CN112052496B - 一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法 - Google Patents
一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法 Download PDFInfo
- Publication number
- CN112052496B CN112052496B CN202010876395.7A CN202010876395A CN112052496B CN 112052496 B CN112052496 B CN 112052496B CN 202010876395 A CN202010876395 A CN 202010876395A CN 112052496 B CN112052496 B CN 112052496B
- Authority
- CN
- China
- Prior art keywords
- valley amplitude
- amplitude deformation
- data
- analysis system
- measuring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于VAR模型的高拱坝谷幅变形影响因素分析系统的操作方法。涉及高拱坝谷幅变形影响因素分析系统,其步骤:建立多测点分析系统;选取多元谷幅变形程度指标及影响因素构建分析矩阵;从多测点分析系统中选择至少一个测点作为参考数据,进行格兰杰因果检验;选取具有长期相关关系的程度指标及影响因素;确定库水位不同运营状态下指标及因素之间的相互影响关系;选取多测点分析系统中的具有代表性的多个测点,挖掘出具有格兰杰因果关系的数据;选取具有长期相关关系的程度指标及影响因素,建立新的VAR模型。本发明同时从时间、空间两个角度挖掘不同因素与高拱坝谷幅变形之间的关系,为高拱坝谷幅变形监控管理提供参考。
Description
技术领域
本发明涉及高拱坝谷幅变形影响因素分析系统,具体涉及一种基于VAR模型的高拱坝谷幅变形影响因素分析系统的操作方法。
背景技术
谷幅变形是一种自然现象,该现象主要发生在高拱坝建设运营期间,资料显示,谷幅变形是高拱坝面对的重要挑战,会影响拱坝工作性态和长期安全性。谷幅变形监测是反映山体变形的重要指标,原理是在河谷两岸上按需要设置多对测线,通过记录测线长度的变化,分析得到谷幅随时间的变化关系。
目前对谷幅变形的研究成果相对较少,尚未形成统一认识和研究体系,主要集中在通过监测数据对比分析进行的定性研究。此外部分学者通过建立合理的数值模型,采用有限元模拟的方法开展谷幅变形相关的研究,但均是利用有限元仿真分析来分析谷幅变形对拱坝应力应变状态及安全特性的研究,而尚未针对谷幅变形这一特定现象开展详细的研究。
VAR模型是一种利用模型中所有当期变量对所有变量的若干滞后变量进行回归的模型。可以用来估计联合内生变量的动态关系,而不带有任何事先约束条件。TVP-VAR模型是时变参数随即波动率向量自回归模型,具有时变参数的性质,能较好的体现在不同的时期下各变量所具有的关系和特征。
目前对谷幅变形的研究主要集中在其对坝体应力状态及变形机制方面,对谷幅变形影响因素的分析研究很少。不能了解不同时期各因素的作用特点、相互作用的滞后期特点以及不同空间的作用特点。因而对谷幅变形机理及谷幅变形影响因素的研究仍待改善。
发明内容
针对上述问题,本发明提供了一种基于VAR模型的高拱坝谷幅变形影响因素分析系统的操作方法,以解决如何考虑谷幅变形指标及影响因素的内在作用关系,以便于进一步进行谷幅变形分析管控。
本发明的技术方案是:一种基于VAR模型的高拱坝谷幅变形影响因素分析系统的操作方法,其操作方法包括以下步骤:
(1.1)、按测点位置不同整理目标坝区的监测数据,建立多测点分析系统;所述多测点分析系统包括两级数据体系,其中,一级数据体系为测点群数据矩阵,二级数据体系为单测点数据矩阵;
(1.2)、对所述多测点分析系统进行数据处理,分析比较监测数据特点,根据测点不同位置构建位置信息指标,选取多元谷幅变形程度指标,完善一级数据体系,同时,选取潜在影响因素完善二级数据体系;
(1.3)、从多测点分析系统中选择至少一个测点作为参考数据,基于二级数据体系,划分外生变量和内生变量,进行格兰杰因果检验,挖掘出具有格兰杰因果关系的数据;
(1.4)、根据格兰杰因果检验得到的结果,取具有长期相关性的谷幅变形程度指标及影响因素,进行二级数据体系层面分析;
根据步骤(1.3)中所述的测点,建立时变参数向量自回归模型,对数据分别进行等间距脉冲响应分析、分时点脉冲响应分析,确定谷幅变形指标及各因素之间的作用滞后阶数及相互影响关系,确定库水位不同运营状态下指标及因素之间的相互影响关系;
(1.5)、选取多测点分析系统中具有代表性的多个测点,基于一级数据体系的位置信息指标,扩充多测点分析数据体系,再次进行格兰杰因果检验,划分外生变量和内生变量,挖掘出具有格兰杰因果关系的数据;
(1.6)、根据格兰杰因果检验得到的结果,选取具有长期相关性的谷幅变形程度指标,建立新的VAR模型,确定不同位置因素与谷幅变形指标间的相互作用关系;
(1.7)、根据上述步骤(1.4)及步骤(1.6)的计算结果,得出实际工程谷幅变形监管建议。
进一步的,在步骤(1.1)及(1.2)中,所述测点位置包括测点高程与正常蓄水位的间距、测点距离坝身的位置信息、是否处于上游。
进一步的,在步骤(1.2),所述多元谷幅变形程度指标包括谷幅变形值、谷幅变形速率;
所述潜在影响因素包括库水位升降速率、库水位高程、坝区气温及坝区降雨量;
所述选取出潜在影响因素并完善二级矩阵的具体方法为构建lasso高维数组变量筛选模型。
进一步的,在所述步骤(1.3)及(1.5)中,所述的格兰杰因果检验需要对数据进行平稳化处理,具体处理方法为单根检验,对不平稳数据需要进行平稳化处理,具体处理方法为n阶差分法,然后通过调试VAR模型进行滞后阶数确定,再进行格兰杰因果检验回归。
进一步的,在步骤(1.4)中,所述谷幅变形指标及各因素之间的作用滞后阶数及相互影响关系由所述等间距脉冲响应分析得出;
所述库水位不同运营状态下指标及因素之间的相互影响关系由分时点脉冲响应分析得出。
进一步的,在步骤(1.6)中,所述不同位置因素与谷幅变形指标间的相互作用关系由所述VAR模型分析得出。
本发明的有益效果是:与现有技术相比,本发明公开的高拱坝谷幅变形影响因素分析系统及方法,考虑了谷幅变形值、谷幅变形速率、测点位置(包括测点高程与正常蓄水位的间距、测点距离坝身的位置信息、是否处于上游)、库水位升降速率、库水位高程、坝区气温及坝区降雨量之间的相互作用关系。结合VAR模型、TVP-VAR模型考虑了不同时期各因素的相互作用特点以及影响的滞后特点,并考虑了不同空间因素对谷幅变形的影响。为实现峡谷区高拱坝谷幅变形管控提供依据,具有较高可信度。
附图说明
图1是本发明的结构流程图;
图2是本发明中二级数据体系VAR模型检验图;
图3是本发明中二级数据体系TVP-VAR等间距脉冲响应图;
图4是本发明中二级数据体系TVP-VAR分时点脉冲响应图;
图5是本发明中一级数据体系VAR模型检验图;
图6是本发明中一级数据体系VAR模型脉冲响应图;
图7是本发明中一级数据体系VAR模型方差分析图。
具体实施方式
为了更清楚地说明本发明的技术方案,下面结合附图对本发明的技术方案做进一步的详细说明:
如图所述;一种基于VAR模型的高拱坝谷幅变形影响因素分析系统的操作方法,其操作方法包括以下步骤:
(1.1)、按测点位置不同整理目标坝区的监测数据,建立多测点分析系统;所述多测点分析系统包括两级数据体系,其中,一级数据体系为测点群数据矩阵,二级数据体系为单测点数据矩阵;
一级数据体系由多个二级数据体系结合对应二级数据的位置信息组成,二级数据体系由潜在影响因素和谷幅变形指标因子组成;根据测点不同位置构建位置信息指标,具体位置指标包括测点高程,测点距离坝身的位置信息,是否处于上游,与水平面高程差值等信息;选取多元谷幅变形程度指标,具体包括谷幅变形值、谷幅变形速率等,完善一级数据体系,同时,选取潜在影响因素完善二级数据体系,所述潜在影响因素包括库水位高程、库水位变化速率、坝区降雨量、气温等水文地质条件;
本实施例选取某高拱坝水电站为计算分析案例,选取具有一级数据体系由多个二级数据体系结合对应二级数据的位置信息组成,如式(1)所示,二级数据体系由潜在影响因素和谷幅变形指标因子组成,如式(2)所示;根据测点不同位置构建位置信息指标,具体位置信息包括测点高程与正常蓄水位的间距(gi),测点距离坝身的位置信息(li),是否处于上游(fi);选取多元谷幅变形程度指标,具体包括谷幅变形值(gfij)、谷幅变形速率(gfvij)等,完善一级数据体系,同时,选取潜在影响因素完善二级数据体系,所述潜在影响因素包括库水位高程(wlij)、库水位变化速率(wlvij)、坝区降雨量(pij)、气温(tij)等水文地质条件;
(1.2)、对所述多测点分析系统进行数据处理,分析比较监测数据特点,根据测点不同位置构建位置信息指标,选取多元谷幅变形程度指标,完善一级数据体系,同时,选取潜在影响因素完善二级数据体系;
具体实施方法为构建lasso高维数组变量筛选模型,如式(3)所示;
其中,xacmk表示前k天降雨量累计值(气温均值),xxam dnk表示前k天降雨量(气温)最大差值,p表示降雨,t表示气温,xacp1表示当日降雨量,xact1表示当日气温均值,x1表示当日库水位高程,x2表示当日库水位变化速率,i表示测线编号,β表示模型回归系数;
其中,模型自变量具体如式(4)所示,j表示单次监测数据编号,测线i共有j组监测数据;
选取具有代表性的测线数据进行特征筛选,确定库水位高程(wlij)、库水位变化速率(wlvij)、当日降雨量(acp1ij)、前10天累计降雨量(acp10ij)、前10天降雨量最大差值(maxdp10ij)、前25天气温最大差值(maxdt25ij)为潜在影响因素,结合谷幅变形值(gfij)、谷幅变形速率(gfvij)完善二级数据体系,最终二级数据体系如式(5)所示。
(1.3)、从多测点分析系统中选择至少一个测点作为参考数据,基于二级数据体系,划分外生变量和内生变量,进行格兰杰因果检验,挖掘出具有格兰杰因果关系的数据;使用单根检验进行变量平稳性检验,若不平稳,则对所有变量做同阶差分,再进行平稳性检验,直至满足要求;初次迭代选用前述所有平稳性处理后的变量为内生变量,常数项为外生变量,调整滞后期,构建合理的VAR模型,并进行格兰杰因果检验,当变量A与B间检验结果双向均为p<=0.05时,表示变量A与B具有长期相互作用关系,即挖掘出具有格兰杰因果关系的数据,本实施例中计算结果如下表1、2所示,最终确定库水位高程(wlij)、库水位变化速率(wlvij)、谷幅变形值(gfij)、谷幅变形速率(gfvij)间具有长期相互作用关系;以确定的变量为内生变量,排除的变量以及常数项为外生变量,再次构建VAR模型,并对建立的VAR模型进行检验,如图2所示,点均落在单位圆内,及构建的VAR模型为有效模型;
表1
Maxd25t | Maxd10p | Ac1p | Ac10p | Wl | Vd | |
Wl | 0.0597 | 0.2963 | 0.7847 | 0.0923 | \ | 0.0080 |
Vd | 0.3593 | 0.2275 | 0.2405 | 0.5580 | 0.1014 | \ |
表2
Maxd25t | Maxd10p | Ac1p | Ac10p | Wlv | Vdv | |
Wlv | 0.2557 | 0.8713 | 0.1180 | 0.6249 | \ | 0.0001 |
Vdv | 0.1671 | 0.4158 | 0.3880 | 0.4187 | 0.0000 | \ |
(1.4)、根据格兰杰因果检验得到的结果,取具有长期相关性的谷幅变形程度指标及影响因素,进行二级数据体系层面分析;
根据步骤(1.3)中所述的测点,建立时变参数向量自回归模型(TVP-VAR模型),对数据分别进行等间距脉冲响应分析、分时点脉冲响应分析,确定谷幅变形指标及各因素之间的作用滞后阶数及相互影响关系,确定库水位不同运营状态下指标及因素之间的相互影响关系;根据工程实际情况,对数据进行不同滞后期等间距脉冲响应分析,本实施例中进行滞后1期、滞后2期、滞后4期的等间距脉冲响应分析,计算结果如图3所示,其中横坐标为时间标识,单位长度为15天,纵坐标为脉冲响应大小,响应越大则影响越显著,每张图的三条曲线分别表示滞后15天、滞后1个月、滞后2个月对应的脉冲响应图,分析可以确定因子间不同作用滞后阶数下的相互影响关系,终点分析各因子对谷幅变形指标的影响,可以得出以下结论:
(a)、库水位高程对滞后1个月谷幅变形值影响比较大,对滞后15天及2个月的影响明显较小;库水位高程的作用在谷幅变形速率的影响比谷幅变形值显著,对滞后2个月谷幅变形速率影响最大。
(b)、库水位变化速率对谷幅变形值的影响,在不同滞后期下的作用趋势一致,但对滞后2个月的谷幅变形值影响更为显著;库水位变化速率对谷幅变形速率的影响,滞后1个月、滞后2个月的趋势较为一致,结合(a)考虑,滞后15天的谷幅变形速率可能更受前期库水位情况(高程及变化速率影响)。
(c)、谷幅变形值及谷幅变形速率的相互作用,在滞后1个月、滞后2个月变化趋势较为一致,滞后15天较前两者明显不同,即在2期滞后期后,相互影响作用关系趋于稳定;
对数据进行分时点脉冲响应分析,本实施例中进行初期蓄水阶段末期、水库安全运营期第二次蓄水末期、第三次蓄水初期脉冲响应分析,计算结果如图4所示,其中横坐标为时间标识,单位长度为15天,纵坐标为脉冲响应大小,响应越大则影响越显著,每张图的三条曲线分别表示初期蓄水阶段末期、水库安全运营期第二次蓄水末期、第三次蓄水初期脉冲响应分析,分析可以确定水库不同运营状态下的谷幅变形指标及因素间的相互影响关系可以得出以下结论:
1、不同运营状态下,库水位高程、库水位变化速率对谷幅变形值及谷幅变形速率的影响均表现为前期显著,呈现逐渐收敛的趋势;且三种不同状态下,库水位对后续谷幅变形影响的曲线趋势基本一致,推断各时点下的作用模式较为一致。
2、初期蓄水阶段末期、水库安全运营期第二次蓄水末期、第三次蓄水初期三种情况下,“+”曲线变化更为显著,其余两条线变化差异较小,即蓄水初期谷幅变形受库水位影响更为显著。
(1.5)、选取多测点分析系统中具有代表性的多个测点,基于一级数据体系的位置信息指标,扩充多测点分析数据体系,再次进行格兰杰因果检验,划分外生变量和内生变量,确定各测点谷幅变形值(gf1、gf2、gf5、gf6)为内生变量,常数项为外生变量,挖掘出具有格兰杰因果关系的数据;
(1.6)、根据格兰杰因果检验得到的结果,选取具有长期相关性的谷幅变形程度指标,建立新的VAR模型,确定不同位置因素与谷幅变形指标间的相互作用关系;
选取前述各测点谷幅变形值(gf1、gf2、gf5、gf6),建立新的VAR模型,对模型进行检验,如图5所示;对模型进行脉冲响应分析,如图6所示;对模型进行方差分解分析,如图7所示;分析图6、图7,并结合位置信息(表3所示),如测点高程与正常蓄水位的间距(gi)、测点距离坝身的位置信息(li)、是否处于上游(fi),可确定不同位置因素与谷幅变形指标间的相互作用关系;
表3
编号 | g<sub>i</sub> | l<sub>i</sub> | f<sub>i</sub> |
1 | 149 | 较远 | 上游 |
2 | 1 | 较近 | 上游 |
5 | 97 | 0 | 坝顶 |
6 | 0 | 近 | 下游 |
结合图6、7,具体结论如下:
(a)、5号、6号测线受其他测线的影响均为正向,1、2号测线对不同测线的脉冲反映正负有所不同,可初步推测下游的谷幅变形情况可以借助上游变形情况调控,而上游的谷幅变形机理更为复杂;
(b)、各测线的脉冲反映大小差异较小,可以推测在研究范围内,谷幅变形情况受测点距离坝身的位置信息(li)影响较小;
(c)、1号、2号测线对其余测线的影响在时间轴6期(3个月)时各响应图均为转折点,5号、6号测线则在时间轴12期(6个月)时各响应图均为转折点,进一步推断,上游谷幅变形对整体的影响更大,变形特点更为显著,应当重点监测上游位置的谷幅变形监测;
(d)、比较分析1号、5号测线和2号、6号测线脉冲响应图特点,发现测点高程与正常蓄水位的间距(gi)作用不明显,可能是间距本生作用较小,或者是样本数量局限导致。
(e)、结合方差分解图,推测不同空间位置对谷幅变形的影响有限,应加强库水位变动等其他因素对谷幅变形影响的监管。
(1.7)、根据上述步骤(1.4)及步骤(1.6)的计算结果,得出实际工程谷幅变形监管建议;
(a)、在实际谷幅变形监管工程中,应加强库水位变动的监测,尤其是中短期下对谷幅变形值及谷幅变形速率的影响;
(b)、在整个运营阶段,尤其需要加强初期蓄水阶段(第一次蓄满)库水位变动对谷幅变形影响的反馈监测;
(c)、应加强上游谷幅变形的监测,加强测线布设以及对下游谷幅变形的影响研究。
进一步的,在步骤(1.1)及(1.2)中,所述测点位置包括测点高程与正常蓄水位的间距、测点距离坝身的位置信息、是否处于上游。
进一步的,在步骤(1.2),所述多元谷幅变形程度指标包括谷幅变形值、谷幅变形速率;
所述潜在影响因素包括库水位升降速率、库水位高程、坝区气温及坝区降雨量;
所述选取出潜在影响因素并完善二级矩阵的具体方法为构建lasso高维数组变量筛选模型。
进一步的,在所述步骤(1.3)及(1.5)中,所述的格兰杰因果检验需要对数据进行平稳化处理,具体处理方法为单根检验,对不平稳数据需要进行平稳化处理,具体处理方法为n阶差分法,然后通过调试VAR模型进行滞后阶数确定,再进行格兰杰因果检验回归。
进一步的,在步骤(1.4)中,所述谷幅变形指标及各因素之间的作用滞后阶数及相互影响关系由所述等间距脉冲响应分析得出;
所述库水位不同运营状态下指标及因素之间的相互影响关系由分时点脉冲响应分析得出。
进一步的,在步骤(1.6)中,所述不同位置因素与谷幅变形指标间的相互作用关系由所述VAR模型分析得出。
最后,应当理解的是,本发明中所述实施例仅用以说明本发明实施例的原则;其他的变形也可能属于本发明的范围;因此,作为示例而非限制,本发明实施例的替代配置可视为与本发明的教导一致;相应地,本发明的实施例不限于本发明明确介绍和描述的实施例。
Claims (6)
1.一种基于VAR模型的高拱坝谷幅变形影响因素分析系统的操作方法;其特征在于,其操作方法包括以下步骤:
(1.1)、按测点位置不同整理目标坝区的监测数据,建立多测点分析系统;所述多测点分析系统包括两级数据体系,其中,一级数据体系为测点群数据矩阵,二级数据体系为单测点数据矩阵;
(1.2)、对所述多测点分析系统进行数据处理,分析比较监测数据特点,根据测点不同位置构建位置信息指标,选取多元谷幅变形程度指标,完善一级数据体系,同时,选取潜在影响因素完善二级数据体系;
(1.3)、从多测点分析系统中选择至少一个测点作为参考数据,基于二级数据体系,划分外生变量和内生变量,进行格兰杰因果检验,挖掘出具有格兰杰因果关系的数据;
(1.4)、根据格兰杰因果检验得到的结果,取具有长期相关性的谷幅变形程度指标及影响因素,进行二级数据体系层面分析;
根据步骤(1.3)中所述的测点,建立时变参数向量自回归模型,对数据分别进行等间距脉冲响应分析、分时点脉冲响应分析,确定谷幅变形指标及各因素之间的作用滞后阶数及相互影响关系,确定库水位不同运营状态下指标及因素之间的相互影响关系;
(1.5)、选取多测点分析系统中具有代表性的多个测点,基于一级数据体系的位置信息指标,扩充多测点分析数据体系,再次进行格兰杰因果检验,划分外生变量和内生变量,挖掘出具有格兰杰因果关系的数据;
(1.6)、根据格兰杰因果检验得到的结果,选取具有长期相关性的谷幅变形程度指标,建立新的VAR模型,确定不同位置因素与谷幅变形指标间的相互作用关系;
(1.7)、根据上述步骤(1.4)及步骤(1.6)的计算结果,得出实际工程谷幅变形监管建议。
2.根据权利要求1所述的一种基于VAR模型的高拱坝谷幅变形影响因素分析系统的操作方法;其特征在于,在步骤(1.1)及(1.2)中,所述测点位置包括测点高程与正常蓄水位的间距、测点距离坝身的位置信息、是否处于上游。
3.根据权利要求1所述的一种基于VAR模型的高拱坝谷幅变形影响因素分析系统的操作方法;其特征在于,在步骤(1.2),所述多元谷幅变形程度指标包括谷幅变形值、谷幅变形速率;
所述潜在影响因素包括库水位升降速率、库水位高程、坝区气温及坝区降雨量;
选取出潜在影响因素并完善二级矩阵的具体方法为构建lasso高维数组变量筛选模型。
4.根据权利要求1所述的一种基于VAR模型的高拱坝谷幅变形影响因素分析系统的操作方法;其特征在于,在所述步骤(1.3)及(1.5)中,所述的格兰杰因果检验需要对数据进行平稳化处理,具体处理方法为单根检验,对不平稳数据需要进行平稳化处理,具体处理方法为n阶差分法,然后通过调试VAR模型进行滞后阶数确定,再进行格兰杰因果检验回归。
5.根据权利要求1所述的一种基于VAR模型的高拱坝谷幅变形影响因素分析系统的操作方法;其特征在于,在步骤(1.4)中,所述谷幅变形指标及各因素之间的作用滞后阶数及相互影响关系由所述等间距脉冲响应分析得出;
所述库水位不同运营状态下指标及因素之间的相互影响关系由分时点脉冲响应分析得出。
6.根据权利要求1所述的一种基于VAR模型的高拱坝谷幅变形影响因素分析系统的操作方法;其特征在于,在步骤(1.6)中,所述不同位置因素与谷幅变形指标间的相互作用关系由所述VAR模型分析得出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876395.7A CN112052496B (zh) | 2020-08-27 | 2020-08-27 | 一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876395.7A CN112052496B (zh) | 2020-08-27 | 2020-08-27 | 一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052496A CN112052496A (zh) | 2020-12-08 |
CN112052496B true CN112052496B (zh) | 2022-10-14 |
Family
ID=73600618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010876395.7A Active CN112052496B (zh) | 2020-08-27 | 2020-08-27 | 一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052496B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560278B (zh) * | 2020-12-23 | 2022-05-03 | 中国人民解放军国防科技大学 | 卫星在轨故障传播和波及效应建模与预测方法及系统 |
CN114372393B (zh) * | 2021-12-15 | 2023-05-16 | 中国水利水电科学研究院 | 一种谷幅变形影响下拱坝安全预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033178A (zh) * | 2018-06-26 | 2018-12-18 | 北京工业大学 | 一种挖掘能见度多维时空数据之间格兰杰因果关系的方法 |
CN110956387A (zh) * | 2019-11-27 | 2020-04-03 | 西南交通大学 | 基于var模型的交通安全与经济损失关系计算方法 |
CN111275341A (zh) * | 2020-01-21 | 2020-06-12 | 河海大学 | 基于lasso及随机森林的高拱坝谷幅变形分析方法 |
-
2020
- 2020-08-27 CN CN202010876395.7A patent/CN112052496B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033178A (zh) * | 2018-06-26 | 2018-12-18 | 北京工业大学 | 一种挖掘能见度多维时空数据之间格兰杰因果关系的方法 |
CN110956387A (zh) * | 2019-11-27 | 2020-04-03 | 西南交通大学 | 基于var模型的交通安全与经济损失关系计算方法 |
CN111275341A (zh) * | 2020-01-21 | 2020-06-12 | 河海大学 | 基于lasso及随机森林的高拱坝谷幅变形分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112052496A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119854B (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
WO2020000248A1 (zh) | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 | |
Gu et al. | Online adaptive least squares support vector machine and its application in utility boiler combustion optimization systems | |
US7451122B2 (en) | Empirical design of experiments using neural network models | |
CN112052496B (zh) | 一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法 | |
JP2010530179A (ja) | 仮想センサ・システムおよび方法 | |
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
DE102012103652A1 (de) | Verfahren, Computerprogramm und System zur Durchführung der Interpolation bei Sensordaten zur Erzielung einer hohen Systemverfügbarkeit | |
CN108390380B (zh) | 一种变压器状态参量趋势预测方法及系统 | |
CN109033513A (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
CN104035431A (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
CN108038211A (zh) | 一种基于上下文的无监督关系数据异常检测方法 | |
WO2023097705A1 (zh) | 一种基于多源数据融合的压气机旋转失速预测方法 | |
WO2005081076A2 (de) | Verfahren, zur prognose eines brennkammerzustandes unter verwendung eines rekurrenten, neuronalen netzes | |
CN107222169A (zh) | 一种基于离群点检测的光伏阵列实时监控与故障检测方法 | |
CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
CN116562120A (zh) | 一种基于rve的涡轮发动机系统健康状况评估方法及装置 | |
CN114548701A (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
CN110705186B (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
CN110705187B (zh) | 通过最小二乘算法即时在线仪表校验和诊断方法 | |
CN110750756B (zh) | 通过最优支持向量机算法即时在线仪表校验和诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |