基于BP-LSTM的大坝监测物理量智能预测方法与流程

基于bp-lstm的大坝监测物理量智能预测方法
技术领域
1.本发明涉及一种基于bp-lstm的大坝监测物理量智能预测方法。适用于大坝安全监测及管理领域。


背景技术：

2.随着我国投运的大坝数量越来越多、规模越来越大，加上部分早年投运的大坝运行年限越来越长，今后一段时间内我国大坝运行安全管理面临着巨大的挑战。作为监视大坝运行性态最直接也是最重要的手段，大坝安全监测在大坝建设以及运行管理中发挥着无可替代的作用。通过安全监测人们能够了解大坝过往以及当前的运行性态，为大坝安全管理提供参考。
3.实际工程中往往会遇到的一种情况是，在已获得监测物理量测值的情况下如何对该测值的异常与否进行评判；另一种情况是，在预知可能遭受的运行荷载组合情况下，需要对大坝结构性态进行快速预测。以上两方面的需求仅仅通过常规安全监测手段无法实现，需要借助其他手段进行辅助分析，即根据实测数据和相关预测资料进行结构性态预测。
4.现阶段工程中对大坝运行性态进行预测的常规做法主要有两类，一类是根据历史监测数据，探究监测物理量(如大坝变形、渗压等)与原因量(如库水位、气温等因素)之间的数学关系，通过建立数学模型进行大坝运行性态的预测，该类方法的典型代表为监控模型法；另一类是基于历史监测数据，结合结构计算手段进行大坝及坝基参数反演，在此基础上通过反演参数进行结构性态计算预测，该类方法的典型代表为有限元正反分析法。
5.通过监控模型预测大坝结构性态的方法往往需要根据经验选取原因量(影响因子)的函数形式并通过试算确定，并且不同类型监测物理量所采用的影响因子也不同，该方法受人为因素影响大；基于有限元正反分析的方法物理意义明确但仍存在不足，如建立大坝及坝基的有限元模型并分析的过程异常复杂，引入的计算假定多，不同的人建模及计算导致结果也并不一致，应用也并不方便。由此可见，现阶段采用的传统基于历史监测数据预测大坝结构性态的方法尚有改进的余地。


技术实现要素：

6.本发明要解决的技术问题是：针对上述存在的问题，提供一种更为智能、方便、有效的基于bp-lstm的大坝监测物理量智能预测方法。
7.本发明所采用的技术方案是：一种基于bp-lstm的大坝监测物理量智能预测方法，其特征在于：
8.获取需预测时段内的大坝监测数据，包括各时刻的大坝上、下游水位和大坝上游边界温度；
9.将预测时段内各时刻的大坝上、下游水位和大坝上游边界温度输入bp-lstm网络模型，输出该预测时段内监测物理量的预测值；
10.所述bp-lstm网络模型，包括：
11.s1、获取大坝某时间段的历史监测数据，包括各时刻的大坝上、下游水位、大坝上游边界温度以及需要预测的监测物理量测值；
12.s2、采用bp神经网络对大坝各时刻的边界温度进行特征提取，得到温度特征向量；
13.s3、采用lstm神经网络进行监测物理量预测，将某时间段内各时刻由bp神经网络提取的温度特征向量，实测的上、下游水位及时间作为lstm神经网络的输入，模型输出即为监测物理量的预测值；
14.s4、通过获取的某时间段历史监测数据对bp-lstm网络模型进行训练，并保存训练得到的最优模型的参数。
15.步骤s1包括：
16.获取大坝某时间段t∈[t0，t1]的历史监测数据，具体包括：t时刻的上游水位记为hu
t
，下游水位记为hd
t
；大坝上游边界温度，各高程测点温度记为tb
t_h
；所需预测的监测物理量记为u
t
。
[0017]
步骤s2包括：
[0018]
a、若上游坝面布置有边界温度测值断面：
[0019]
s2-1、对于每个时刻t的边界温度测值序列，通过在高度方向等间距线性插值得到大坝边界温度向量记为tb
t
＝[tb
1t
，tb
2t
，
……
，tb
nt
]，其中n为插值数量，定为常数；
[0020]
s2-2、将每个时刻t的大坝边界温度向量tb
t
输入bp神经网络进行处理，得到输出的温度特征向量记为t
t
＝[t
1t
，t
2t
，
……
，t
mt
]，其中m为所取温度特征的数量；
[0021]
b、若上游坝面未布置边界温度监测断面，则以实测坝趾气温t构建温度特征向量，即t
t
＝[t，t，
……
，t]。
[0022]
步骤s3包括：
[0023]
s3-1、令时刻t的自变量向量x
t
＝[t
t
，hu
t
，hd
t
，t]，应变量y
t
＝u
t
；
[0024]
利用历史监测数据构建固定长度为s的自变量时间序列x＝[x
t0+(s-1)
，x
t0+s
，
……
，x
t1
]，其中x
t
＝[x
t-(s-1)
，x
t-(s-2)
，
……
，x
t
]；
[0025]
构建应变量时间序列y＝[y
t0+(s-1)
，y
t0+s
，
……
，y
t1
]，其中y
t
＝y
t
；
[0026]
常数s的物理意义是自变量对应变量影响的滞后效应的时间长度；
[0027]
s3-2、以自变量序列x作为lstm神经网络的输入，以lstm神经网络最后一个单元的输出为监测物理量的预测值，由预测值构建的时间序列记为y1。
[0028]
步骤s4包括：
[0029]
构建模型损失函数为预测应变量序列y1与实测应变量序列y的均方根之和，以损失函数值最小为优化目标，利用历史监测数据样本对bp-lstm网络模型进行训练并保存最优模型的参数。
[0030]
一种存储介质，其上存储有可供处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述基于bp-lstm的大坝监测物理量智能预测方法的步骤。
[0031]
一种基于bp-lstm的大坝监测物理量智能预测设备，具有存储器和处理器，存储器上存储有可供处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述基于bp-lstm的大坝监测物理量智能预测方法的步骤。
[0032]
本发明的有益效果是：本发明基于bp-lstm神经网络对大坝监测物理量进行预测，根据监测物理量历史数据的特征智能构建能充分考虑各因素时序特征影响的时序模型，无
需人为拟定自变量因子的数学形式，实现仅仅通过一个通用模型即能够实现快速、方便地对各类监测物理量进行快速建模并预测的功能，为大坝结构性态的评判和预测提供了更为方便有效的技术方法，尤其适合需要对多测点进行快速预测的情况。
附图说明
[0033]
图1为实施例的实施流程图。
[0034]
图2为实施例对大坝变形监测物理量的应用效果。
[0035]
图3为实施例对大坝渗流监测物理量的应用效果。
具体实施方式
[0036]
本实施例为一种基于bp-lstm的大坝监测物理量智能预测方法，该方法通过训练好的bp-lstm网络模型预测大坝监测物理量。
[0037]
本实施例中bp-lstm网络模型的训练方法如下：
[0038]
s1：获取大坝某时间段t∈[t0，t1]的历史监测数据，具体包括：各时刻的大坝上、下游水位(t时刻的上游水位记为hu
t
，下游水位记为hd
t
)，大坝上游边界温度，各高程测点温度记为tb
t_h
，以及所需预测的监测物理量u
t
。
[0039]
s2、采用bp神经网络对大坝各时刻的边界温度进行处理，即通过一个bp神经网络进行边界温度的特征提取并得到相应时刻的一维温度特征向量。
[0040]
s2-1、对于每个时刻t的边界温度测值序列，通过在高度方向等间距线性插值得到大坝边界温度向量记为tb
t
＝[tb
1t
，tb
2t
，
……
，tb
nt
]，其中n为插值数量，定为常数。
[0041]
s2-2、将每个时刻t的大坝边界温度向量tb
t
输入bp神经网络进行处理，得到输出的温度特征向量记为tt＝[t
1t
，t
2t
，
……
，t
mt
]，其中m为所取温度特征的数量。
[0042]
步骤s2-1及s2-2实施的前提是上游坝面布置有边界温度测值断面的情况；若未布置边界温度监测断面，则以实测坝趾气温t构建温度特征向量，即t
t
＝[t，t，
……
，t]。
[0043]
s3、采用循环神经网络(此处采用长短期记忆网络，即lstm)进行监测物理量预测，即将某时间段内每个时刻由bp神经网络提取的温度特征向量，实测的上下游水位及时间作为lstm神经网络的输入，输出即为监测物理量的预测值。
[0044]
s3-1：令时刻t的自变量向量xt＝[tt，hut，hdt，t]，应变量yt＝ut；
[0045]
通过历史监测数据构建固定长度为s的自变量时间序列x＝[x
t0+(s-1)
，x
t0+s
，
……
，x
t1
]，其中x
t
＝[x
t-(s-1)
，x
t-(s-2)
，
……
，x
t
]；
[0046]
构建应变量时间序列y＝[y
t0+(s-1)
，y
t0+s
，
……
，y
t1
]，其中y
t
＝y
t
；
[0047]
此处常数s的物理意义是自变量对应变量影响的滞后效应的时间长度。
[0048]
s3-2：以自变量序列x作为lstm神经网络的输入，以lstm神经网络最后一个单元的输出为监测物理量的预测值，由预测值构建的时间序列记为y1。
[0049]
s4：构建模型损失函数为预测应变量序列y1与实测应变量序列y的均方根之和，以损失函数值最小为优化目标，利用历史监测数据样本对bp-lstm网络模型进行训练并保存最优模型的参数。
[0050]
本实施例中利用训练好的bp-lstm网络模型进行大坝监测物理量智能预测的方法，包括：获取需预测时段内的大坝监测数据，包括各时刻的大坝上、下游水位和大坝上游
边界温度；将预测时段内各时刻的大坝上、下游水位和大坝上游边界温度输入bp-lstm网络模型，输出该预测时段内监测物理量的预测值，具体包括：
[0051]
获取需预测时段内的监测数据，对于需预测时段内的温度及水位数据，采用上述步骤s2-1～s2-2进行处理，得到预测时段自变量序列x1＝[x
t1+1
，x
t1+2
，
……
，x
t1+r
]，其中r为预测时段的长度；
[0052]
构建预测自变量序列，即利用历史数据及预测时段内的数据，同步骤s3-1构造自变量时间序列x1＝[x
t1+1
,x
t1+2
，
……
，x
t1+r
]，其中x
t1+i
＝[x
t1+i-(s-1)
，x
t1+i-(s-2)
，
……
，x
t1+i
]，i∈[1，r]；
[0053]
将预测时段的自变量序列x作为lstm神经网络的输入，由网络模型最后一个单元的输出组成的时间序列即为该时段内监测物理量的预测值序列。
[0054]
本实施例还提供一种存储介质，其上存储有可供处理器执行的计算机程序，该计算机程序被执行时实现所述基于bp-lstm的大坝监测物理量智能预测方法的步骤。
[0055]
本实施例还提供一种基于bp-lstm的大坝监测物理量智能预测设备，具有存储器和处理器，存储器上存储有可供处理器执行的计算机程序，计算机程序被执行时实现所述基于bp-lstm的大坝监测物理量智能预测方法的步骤。