一种基于多测点公共异常时间的大坝安全监测分析方法与流程

本发明属于大坝安全监测技术领域，具体涉及一种基于多测点公共异常时间的大坝安全监测分析方法。

背景技术：

大坝安全不仅关系到水电厂的安全生产而且还直接影响到下游人民的生命财产安全；大坝安全监测作为大坝安全“耳目”的大坝观测，是及时判断大坝是否安全的最主要的手段。而大坝安全监测的变形数据分析是其中的重要环节，是及时评估、预测大坝性态、发现异常迹象、有效监控大坝安全的重要依据。目前，因监测设备异动以及其它未知因素造成数据基准偏移或缺失，导致对数据连续性的分析处理带来极大困难，以往的此类异常数据处理方法一般为统计模型校正法，将统计模型中考虑阶跃因子进行处理。但存在以下不足：1)没有充分利用多测点异常时间之间潜在的相关性来反映大坝测点变形数据的整体或区域性异常；2)若各个时间点均设置阶跃函数，则在分析单个测点时，可能出现异常时间过多而导致的模型过拟合问题；3)若人为指定异常时间点，则可能丢失潜在的异常时间点，因为有些异常数据难以通过观察过程线、数据统计等方式等发现；4)若每个测点都进行人工异常时间点设定，则效率较低。针对这些问题，有必要提供一种基于多测点公共异常时间的大坝安全监测分析方法来解决此问题。

技术实现要素：

本申请旨在至少解决现有技术中存在的技术问题之一。为此，本发明的目的之一在于提供一种基于多测点公共异常时间的大坝安全监测分析方法。该方法能够实现公共异常时间的快速自动获取，克服了单测点分析和人工设定异常时间存在的缺陷，能有效反映大坝测点变形数据的整体或区域性异常。

为解决上述技术问题，本发明采用如下技术方案：

一种基于多测点公共异常时间的大坝安全监测分析方法，包括如下步骤：

s1：采集大坝安全监测测点变形数据；

s2：依据s1步骤中的测点变形数据建立统计模型，然后采用逐步回归方法，建立各测点逐步回归模型，进行自变量筛选；

其中：统计模型的自变量包括温度因子、水位因子、时效因子及阶跃因子，因变量为测点的变形；

s3：依据s2步骤中获取的各测点逐步回归模型中的阶跃因子，统计多个测点模型阶跃因子异常时间点出现的频次，设置频次的阈值，当频次大于等于阈值时，则该时间点被视为公共异常时间；

s4：重新设置依据s2步骤中获取的各测点逐步回归模型中的阶跃因子异常时间点，仅保留其与依据s2步骤中获取的公共异常时间的交集；然后，将修改后逐步回归模型自变量用于建立线性回归模型，通过该线性回归模型反映大坝测点变形数据的整体或区域性异常，进而判断大坝是否安全。

进一步的，s1步骤中的变形数据通过监测仪器或人工观测得到。

进一步的，所述频次为统计多个测点逐步回归模型阶跃因子的异常时间点出现的次数。

进一步的，所述阶跃因子为在模型时段内各个采样时间点上建立的单位阶跃函数。

进一步的，所述水位因子为上游水位和/或下游水位构成的函数。

进一步的，所述时效因子为时间构成的函数。

与现有技术相比，本发明的有益效果在于：1)利用多测点间的关联性来获取其公共异常时间，对反映测点的整体或区域性异常具有很强的实用性。2)克服了在分析单个测点时，可能出现的异常时间过多的现象，从而一定程度避免了模型过拟合问题。3)避免了人为设定异常时间可能导致的潜在异常时间丢失等现象。4)整个过程均可实现自动化，效率提升显著。

附图说明

图1为本发明的流程图；

图2为多测点逐步回归模型异常时间频次统计图。

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做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。

如图1所示，本发明提供一种基于多测点公共异常时间的大坝安全监测分析方法，包括如下步骤：

步骤1：采集大坝安全监测测点变形数据，一般为同一监测项目的多个测点，测点个数至少大于两个。

其中，大坝的变形监测项目至少包括垂线、沉陷、挠度等，分别用于测量大坝水平位移、大坝垂直位移、大坝挠度变形等。本实施例中采用某拱坝2007/1/1-2016/1/1期间的垂线数据进行具体说明，垂线共有34个测点。获取测点的测值为在大坝设置监测仪器或人工观测，其中监测仪器和人工观测的测点位置设置在大坝的坝中、坝肩、坝顶、坝基等关键部位。

步骤2：依据步骤1中的测点变形数据建立统计模型；统计模型的自变量包括温度因子、水位因子、时效因子及阶跃因子，因变量为测点的变形；然后采用逐步回归方法，建立测点逐步回归模型，进行自变量筛选。

其中，温度因子包括气温、库水温或太阳辐射等效温度等构成的函数，一般为三角函数或不同时段的平均值，水位因子包括上游水位和/或下游水位等构成的函数，一般为n次多项式，n为3或4，时效因子包括时间构成的函数，一般可取对数函数、线性函数、指数函数等。温度因子、水位因子和时效因子的函数的选取，本领域技术人员可以根据具体计算或设计需要进行适应性选择，为现有公知技术，在此不再赘述。阶跃因子包括各采样时间点的单位阶跃函数，对于某个样本时间点，当时间大于等于该时间点时，函数值为1，小于该时间点时，函数值为0。

模型逐步回归的方式是通过依次拟合一系列回归方程，后一个回归方程是在前一个回归方程的基础上添加或删除一个自变量，故筛选后的模型自变量为温度因子、水位因子、时效因子、阶跃因子中的一种或多种；至于具体的回归计算过程，为现有公知技术，在此不再赘述。自变量筛选是针对模型的数据维度大于样本个数的低秩现象，采用逐步回归模型以达到降维目的。同时，处理得到的自变量还具有统计意义上的显著性。

实施例中，温度因子采用气温构成的函数，取气温当天、前1-7天、8-15天、15-30天、31-60天、60-90天的平均温度；水位因子采用上游水位构成的函数，取4次多项式，时效因子包括时间构成的函数，取t+ln(t)，t为距离起始时间的天数，阶跃因子采用各采样时间点的单位阶跃函数，对于某个样本时间点，当时间大于等于该时间点时，函数值为1，小于该时间点时，函数值为0。

步骤3：依据步骤2中获取的各测点逐步回归模型中的阶跃因子，统计多个测点模型阶跃因子异常时间点出现的频次，设置频次的阈值，当频次大于等于阈值时，则该时间点被视为公共异常时间。

表1异常时间频次统计与现场反馈信息对比表

其中，异常时间点出现的频次表示异常时间在多个测点中重复出现的次数，其最大不超过测点的总数。频次阈值的设置一般可与测点总数成比例，公共异常时间为多个测点共同存在某些时间点上的异常。

实施例中，频次阈值设置为多测点总数的40％，四舍五入取整后为14个。频次统计过程见图2和表1。通过与现场大坝运行维护人员核实，其异常时间部分与该拱坝的所出现的运行状况全部吻合，且此过程没有出现所知的异常时间遗漏现象。

步骤4：重新设置依据步骤2中获取的各测点逐步回归模型中的阶跃因子异常时间点，仅保留其与依据步骤3中获取的公共异常时间的交集；然后，将修改后逐步回归模型自变量用于建立线性回归模型，该线性回归模型即为最终的统计模型，通过该统计模型反映大坝测点变形数据的整体或区域性异常。

其中，交集为各测点模型的阶跃因子异常时间点与公共异常时间之间的交集，最终统计模型的自变量为逐步回归模型中阶跃因子的时间点替换为交集后的自变量。

表2列出了使用单测点异常时间分析和使用多测点公共异常时间分析的统计模型异常时间个数的区别。由表2可知，使用单测点异常时间分析得到的异常时间明显多于使用多测点公共异常时间分析得到的个数，而过多的异常时间与现场运行维护人员反馈的信息差异较大。

显然，使用了多测点公共异常时间分析的统计模型能有效反映现场实际中出现的整体性和区域性异常，能够更加准确有效的判断大坝是否存在异常。同时，避免了单测点异常时间分析存在的过度拟合等问题，整个过程自动化处理程度高，效率提升显著。

表2单测点异常时间分析和多测点公共异常时间分析的异常时间对比表

上述实施例仅仅是清楚地说明本发明所作的举例，而非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里也无需也无法对所有的实施例予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。