大坝安全监测数据预测方法、系统及存储介质与流程

1.本发明涉及大坝安全监测技术领域，尤其涉及一种基于lstm的大坝安全监测数据预测方法、系统及存储介质。


背景技术：

2.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。
3.目前，用于大坝安全监测数据的模型有传统的基于温度、降雨、水位、时效变量的线性模型，通过人工筛选一定代表性的自变量对变形、渗流数据进行建模分析。近年来，随着计算机技术的发展，机器学习、深度学习也广泛用于大坝监测数据的建模分析，主要通过构建非线性模型来寻找输入与输出的映射关系，模型精度也越来越高，然而其输入变量受特征维度的限制，不可能将所有原始数据包括历史数据单独作为变量，目前仍普遍采用传统线性模型的变量特征值，其对原始数据采取经验性特征提取的降维处理方式，导致了部分原始信息包括历史信息的丢失，因而不能充分反应输出对输入的延迟响应。因此，有必要提供一种大坝安全监测数据预测方案来解决此问题。


技术实现要素：

4.针对现有技术的不足之处，本发明的目的在于提供一种大坝安全监测数据预测方法、系统及存储介质，能够实现历史输入变量的高效利用，从而更有效地预测大坝安全监测数据。
5.为了实现上述目的，本发明采用如下技术方案。
6.第一方面，提供了一种大坝安全监测数据预测方法，包括：
7.获取与大坝安全监测数据相关联的延迟响应变量和非延迟响应变量；其中，延迟响应变量的形式为时间序列，非延迟响应变量为当前时间点的数据；
8.将延迟响应变量和非延迟响应变量输入预先训练好的大坝安全监测数据预测模型中，得到当前时间点的大坝安全监测数据预测值；
9.其中，所述大坝安全监测数据预测模型包括输入层、至少两层隐含层、输出层，第一个隐含层包括lstm记忆模块和常规神经元，后续隐含层为常规神经元；输入层中的延迟响应变量首先流入第一个隐含层的lstm记忆模块，而非延迟响应变量则流入第一个隐含层的常规神经元，两者的输出响应再一并流入后续隐含层的常规神经元。
10.进一步地，所述大坝安全监测数据为变形数据或渗流数据。
11.进一步地，所述变形数据至少包括垂线、沉陷和挠度中的一种；所述渗流数据至少包括扬压力、渗漏量中的一种。
12.进一步地，所述大坝安全监测数据为变形数据时，延迟响应变量包括大坝周围温
度及水位的时间序列，非延迟响应变量为时效因子；所述大坝安全监测数据为渗流数据时，延迟响应变量包括大坝周围温度、水位及降雨的时间序列，非延迟响应变量为时效因子。
13.进一步地，所述大坝周围温度包括气温、库水温、太阳辐射等效温度中的至少一种。
14.进一步地，所述水位包括上游水位和下游水位中的至少一种。
15.进一步地，所述时效因子为时间或时间函数。
16.进一步地，所述大坝安全监测数据预测模型通过如下方法得到：
17.获取大坝安全监测测点的大坝安全监测数据及与其相关联的延迟响应变量和非延迟响应变量，构建训练数据集；
18.构建基于lstm的网络模型，其包括输入层、至少两层隐含层、输出层，第一个隐含层包括lstm记忆模块和常规神经元，后续隐含层为常规神经元；输入层中的延迟响应变量首先流入第一个隐含层的lstm记忆模块，而非延迟响应变量则流入第一个隐含层的常规神经元，两者的输出响应再一并流入后续隐含层的常规神经元；最后一个隐含层的输出响应流入输出层；
19.以延迟响应变量和非延迟响应变量为输入，且延迟响应变量的截止时间为当前时间点，以当前时间点的大坝安全监测数据为输出，利用训练数据集对基于lstm的网络模型进行训练，得到大坝安全监测数据预测模型。
20.第二方面，提供了一种大坝安全监测数据预测系统，包括：
21.一个或多个存储器，其上存储有计算机程序；
22.一个或多个处理器，用于加载并执行所述计算机程序时实现如上所述的大坝安全监测数据预测方法的步骤。
23.第三方面，提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的大坝安全监测数据预测方法的步骤。
24.本发明提出了一种大坝安全监测数据预测方法、系统及存储介质，将与大坝安全监测数据相关联的划分为延迟响应变量和非延迟响应变量，延迟响应变量的形式为时间序列，非延迟响应变量为当前时间点的数据，并将传统的lstm网络模型进行改进，在第一个隐含层中分成两个路，一路为lstm记忆模块，与输入层输入的延迟响应变量对应，另一路为常规神经元，与输入层输入的非延迟响应变量对应；然后通过后续的隐含层及输出层对变量特征进行整合，输出高精度的大坝安全监测数据。该方案中，非延迟响应变量仅取当前时间点的数据用于避免使用其历史数据产生的噪声干扰，能够实现历史输入变量的高效利用，从而更有效地预测大坝安全监测数据。
附图说明
25.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的前提下，还可以根据这些附图获得其他的附图。
26.图1是本发明实施例大坝安全监测数据预测模型架构图；
27.图2是本发明一对比例提供的大坝变形的lstm模型架构图；
28.图3是本发明一对比例提供的大坝渗流的lstm模型架构图。
具体实施方式
29.为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
30.考虑到现有的通过机器学习来预测大坝安全监测数据的方案中，其输入变量受特征维度的限制，不可能将所有原始数据包括历史数据单独作为变量，目前仍普遍采用传统线性模型的变量特征值，其对原始数据采取经验性特征提取的降维处理方式，导致了部分原始信息包括历史信息的丢失，因而不能充分反应输出对输入的延迟响应。针对此问题，本发明提供了一种基于lstm的大坝安全监测数据预测方法、系统及存储介质，以有效解决上述问题，下面对本发明的具体方案进行说明。
31.本发明实施例提供了一种大坝安全监测数据预测方法，包括：
32.s1：获取与大坝安全监测数据相关联的延迟响应变量和非延迟响应变量；其中，延迟响应变量的形式为时间序列，其截止时间为当前时间点，非延迟响应变量为当前时间点的数据；
33.s2：将延迟响应变量和非延迟响应变量输入预先训练好的大坝安全监测数据预测模型中，得到当前时间点的大坝安全监测数据预测值。
34.需特别强调的是，如图1所示，本实施例中，所述大坝安全监测数据预测模型包括输入层、至少两层隐含层、输出层，第一个隐含层包括lstm记忆模块和常规神经元，后续隐含层为常规神经元；输入层中的延迟响应变量首先流入第一个隐含层的lstm记忆模块，而非延迟响应变量则流入第一个隐含层的常规神经元，两者的输出响应再一并流入后续隐含层的常规神经元；最后一个隐含层的输出响应流入输出层，输出层输出大坝安全监测数据预测值。需要说明的是，第一个隐含层中的lstm记忆模块可以是一个或多个，如图1所示，展示的是一个包含m个lstm记忆模块的示例，这m个lstm记忆模块输入均相同，是m个并行的lstm记忆模块，可以理解为m个神经元，h(t)m表示第m个lstm记忆模块的输出。
35.将与大坝安全监测数据相关联的划分为延迟响应变量和非延迟响应变量，延迟响应变量的形式为时间序列，非延迟响应变量为当前时间点的数据，并将传统的lstm网络模型进行改进，在第一个隐含层中分成两个路，一路为lstm记忆模块，与输入层输入的延迟响应变量对应，另一路为常规神经元，与输入层输入的非延迟响应变量对应；然后通过后续全连接的隐含层及输出层对变量特征进行整合，输出高精度的大坝安全监测数据。该方案中，非延迟响应变量仅取当前时间点的数据用于避免使用其历史数据产生的噪声干扰，能够实现历史输入变量的高效利用，从而更有效地预测大坝安全监测数据。
36.当然，在实施上述实施例提供的大坝安全监测数据预测方法之前，还需预先训练好的大坝安全监测数据预测模型，其具体过程如下：
37.a1：获取大坝安全监测测点的大坝安全监测数据及与其相关联的延迟响应变量和非延迟响应变量，构建训练数据集。其中，测点处的数据可以通过在大坝设置检测仪器或人工观测得到。
38.a2：构建基于lstm的网络模型，其包括输入层、至少两层隐含层、输出层，第一个隐含层包括lstm记忆模块和常规神经元，后续隐含层为常规神经元；输入层中的延迟响应变量首先流入第一个隐含层的lstm记忆模块，而非延迟响应变量则流入第一个隐含层的常规神经元，两者的输出响应再一并流入后续隐含层的常规神经元；最后一个隐含层的输出响应流入输出层。
39.a3：以延迟响应变量和非延迟响应变量为输入，且延迟响应变量的截止时间为当前时间点，以当前时间点的大坝安全监测数据为输出(延迟响应变量的截止时间、非延迟响应变量对应的时间及输出的大坝安全监测数据对应的时间为同一时间点)，利用训练数据集对基于lstm的网络模型进行训练，得到大坝安全监测数据预测模型。
40.作为本发明的一优选实施例，在构建大坝安全监测数据预测模型以及利用该模型对大坝安全监测数据进行预测的过程中，在获取到延迟响应变量和非延迟响应变量等数据之后，均进行了标准化预处理，以同一量纲并缩减计算成本，其中，标准化预处理的方法可以选择直线型方法、折线型方法、曲线型方法中的一种。
41.上述实施例提供的大坝安全监测数据预测方法可以适用于对不同的大坝安全监测数据的预测，如对大坝的变形数据或大坝的渗流数据的预测。所述大坝安全监测数据为变形数据时，延迟响应变量可以选择大坝周围温度及水位的时间序列，非延迟响应变量可以选择时效因子；所述大坝安全监测数据为渗流数据时，延迟响应变量可以选择大坝周围温度、水位及降雨的时间序列，非延迟响应变量可以选择时效因子。其中，所述大坝周围温度包括气温、库水温、太阳辐射等效温度中的至少一种；所述水位包括上游水位和下游水位中的至少一种；所述降雨为大坝的降雨量。所述时效因子为时间或时间函数，时效因子为时间时，可以是距离起始时间的天数，该起始时间可以是延迟响应变量的起始时间，也可以是指定的其他时间；时效因子为时间函数时，可以是线性函数、对数函数或指数函数等，以对数函数为例，时效因子可以为t+ln(1+t)，t为距离起始时间的天数。
42.需说明的是，变形数据至少包括垂线、沉陷和挠度中的一种，分别用于测量大坝水平位移、大坝垂直位移、大坝挠度变形；所述渗流数据至少包括扬压力、渗漏量中的一种，用于测量大坝坝基、坝体的渗漏水平。实施时，可以选择分别建立针对变形数据或渗流数据中每一类数据的大坝安全监测数据预测模型，即多输入单输出的模型结构。也可以选择多输入多输出的方式，以同时预测垂线、沉陷和挠度三类变形数据为例，模型的输入层、隐含层不变，在输出层包括三个神经元节点，三个神经元节点通过模型训练分别得到一个隐含层输出响应与垂线、沉陷和挠度的映射函数。同理，也可实现一个模型同时对扬压力、渗漏量的进行预测，在此不再赘述。
43.为了进一步了解本发明的优势，下面结合一些对比例对本发明提供的技术方案的效果进行说明。
44.以变形数据中的垂线数据预测和渗流数据中的扬压力数据预测为例进行具体说明。采用某拱坝2000/6/11-2014/5/29期间的垂线数据和2005/6/9-2014/5/29的扬压力数据，获取测点的测值为在大坝设置监测仪器或人工观测，位置分别位于坝顶和坝基处。
45.本发明的模型架构如图1所示，将本发明的模型命名为ilstm，表示改进的lstm模型。对比例包括常规的长短期记忆模型(命名为lstm)以及传统的机器学习模型，传统的机器学习模型包括多元线性回归模型mlr、多元神经网络模型mlp、支持向量机模型svm、梯度
提升树模型brt。图2展示了基于常规的lstm的大坝变形的lstm模型架构图，显示一个隐含层包含一个lstm记忆模块；x
ijv
为输入数据，yi(tk)为输出数据即垂线测值，i表示第i个样本，tj表示第j个时间步，j＝1,2,..k，k为时间序列长度即延迟响应时长，v表示变量个数，h为水位，t为温度，θ为时效因子，输入变量均以时间序列的形式表示。图3展示了基于常规的lstm的渗流的lstm模型架构图，显示一个隐含层包含一个lstm记忆模块；x
ijv
为输入数据，yi(tk)为输出数据即扬压力测值，i表示第i个样本，tj表示第j个时间步，j＝1,2,..k，k为时间序列长度即延迟响应时长，v表示变量个数，h为水位，t为温度，降雨为r，θ为时效因子，输入变量均以时间序列的形式表示。
46.依据工程经验，传统的机器学习模型的垂线测点的输入变量可表示如下：
47.x＝[h0,h
02
,h
03
,h
04
,sin(2πt/365),cos(2πt/365),sin2(2πt/365),sin(2πt/365)*cos(2πt/365),θ,e-θ
]
[0048]
其中，h0,h
02
,h
03
,h
04
分别表示当前时间点水位的1～4次方，这是由于水压作用引起的大坝任一点的水平位移与水压的1～4次方有关。sin(2πt/365)，cos(2πt/365)，sin2(2πt/365)，sin(2πt/365)*cos(2πt/365)为使用三角函数模拟气温、水温等温度因子的影响，同时三角函数也可以模拟温度产生的延迟效应，也可以采用多天温度的平均值进行模拟，本实例通过前期测试得出了采用三角函数的方法精度更高的结论。e-θ
表示指数函数的时效因子，用于模拟坝体在持续荷载作用下的压缩和塑性变形对监测效应量的影响。上述变量选取为现有公知技术。
[0049]
采用传统的机器学习模型的扬压力测点的输入变量可表示如下：
[0050]
x＝[h0,h
1-7
,h
8-15
,h
16-30
,h
31-60
,h
61-90
,t0,t
1-7
,t
8-15
,t
16-30
,t
31-60
,t
61-90
,r0,r
1-7
,r
8-15
,r
16-30
,r
31-60
,r
61-90
,θ,e-θ
]
[0051]
其中，各变量下标表示距离当前时间点的天数之内的平均值。依据工程经验，lstm模型的时间序列长度取垂线测点当前时间点前135天、扬压力测点当前时间点前90天，具体的计算过程，为现有公知技术，在此不再赘述。计算结果对比表见表1和表2。
[0052]
表1各模型建模性能指标(拱坝坝顶垂线测点)
[0053][0054]
表2各模型建模性能指标(拱坝坝基扬压力测点)
[0055][0056]
从上述两个表格可以看出，训练集精度最高的brt模型，在测试集上表现不佳，而
lstm和ilstm模型在平均误差和均方差及相关系数模型上，既保证了训练集的精度，在测试集上也有很高的精度。ilstm模型较lstm模型效果更佳，是因为将不同物理性质的变量分为延响应迟和非延迟响应变量，从而避免了非延迟响应变量历史数据产生的噪声干扰。
[0057]
通过建模分析可知，仅采用原始变量序列的ilstm模型在各类性能指标上整体优于经验选取的多个变量。ilstm不仅实现端到端模型的建立，不依赖于人工经验，同时还由于充分利用了历史数据信息，从而实现了更高的精度。
[0058]
本发明实施例还提供了一种大坝安全监测数据预测系统，包括：
[0059]
一个或多个存储器，其上存储有计算机程序；
[0060]
一个或多个处理器，用于加载并执行所述计算机程序时实现上述任一实施例提供的大坝安全监测数据预测方法的步骤。
[0061]
该电子终端还包括：通信接口，用于与外界设备进行通信，进行数据交互传输。
[0062]
其中，存储器可能包含高速ram存储器，也可能还包括非易失性除颤器，例如至少一个磁盘存储器。
[0063]
如果存储器、处理器和通信接口独立实现，则存储器、处理器和通信接口可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构总线，外部设备互联总线或扩展工业标准体系结构总线等。所述总线可以分为地址总线、数据总线、控制总线等。
[0064]
可选的，在具体实现上，如果存储器、处理器和通信接口集成在一块芯片上，则存储器、处理器即通信接口可以通过内部接口完成相互之间的通信。
[0065]
各个步骤的具体实现过程请参照前述方法的阐述。
[0066]
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
[0067]
本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例提供的大坝安全监测数据预测方法的步骤。
[0068]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0069]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0070]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0071]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0072]
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
[0073]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。