基于因果和邻近影响的拱坝温度场监测数据缺值插补方法

本发明涉及坝体温度场监测领域，具体涉及一种基于因果和邻近影响的拱坝温度场监测数据缺值插补方法。

背景技术：

1、现有混凝土坝位移监控模型中，hst(hydraulic-seasonal-time)模型因简洁方便而广泛应用，其所需外因输入数据仅为库水位。然而，hst模型中周期性谐波温度因子实际是坝址气温的理想化描述，难以反映极端气候影响和高拱坝坝体各部位温度演变规律的差异性。对此，利用坝体实测温度数据来建立温度变形因子，是提升混凝土坝位移监控模型的解释能力和预测精度的有效方法之一，但因大坝监测仪器故障或自动化监测系统不稳定等原因，导致部分温度测点存在监测数据缺失的现象，且多测点缺值往往出现在相近时段，因此对拱坝温度场监测数据缺值的合理插补是十分重要的。

2、为进行监测数据缺值插补，王斌等提出了贝叶斯模型加权平均法，潘迪夫等提出了卡尔曼滤波法，zhang等提出了递归甲醛最小平方法和极大似然估计法，黄成章等提出了考虑时间和截面两种维度的混凝土坝变形监测数据插补方法，shao等提出了利用图像处理法直接对实测过程线进行缺值插补。此外，集成人工智能算法的机器学习模型，如最大似然估计(em)算法、bp神经网络、极限学习机(elm)和随机森林(rf)等，具有强大的非线性数据挖掘能力，进而也被广泛地应用于监测数据的缺值插补，其本质是利用已建立的机器学习模型进行缺值段的预测。

3、总结发现，当前监测数据缺值插补方法主要是针对单测点，而高拱坝上设置的温度测点数以百计、甚至上千，直接使用已有的单侧点插补方法，会导致整体插补效率低，缺少多测点插补顺序的判断准则，且插补过程中没有充分利用多测点温度时间序列之间的邻近影响关系。

技术实现思路

1、本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于因果和邻近影响的拱坝温度场监测数据缺值插补方法，它可以实现拱坝温度场监测数据缺值的高效、准确插补。

2、为了解决上述技术问题，本发明的技术方案是：一种基于因果和邻近影响的拱坝温度场监测数据缺值插补方法，包括：

3、区分完整温度时间序列和待插补温度时间序列；

4、根据缺值段所处位置和相对变化幅值判断每个待插补温度时间序列的各个缺值段是否符合线性插补标准；

5、如果符合，进行线性插补；如果不符合，建立兼顾因果机理和邻近影响的预测模型，并基于多测点分层标准和同层优先级准则进行机器学习插补。

6、进一步，所述线性插补标准为满足情况a和情况b中的任一种；其中，

7、情况a：所述缺值段为不连续缺值，且缺值日期数不超过预设日期数；

8、情况b：所述缺值段为连续缺值段，且位于周期性循环中的上升或下降段，且相对变化幅值小于预设阈值。

9、进一步，所述相对变化幅值的计算公式为：

10、

11、式中，tu和td分别为所述连续缺值段首、尾的温度测值，tmax和tmin分别为该温度时间序列的年最大值和年最小值。

12、进一步，所述多测点分层标准为：

13、步骤sa，将所有与完整温度时间序列满足相似距离阈值的待插补温度时间序列划分为待插补层；其中，本步骤中的完整温度时间序列包括线性插补前的完整温度时间序列和线性插补所形成的完整温度时间序列；

14、步骤sb，经svm建模完成待插补层插补后，待插补层中所有温度时间序列成为完整温度时间序列；其中，待插补层在svm建模时以邻近温度因子、上游库水位和坝址气温作为建模因子；

15、步骤sc，在剩余待插补温度时间序列中，与上一待插补层插补完成的完整温度时间序列满足相似距离阈值的，划分为新的待插补层，返回步骤sb，直到所有剩余待插补温度时间序列与上一层插补完成的完整温度时间序列均不满足相似距离阈值要求；

16、步骤sd，所有剩余待插补温度时间序列作为剩余层；其中，剩余层中的待插补温度时间序列在建立svm插补预测模型时至少使用上游库水位和坝址气温作为建模因子。

17、进一步，所述邻近温度因子是从与本待插补温度时间序列满足相似距离阈值的完整温度时间序列中选取的。

18、进一步，在划分待插补层的过程中，越往后的待插补层的相似距离阈值越大。

19、进一步，所述同层优先级准则为：

20、对于划分在同一待插补层的待插补温度时间序列，先逐个计算待插补温度时间序列与上一层的所有完整温度时间序列之间的相似距离总和，相似距离总和越小，对应测点在同层中插补优先级越高。

21、进一步，所述同层优先级准则还包括：

22、对于剩余层，计算该层各待插补温度时间序列与所有完整温度时间序列之间的相似距离，相似距离总和越小者，在本层中优先插补，本层中先插补的温度时间序列与后续待插补温度时间序列满足相似距离阈值时，前者作为后者的邻近温度因子，本层中最先插补的温度时间序列以及不存在邻近温度因子的后插补温度时间序列仅使用上游库水位和坝址气温作为建模因子，其它温度时间序列使用邻近温度因子、上游库水位和坝址气温共同作为建模因子。

23、进一步，所述同层优先级准则还包括：

24、同一待插补层中，先前完成插补的温度时间序列如果与后续待插补温度时间序列满足相似距离阈值，则作为后续待插补温度时间序列的邻近温度因子。

25、进一步，如果邻近温度因子的总数超过5，选用相似距离最小的前5个。

26、采用上述技术方案后，本发明将缺值位置以及相对变化幅值作为温度时间序列缺值插补方法选择标准，能够合理兼顾缺值段的特性；相较于传统的无序插补法，本发明使用多测点分层插补并考虑同层插补优先级，可有效实现拱坝温度场全部测点温度时间序列的系统性插补，并对尽可能多的测点考虑了邻近温度时间序列的影响，最大程度地利用了拱坝温度场多测点之间的空间关联性，从而实现温度场所有测点缺值的高效、准确插补，且易于实施。

技术特征：

1.一种基于因果和邻近影响的拱坝温度场监测数据缺值插补方法，其特征在于，

2.根据权利要求1所述的基于因果和邻近影响的拱坝温度场监测数据缺值插补方法，其特征在于，

3.根据权利要求2所述的基于因果和邻近影响的拱坝温度场监测数据缺值插补方法，其特征在于，

4.根据权利要求1所述的基于因果和邻近影响的拱坝温度场监测数据缺值插补方法，其特征在于，

5.根据权利要求4所述的基于因果和邻近影响的拱坝温度场监测数据缺值插补方法，其特征在于，

6.根据权利要求4所述的基于因果和邻近影响的拱坝温度场监测数据缺值插补方法，其特征在于，

7.根据权利要求4所述的基于因果和邻近影响的拱坝温度场监测数据缺值插补方法，其特征在于，

8.根据权利要求7所述的基于因果和邻近影响的拱坝温度场监测数据缺值插补方法，其特征在于，

9.根据权利要求7所述的基于因果和邻近影响的拱坝温度场监测数据缺值插补方法，其特征在于，

10.根据权利要求8或9所述的基于因果和邻近影响的拱坝温度场监测数据缺值插补方法，其特征在于，

技术总结
本发明涉及一种基于因果和邻近影响的拱坝温度场监测数据缺值插补方法，包括：区分完整温度时间序列和待插补温度时间序列；根据缺值段所处位置和相对变化幅值判断每个待插补温度时间序列的各个缺值段是否符合线性插补标准；如果符合，进行线性插补；如果不符合，建立兼顾因果机理和邻近影响的预测模型，并基于多测点分层标准和同层优先级准则进行机器学习插补。本发明可以实现拱坝温度场监测数据缺值的高效、准确插补。

技术研发人员：隋旭鹏,王少伟,刘毅,顾昊,夏雄
受保护的技术使用者：常州大学
技术研发日：
技术公布日：2024/1/15