CN104792350A - 一种大坝监测自动化比测方法 - Google Patents

Abstract

本发明公开了一种大坝监测自动化比测方法，其特征是，首先，基于时间序列对二者进行测次对齐，降低因样本本身带来的差异性，其次，基于方差分析判定二者间测量差值是否满足2ζ法则，再次，进行样本相关性及差异性分析，检定二者互相关性的强弱，和在多个显著性水平上差异是否显著，最后，基于谱分析对比二者的规律性如周期、变幅；本发明所述一种大坝监测自动化比测方法在进行比测前进行了自动测次对齐操作，提高了样本质量；所述一种大坝监测自动化比测方法从方差精度、差异性、相关性及规律性方面全面分析挖掘了人工与自动化测量数据的内在关联，得出的比测结论更为可信，并兼具校核作用。

Description

一种大坝监测自动化比测方法

技术领域

本发明属于测量监测方法，尤其涉及一种大坝监测自动化比测方法。

背景技术

大坝安全监测中的数据比测，是对自动化系统的测量值与人工观测值进行对比及分析，以验证自动化系统测量稳定性和可靠性的过程。人工观测由于其历史久远，应用广泛，过程简单等特性，公认具有较高的测量稳定性和可信度。相对的，自动化观测具有高精度和高频测量等优点，但其测量的稳定性和可靠性需要得到确认，因此与人工观测进行比对就显得自然而然了，由此国家标准中关于自动化系统验收的部分也提出了与人工观测结果进行比测的要求。

目前，行业内关于大坝安全数据比测的方式方法及分析手段并无明确规定，实际应用中，以人工操作方式，设定二者测量差值上下限的阙值法较为普遍，此外，通过数据处理软件绘制二者过程线，人工比对曲线的周期、趋势等进而得出结论也较为常见。然而这些方案无论是数据的人工预处理，还是数据间内在联系的分析挖掘，乃至比对结果的说服力，都存在的一定的不足。

目前行业内进行比测的主要缺点为:a.未进行测次对齐，影响比测结论，如未对齐的测值序列将导致在判断监测量信号特征和趋势方面出现较大偏差；或人工进行数据对齐，不仅繁琐，也易出错；b.仅利用一种或两种比较浅层、直观的数据对比方法，分析能力较弱。实际应用中，通常仅采用阈值法或过程线法，来处理短时序小样本的比测工况；c.对数据挖掘不够全面、深入，结论缺乏说服力。例如，在小样本的工况下即便二者测量差值在误差范围内，仍不能量化的说明其差异性水平及存在的系统误差风险；d.以人工操作为主，耗时耗力，且计算能力较弱，不适合处理长时序大样本的工况。

通过以上我们可以看出，行业内目前普遍采用的比测方法存在着较为明显的缺陷，影响了大坝安全监测工作信息化水平的进一步提高。

发明内容

针对上述现有技术存在的不足，本发明的目的在于，提供一种基于多维度的分析视角，多阶段的进行大坝安全监测中人工和自动化测量数据的比测。

为了实现上述目的，本发明所采用的技术方案是：一种大坝监测自动化比测方法，其特征是，包括下列步骤：

1)基于时序的测次对齐：以自动化系统测量数据的时间值为基准，在给定的有效时间范围内，查询与自身时间值最为接近的人工观测值；如果没有查到，则丢弃该自动化测量值，这样就形成了两组时序一致、数量相等的样本组。

2)方差分析：记人工观测设备的测量精度为ζ_M，自动化系统设备的测量精度为ζ_N(此二者皆可由设备厂商提供的设备率定资料得到)，自动化测量值与对应的人工观测值的绝对差值Δ应满足公式1：

$\mathrm{\Δ}\≤\sqrt{2{{\mathrm{\ζ}}^2}_M+2{{\mathrm{\ζ}}^2}_N}$

公式1

本步骤可输出超限的测值数量，及所占有效样本数的百分比。

3)差异性及相关性分析：对于同一监测量的一致时序的两组测值序列进行检验，包括两个序列的均值的差异性检验、两个序列的方差的差异性检验及两个序列的相关性检验，如序列具有较高的相关性，则可以认定，虽然监测方式不同，但是二者测量结果一致。

4)规律性分析：主要是将监测量的变化视为随机过程，将二组时间序列数值视为离散信号量，在此基础上，通过基于快速傅里叶变换的谱分析，将二组信号的所包含周期、振幅及相位等特征量输出，并进行对比。

所述两个序列的均值的差异性检验为：假设M与N均值无显著性差异，即有：H₀：E_M＝E_N，构建检验统计量n如公式2所示：

$n=(E_M-E_N)*\sqrt{K}/{\mathrm{\σ}}_N~N(0,1)$

公式2

即符合标准正态分布，如果规定显著性水平为a，则拒绝域为：(-∞,-Z_a/2)和(Z_a/2，+∞)，Z_a/2值可由查表得到，这样即可输出在各显著性水平下的接受或拒绝结论。

所述两个序列的方差的差异性检验为：假设M与N方差无显著性差异，即有：H0：σ² _M＝σ² _N，构建检验统计量χ²如公式3所示：

χ²＝(K-1)*σ² _M/σ² _N～χ²(K-1)

公式3

即符合卡方分布，如果规定显著性水平为a，可由查表得到其拒绝域，这样即可输出在各显著性水平下的接受或拒绝结论。

所述两个序列的相关性检验，主要研究的是两个序列间的线性相关性大小，如果二者的线性相关性越紧密，则二者相似性和趋同性越高。计算二者相关性的皮尔逊相关系数c如公式4所示：

$c=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}(M_i-E_M)(N_i-E_N)/({\mathrm{\σ}}_M*{\mathrm{\σ}}_N)$

公式4

即可输出二者的线性相关系数。

规律性分析使用Cooley-Tukey FFT算法。

本发明所达到的有益效果：本发明所述一种大坝监测自动化比测方法在进行比测前进行了自动测次对齐操作，提高了样本质量；所述一种大坝监测自动化比测方法从方差精度、差异性、相关性及规律性方面全面分析挖掘了人工与自动化测量数据的内在关联，得出的比测结论更为可信，并兼具校核作用；所述一种大坝监测自动化比测方法算法清晰，鲁棒性好，易于编程实现，满足长时序大样本比测的要求。

附图说明

图1是本发明的原理图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明的详细技术方案包括如下流程：

1)基于时序的测次对齐

大坝的工作形态随着时间而不断发生变化，在某些部位如闸门、管道、临近厂房等处变化频率甚至相对较高。为了保证比测的合理性，须使人工测量与自动化系统测量时序尽可能一致，因此对二者形成的测值序列，进行测次对齐是非常必要的。

测次对齐的策略是：以自动化系统测量数据的时间值为基准，在给定的有效时间范围内，寻找与自身时间值最为接近的人工观测值；如果没有找到，则丢弃该自动化测量值，这样就形成了两组时序一致、数量相等的样本组。

2)方差分析

记人工观测设备的测量精度为ζM，自动化系统设备的测量精度为ζN(此二者皆可由设备厂商提供的设备率定资料得到)，自动化测量值与对应的人工观测值的绝对差值Δ应满足公式1：

$\mathrm{\Δ}\≤\sqrt{2{{\mathrm{\ζ}}^2}_M+2{{\mathrm{\ζ}}^2}_N}$

公式1

本步骤输出超限的测值数量，及所占有效样本数的百分比。

3)差异性及相关性分析

对于同一监测量的一致时序的两组测值序列进行检验，包括两个序列的均值的差异性检验、两个序列的方差的差异性检验及两个序列的相关性检验，如序列具有较高的相关性，则可以认定，虽然监测方式不同，但是二者测量结果一致。

记有效样本数量为K，自动化观测序列为M，均值为E_M，标准差为σ_M，人工观测序列为N，均值为E_N，标准差为σ_N。

A.两个序列的均值的差异性检验：假设M与N均值无显著性差异，即有：H₀：E_M＝E_N，构建检验统计量n如公式2所示：

$n=(E_M-E_N)*\sqrt{K}/{\mathrm{\σ}}_N~N(0,1)$

公式2

即符合标准正态分布，如果规定显著性水平为a，则拒绝域为：(-∞,-Z_a/2)和(Z_a/2，+∞)，Z_a/2值可由查表得到，这样即可输出在各显著性水平下的接受或拒绝结论。

B.两个序列的方差的差异性检验:假设M与N方差无显著性差异，即有：H0：σ² _M＝σ² _N，构建检验统计量χ²如公式3所示：

χ²＝(K-1)*σ² _M/σ² _N～χ²(K-1)

公式3

即符合卡方分布，如果规定显著性水平为a，可由查表得到其拒绝域，这样即可输出在各显著性水平下的接受或拒绝结论。

C.两个序列的相关性检验:通常情况，主要研究的是两个序列间的线性相关性大小。如果二者的线性相关性越紧密，则二者相似性和趋同性越高。计算二者相关性的皮尔逊相关系数c如公式4所示：

$c=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}(M_i-E_M)(N_i-E_N)/({\mathrm{\σ}}_M*{\mathrm{\σ}}_N)$

公式4

这样即可输出二者的线性相关系数。

4)规律性分析

规律性分析，主要是将监测量的变化视为随机过程，将二组时间序列数值视为离散信号量，在此基础上，通过基于快速傅里叶变换的谱分析，将二组信号的所包含周期、振幅及相位等特征量输出，并进行对比。本处使用Cooley-Tukey FFT算法。

由于比测在自动化系统在系统验收和运行期校核中的重要性，应当引起行业内的重视和研究。目前业内较为常见的比测方法，是通过人工的方式，取短时间内一定量(数天乃至数个月，甚至不到一个运行周期，样本量在数十条至数百条间)的样本进行差值比较，方法简易但执行繁琐，结论可信度和说服力都有较大的提高空间。

本发明基于多维度的分析视角，多阶段的进行大坝安全监测中人工和自动化测量数据的比测。首先，基于时间序列对二者进行测次对齐，降低因样本本身带来的差异性；其次，基于方差分析判定二者间测量差值是否满足2ζ法则；再次，进行样本相关性及差异性分析，检定二者互相关性的强弱，和在多个显著性水平上差异是否显著；最后，基于谱分析对比二者的规律性如周期、变幅。由此，本发明能更充分的利用测量数据，更全面和深入的挖掘和分析对于同一监测量不同观测手段的结果之间的联系和差异，为自动化系统的验收和运行提供更可靠的验证和校核手段。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种大坝监测自动化比测方法，其特征是，包括下列步骤：

1)基于时序的测次对齐：以自动化系统测量数据的时间值为基准，在给定的有效时间范围内，查询与所述时间值最为接近的人工观测值；如果没有查到，则丢弃该自动化测量值，形成两组时序一致、数量相等的样本组。

2)方差分析：人工观测设备的测量精度为ζM，自动化系统设备的测量精度为ζN，自动化测量值与对应的人工观测值的绝对差值Δ应满足如下公式所示：

$\mathrm{\Δ}\≤\sqrt{2{{\mathrm{\ζ}}^2}_M+2{{\mathrm{\ζ}}^2}_N}$

本步骤可输出超限的测值数量，及所占有效样本数的百分比。

3)差异性及相关性分析：对于同一监测量的一致时序的两组测值序列进行检验，包括两个序列的均值的差异性检验、两个序列的方差的差异性检验及两个序列的相关性检验，如序列具有较高的相关性，则可以认定，虽然监测方式不同，但是二者测量结果一致。

4)规律性分析：将监测量的变化视为随机过程，将二组时间序列数值视为离散信号量，在此基础上，通过基于快速傅里叶变换的谱分析，将二组信号的所包含周期、振幅及相位等特征量输出，并进行对比。

2.根据权利要求1所述的一种大坝监测自动化比测方法，其特征是，所述两个序列的均值的差异性检验为：假设M与N均值无显著性差异，即有：H₀：E_M＝E_N，构建检验统计量n如下公式所示：

$n=(E_M-E_N)*\sqrt{K}/{\mathrm{\σ}}_N~N\left(\mathrm{0,1}\right)$

即符合标准正态分布，如果规定显著性水平为a，则拒绝域为：(-∞,-Z_a/2)和(Z_a/2，+∞)，Z_a/2值可由查表得到，这样即可输出在各显著性水平下的接受或拒绝结论。

3.根据权利要求1所述的一种大坝监测自动化比测方法，其特征是，所述两个序列的方差的差异性检验为：假设M与N方差无显著性差异，即有：H0：σ² _M＝σ² _N，构建检验统计量χ²如下公式所示：

χ²＝(K-1)*σ² _M/σ² _N～χ²(K-1)

即符合卡方分布，如果规定显著性水平为a，可由查表得到其拒绝域，这样即可输出在各显著性水平下的接受或拒绝结论。

4.根据权利要求1所述的一种大坝监测自动化比测方法，其特征是，所述两个序列的相关性检验为：主要研究的是两个序列间的线性相关性大小，如果二者的线性相关性越紧密，则二者相似性和趋同性越高。

5.根据权利要求4所述的一种大坝监测自动化比测方法，其特征是，两个序列间的线性相关性的皮尔逊相关系数c计算公式如下所示：

$c=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}(M_i-E_M)(N_i-E_N)/({\mathrm{\σ}}_M*{\mathrm{\σ}}_N)$

即可输出二者的线性相关系数。

6.根据权利要求1所述的一种大坝监测自动化比测方法，其特征是，规律性分析使用Cooley-Tukey FFT算法。