果存入数据存储装置4，用户可以通过数据输出装置5实时查看或者下载分析的结果。
以上所述的具体实施例，对本实用新型的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本实用新型的具体实施例而已，并不用于限制本实用新型，凡在本实用新型的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本实用新型的保护范围之内。
定量评估的方法 四篇：
一种对信用风险进行评估的系统和方法
第一、技术领域
本发明涉及信用风险管理第一、技术领域，特别是涉及一种对信用风险进行评估的系统和方法。
第二、背景技术
信用风险是指债务人或交易对手因未能履行合同规定的义务或信用质量发生变化，影响合同的执行，从而给债权人或金融工具持有人带来损失的风险。从风险是否可预期的角度，银行面临的信用风险损失分为预期损失、非预期损失和极端损失。对于预期损失，可以通过银行定价和准备金来消化；非预期损失则只能靠经济资本来抵御吸收；而极端损失是在异常情况下所发生的损失，发生概率极低但损失巨大。近年来银行对信用风险评价进行了很多方面的研究，取得了不少成绩，但对于评估极端情况下的资产损失还停留在初始阶段，不能有效地预估在异常情况下发生的损失。目前，银行对资产极端损失的评估主要依赖于评估人的经验，并主要借助电子表格程序(如Micrsoft Excel及VBA宏代码)等工具。这种处理方式存在下列缺陷：
(1)数据采集完全依靠人工，工作量巨大，数据处理效率很低，受电子表格程序能力所限，难以进行大数据量的处理；
(2)数据一般由个人进行管理，容易被破坏，数据的安全性没有保障；
(3)对极端情况下信用风险评估时主观判断占有很大成分，对其风险的计量没有一个统一的标准与模型；
(4)数据难以实现共享，评价结果和经验难以提供给其他应用使用。
第三、发明内容
(一)要解决的技术问题
为了克服目前银行在极端情况下，对信用风险进行量化与评价主要依赖人的经验，不能实现客观、准确、高效评价的困难，本发明提供了一种客观、准确、处理效率高的在极端情况下对信用风险进行评估的系统和方法，以提高数据处理效率和安全性。
(二)技术方案
为达到上述目的，本发明提供了一种在极端情况下对信用风险进行评估的系统，该系统包括源数据采集装置1、用户输入装置2、信用风险压力计量装置3、数据存储装置4和数据输出装置5，其中：源数据采集装置1连接于数据存储装置4，用户输入装置2、信用风险压力计量装置3、数据存储装置4和数据输出装置5依次连接，由信用风险压力计量装置3从数据存储装置4中读取源数据采集装置1采集的源数据，并对该源数据和用户输入装置2输入的用户输入信息进行模拟和预测处理，实现在极端情况下对信用风险的评估。
上述方案中，所述源数据采集装置1用于以数据接口的方式从银行业务系统或者用户界面采集宏观经济数据层面的源数据，并将采集的源数据存储到数据存储装置4。所述源数据至少包括客户的资产信息、交易信息和经济指标。
上述方案中，所述用户输入装置2用于实现用户与信用风险压力计量装置3之间的交互，用户通过该用户输入装置2输入用户输入信息，并从该用户输入装置2得到信用风险压力计量装置3计量的宏观各类模型模拟和预测的结果数据。所述用户输入信息包括解释变量、被解释变量和模拟模型，其中解释变量包括GDP和市场利率、被解释变量包括违约概率PD和违约损失率LGD，模拟模型包括线性回归模型、时间序列模型和面板回归模型。
上述方案中，所述信用风险压力计量装置3用于从数据存储装置4中读取源数据采集装置1采集的源数据，并对该源数据和用户输入装置2输入的需要模拟的变量信息进行模拟和预测处理。
上述方案中，所述数据存储装置4用于存储源数据采集装置1采集得到的宏观经济数据层面的源数据，以及信用风险压力计量装置3计量的宏 观各类模型模拟和预测的结果数据。
上述方案中，所述数据输出装置5用于输出和展现数据存储装置4中存储的数据。
为达到上述目的，本发明还提供了一种在极端情况下对信用风险进行评估的方法，应用于所述的对信用风险进行评估的系统，该方法包括：
源数据采集装置1采集源数据，并将采集到的源数据存储到数据存储装置4；
用户输入装置2将用户输入信息输入信用风险压力计量装置3；
信用风险压力计量装置3从数据存储装置4中读取源数据采集装置1采集的源数据，对该源数据和用户输入装置2输入的用户输入信息进行模拟和预测处理；
信用风险压力计量装置3将模拟和预测处理的结果数据存放到数据存储装置4中；以及
数据输出装置5将数据存储装置4的结果数据展现给用户。
上述方案中，所述源数据采集装置1采集源数据的步骤中，源数据至少包括客户的资产信息、交易信息和经济指标。
上述方案中，所述用户输入装置2将用户输入信息输入信用风险压力计量装置3的步骤中，用户输入信息包括解释变量、被解释变量和模拟模型，其中解释变量包括GDP和市场利率、被解释变量包括违约概率PD和违约损失率LGD，模拟模型包括线性回归模型、时间序列模型和面板回归模型。
上述方案中，所述信用风险压力计量装置3从数据存储装置4中读取源数据采集装置1采集的源数据，对该源数据和用户输入装置2输入的用户输入信息进行模拟和预测处理，具体包括：信用风险压力计量装置3从数据存储装置4中获取拟合模拟变量，计量变量的内在关系，并使用模型进行回归模拟处理，然后输入压力数据，根据模拟结果进行模拟和预测处理。
上述方案中，所述信用风险压力计量装置3从数据存储装置4中获取的拟合模拟变量，包括解释变量和被解释变量，解释变量包括GDP和市场利率、被解释变量包括违约概率PD和违约损失率LGD。
上述方案中，所述信用风险压力计量装置3计量变量的内在关系，包括：信用风险压力计量装置3对该拟合模拟变量进行初步分析，用以筛选合适的变量和合适的模型；该初步分析采用对选择的变量进行相关性计算、变量曲线图拟合和标准化变量曲线图拟合作为分析评估手段，并将处理结果存储在数据存储装置4。
上述方案中，所述相关性计算是将选择的变量进行相关性的计算，用以判断被选择的变量间的内在关系；变量曲线图拟合和标准化变量曲线图拟合则是通过画出被选择变量的分布情况来直观反映所选变量是否符合回归模拟的要求。
上述方案中，所述信用风险压力计量装置3使用模型进行回归模拟，分别用下述三种模型进行处理：
模型一：线性回归模型；
Y＝β0+β1X1+......+βkXk+ε
其中β0为常数，β1β2......是系数，X1X2......是解释变量，Y是被解释变量，ε是随机扰动项，通过数据存储装置4获取解释变量和被解释变量，使用线性回归模型拟合出变量间的内在关系，将求出公式中的常数和系数，将求得的常数β0和系数β1β2......存入数据存储装置4；
模型二：时间序列模型；
yt=Σi=1nαiyt-i+Σt=0kΣj=1NbjXj(t-k)+c+ϵ]]>
其中c为常数，αibj是系数，Xj(t-k)是解释变量，yt是被解释变量，ε是随机扰动项，通过数据存储装置4获取解释变量和被解释变量，使用时间序列模型拟合出变量间的内在关系，将求出公式中的常数和系数，将求得的常数c和系数αibj存入数据存储装置4；
模型三：面板回归模型；
yit=Σk=1pβkXitk+uit+ϵ,i=1,......,N,t=1,......T]]>
其中uit为常数，βk是系数，Xitk是解释变量，yit是被解释变量，ε是随机扰动项，通过数据存储装置4获取解释变量和被解释变量，使用面板回归模型拟合出变量间的内在关系，将求出公式中的常数和系数，将 求得的常数uit和系数βk存入数据存储装置4。
上述方案中，所述信用风险压力计量装置3输入压力数据，根据模拟结果进行预测，包括：信用风险压力计量装置3通过读取数据存储装置4获取回归模型求出的常数和系数，通过用户输入装置2获取用户选择的变量作为解释变量，根据公式求得被解释变量，达到通过拟合模型传导压力数据，得到基于预测的结果，将预测结果存入数据存储装置4。
(三)有益效果
从上述技术方案可以看出，本发明具有以下有益效果：
1、本发明提供的这种在极端情况下对信用风险进行评估的系统和方法，克服了目前银行在极端情况下，对信用风险进行量化与评价主要依赖人的经验，不能实现客观、准确、高效评价的困难，大大提高了数据的准确性和安全性。
2、本发明提供的这种在极端情况下对信用风险进行评估的系统和方法，为银行提供了一个高效的在极端情况下进行计量的数据处理平台，与以前电子表格式的半手工处理方式相比，大大提高了数据处理的效率，能以较高的频度(实时)高效率的处理大量的分析数据，及时的进行宏观经济指标、信贷指标等的计量；
3、本发明提供的这种在极端情况下对信用风险进行评估的系统和方法，实现任何时候可以根据当前的宏观经济数据模拟银行资产的长期走势，实时量化极端情况下可能发生的变化，控制银行资产的风险，以及提高收益。根据客户真实的资产数据，预测客户违约风险，防范优质客户流失、提高客户风险管理能力，为进一步增强商业银行产品和服务的市场竞争力提供稳定支持。
附图说明
图1是本发明提供的在极端情况下对信用风险进行评估的系统的示意图；
图2是本发明提供对信用风险进行评估的方法的流程图；
图3是本发明中信用风险压力计量装置的处理流程图。
第四、具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明提供的这种对信用风险进行评估的系统和方法，采用“自上而下”(Top-Down)的宏观模型方式，自动采集各个业务系统的源数据，并对这些源数据以逻辑回归、面板回归、时间序列分析等手段进行极端情况下信用风险的计量和评价，生成评价结果数据，并将生成的评价结果数据存储在数据存储装置中。最终的评价结果是极端情况下的信用风险分析数据(如施压后的违约概率PD，施压后的经济资本EC，施压后的不良贷款率NPLR等)。下面对照附图进行具体描述：
图1是本发明提供的在极端情况下对信用风险进行评估的系统的示意图，该系统包括源数据采集装置1、用户输入装置2、信用风险压力计量装置3、数据存储装置4和数据输出装置5。
源数据采集装置1，用于以数据接口的方式从银行业务系统或者用户界面采集宏观经济数据层面的源数据(包括客户的资产信息、交易信息，经济指标等)，再将采集到的源数据通过内部网络存储到数据存储装置4。
用户输入装置2，用于用户与信用风险压力计量装置3的交互，用户通过该用户输入装置输入想要模拟的变量信息，即用户输入信息，并从该用户输入装置得到信用风险压力计量装置3中宏观施压计量处理实时运算的结果。
信用风险压力计量装置3，用于从数据存储装置4中读取源数据采集装置1采集的源数据，并对该源数据和用户输入装置2输入的用户输入信息进行模拟和预测处理。
数据存储装置4，用于存储源数据采集装置1采集得到的宏观经济数据层面的源数据，以及信用风险压力计量装置3计量的宏观各类模型模拟和预测的结果数据。
数据输出装置5，用于输出数据存储装置4中存储的数据。
图2是本发明提供对信用风险进行评估的方法的流程图，该方法包括以下步骤：
步骤101：源数据采集装置1采集数据。
源数据采集装置1采集银行业务系统或者外部数据源中的宏观经济数据层面的源数据，并将采集到的源数据通过内部网络存储到数据存储装置4，该宏观经济数据层面的源数据具体包括客户信息、合同、债项交易数据以及经济指标数据。
步骤102：用户输入装置2将用户选择的解释变量(如GDP，市场利率等)和被解释变量(如违约概率PD，违约损失率LGD)以及模拟模型(如线性回归模型、时间序列模型、面板回归模型等)等用户输入信息输入信用风险压力计量装置3。
步骤103：信用风险压力计量装置3从数据存储装置4中读取源数据采集装置1采集的源数据，对该源数据和用户输入装置2输入的用户输入信息进行模拟和预测处理。
步骤104：信用风险压力计量装置3将模拟和预测处理的结果数据存放到数据存储装置4中。
步骤105：数据输出装置5将数据存储装置4的结果数据展现给用户，供用户进行查看和下载。
图3是本发明中信用风险压力计量装置的处理流程图。信用风险压力计量装置3从数据存储装置4中读取源数据采集装置1采集的源数据，并对该源数据和用户输入装置2输入的用户输入信息进行模拟和预测处理，该模拟和预测处理的流程如下：
步骤201：获取模拟变量；
从数据存储装置4中获取拟合模型变量，其中变量分为解释变量和被解释变量，比如下面简单的公式：
Y＝aX+b
公式中的X即为解释变量(施压变量)，该变量可以是经济指标数据(如GDP，市场利率等)，也可以是风险计量因子(如违约概率PD，不良贷款率LGD等)，公式中的Y是被解释变量(受压变量)，该变量一般为风险计量因子(如违约概率PD，不良贷款率LGD等)，公式中的a叫做系数，b叫做常数。
步骤202：计量变量的内在关系；
为了对获取的变量做回归模拟，信用风险压力计量装置3对这些变量 进行初步分析，用以筛选合适的变量和合适的模型。初步分析可以选择变量的相关性计算、变量曲线图拟合和标准化变量曲线图拟合等进行分析评估手段，并将结果存在数据存储装置4。相关性计算是将选择的变量进行相关性的计算，用以判断被选择的变量间的内在关系，比如如果两组变量的相关性过高，即随着时间的变化，这两组数据呈现出同增同减的同步状况，信用风险压力计量装置会去掉其中的一组数据，因为这两组数据可以近似的认为是一组数据。变量曲线图拟合和标准化变量曲线图拟合则是通过画出被选择变量的分布情况来直观反映所选变量是否符合回归模拟的要求。变量的相关性计算、变量曲线图拟合和标准化变量曲线图拟合等分析手段都可实时操作，信用风险压力计量装置3实时的将分析结果保存在数据存储装置4，用户可以通过数据输出装置5实时查看或者下载分析的结果。
步骤203：使用模型进行回归模拟；
信用风险压力计量装置3进行回归模拟处理，分别用下述三种模型进行处理：
模型一：线性回归模型；
Y＝β0+β1X1+......+βkXk+ε
其中β1为常数，β1β2......是系数，X1X2......是解释变量(如：GDP、市场利率等)，Y是被解释变量(如违约概率PD，不良贷款率LGD等)，ε是随机扰动项，通过数据存储装置4获取解释变量和被解释变量，使用线性回归模型拟合出变量间的内在关系，将求出公式中的常数和系数，将求得的常数β1和系数β1β2......存入数据存储装置4。
模型二：时间序列模型；
yt=Σi=1nαiyt-i+Σt=0kΣj=1NbjXj(t-k)+c+ϵ]]>
其中c为常数，αibj是系数，Xj(t-k)是解释变量(如：GDP、市场利率等)，yt是被解释变量(如违约概率PD，不良贷款率LGD等)，ε是随机扰动项，通过数据存储装置4获取解释变量和被解释变量，使用时间序列模型拟合出变量间的内在关系，将求出公式中的常数和系数，将求得的常数c和系数αibj存入数据存储装置4。
模型三：面板回归模型；
yit=Σk=1pβkXitk+uit+ϵ,i=1,......,N,t=1,......T]]>
其中uit为常数，βk是系数，Xitk是解释变量(如：GDP、市场利率等)，yit是被解释变量(如违约概率PD，不良贷款率LGD等)，ε是随机扰动项，通过数据存储装置4获取解释变量和被解释变量，使用面板回归模型拟合出变量间的内在关系，将求出公式中的常数和系数，将求得的常数uit和系数βk存入数据存储装置4。
步骤204：输入压力数据，根据模拟结果进行预测
信用风险压力计量装置3通过读取数据存储装置4获取回归模型求出的常数和系数，通过用户输入装置2获取用户选择的(施压)变量作为公式中的解释变量，根据公式求得等式左边的Y，也就是被解释变量，达到通过拟合模型传导压力数据，得到基于预测的结果，将预测结果存入数据存储装置4，用户可以通过数据输出装置5实时查看或者下载分析的结果。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
定量评估的方法 五篇：
一种对核电站进行风险评估的方法和装置
第一、技术领域
本发明涉及核电站的核安全管理的方法及装置，尤其涉及一种对核电站进行风险评估的方法和装置。
第二、背景技术
对于核电站来说，设备故障以及人员操作失误是影响核电站安全、稳定发电的主要原因。因此，一种有效地管理这些设备和人员操作的方式或者流程就显得非常重要。而风险指引型安全管理理念就是符合这一要求的方式和流程，其中概率安全评价(PSA)是其重要的组成部分，它不仅可以实现评估核电站的风险状态，而且可以为核电厂的风险管理提供信息，以便有效地管理电厂的设备和人员操作。
但是现有的PSA模型比较专业，不适合非专业人员使用，而且该模型不能反映出电厂的实时状态，无法直接对核电站的风险进行实时评价，因此必须对现有的PSA模型进行修改得到符合核电站设备的实际情况的风险评估模型，才能准确的得到实时的评价结果。
第三、发明内容
鉴于上述现有技术所存在的问题，本发明实施例提供了一种对核电站进行风险评估的方法和装置，通过基于风险实时评价模型能够得到反映出核电站实时的风险状态值，供用户进行风险管控。
为了解决上述技术问题，本发明实施例提供了一种对核电站进行风险评估的方法，包括：
接收用户通过用户设备发送的维护型设备状态值，所述维护型设备为用户需要定期维护或者定期试验或者出现故障时而进行风险值评估的电厂设备；
根据所述维护型设备状态值在基于风险实时评价模型下计算核电站的风险评估值，其中：
所述风险实时评价模型存储了电厂设备及其不同故障类型的量化信息，以及电厂设备不同故障类型与安全功能和事故缓解之间的逻辑关系，所述风险实时评价模型将核电站设备划分为维护型设备和固定型设备，所述固定型设备为核电站运行情况下状态确定的电厂设备，所述固定型设备的参数值在基于风险评估时为所述核电站运行情况下状态所对应的确定参数值；
将计算出的风险评估值发送给用户所在的用户设备。
相应的，本发明实施例还提供了一种实时风险评估装置，包括：
接收模块，用于接收用户通过用户设备发送的维护型设备状态值，所述维护型设备为用户需要定期维护或者定期试验或者出现故障时而进行风险值评估的电厂设备；
处理模块，用于根据所述维护型设备状态值在基于风险实时评价模型下计算核电站的风险评估值，其中：所述风险实时评价模型存储了电厂设备与其不同故障类型的量化信息，以及电厂设备不同故障类型与安全功能和事故缓解之间的逻辑关系，所述风险实时评价模型将核电站设备划分为维护型设备和固定型设备，所述固定型设备为核电站运行情况下状态确定的电厂设备，所述固定型设备的参数值在基于风险评估时为所述核电站运行情况下状态所对应的确定参数值；
发送模块，用于将计算出的风险评估值发送给用户所在的用户设备。
实施本发明实施例，结合核电站设备的实际情况，能够反应出核电站实时的风险状态，从而方便操作人员维护核电站设备，保证了核电站运营实际过程中的正确性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的对核电站实现风险评估的方法流程图；
图2为本发明实施例中的实时风险评估装置的结构示意图；
图3为本发明实施例中的图2中发送模块203的结构示意图。
第四、具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施本发明实施例过程中，主要是设置一个风险实时评价模型，现有的PSA模型只是一个基准模型，不能反映出电厂的实时状态，因此无法给出核电厂的风险实时评价，因此合理的风险实时评价模型中存储了电厂设备与其故障模式和故障参数的关联，以及电厂设备不同故障类型与安全功能和事故缓解之间的逻辑关系，这里风险实时评价模型将核电站设备划分为维护型设备和固定型设备，该固定型设备为核电站运行情况下状态确定的电厂设备，该风险实时模型在基于风险评估时，将该固定型设备的参数值确定，具体的，这里将PSA基准模型到风险实时评价模型的转换，主要需要考虑和解决以下因素：
第一点：对于维修不可用事件处理
在基准PSA模型中，核电站设备因维修而造成的不可用度是用核电站设备的维修平均度表示的，因此在计算核电站较长事件的平均风险是一种合理的表示方法，而在风险实时分析时，核电站设备的状态是确定的，因此这些特定条件下的设备是否处于维修状态也是确定的，因此这里需要对表示维修因素的事件进行处理，这里可以将维修不可用事件置于“False”。
第二点：系统配置状态处理
在正常运行期间，由于试验、定期切换工作的影响，使得一些设备有时处于运行状态，有时处于设备状态，在PSA基准模型中，设备的运行或者备用是确定的，在建造风险实时评价模型时需要考虑如何模化状态变化的设备，具体的是将所有设备和因素都可用并全部处于备用状态的假设下，将大故障树补充完整；在适当地方添置房形事件或条件门的逻辑开关，使得在进行实时分析时可以通过这些逻辑开关，使故障树的不同分支分别在合适的时候起到作用。
如对于大亚湾和岭澳核电站，需要考虑运行与备用的系统见表1，如下：
表1 需要考虑运行/备用设置的系统
系统编码 系统名称 RRI 设备冷却水系统 SEC 生水系统 SAP/SAR 仪用压缩空气系统和压缩空气生产系统 RCV 化学和容积控制系统 LBA、LBB 125V直流电源及配电系统 LCA、LCB、LCC 48V直流电源及配电系统
由于大亚湾和岭澳核电站都是双堆设计，因此在两台机组之间存在共用(如LGR、高压开关站)和公用设备(如9RIS011PO)。共用设备必须考虑由邻近机组在这些共用设备或机组之间跨接设备上的操作(维修或试验)活动，对本机组也会产生影响。因此实时风险模型也必须能对这些因素的变化做出响应。对于公用设备，在某一状态下(如9RIA011PO相关试验)该公用设备当前所连接的机组是确定的。如果是别的机组占用了，本机组就不能考虑该设备的可用性。共用和公用设备的处理同运行/备用设备的处理方式是相同的。
第三点：基本事件共因的处理
共因失效是核电站概率安全评价中一个非常重要的因素，两类情况会影响共因部分的修改和处理。第一类情况是电站的即时状态中有设备因失效或因维修或试验等原因而退出服务时。这时需要对一系列设备的失效因素进行修改，这些设备和该退出服务的设备在正常情况下应一起考虑共因，其属于一个共因族，比如一组同类型的电动泵等。第二类情况是原有的失效模式在即时状态下不再全部适用，比如运行设备由运行状态变为备用状态时，需要增加需求失效的失效模式，于是在相应共因族也需要这个新增的事件；而备用设备由备用状态改为运行，则恰相反，原来需求失效模式不再适用，需要从相应共因族中移除。
对于共因故障的处理，是所有包含了退出服务设备的共因事件(对情况二则是包含了不再适用的失效事件)。对于这些共因事件，应该直接被置为FALSE，因为退出服务设备已经不可能再和其他设备一起同时失效了。其次，是其他不包含该设备或不再适用的失效事件的共因事件。这些共因事件需要进行修改相应的共因失效参数，因为共因族所含的部件总数发生了变化。
第四点：对于始发事件处理
对于PSA模型中的始发事件，电站的某一种状态改变或外部环境的改变都可能影响到始发事件，这里的电厂状态的变化对初因的影响可分如下几类：
破口类型的始发事件，如LOCA、蒸汽发生器管道破口、二回路给水管道破口等，它们的始发事件发生频率基本与电站特定状态关系不大，都是采用统计的通用数据，因此这类始发事件通常都维持原样，不根据电站情况变化做修改。
受外部因素影响显著的始发事件，如丧失外电源(外电网稳定性、恶劣天气等)、丧失热阱(夏季海生物生长迅速，容易堵塞取水口)。这些因素对此类始发事件的影响是不能忽略的，必须采取适当的手段描述和反映这些影响。这里采用的办法可以是(1)由专家判定对这类始发事件频率进行调整(纠正因子或调整系数)；(2)用简化的故障树方法对此类始发事件进行模型化，即时状态下适当修改这些始发事件故障树，重新定量化。需要注意的是外部因素对始发事件的影响往往不适合直接表示成TRUE或FALSE，因此始发事件故障树的修改可能更多地是要对其中代表外部因素影响的基本事件的值进行调整。
受内部因素影响的始发事件，如丧失外电源(如在高压开关站进行的活动)、丧失热阱(如SEC系统设备的故障)，这里采用的处理办法是对此类始发事件建立始发事件故障树。一旦察觉有内部因素的影响，可以通过对始发事件故障树的修正来体现这种影响。
当然，外部事件的处理还需要考虑电厂所处的地理环境，比如核电厂处于东北，那么就需要考虑雪灾、冰冻的影响。
第五点：不平衡假设的处理
基准PSA模型中，一般都是假设事故发生在某一列或某一环路，但真实的情况可能会是在别的列或环路上。这样的假设会导致同样的功能设备其风险重要性不同，特别是与破口相关的始发事件，如LOCA、SGTR等等。因此，在建造风险实时评价模型时，需要考虑处理这种不平衡的假设。处理的有两种：一种是始发事件平衡考虑；另外一种是不修改始发事件假设，而是把这一类设备设置为相同的逻辑门对应关系。考虑到处理的复杂性和对结果的影响，在处理中选取后者。涉及这种情况的设备主要是与三个回路相关的、用于缓解事故的设备。
第六点：设备组合
基于可获得可靠性数据，在PSA模型中把共同完成同一功能的设备分开考虑(划分为不同的设备边界)。但是在电厂的实际运行管理中，又会把他门当作一个设备。为了与电厂实际相一致，在建造风险实时评价模型时把共同完成同一功能的设备处理成一个大设备。这一类设备主要是：泵、气动/电动阀，如表2给出ASG001PO的组合情况。
表2 ASG001PO组合示例
第七点：确定显示重要设备和事件的原则
风险实时评价模型不仅要给出某一机组状态下的风险水平，而更重要的是给出进行管理风险的信息，如重要关注的设备、关注的事件和需要关注的人因。在风险实时评价模型中，有三种重要度可以对模型中的事件进行排序：
重要度(FV)：是指包含某一事件的最小割集与所有最小割集之比，其目的是衡量某一事件/部件对总的风险的贡献。
风险增加值(RAW)：是指当某一事件/部件完全失效，由此造成的现存风险的增加值。
风险减少值(RRW)：是指某一事件/部件不出现任何故障模式(如：启动失效、运行失效)，也即完好可靠，由此造成的现存风险的减少值即为该部件的减险价值。
应该说这三个重要度各有特点，但考虑到现实风险管理过程的可操作性，重要性事项选取的原则是：
重要设备的选取使用RAW和RRW重要度，由于RAW选取的设备定义为禁止不可用设备，即在某一机组状态下，要保证这些设备的可用，禁止计划和人为导致设备不可用。由RRW选取的设备定义为需要关注的设备，即对于这些设备要加强巡视，保证它们的可用性。
对于重要的始发事件和人因事件，采用FV重要度进行选取。始发事件和人因事件的预防可以通过熟悉相关的事故处理规程以达到事故下的快速响应，及时处理事故保证堆芯安全。
由上分析可以得知的是，基于现有的PSA基准模型改造成风险实时评价模型，需要对PSA基准模型作出如下修改，具体包括如下：
第一、修改PSA基准模型中的不可用和维修不可用事件，把他们赋值为“False”，由于在确定的状态下，电厂设备的状态是已知的，从而可以反映出风险实时评价模型的实时性。
第二、在PSA基准模型中增加对丧失外电源和丧失热阱始发事件的控制事件，以反映台风和夏季环境天气对始发事件的影响。这里主要与电厂所处的地理环境有关，如有电厂位于北方，还需要考虑其它的灾害，比如雪灾，冰冻等等对始发时间的影响。
第三、修改PSA基准模型，考虑系统列/设备的对称性，主要的工作是补充所有处于运行设备的备用失效模式，同时增加相应的控制事件。这里主要是反映电厂系统设备的定期切换，即运行设备与备用设备之间的转换情况。
第四、建立基本事件、设备、系统之间的对应关系表，目的是把它们相互之间联系起来，从而将概率安全评价专业性描述转化为电厂设备量化信息等等。
第五、建立设备清单，并组合有关设备。在PSA模型中，设备的边界与电厂实际可能不相符。以泵为例，出于数据处理的需要，在PSA模型中把它分成两部分：驱动设备和泵本体。但是在电厂的实际设备运行管理中，没有特别区分这两部分。因此，为了与电厂的实际相符合，需要把PSA模型中的相应设备组合成大设备。并对于一些重要设备设置其重要度属性为“是”。
第六、通过基本事件与设备的对应关系，建立设备与逻辑门之间的对应关系。PSA模型主要是由设备的基本事件通过一定的逻辑联系在一起来反映系统/功能的失效。设备与逻辑门对应关系的建立就可以实现设备故障或不可用时的风险评价。
第七、在第五的基础上，进行模型平衡的相关处理，即把相同功能的设备与逻辑门的关系设置成相同的。
第八、建造列规则表。对于经常切换的系统/设备，有些列之间是包容关系：可以单独处于运行或备用状态，也可根据机组的具体要求与其他列同时运行(如RRI系统各列之间)；有些列之间是一个矛盾关系：一例处于运行，则对应列则备用(如直流电源的两个整流器之间)。因此，对于这些情况需要建立相应的控制事件和确定相应的规则，来实现运行与备用的切换，实现对电厂实际状态的反映。
第九、建造定期试验与设备之间的对应关系试验，该表主要是确定定期试验会导致哪些设备不可用，进而可以评价定期试验期间风险，并获得风险管理建议。
第十、结合PSA基准模型，把以上述确定的表和关系连接起来，即将上述所有步骤中确定的内容关联起来，则就建成了风险实时评价模型。
第十一、风险实时评价模型的验证。通过把风险实时评价模型的计算结果与PSA基准模型计算结果进行对比，同时考虑电厂的现实情况，以确定风险实时评价模型的合理性与正确性。
需要说明的是，在第十一中还存在一个判断分析的处理过程，即判断该风险实时评价模型是否满足当前核电站设备的风险评估，如果不能满足当前风险评估，则需要重新对风险实时评价模型中的逻辑结构和参数进行修改等等，这里主要是基于固定型设备的状态来进行逻辑结构和参数修改的。
在基于上述对风险实时评价模型的建立之后，图1示出了本发明实施例中的对核电站设备实现风险评估的方法流程图，包括如下步骤：
S101：接收用户通过用户设备发送的维护型设备状态值，该维护型设备为用户需要定期维护、或者定期试验、或者出现故障时而进行风险值评估的设备，这些设备的状态值在核电站实时运行中是无法固定的，一般需要操作人员采集得到一个量化值，而这个量化值只是反映当前实时状态下的维护型设备状况；
S102：根据所述维护型设备状态值在基于风险实时评价模型下计算核电站的风险评估值；
需要说明的是，这里的风险实时评价模型存储了电厂设备及其不同故障类型的量化信息，同时还存储了设备不同故障类型与安全功能和事故缓解之间的逻辑关系，这里的事故缓解是事故出现所对应的应对策略以及对安全功能相互影响等等。该风险实时评价模型将核电站设备划分为维护型设备和固定型设备，所述固定型设备为核电站运行情况下状态确定的电厂设备，这里的固定型设备的参数值在基于风险评估时为所述核电站运行情况下状态所对应的确定参数值，如风险实时评价模型将核电站设备划分为运行设备和备用设备，这里的运行设备为核电站运行情况下处于运转状态的设备，对应地，备用设备就是不在运转状态，但会随时响应电厂的需求。所述风险实时评价模型基于核电站设备现实运行情况下，确定出核电站运行设备和备用设备，并由此确定出相应的参数值。
需要说明的是，这里的固定型设备主要是包括对于维修不可用事件中的设备、系统主备用状态下的设备、基本事件共因下的设备、处于始发事件下的设备、不平衡假设处理下的设备、组合型设备、基于重要度状态下的设备等等。
S103：将计算出的风险评估值发送给用户所在的用户设备。
具体的，这里可以将计算出的风险评估值以打印报告的形式显示到用户所在的用户设备，也可以将计算出的风险评估值以通知消息警示用户进行风险管理行动。这里将计算出的风险评估值及相关风险管理信息传送给用户，从而为用户管理电厂的风险提供重要的信息。
需要说明的是，该方法实施之前，是需要预先设置风险实时评价模型的，并将风险实时评价模型存储，具体的设置过程已在前面已经作了相关论述。在具体情况下，在判断出当前的风险实时评价模型不能满足当前核电站设备的风险评估时，需要对当前风险实时评价模型中电厂设备的参数进行修改。
具体的，图2示出了本发明实施例中的实时风险评估装置的结构示意图，包括：
接收模块201，用于接收用户通过用户设备发送的维护型设备状态值，所述维护型设备为用户需要定期维护或者定期试验或者出现故障时而进行风险值评估的电厂设备；
处理模块202，用于根据所述维护型设备状态值在基于风险实时评价模型下计算核电站的风险评估值，其中：所述风险实时评价模型存储了电厂设备与其不同故障类型的量化信息，以及电厂设备不同故障类型与安全功能和事故缓解之间的逻辑关系，所述风险实时评价模型将核电站设备划分为维护型设备和固定型设备，所述固定型设备为核电站运行情况下状态确定的电厂设备，所述固定型设备的参数值在基于风险评估时为所述核电站运行情况下状态所对应的确定参数值；需要说明的是，这里的固定型设备主要是包括对于维修不可用事件中的设备、系统主备用状态下的设备、基本事件共因下的设备、处于始发事件下的设备、不平衡假设处理下的设备、组合型设备、基于重要度状态下的设备等等。
发送模块203，用于将计算出的风险评估值发送给用户所在的用户设备。
需要说明的是，这里的装置还包括：
设置模块205，用于预先建造风险实时评价模型；
预先设置风险实时评价模型步骤包括如下：
修改概率安全评价基准模型中维修不可用事件，将所述维修不可用事件设置为FALSE；
在概率安全评价基准模型中增加对丧失外电源和丧失热阱始发事件的控制事件；
修改概率安全评价基准模型中的系统列或者设备的对称性，增加所有处于运行设备的备用失效模式，增加相应控制事件；
建立基本事件、设备、系统之间的对应关系表；
建立设备清单，组合相关设备，将重要组合设备的重要度属性设置为“是”；
通过基本事件于设备的对应关系，建立设备与逻辑门之间的对应关系；
在组合相关设备之后，把相同功能的设备与逻辑门的关系设置成相同的；
建造规则列表，建立相应控制事件和确定相应规则反映运行设备与备用设备之间的切换；
建造定期试验与设备之间的对应关系试验；
将上述所有确定的内容关联起来，建立风险实时评价模型。
存储模块204，用于将风险实时评价模型存储；
判断模块206，用于判断风险实时评价模型是否满足当前核电站设备的风险评估，如果不满足，则通知用户通过设置模块调节风险实时评价模型中固定型设备的参数。
这里的发送模块203还包括了第一发送单元和第二发送单元，具体如图3中所示，其中：
第一发送单元301，用于将计算出的风险评估值以打印报告的形式显示到用户所在的用户设备；
第二发送单元302，用于将计算出的风险评估值以通知消息警示用户进行风险管理行动。
综上，结合核电站设备的实际情况，能够反应出核电站实时的风险状态，从而方便操作人员维护核电站设备，有助于保证核电站的安全水平，从而保证运营实际过程中的正确性和准确性。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
