1.一种基于知识图谱嵌入式的水利工程风险智能调控方法，其特征在于，所述风险智能调控方法包括：步骤S1：收集并整理目标水利工程的相关数据；步骤S2：以文本和图像数据为多模态输入，构建基于时序的多模态数据知识图谱，包括：将所收集数据进行结构化形成三元组，将头实体、关系、尾实体转化为独立的嵌入向量，通过嵌入层传递后生成密集向量；所述密集向量通过高阶连接嵌入至模型深层；采用TransE学习知识图谱的结构化表示，为实现实体文本中多模态相邻实体的信息聚集并丰富实体表示；通过实体编码器和注意力层，每个实体获取新的实体表示，将新的实体表示通过转译评分函数嵌入至知识图，将实体与关系转变为参数化向量并保留其中的关系推理；输出推荐层；步骤S3：将基于多模态知识图谱的输出推荐作为大语言模型输入；步骤S4：生成多模态。
2.根据权利要求1所述的一种基于知识图谱嵌入式的水利工程风险智能调控方法，其特征在于，所述步骤S1：收集并整理目标水利工程的相关数据具体包括：水利工程运行监测数据、调查报告、研究文献、应急预案、调度规程文件、运行监测图像、现场图像及水利工程风险相关文献。
3.根据权利要求1所述的一种基于知识图谱嵌入式的水利工程风险智能调控方法，其特征在于，所述输出推荐层具体包括：各实体通过知识图嵌入模块获取相应的输入，并推送至推荐模块中，同时采用注意力机制对信息进行聚合；采用层聚集机制将每一步的表示连接成单个向量，其数学表达式如下：式中，L为多模态知识图谱的注意力层数。
4.根据权利要求1所述的一种基于知识图谱嵌入式的水利工程风险智能调控方法，其特征在于，所述通过实体编码器和注意力层，每个实体获取新的实体表示，将新的实体表示通过转译评分函数嵌入至知识图，将实体与关系转变为参数化向量并保留其中的关系推理具体包括：翻译评分函数的表达式见式(7)：goal(c,d,h)＝||f c +f d -f h || 2 (7)知识图训练过程中，基于正确三元组与错误三元组的损失配对排名通过公式(7)进行两两排序以获取有效训练结果；α KG ＝∑ (c,d,h,h′)∈δ -lnθ(goal(c,d,h′)-goal(c,d,h)) (8)式中， (c,d,h′)是随机替换正确三元组中的实体所构成的错误三元组，θ表示sigmiod函数；层在三元组的粒度上对实体与关系进行建模以实现正则化，将直连输入至表示。
5.根据权利要求1所述的一种基于知识图谱嵌入式的水利工程风险智能调控方法，其特征在于，所述步骤S3：将基于多模态知识图谱的输出推荐作为大语言模型输入具体包括：多模态编码，经知识图谱输出的本文标记被嵌入至向量e t ∈R D ,经过预训练及视觉编码器将每个图像输入转换为特征e img ∈R D×32 ，嵌入被连接以创建输入提示特征；Vokens添加，添加特殊标记M img 作为大语言模型语料库的生成调用函数，其中M img 具体表示为：M img ＝{img1,img2,img3,…,imgn} (9)变量的隐藏输出状态被用于后续的图像生成，且变量的位置可用于表示交错图像的插入。
6.根据权利要求1所述的一种基于知识图谱嵌入式的水利工程风险智能调控方法，其特征在于，所述步骤S4：生成多模态具体包括：文本生成，按照随机语言建模的策略，在文本空间中联合生成文本和虚拟预期，并在训练中将“虚词”添加至实际图像的位置，同时训练模型在文本生成过程中预测“虚词”；生成词块表示为：Tk＝{t 1 ,t 2 ,t 3 ,…,t n } t i ∈V∪V img (10)文本-图像损失的定义为：式中，t i ∈V∪V img ；建立Voken特征进行图像生成。
7.根据权利要求6所述的一种基于知识图谱嵌入式的水利工程风险智能调控方法，其特征在于，所述建立Voken特征进行图像生成具体包括：将输出隐藏状态值与文本至图像生成模型的文本条件特征空间对齐，构造特征映射器模块，包含2层的MLP模型θ mlp 、一个基于Transformer的4层编码-解码模型θ enc-dec 以及一个可学习的解码特征序列q，其中，映射特征的数学表达式如下：采用潜在扩散损失模型LDM作为导向以保证所生成的图像真实度；过程中，预训练VAE将真实图像转化为潜在特征z 0 ，随后向z 0 中添加噪声以获取噪声的隐藏特征z t ，使用预训练的U-Net模型∈ ρ 计算LDM损失的原理见公式(13)；
