CN111508216B - 一种大坝安全监测数据智能预警方法 - Google Patents

Abstract

本发明公开了一种大坝安全监测数据智能预警方法，包括预警模型建立、阈值拟定和互馈式预警，通过粗差识别、粗差处理，提高模型样本数据质量，根据监测项目、自变量关联性、历史监测数据数量、历史监测数据分布，建立不同的预警模型及指标：逐步回归模型、相关向量机模型、灰色系统模型，所建模型能够更加真实地反映自变量与应变量之间关系，适用范围广，根据测量仪器、测点属性、阈值、预警模型及指标，对监测数据进行实时预警，向监测人员发送监测仪器异常预警，或向大坝安全管理人员发送大坝安全预警，且不需要具有专业知识和丰富经验的专家，工作量少，预警速度快，预警结果更加准确、可靠。

Description

一种大坝安全监测数据智能预警方法

技术领域

本发明涉及大坝安全监测技术领域，具体为一种大坝安全监测数据智能预警方法。

背景技术

水库大坝是国民经济的重要基础设施，是调控水资源时空分布和优化水资源配置重要的工程措施，是国家防洪抗旱减灾体系和江河防洪工程体系的重要组成部分，水库大坝安全不仅关系到防洪安全、供水安全、粮食安全，也关系到经济安全、生态安全和国家安全。在大坝安全监测过程中，会产生一些异常数据，这些异常数据可能是由于仪器故障、环境影响或人为失误造成的错误数据，也可能确实是大坝险情的真实反映。

目前，对于这些异常数据，主要采用人工方式识别，并判别这些数据是否由大坝险情引起的，也有一些信息系统，采用简单的方法进行预警：实测数据与已制定的阈值进行比较；采用逐步回归算法，建立统计模型，再用实测数据与模型预测值比较，这些方法中，阈值范围比较大，建立统计模型时监测数据未经过预处理，模型因子选择考虑因素少，所建模型精度低，仍然需要人工处理，直接采用人工处理，或是经过阈值控制或统计模型预警，再进行人工处理，都需要花费大量人力，且需要有专业知识和丰富经验的专家才能从中判别异常数据产生原因，所述急需一种大坝安全监测数据智能预警方法来解决上述问题。

发明内容

本发明提供一种大坝安全监测数据智能预警方法，可以有效解决上述背景技术中提出的目前，对于这些异常数据，主要采用人工方式识别，或是经过阈值控制或统计模型预警，再进行人工处理，都需要花费大量人力，且需要有专业知识和丰富经验的专家才能从中判别异常数据产生原因的问题。

为实现上述目的，本发明提供如下技术方案：一种大坝安全监测数据智能预警方法，包括预警模型建立、阈值拟定和互馈式预警；

预警模型包括：

a、根据历史监测数据建立模型；

b、粗差识别：对数值上表现出很大的异常，与合理值明显相悖的数据采用逻辑判别法、物理判别法和统计判别法进行分析处理；

c、粗差处理：经粗差识别得到的异常数据，采用测量值引用法、模型生成法和代数插值法进行替换与补充，然后再用这些数据建立模型；

d、自变量因子集初选：根据大坝结构参数、监测项目、测点所在位置对自变量因子进行初步筛选；

e、因子检验与模型选择：对因子采用独立性检验、正态性检验和样本容量检验，并根据自变量因子检验结果进行模型选择，模型包括逐步回归模型、灰色系统模型和相关向量机模型；

f、模型参数计算：模型参数计算方法视具体选用的模型而定，其中，对于逐步回归模型，各个自变量因子之间相关性不明显时，选用普通最小二乘法求解模型参数，当模型各个自变量因子之间相关性比较明显时，选用偏最小二乘或主成分回归，对于灰色系统模型，选用普通最小二乘法确定模型的参数向量，对于相关向量机模型，选用EM迭代法进行参数的求解；

g、模型检验：通过预警精度、鲁棒性和泛化性对模型进行检验，其中，预警精度的指标包括复相关系数R与剩余标准差S，复相关系数R度量了因变量同自变量的相关程度，取值范围是[0，1]，采用模型拟合后的均方误差RMSE衡量模型的鲁棒性，泛化性的指标是通过模型对新样本拟合后的均方误差RMSE为模型的3倍剩余标准差内进行量化；

h、预警模型指标：任一时刻由预警模型求得大坝变形、渗流和应力效应量的计算值y与该时刻实测值y_t进行比较，得到|y-y_t|，根据概率统计理论，|y-y_t|落入[0，2S]的概率为95.5％，落入[0，3S]的概率为99.7％，其中S为预警模型的标准差，并按以下几种情况对大坝结构性态进行预警：

(1)正常：|y-y_t|≤2S；

(2)基本正常：2S＜|y-y_t|≤3S，实测值无趋势性变化；

(3)异常：2S＜|y-y_t|≤3S，实测值有趋势性变化；

(4)险情：|y-y_t|＞3S，应分析其成因；

阈值拟定：对监测数据年度最大值和最小值进行正态性检验，对于符合正态分布的监测数据，采用典型小概率法，拟定监测阈值；

互馈式预警包括：

(1)对实测数据进行粗差识别，对于识别出的粗差数据，发出测值异常预警，并提醒监测人员应检查仪器；

(2)对经过粗差识别的实测数据，进行监测数据预警，包括阈值预警和模型预警，如连续两次超阈值或模型指标，则发出测值异常预警，并进行加密测量；

(3)对加密测量的数据进行监测数据预警，如超阈值和模型指标，则搜索所有关联测点，获取其实测数据；否则消警；

(4)对所有关联测点实测数据进行监测数据预警，如有关键测点的实测数据超阈值或模型指标，则发出大坝安全预警；否则，发出测值异常预警，并提醒监测人员加强监测。

优选的，所述粗差识别中，逻辑判别法是对仪器故障产生的异常数据进行识别，对于有明确的量测范围的仪器，判别的合理测量值为量程的1.2倍，若超出则认为存在粗差，对于无明确的量测范围的仪器，判别的合理测量值为被监测物理量的测量值的逻辑范围，若超出则认为存在粗差；物理判别法包括环境量判别、同环境量下比对、临近测点比对和基本规律识别；统计判别法建立在随机样本测定值遵从正态分布和小概率原理基础上，相同环境量下，根据测量值的正态分布特征，出现大的偏差值概率很小，根据小概率原理，有大的偏差值则表明测量过程有异常，认定为异常值，并采用狄克松准则、格拉布斯准则、拉依达准则。

优选的，所述粗差处理中，对于自变量数据，优先采用测量值引用法，若历史数据中无环境量相同时期，则采用代数插值法，对于因变量数据，同样采用选择测量值引用法，其次为模型生成法，最后考虑代数插值法，测量值引用法是通过在无趋势性变化的平稳时间序列，寻找临近历史上环境量相同的对应测量值取代本次测量值。

优选的，所述自变量因子集初选中，环境量因子包括与因变量因子对应时刻的测量值和该时刻前若干时刻的测量值。

优选的，所述因子检验中独立性检验根据两个自变量之间的相关系数判别两个自变量之间的关联性，相关系数是根据自变量数据计算两个自变量之间线性关系强度的统计量，记为γ，γ其取值在-1到1之间，|γ|→1说明两个自变量之间的相关关系越强；|γ|→0说明两个自变量之间的相关关系越弱，计算式为：

其中，n是样本量，σ_X、σ_Y分别是X和Y的标准差，当|γ|＜0.3时，两个自变量之间的相关程度极弱，可视为不相关；相关系数大于0.7，可视为相关，自变量因子之间相互独立，取相关系数＜0.7，建立模型时，去掉与其它因子关联较多的因子。

优选的，所述因子检验中正态性检验将经过误差处理的实测数据带入各因子计算公式，得到各因子序列，分析各个因子数据的概型分布，概型分布检验采用K-S检验方法。

优选的，所述因子检验中样本容量检验即计算已有自变量的组数，利用逐步回归分析，将观测数据分为两部分，主要部分用来建立回归方程，要求自变量组数n个数大于30或大于3×(因子数+1)以上，其余部分不参加回归方程的计算，用作检验回归效果，在模型选择中，当测量次数大于30或3×(因子数+1)，如效应量符合正态分布，采用逐步回归模型，否则，采用灰色系统模型，当测量次数小于等于30和3×(因子数+1)，如效应量符合正态分布，采用相关向量机模型，否则，采用灰色系统模型。

优选的，所述模型检验中，复相关系数取0.8以上，剩余标准差取4以内，泛化性训练中，通过逐期计算预测值的均方误差，将该值首次超过模型3倍剩余标准差的日期确定为最大有效预测时间，期间所有预测值认定为有效预测值。

优选的，所述阈值拟定中，正态性检验对于监测序列时间较长的监测点，对其年最大值和年最小值进行K-S正态性检验；典型小概率法是取显著性水平α数值为1％，对年最大值系列，将大于等于99％最大值的监测值设为阈值中最大值；对年最小值系列，将小于等于1％最小值的监测值设为阈值中最小值。

与现有技术相比，本发明的有益效果：本发明结构科学合理，使用安全方便，通过粗差识别、粗差处理。提高模型样本数据质量，根据监测项目、自变量关联性、历史监测数据数量、历史监测数据分布，建立不同的预警模型及指标：逐步回归模型、相关向量机模型、灰色系统模型，所建模型能够更加真实地反映自变量与应变量之间关系，适用范围广，针对正态分布的年最大值/最小值，采用典型小概率法，拟定阈值；根据测量仪器、测点属性、阈值、预警模型及指标，对监测数据进行实时预警；根据预警方法、连续预警次数、关联点预警情况、判定预警类型，识别异常数据产生原因，向监测人员发送监测仪器异常预警，或向大坝安全管理人员发送大坝安全预警，且不需要具有专业知识和丰富经验的专家，工作量少，预警速度块，预警结果更加准确、可靠。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

在附图中：

图1是本发明智能预警方法的技术流程图；

图2是本发明统计判别法流程图；

图3是本发明狄克松准则处理流程图；

图4是本发明格拉布斯准则处理流程图；

图5是本发明拉依达准则处理流程图；

图6是本发明模型选择流程图；

图7是本发明互馈式预警流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例：如图1所示，一种大坝安全监测数据智能预警方法，包括预警模型建立、阈值拟定和互馈式预警；

预警模型包括：

a、根据历史监测数据建立模型；

b、粗差识别：对数值上表现出很大的异常，与合理值明显相悖的数据采用逻辑判别法、物理判别法和统计判别法进行分析处理；

c、粗差处理：经粗差识别得到的异常数据，采用测量值引用法、模型生成法和代数插值法进行替换与补充，然后再用这些数据建立模型；

d、自变量因子集初选：根据大坝结构参数、监测项目、测点所在位置对自变量因子进行初步筛选；

e、因子检验与模型选择：对因子采用独立性检验、正态性检验和样本容量检验，并根据自变量因子检验结果进行模型选择，模型包括逐步回归模型、灰色系统模型和相关向量机模型；

f、模型参数计算：模型参数计算方法视具体选用的模型而定，其中，对于逐步回归模型，各个自变量因子之间相关性不明显时，选用普通最小二乘法求解模型参数，当模型各个自变量因子之间相关性比较明显时，选用偏最小二乘或主成分回归，对于灰色系统模型，选用普通最小二乘法确定模型的参数向量，对于相关向量机模型，选用EM迭代法进行参数的求解；

g、模型检验：通过预警精度、鲁棒性和泛化性对模型进行检验，其中，预警精度的指标包括复相关系数R与剩余标准差S，复相关系数R度量了因变量同自变量的相关程度，取值范围是[0，1]，采用模型拟合后的均方误差RMSE衡量模型的鲁棒性，泛化性的指标是通过模型对新样本拟合后的均方误差RMSE为模型的3倍剩余标准差内进行量化；

h、预警模型指标：任一时刻由预警模型求得大坝变形、渗流和应力效应量的计算值y与该时刻实测值y_t进行比较，得到|y-y_t|，根据概率统计理论，|y-y_t|落入[0，2S]的概率为95.5％，落入[0，3S]的概率为99.7％，其中S为预警模型的标准差，并按以下几种情况对大坝结构性态进行预警：

(1)正常：|y-y_t|≤2S；

(2)基本正常：2S＜|y-y_t|≤3S，实测值无趋势性变化；

(3)异常：2S＜|y-y_t|≤3S，实测值有趋势性变化；

(4)险情：|y-y_t|＞3S，应分析其成因；

阈值拟定：对监测数据年度最大值和最小值进行正态性检验，对于符合正态分布的监测数据，采用典型小概率法，拟定监测阈值；

如图7所示，互馈式预警包括：

(1)对实测数据进行粗差识别，对于识别出的粗差数据，发出测值异常预警，并提醒监测人员应检查仪器；

(2)对经过粗差识别的实测数据，进行监测数据预警，包括阈值预警和模型预警，如连续两次超阈值或模型指标，则发出测值异常预警，并进行加密测量；

(3)对加密测量的数据进行监测数据预警，如超阈值和模型指标，则搜索所有关联测点，获取其实测数据；否则消警；

(4)对所有关联测点实测数据进行监测数据预警，如有关键测点的实测数据超阈值或模型指标，则发出大坝安全预警；否则，发出测值异常预警，并提醒监测人员加强监测。

在粗差识别中，粗差是一种错误数据，往往在数值上表现出很大的异常，与合理值明显相悖，这种数据严重影响数据处理的结果，并干扰评价和监控的结果，本实施例中采用逻辑判别法、物理判别法和统计判别法；

逻辑判别法是对仪器故障产生的异常数据进行识别，对于有明确的量测范围的仪器，判别的合理测量值为量程的1.2倍，若超出则认为存在粗差，对于无明确的量测范围的仪器，判别的合理测量值为被监测物理量的测量值的逻辑范围，若超出则认为存在粗差；物理判别法包括环境量判别、同环境量下比对、临近测点比对和基本规律识别，其中，环境量判别是依据大坝所在地区的环境量存在一定的合理区间，同环境量下比对是依据历史数据中同一环境量或环境量相近时，与上一年同条件下的测值比较，大坝效应量应相同，临近测点比对是依据临近测点之间测值差值相近，且差值符合预设规律，如同一部位应变计组实测混凝土温度应相近，同一应变计组应变之间应满足应变平衡条件，基本规律识别是依据技术常识，如库水温超过50或低于0，无压测压管水位超出管口，即可初步判别为异常数据，等待监测人员进一步确认；如图2所示，统计判别法建立在随机样本测定值遵从正态分布和小概率原理基础上，相同环境量下，根据测量值的正态分布特征，出现大的偏差值概率很小，根据小概率原理，有大的偏差值则表明测量过程有异常，认定为异常值，如图3-5所示，采用狄克松准则、格拉布斯准则、拉依达准则。

在粗差处理中，对于自变量数据，优先采用测量值引用法，若历史数据中无环境量相同时期，则采用代数插值法，对于因变量数据，同样采用选择测量值引用法，其次为模型生成法，最后考虑代数插值法，测量值引用法是通过在无趋势性变化的平稳时间序列，寻找临近历史上环境量相同的对应测量值取代本次测量值，模型生成是历史数据中若存在合理的监控模型，则直接采用经过检验的模型生成因变量数据，在代数插值过程中选择大坝监测中常用的线性插值法，计算公式为

其中y为预测值，x为已知值，(x₀,y₀)和(x₁,y₁)为样本点。

优选的，自变量因子集初选中，环境量因子包括与因变量因子对应时刻的测量值和该时刻前若干时刻的测量值，用来解决影响存在滞后的可能。

具体的，因子检验中独立性检验根据两个自变量之间的相关系数判别两个自变量之间的关联性，相关系数是根据自变量数据计算两个自变量之间线性关系强度的统计量，记为γ，γ其取值在-1到1之间，|γ|→1说明两个自变量之间的相关关系越强；|γ|→0说明两个自变量之间的相关关系越弱，计算式为：

其中，n是样本量，σ_X、σ_Y分别是X和Y的标准差，当|γ|＜0.3时，两个自变量之间的相关程度极弱，可视为不相关；相关系数大于0.7，可视为相关，自变量因子之间相互独立，取相关系数＜0.7，建立模型时，去掉与其它因子关联较多的因子。

具体的，因子检验中正态性检验将经过误差处理的实测数据带入各因子计算公式，得到各因子序列，分析各个因子数据的概型分布，概型分布检验采用K-S检验方法，设F_n(x)是一个n次实测数据的累积概率分布函数，即经验分布函数；F₀(x)是一个特定的累积概率分布函数，即理论分布函数，设D为F₀(x)与F_n(x)差距的最大值，其公式为：

当实际数据D＜D_α,n(α为显著性水平，D_α，n根据α和测量次数n由K-S表给出)，则不拒绝H₀，实测数据总体服从正态分布；当总体均值和方差未知时，可用样本均值

和标准差(S)代替总体的期望μ和标准差σ，然后再使用K-S检验法；在实际应用中，在0.01的显著性水平下，若测量次数n大于35，用

求得临界值结果，无需查表。

具体的，因子检验中样本容量检验即计算已有自变量的组数，利用逐步回归分析，将观测数据分为两部分，主要部分用来建立回归方程，要求自变量组数n个数大于30或大于3×(因子数+1)以上，其余部分不参加回归方程的计算，用作检验回归效果，在模型选择中，如图6所示，当测量次数大于30或3×(因子数+1)，如效应量符合正态分布，采用逐步回归模型，否则，采用灰色系统模型，当测量次数小于等于30和3×(因子数+1)，如效应量符合正态分布，采用相关向量机模型，否则，采用灰色系统模型。

在模型检验中，R越大，表示线性回归的效果越好，模型精度越高，本实施例中，复相关系数取0.8以上，剩余标准差又称为均方根误差，是衡量回归精度的又一指标。剩余标准差越小，模型的精度越高，本实施例中，剩余标准差取4以内，泛化性训练中，通过逐期计算预测值的均方误差，将该值首次超过模型3倍剩余标准差的日期确定为最大有效预测时间，期间所有预测值认定为有效预测值。

具体的，阈值拟定中，正态性检验对于监测序列时间较长的监测点，对其年最大值和年最小值进行K-S正态性检验；典型小概率法是取显著性水平α数值为1％，对年最大值系列，将大于等于99％最大值的监测值设为阈值中最大值；对年最小值系列，将小于等于1％最小值的监测值设为阈值中最小值。

最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种大坝安全监测数据智能预警方法，其特征在于：包括预警模型建立、阈值拟定和互馈式预警；

预警模型包括：

a、根据历史监测数据建立模型；

b、粗差识别：对数值上表现出很大的异常，与合理值明显相悖的数据采用逻辑判别法、物理判别法和统计判别法进行分析处理；

c、粗差处理：经粗差识别得到的异常数据，采用测量值引用法、模型生成法和代数插值法进行替换与补充，然后再用这些数据建立模型；

d、自变量因子集初选：根据大坝结构参数、监测项目、测点所在位置对自变量因子进行初步筛选；

e、因子检验与模型选择：对因子采用独立性检验、正态性检验和样本容量检验，并根据自变量因子检验结果进行模型选择，模型包括逐步回归模型、灰色系统模型和相关向量机模型；

f、模型参数计算：模型参数计算方法视具体选用的模型而定，其中，对于逐步回归模型，各个自变量因子之间相关性不明显时，选用普通最小二乘法求解模型参数，当模型各个自变量因子之间相关性比较明显时，选用偏最小二乘或主成分回归，对于灰色系统模型，选用普通最小二乘法确定模型的参数向量，对于相关向量机模型，选用EM迭代法进行参数的求解；

g、模型检验：通过预警精度、鲁棒性和泛化性对模型进行检验，其中，预警精度的指标包括复相关系数R与剩余标准差S，复相关系数R度量了因变量同自变量的相关程度，取值范围是[0，1]，采用模型拟合后的均方误差RMSE衡量模型的鲁棒性，泛化性的指标是通过模型对新样本拟合后的均方误差RMSE为模型的3倍剩余标准差内进行量化；

h、预警模型指标：任一时刻由预警模型求得大坝变形、渗流和应力效应量的计算值y与该时刻实测值y_t进行比较，得到|y-y_t|，根据概率统计理论，|y-y_t|落入[0，2S]的概率为95.5％，落入[0，3S]的概率为99.7％，其中S为预警模型的标准差，并按以下几种情况对大坝结构性态进行预警：

(1)正常：|y-y_t|≤2S；

(2)基本正常：2S＜|y-y_t|≤3S，实测值无趋势性变化；

(3)异常：2S＜|y-y_t|≤3S，实测值有趋势性变化；

(4)险情：|y-y_t|＞3S，应分析其成因；

阈值拟定：对监测数据年度最大值和最小值进行正态性检验，对于符合正态分布的监测数据，采用典型小概率法，拟定监测阈值；

互馈式预警包括：

(1)对实测数据进行粗差识别，对于识别出的粗差数据，发出测值异常预警，并提醒监测人员应检查仪器；

(2)对经过粗差识别的实测数据，进行监测数据预警，包括阈值预警和模型预警，如连续两次超阈值或模型指标，则发出测值异常预警，并进行加密测量；

(3)对加密测量的数据进行监测数据预警，如超阈值和模型指标，则搜索所有关联测点，获取其实测数据；否则消警；

(4)对所有关联测点实测数据进行监测数据预警，如有关键测点的实测数据超阈值或模型指标，则发出大坝安全预警；否则，发出测值异常预警，并提醒监测人员加强监测。

2.根据权利要求1所述的一种大坝安全监测数据智能预警方法，其特征在于：所述粗差识别中，逻辑判别法是对仪器故障产生的异常数据进行识别，对于有明确的量测范围的仪器，判别的合理测量值为量程的1.2倍，若超出则认为存在粗差，对于无明确的量测范围的仪器，判别的合理测量值为被监测物理量的测量值的逻辑范围，若超出则认为存在粗差；物理判别法包括环境量判别、同环境量下比对、临近测点比对和基本规律识别；统计判别法建立在随机样本测定值遵从正态分布和小概率原理基础上，相同环境量下，根据测量值的正态分布特征，出现大的偏差值概率很小，根据小概率原理，有大的偏差值则表明测量过程有异常，认定为异常值，并采用狄克松准则、格拉布斯准则、拉依达准则。

3.根据权利要求1所述的一种大坝安全监测数据智能预警方法，其特征在于：所述粗差处理中，对于自变量数据，优先采用测量值引用法，若历史数据中无环境量相同时期，则采用代数插值法，对于因变量数据，同样采用选择测量值引用法，其次为模型生成法，最后考虑代数插值法，测量值引用法是通过在无趋势性变化的平稳时间序列，寻找临近历史上环境量相同的对应测量值取代本次测量值。

4.根据权利要求1所述的一种大坝安全监测数据智能预警方法，其特征在于：所述自变量因子集初选中，环境量因子包括与因变量因子对应时刻的测量值和该时刻前若干时刻的测量值。

5.根据权利要求1所述的一种大坝安全监测数据智能预警方法，其特征在于：所述因子检验中独立性检验根据两个自变量之间的相关系数判别两个自变量之间的关联性，相关系数是根据自变量数据计算两个自变量之间线性关系强度的统计量，记为γ，γ其取值在-1到1之间，|γ|→1说明两个自变量之间的相关关系越强；|γ|→0说明两个自变量之间的相关关系越弱，计算式为：

其中，n是样本量，σ_X、σ_Y分别是X和Y的标准差，当|γ|＜0.3时，两个自变量之间的相关程度极弱，可视为不相关；相关系数大于0.7，可视为相关，自变量因子之间相互独立，取相关系数＜0.7，建立模型时，去掉与其它因子关联较多的因子。

6.根据权利要求1所述的一种大坝安全监测数据智能预警方法，其特征在于：所述因子检验中正态性检验将经过误差处理的实测数据带入各因子计算公式，得到各因子序列，分析各个因子数据的概型分布，概型分布检验采用K-S检验方法。

7.根据权利要求1所述的一种大坝安全监测数据智能预警方法，其特征在于：所述因子检验中样本容量检验即计算已有自变量的组数，利用逐步回归分析，将观测数据分为两部分，主要部分用来建立回归方程，要求自变量组数n个数大于30或大于3×(因子数+1)以上，其余部分不参加回归方程的计算，用作检验回归效果，在模型选择中，当测量次数大于30或3×(因子数+1)，如效应量符合正态分布，采用逐步回归模型，否则，采用灰色系统模型，当测量次数小于等于30和3×(因子数+1)，如效应量符合正态分布，采用相关向量机模型，否则，采用灰色系统模型。

8.根据权利要求1所述的一种大坝安全监测数据智能预警方法，其特征在于：所述模型检验中，复相关系数取0.8以上，剩余标准差取4以内，泛化性训练中，通过逐期计算预测值的均方误差，将该值首次超过模型3倍剩余标准差的日期确定为最大有效预测时间，期间所有预测值认定为有效预测值。

9.根据权利要求1所述的一种大坝安全监测数据智能预警方法，其特征在于：所述阈值拟定中，正态性检验对于监测序列时间较长的监测点，对其年最大值和年最小值进行K-S正态性检验；典型小概率法是取显著性水平α数值为1％，对年最大值系列，将大于等于99％最大值的监测值设为阈值中最大值；对年最小值系列，将小于等于1％最小值的监测值设为阈值中最小值。

Images