实训室表现的具体内容如下:1、挡水建筑物一级蓄水枢纽挡水建筑物为双曲拱坝，它反映的主要内容有:（1）河流地形、地质条件；（2）坝址、坝型、坝轴线的选择；（3）拱坝布置；（4）拱坝结构（廊道、排水、分缝、止水、帷幕灌浆）特点；（5）上坝公路的布置；（6）坝顶构造（栏杆、路灯、启闭机等）。双曲拱坝加滑雪式漂流消能水利工程系水工一体化模拟仿真实训平台（二）水工建筑物平台尺寸:16米×8米×3米水工建筑物土建部分一般都采用透明材料制作，细部构造、机械设备采用不同颜色、不同材料制作。所有的泄水建筑物、电站、溢洪道、船闸、排水系统、消能设施等都可用光电技术操作，仿真运行。模所有的水工建筑物必须按比例缩小制作。加大灯光与光纤的使用力度，在光背景、光照射下，使水工建筑物模型形象逼真、有艺术感和观赏性。 数据以CSV格式存储，文件名规则:河名_站号_超警次数， 数据集，每一行一条记录，逗号分隔分别是:站号，时间，水位，警戒水位，警戒水位与水位的差值，按时间进行排序。 三. 建模思路 建立模型:指数合成方法:以统计期的数据合成指数构建权重，把每个监测点数据进行加权平均，形成河流指数。指数与站号的关系:通过相关性分析，计算每个站对于河流指数的影响程度。投影得分:把指数具体数值，投影到固定的取值区间，形成得分。 指数合成原则:水位变化越大，权重越大水位与警戒水位的差值越大，权重越大，大于0时为超警时间越近，权重越大 投影得分:以0米为100分，表示已经警戒水位。以-5米为60分，表示正常水位。以-10米为10分，表示河流干涸。大于100分，则可能要发大水。小于10分，则可能河流无水。 3.1 A江 以A江的5个监测站进行指数合成。 指数取值:最小值1/4位数中位数平均值3/4位数最大值-7.218-5.423-5.118-5.134-4.843-1.481 X轴:指数取值 Y轴:频次 A江5个站:A黑，B红，C绿，D深蓝, E浅蓝 指数:IDN紫色 X轴为:时间，从2015-11到2019-03。 Y轴为:警戒水位与水位的差值，大于0值为超警。 每个站点对整个河流的影响 A站（黑）:1.2594088 B站（红）:0.1961849 C站（绿）: 0.1455854 D站（深蓝）:1.4004896 E站（浅蓝）:0.5610354 数值1为基准，大于1时，监测站对指数影响明显，小于1时对指数形象不明显。 结论:A站和D站河流影响比较大，如果A值或D值水位突然变化，那么河流会比较危险。 3.2 B江 以B江的6个监测站进行指数合成。 指数取值:最小值1/4位数中位数平均值3/4位数最大值-13.201-12.362-11.611-10.824-10.1212.607 B江6个站:A黑，B红，C绿，D深蓝, E浅蓝（干流水道），F紫色（干流水道） 指数:IDN黄色 X轴为:时间，从2015-11到2019-03。 Y轴为:警戒水位与水位的差值，大于0值为超警。 每个站点对整个河流的影响 A站（黑）:1.4582460 B站（红）:0.9518856 C站（绿）: 1.0676259 D站（深蓝）:0.5472059 E站（浅蓝）:0.3465968 F站（紫色）:0.2251052 数值1为基准，大于1时，监测站对指数影响明显，小于1时对指数形象不明显。 结论:A站和C站河流影响比较大，如果A值或C值水位突然变化，那么河流会比较危险。 该模型是我们探索性的尝试。用金融的方法去解决水利问题。这种尝试是知识迁移:把一个行业的知识迁移到另外一个行业去尝试解决问题。这种尝试有很大的创新性。后续我们会持续把金融行业的知识，迁移到水利行业和其他行业，希望做出突破性的变革和实际落地效果。 我们公司致力于解决这类跨行业的问题。我们公司具备跨学科知识能力，特别是在:国际贸易，进出口领域，区块链，金融及量化投资领域。我们具备扎实的底层知识构建能力。同时也有能力去把底层的知识在在我们擅长的领域做到极致，并同时在其他行业里做迁移。我们致力于把数据分析和数据科学在每个重要的，和国家生息相关的每个行业的进行落地。希望通过这个水利尝试案例，能让大家领略到数据分析，数据科学的无限魅力。 基于电力交易大数据的市场用户画像体系架构如图5所示。图5 电力市场用户画像标签体系基于电力市场行为数据的精准化推送服务。精准化推送服务以用户历史属性、行为特征数据为基础，选取具备广泛代表意义的训练样本和测试样本用于模型构建和验证，确定样本用户属性特征与服务之间的匹配关系，形成模型训练样本数据库，然后通过算法与人工相结合的方式对样本用户属性特征数据和服务数据进行整理清洗，基于训练样本基础数据，采用随机森林和梯度提神决策树算法对每一类服务的用户属性特征进行学习，完成用户属性特征与精准服务模型的构建，利用模型预测测试样本服务推荐结果，并对服务推荐结果的准确率进行评估。电力市场主体征信评估与分析。海量市场注册、交易、履约及结算信息与市场主体信用状况密切相关，基于大数据技术挖掘分析海量数据信息，利用大数据算法构建电力市场主体信用评估模型，采用感受性曲线下面积（ROC_AUC）、区分度指标（KS）、群体稳定指数（PSI）等分析方法评估分析模型效果，为应对新形势下电力市场多重信用风险问题、防范电力市场主体信用风险、建立相应的信用风险防范机制提供了重要支撑。图6 基于大数据的电力市场主体信用信息分析模型多源异构环境下电力市场运营大数据挖掘分析。