大坝变形异常值识别方法及系统与流程

本发明公开了一种大坝变形异常值识别方法及系统，具体为一种基于时空聚类和深度学习的大坝变形异常值识别方法及系统，属于大坝安全监测。

背景技术：

1、安全监测是定量分析大坝安全性态的重要方法。大坝众多监测科目中，变形能够真实、直观、准确地反映大坝安全性态变化，是大坝最重要的监测内容。然而，采集的变形监测数据受仪器故障、人为因素或其他不确定因素的影响，不可避免地会出现各种异常值。

2、异常数据可能是荷载急剧变化造成的正常结构反映，也可能是仪器故障、人为因素等造成的粗差错误数据。因此，对大坝变形异常值进行精准识别，对大坝监测数据分析及安全评价研究具有重要意义。

3、现有技术通常是利用统计检验法和监控模型法识别大坝变形异常值。但统计检验法仅考虑变形数据本身，未结合大坝变形输入输出关系，容易错误将正常数据误诊断为异常值。监控模型法主要考虑单测点监测数据的异常值，忽略了与相似测点的时空关联特性，导致识别结果出错。

技术实现思路

1、本申请的目的在于，提供一种大坝变形异常值识别方法及系统，以解决现有技术中大坝变形异常值识别方法存在的识别结果不准确的技术问题。

2、本发明的第一方面提供了一种大坝变形异常值识别方法，包括：

3、对大坝上多个测点进行聚类分区，并获取每个分区内每个测点的预测值和实测值之间的残差；

4、根据每个分区内所有测点的残差，确定每个分区的综合残差；

5、结合所述预测值和所述综合残差，确定每个分区内测点的实测值中的异常值。

6、优选地，对大坝上多个测点进行聚类分区，具体包括：

7、获取大坝上每一个测点与其他测点之间的综合距离；

8、根据所述综合距离，利用最小离差平方和系统聚类法对多个测点进行聚类分区。

9、优选地，获取大坝上每一个测点与其他测点之间的综合距离，具体包括：

10、获取大坝上每一个测点与其他测点之间的绝对距离、增量距离和增速距离；

11、根据所述绝对距离、增量距离和增速距离，确定每一个测点与其他测点之间的综合距离。

12、优选地，所述绝对距离根据一个测点的变形值与另一个测点的变形值之间的差值确定；

13、所述增量距离根据一个测点相较于前一时刻的变形增量与另一个测点相较于前一时刻的变形增量之间的差值确定；

14、所述增速距离根据一个测点的变形增速与另一个测点的变形增速之间的差值确定。

15、优选地，获取每个分区内每个测点的预测值和实测值之间的残差，具体包括：

16、优化每个分区的预测模型的超参数；

17、根据每个分区的环境影响因子、每个测点的历史测值和所述超参数，训练对应分区的所述预测模型；

18、获取预测模型对对应每个分区内每个测点的预测值，并确定每个测点的预测值和实测值之间的残差。

19、优选地，优化每个分区的预测模型的超参数，具体包括：

20、利用蜜獾算法优化每个分区的预测模型的超参数。

21、优选地，所述预测模型为双向长短时记忆神经网络模型。

22、优选地，根据每个分区内所有测点的残差，确定每个分区的综合残差，具体包括：

23、获取每个分区内每一个测点的残差与其余测点的残差之间的相关系数；

24、根据所述分区内的所有所述相关系数，确定每个分区的综合残差。

25、优选地，结合所述预测值和所述综合残差，确定每个分区内测点的实测值中的异常值，具体包括：

26、利用所述综合残差确定每个分区的基准值；

27、将每个分区内的每个测点的预测值与实测值之间的差值与所述基准值进行对比，确定每个分区内测点的实测值中的异常值。

28、本发明的第二方面提供了一种大坝变形异常值识别系统，包括：

29、残差模块，所述残差模块用于对大坝上多个测点进行聚类分区，并获取每个分区内每个测点的预测值和实测值之间的残差；

30、综合残差模块，所述综合残差模块用于根据每个分区内所有测点的残差，确定每个分区的综合残差；

31、异常值确定模块，所述异常值确定模块用于结合所述预测值和所述综合残差，确定每个分区内测点的实测值中的异常值。

32、本发明的大坝变形异常值识别方法及系统，相较于现有技术，具有如下有益效果：

33、本发明方法利用最小离差平方和系统聚类法完成测点变形聚类分区，采用蜜獾算法对预测模型进行超参数优化，基于最优超参数进行建模预测。然后，在相似测点残差相关性的基础上构建异常值判别指标，当研究测点的监测数据序列残差大于指标标准，即可识别为异常值。

34、本发明方法考虑大坝变形的时空关联特性并提出高精度的大坝变形预测模型，可以更加合理地识别出大坝的异常测值，提升了对变形监测数据的异常值识别的精度，为大坝变形提供了一种高精度预测及异常值识别方法。

技术特征：

1.一种大坝变形异常值识别方法，其特征在于，包括：

2.根据权利要求1所述的大坝变形异常值识别方法，其特征在于，对大坝上多个测点进行聚类分区，具体包括：

3.根据权利要求2所述的大坝变形异常值识别方法，其特征在于，获取大坝上每一个测点与其他测点之间的综合距离，具体包括：

4.根据权利要求3所述的大坝变形异常值识别方法，其特征在于，所述绝对距离根据一个测点的变形值与另一个测点的变形值之间的差值确定；

5.根据权利要求1所述的大坝变形异常值识别方法，其特征在于，获取每个分区内每个测点的预测值和实测值之间的残差，具体包括：

6.根据权利要求5所述的大坝变形异常值识别方法，其特征在于，优化每个分区的预测模型的超参数，具体包括：

7.根据权利要求5所述的大坝变形异常值识别方法，其特征在于，所述预测模型为双向长短时记忆神经网络模型。

8.根据权利要求1所述的大坝变形异常值识别方法，其特征在于，根据每个分区内所有测点的残差，确定每个分区的综合残差，具体包括：

9.根据权利要求1所述的大坝变形异常值识别方法，其特征在于，结合所述预测值和所述综合残差，确定每个分区内测点的实测值中的异常值，具体包括：

10.一种大坝变形异常值识别系统，其特征在于，包括：

技术总结
本发明属于大坝安全监测技术领域，具体公开了一种大坝变形异常值识别方法及系统，解决了现有大坝变形异常值识别方法存在的识别结果不准确的技术问题。本发明的识别方法包括：对大坝上多个测点进行聚类分区，并获取每个分区内每个测点的预测值和实测值之间的残差；根据每个分区内所有测点的残差，确定每个分区的综合残差；结合预测值和综合残差，确定每个分区内测点的实测值中的异常值。本发明的识别方法及系统，考虑大坝变形的时空关联特性并提出了高精度的大坝变形预测模型，可以更加合理地识别出大坝的异常测值，提升了对变形监测数据的异常值识别精度，为大坝变形提供了一种高精度预测及异常值识别方法。

技术研发人员：费新峰,刘海敏,张治,张小宁,岳子·文轩丞稷,孙剑,宋璇,朱海晨,寇一丹,魏鹏刚
受保护的技术使用者：国家电投集团青海黄河电力技术有限责任公司
技术研发日：
技术公布日：2024/1/15