CN112633693A - 一种基于pot模型拟定大坝监控指标的方法和设备 - Google Patents
一种基于pot模型拟定大坝监控指标的方法和设备 Download PDFInfo
- Publication number
- CN112633693A CN112633693A CN202011549249.XA CN202011549249A CN112633693A CN 112633693 A CN112633693 A CN 112633693A CN 202011549249 A CN202011549249 A CN 202011549249A CN 112633693 A CN112633693 A CN 112633693A
- Authority
- CN
- China
- Prior art keywords
- threshold
- sequence
- value
- determining
- increasing
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005259 measurement Methods 0.000 claims abstract description 34
- 238000005315 distribution function Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 description 21
- 230000000694 effects Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000011144 upstream manufacturing Methods 0.000 description 6
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于POT模型拟定大坝监控指标的方法及设备,所述方法包括以下步骤:获取输入样本,确定待监控项目,并获取该监控项目的n个历史测值作为样本构建测值序列{x1,x2,…,xn},所述n个样本满足独立同分布的条件;构造超出量序列,根据n个所述样本,构造阈值递增序列{T1,…,Tj,…,TN};并根据所述阈值递增序列构造超出量序列确定预警值计算公式,基于POT模型理论,确定阈值Tj下的超出量分布函数并根据所述超出量分布函数得出阈值Tj下显著性水平为α时的预警值公式确定最合理阈值,基于拉依达准则,从所述阈值递增序列中确定最合理阈值T;拟定监控指标,根据所述最合理阈值T,计算XαT=F‑1(x,α,T),以XαT作为该监控项目的监控指标。
Description
技术领域
本发明涉及一种基于POT模型拟定大坝监控指标的方法和设备,属于水利工程技术领域。
背景技术
监控指标是对大坝荷载或效应量安全界限作出的规定,是判断大坝结构性态是否正常的科学依据,可以帮助管理者制定大坝安全运维计划,及时发现大坝潜在的安全隐患,确保大坝始终处于安全运行状态。
目前,现有的监控指标的拟定方法大多是在人工介入的前提下进行拟定的,得出的监控指标的主观性和随机误差较大。
发明内容
为了解决上述现有技术中存在的问题,本发明提出了一种基于POT模型拟定大坝监控指标的方法和设备,对POT模型的阈值确定方法进行了改进,使得阈值的确定具有明确的理论基础,不仅能克服阈值确定中的人为主观性和随机误差,而且能采用计算机程序来自动实现阈值的快速和客观的确定。
本发明的技术方案如下:
技术方案一:
一种基于POT模型拟定大坝监控指标的方法,包括以下步骤:
获取输入样本,确定待监控项目,并获取该监控项目的n个历史测值作为样本构建测值序列{x1,x2,…,xn},所述n个样本满足独立同分布的条件;
确定最合理阈值,基于拉依达准则,从所述阈值递增序列中确定最合理阈值T;
拟定监控指标,根据所述最合理阈值T,计算XαT=F-1(x,α,T),以XαT作为该监控项目的监控指标。
进一步的,所述根据n个所述样本,构造阈值递增序列{T1,…,Tj,…,TN}的步骤具体为:
根据测值序列,确定一初始阈值Tmin以及最大阈值Tmax;
给定步长h,构造阈值递增序列{T1,…,Tj,…,TN};
其中,Tmin≤Tj<Tmax,N=(Tmax-Tmin)/h。
进一步的,所述基于拉依达准则,从所述阈值递增序列中确定最合理阈值T的步骤具体为:
根据拉依达准则,确定α=0.3%为危险值,α=4.5%为的警戒值;
设cj=|Δj-S|,则当满足cj=|Δj-S|→0时所对应的阈值Tj即为最合理的阈值T。
技术方案二:
一种基于POT模型拟定大坝监控指标的设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
获取输入样本,确定待监控项目,并获取该监控项目的n个历史测值作为样本构建测值序列{x1,x2,…,xn},所述n个样本满足独立同分布的条件;
确定最合理阈值,基于拉依达准则,从所述阈值递增序列中确定最合理阈值T;
拟定监控指标,根据所述最合理阈值T,计算XαT=F-1(x,α,T),以XαT作为该监控项目的监控指标。
进一步的,所述根据n个所述样本,构造阈值递增序列{T1,…,Tj,…,TN}的步骤具体为:
根据测值序列,确定一初始阈值Tmin以及最大阈值Tmax;
给定步长h,构造阈值递增序列{T1,…,Tj,…,TN};
其中,Tmin≤Tj<Tmax,N=(Tmax-Tmin)/h。
进一步的,所述基于拉依达准则,从所述阈值递增序列中确定最合理阈值T的步骤具体为:
根据拉依达准则,确定α=0.3%为危险值,α=4.5%为的警戒值;
设cj=|Δj-S|,则当满足cj=|Δj-S|→0时所对应的阈值Tj即为最合理的阈值T。
本发明具有如下有益效果:
本发明一种基于POT模型拟定大坝监控指标的方法及设备,通过构造阈值递增序列,基于概率论中著名的“拉依达准则(3S准则)”,对阈值确定方法进行了改进,使得阈值的确定具有明确的理论基础,不仅能克服阈值确定中的人为主观性和随机误差,而且能采用计算机程序来自动实现阈值的快速和客观的确定。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例的操作步骤图;
图3为本发明实施例中采用超出量均值函数图法确定阈值的示例图。
具体实施方式
下面结合附图和具体实施例来对本发明进行详细的说明。
实施例一:
参见图1和图2,一种基于POT模型拟定大坝监控指标的方法,包括以下步骤:
获取输入样本,确定待监控项目,在本实施例中,以某最大坝高为84m的混凝土重力坝为例,为监测大坝安全,在坝顶布置了一条引张线,引张线上共布置10个测点,以其中一测点为例,确定该测点的水平位移为监控项目,获取该该测点的水平位移在1996年6月1日~2015年6月1日的历史测值作为样本,总计n为236个,对应构建测值序列{x1,x2,…,xn},该236个样本满足独立同分布的条件;
由于坝顶水平位移向下游方向过大或向上游方向过大均有可能不安全,因此,水平位移属于双向监控的效应量,需要分别确定向下游方向的监控指标和向上游方向的监控指标。
确定预警值计算公式,基于POT模型理论,确定阈值Tj下的超出量分布函数并根据所述超出量分布函数得出阈值Tj下显著性水平为α时的预警值公式在POT模型中设{x1,x2,…,xn}为独立同分布随机变量x的测值序列,其分布函数为F(x);设定一个小于测值序列极大值的固定阈值T,如果测值xj>T,令yj=xj-T,则称xj为超阈值测值,xj所组成的序列称为超阈值测值序列;称yj为超出量,yj所组成的序列称为超出量序列。引入阈值概念,是POT模型区别于其他极值模型的根本之处,也使得POT模型能尽可能地保留原始测值序列中的重要信息。
超出量样本序列的条件分布函数FT(y)为:
FT(y)=P(x-T≤y|x>T) (1)
F(x)关于FT(y)的表达式可表示为:
F(x)=FT(y)[1-F(T)]+F(T) (2)
F(x)是拟定显著性水平α下监控指标xα的依据,即:
xα=F-1(x,α) (3)
由式(3)可知,要求解xα,需要先求解F(x);由式(2)可知,要求解F(x),需要先求解FT(y)。
极值理论中的PBdH定理表明,在满足F(x)属于广义极值分布(GEV)最大吸引域的前提下,当阈值T足够大时,超出量yj的条件分布函数FT(y)收敛于广义帕累托分布(GPD),即
式(3)中,ξT为形状参数,σT为尺度参数。
GPD分布的形状参数ξT和尺度参数σT的通过极大似然估计法、概率权矩法和矩估计法等进行估计;其中极大似然估计法理论基础较严谨,矩估计法可操作性较强。
确定最合理阈值,基于拉依达准则,从所述阈值递增序列中确定最合理阈值T;根据式(4),要获得FT(y),需要对参数σT、ξT进行估计;而σT、ξT来源于超出量yj序列,超出量yj序列的构建取决于阈值。因此,确定最合理的阈值T是是建立POT模型的关键。确定阈值T的传统方法主要有Hill图法、超出量均值函数图法以及样本峰度选定法等。其中,Hill图法和超出量均值函数图法均属于图形法,比较直观,但确定曲线的拐点时主观随意性较大,且难以实现计算机自动判断;样本峰度选定法概念比较清晰,但计算过程比较繁琐。在本实施例中,通过概率学中著名的“拉依达准则(3S准则)”来确定最合理阈值T。
拟定监控指标,根据所述最合理阈值T,计算XαT=F-1(x,α,T),以XαT作为该监控项目的监控指标。
实施例二:
进一步的,所述根据n个所述样本,构造阈值递增序列{T1,…,Tj,…,TN}的步骤具体为:
根据测值序列{x1,x2,…,xn},确定一初始阈值Tmin以及最大阈值Tmax;
给定步长h,构造阈值递增序列{T1,…,Tj,…,TN};
其中,Tmin≤Tj<Tmax,N=(Tmax-Tmin)/h。
进一步的,所述基于拉依达准则,从所述阈值递增序列中确定最合理阈值T的步骤具体为:
拉依达准则表明:效应量测值x落在(μ—3S,μ+3S)区间的概率约为99.7%,测值x落在(μ—3S,μ+3S)以外的概率约为0.3%;其中,μ为样本的均值,S为样本的标准差;也就是说,一旦测值y出现在(μ—3S,μ+3S)以外,就有理由认为x是一个不应该出现的小概率事件,属于异常测值。大坝结构性态或工作状态发生变异是造成测值异常的主要原因之一,因此,基于概率学原理,通常把“±3S”作为拟定监控指标中“危险值x0.3%”置信区间的依据。同时,效应量测值x落在(μ—2S,μ+2S)以外的概率约为4.5%,因此,通常把“±2S”作为拟定监控指标中“警戒值x4.5%”置信区间的依据。
基于以上的“拉依达准则”,显著性水平α=4.5%时的监控指标警戒值x4.5%与其数学期望值E(x)之间的偏差(x4.5%-E(x))出现大于2S的概率为4.5%;显著性水平α=0.3%时的监控指标危险值x0.3%与其数学期望值E(x)之间的偏差(x0.3%-E(x))出现大于3S的概率为0.3%;其中S为效应量原始测值序列X={x1,x2,...,xn}的标准差。
理论上存在:
设cj=|Δj-S|,则当满足cj=|Δj-S|→0时所对应的阈值Tj即为最合理的阈值T。
在本实施例中,测点水平位移监测序列{x1,x2,…,xn}中,样本标准差S=1.19。首先确定下游方向的阈值。根据水平位移的观测精度,选取阈值递增序列的步长h=0.01;根据工程经验,一般取尾部样本数目为样本总规模的10%~30所对应的测值作为初始阈值,测值序列中的第二大值作为最大阈值,由此得到阈值序列{T1,…,Tj,…,TN}={2.00,2.01,…,5.79},进而得到超出量样本序列(为阈值Tj对应的超出量样本数)。
根据“拉依达准则”对阈值序列进行筛选,选定cj最接近于0时的阈值为下游方向的最合理阈值Tj,同理可确定测点在上游方向的最阈值。省略中间计算步骤,所得到的相应计算结果如表1所示。
表1测点POT模型计算参数表:
分别以显著性水平α为4.5%和0.3%的水平位移作为监控指标中的警戒值x4.5%和危险值x0.3%,则监控指标拟定结果见表2。
表2测点水平位移监控指标:
为验证改进方法所确定的阈值的合理性,以EX406测点向下游水平位移为例,采用超出量均值函数图法确定阈值。根据下游水平位移的最大值和最小值,选取(0mm,7mm)为阈值的取值区间,以0.01mm为间隔求得相应的超出量均值,绘制超出量均值函数图,如图3。
由图3可知,根据阈值选取规则可大致确定下游水平位移的阈值T=4.6mm,并可计算得到相应的警戒值危险值根据表1和表2的对比分析表明,两种方法所确定的阈值基本接近,但超出量期望图法需要根据图形状态进行人工估算,受主观因素影响较大,精度较低;改进方法为客观方法,阈值确定的精度较高,所拟定的监控指标也更为合理。
实施例三:
参见图1和图2,一种基于POT模型拟定大坝监控指标的设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
获取输入样本,确定待监控项目,在本实施例中,以某最大坝高为84m的混凝土重力坝为例,为监测大坝安全,在坝顶布置了一条引张线,引张线上共布置10个测点,以其中一测点为例,确定该测点的水平位移为监控项目,获取该该测点的水平位移在1996年6月1日~2015年6月1日的历史测值作为样本,总计n为236个,对应构建测值序列{x1,x2,…,xn},该236个样本满足独立同分布的条件;
由于坝顶水平位移向下游方向过大或向上游方向过大均有可能不安全,因此,水平位移属于双向监控的效应量,需要分别确定向下游方向的监控指标和向上游方向的监控指标。
确定预警值计算公式,基于POT模型理论,确定阈值Tj下的超出量分布函数并根据所述超出量分布函数得出阈值Tj下显著性水平为α时的预警值公式在POT模型中设{x1,x2,…,xn}为独立同分布随机变量x的测值序列,其分布函数为F(x);设定一个小于测值序列极大值的固定阈值T,如果测值xj>T,令yj=xj-T,则称xj为超阈值测值,xj所组成的序列称为超阈值测值序列;称yj为超出量,yj所组成的序列称为超出量序列。引入阈值概念,是POT模型区别于其他极值模型的根本之处,也使得POT模型能尽可能地保留原始测值序列中的重要信息。
超出量样本序列的条件分布函数FT(y)为:
FT(y)=P(x-T≤y|x>T) (1)
F(x)关于FT(y)的表达式可表示为:
F(x)=FT(y)[1-F(T)]+F(T) (2)
F(x)是拟定显著性水平α下监控指标xα的依据,即:
xα=F-1(x,α) (3)
由式(3)可知,要求解xα,需要先求解F(x);由式(2)可知,要求解F(x),需要先求解FT(y)。
极值理论中的PBdH定理表明,在满足F(x)属于广义极值分布(GEV)最大吸引域的前提下,当阈值T足够大时,超出量yj的条件分布函数FT(y)收敛于广义帕累托分布(GPD),即
式(3)中,ξT为形状参数,σT为尺度参数。
GPD分布的形状参数ξT和尺度参数σT的通过极大似然估计法、概率权矩法和矩估计法等进行估计;其中极大似然估计法理论基础较严谨,矩估计法可操作性较强。
确定最合理阈值,基于拉依达准则,从所述阈值递增序列中确定最合理阈值T;根据式(4),要获得FT(y),需要对参数σT、ξT进行估计;而σT、ξT来源于超出量yj序列,超出量yj序列的构建取决于阈值。因此,确定最合理的阈值T是是建立POT模型的关键。确定阈值T的传统方法主要有Hill图法、超出量均值函数图法以及样本峰度选定法等。其中,Hill图法和超出量均值函数图法均属于图形法,比较直观,但确定曲线的拐点时主观随意性较大,且难以实现计算机自动判断;样本峰度选定法概念比较清晰,但计算过程比较繁琐。在本实施例中,通过概率学中著名的“拉依达准则(3S准则)”来确定最合理阈值T。
拟定监控指标,根据所述最合理阈值T,计算XαT=F-1(x,α,T),以XαT作为该监控项目的监控指标。
实施例二:
进一步的,所述根据n个所述样本,构造阈值递增序列{T1,…,Tj,…,TN}的步骤具体为:
根据测值序列{x1,x2,…,xn},确定一初始阈值Tmin以及最大阈值Tmax;
给定步长h,构造阈值递增序列{T1,…,Tj,…,TN};
其中,Tmin≤Tj<Tmax,N=(Tmax-Tmin)/h。
进一步的,所述基于拉依达准则,从所述阈值递增序列中确定最合理阈值T的步骤具体为:
拉依达准则表明:效应量测值x落在(μ—3S,μ+3S)区间的概率约为99.7%,测值x落在(μ—3S,μ+3S)以外的概率约为0.3%;其中,μ为样本的均值,S为样本的标准差;也就是说,一旦测值y出现在(μ—3S,μ+3S)以外,就有理由认为x是一个不应该出现的小概率事件,属于异常测值。大坝结构性态或工作状态发生变异是造成测值异常的主要原因之一,因此,基于概率学原理,通常把“±3S”作为拟定监控指标中“危险值x0.3%”置信区间的依据。同时,效应量测值x落在(μ—2S,μ+2S)以外的概率约为4.5%,因此,通常把“±2S”作为拟定监控指标中“警戒值x4.5%”置信区间的依据。
基于以上的“拉依达准则”,显著性水平α=4.5%时的监控指标警戒值x4.5%与其数学期望值E(x)之间的偏差(x4.5%-E(x))出现大于2S的概率为4.5%;显著性水平α=0.3%时的监控指标危险值x0.3%与其数学期望值E(x)之间的偏差(x0.3%-E(x))出现大于3S的概率为0.3%;其中S为效应量原始测值序列X={x1,x2,...,xn}的标准差。
理论上存在:
设cj=|Δj-S|,则当满足cj=|Δj-S|→0时所对应的阈值Tj即为最合理的阈值T。
在本实施例中,测点水平位移监测序列{x1,x2,…,xn}中,样本标准差S=1.19。首先确定下游方向的阈值。根据水平位移的观测精度,选取阈值递增序列的步长h=0.01;根据工程经验,一般取尾部样本数目为样本总规模的10%~30所对应的测值作为初始阈值,测值序列中的第二大值作为最大阈值,由此得到阈值序列{T1,…,Tj,…,TN}={2.00,2.01,…,5.79},进而得到超出量样本序列(为阈值Tj对应的超出量样本数)。
根据“拉依达准则”对阈值序列进行筛选,选定cj最接近于0时的阈值为下游方向的最合理阈值Tj,同理可确定测点在上游方向的最阈值。省略中间计算步骤,所得到的相应计算结果如表1所示。
表1测点POT模型计算参数表:
分别以显著性水平α为4.5%和0.3%的水平位移作为监控指标中的警戒值x4.5%和危险值x0.3%,则监控指标拟定结果见表2。
表2测点水平位移监控指标:
为验证改进方法所确定的阈值的合理性,以EX406测点向下游水平位移为例,采用超出量均值函数图法确定阈值。根据下游水平位移的最大值和最小值,选取(0mm,7mm)为阈值的取值区间,以0.01mm为间隔求得相应的超出量均值,绘制超出量均值函数图,如图3。
由图3可知,根据阈值选取规则可大致确定下游水平位移的阈值T=4.6mm,并可计算得到相应的警戒值危险值根据表1和表2的对比分析表明,两种方法所确定的阈值基本接近,但超出量期望图法需要根据图形状态进行人工估算,受主观因素影响较大,精度较低;改进方法为客观方法,阈值确定的精度较高,所拟定的监控指标也更为合理。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于POT模型拟定大坝监控指标的方法,其特征在于,包括以下步骤:
获取输入样本,确定待监控项目,并获取该监控项目的n个历史测值作为样本构建测值序列{x1,x2,…,xn},所述n个样本满足独立同分布的条件;
确定最合理阈值,基于拉依达准则,从所述阈值递增序列中确定最合理阈值T;
拟定监控指标,根据所述最合理阈值T,计算XαT=F-1(x,α,T),以XαT作为该监控项目的监控指标。
2.根据权利要求1所述的一种基于POT模型拟定大坝监控指标的方法,其特征在于,所述根据n个所述样本,构造阈值递增序列{T1,…,Tj,…,TN}的步骤具体为:
根据测值序列,确定一初始阈值Tmin以及最大阈值Tmax;
给定步长h,构造阈值递增序列{T1,…,Tj,…,TN};
其中,Tmin≤Tj<Tmax,N=(Tmax-Tmin)/h。
4.一种基于POT模型拟定大坝监控指标的设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
获取输入样本,确定待监控项目,并获取该监控项目的n个历史测值作为样本构建测值序列{x1,x2,…,xn},所述n个样本满足独立同分布的条件;
确定最合理阈值,基于拉依达准则,从所述阈值递增序列中确定最合理阈值T;
拟定监控指标,根据所述最合理阈值T,计算XαT=F-1(x,α,T),以XαT作为该监控项目的监控指标。
5.根据权利要求4所述的一种基于POT模型拟定大坝监控指标的方法,其特征在于,所述根据n个所述样本,构造阈值递增序列{T1,…,Tj,…,TN}的步骤具体为:
根据测值序列,确定一初始阈值Tmin以及最大阈值Tmax;
给定步长h,构造阈值递增序列{T1,…,Tj,…,TN};
其中,Tmin≤Tj<Tmax,N=(Tmax-Tmin)/h。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549249.XA CN112633693B (zh) | 2020-12-24 | 2020-12-24 | 一种基于pot模型拟定大坝监控指标的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549249.XA CN112633693B (zh) | 2020-12-24 | 2020-12-24 | 一种基于pot模型拟定大坝监控指标的方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633693A true CN112633693A (zh) | 2021-04-09 |
CN112633693B CN112633693B (zh) | 2022-05-20 |
Family
ID=75324232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011549249.XA Active CN112633693B (zh) | 2020-12-24 | 2020-12-24 | 一种基于pot模型拟定大坝监控指标的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633693B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871190A (zh) * | 2016-09-23 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 一种业务指标监控方法及装置 |
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
JP2018128358A (ja) * | 2017-02-09 | 2018-08-16 | 株式会社明和eテック | 異常監視方法および異常監視装置 |
CN111256754A (zh) * | 2020-01-19 | 2020-06-09 | 河海大学 | 一种混凝土坝长期运行安全预警方法 |
CN111508216A (zh) * | 2020-04-28 | 2020-08-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种大坝安全监测数据智能预警方法 |
-
2020
- 2020-12-24 CN CN202011549249.XA patent/CN112633693B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871190A (zh) * | 2016-09-23 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 一种业务指标监控方法及装置 |
JP2018128358A (ja) * | 2017-02-09 | 2018-08-16 | 株式会社明和eテック | 異常監視方法および異常監視装置 |
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
CN111256754A (zh) * | 2020-01-19 | 2020-06-09 | 河海大学 | 一种混凝土坝长期运行安全预警方法 |
CN111508216A (zh) * | 2020-04-28 | 2020-08-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种大坝安全监测数据智能预警方法 |
Non-Patent Citations (1)
Title |
---|
任杰: "基于POT模型的大坝位移", 《水力发电》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112633693B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115293667B (zh) | 一种工程进度及造价管理系统的管理方法 | |
Zhu et al. | A dynamic alarm management strategy for chemical process transitions | |
US9996444B2 (en) | Automated methods and systems for calculating hard thresholds | |
CN107292502B (zh) | 一种配电网可靠性评估方法 | |
CN113094934B (zh) | 一种物理模型与数据融合驱动的管道腐蚀深度预测方法 | |
CN108269189A (zh) | 指标数据监控方法、装置、存储介质和计算机设备 | |
CN111523727B (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
Li et al. | Hydrostatic seasonal state model for monitoring data analysis of concrete dams | |
CN113592359A (zh) | 电力变压器的健康度评价方法和装置 | |
CN114970688A (zh) | 基于LSTMAD算法和Hermite插值法的滑坡监测数据预处理方法 | |
CN112633693B (zh) | 一种基于pot模型拟定大坝监控指标的方法和设备 | |
CN107844658A (zh) | 相关向量机与自回归滑动平均融合的舵机状态预测方法 | |
Stefanyshyn | A Method of Forecasting of Indexes of Dynamic System that evolves slowly, based on Time Series Analysis | |
CN115597872B (zh) | 抽水蓄能机组甩负荷测试方法、装置、设备及介质 | |
CN114254904B (zh) | 一种风电机组机舱运行健康度评价方法及装置 | |
CN113919204A (zh) | 一种多状态制造系统可用性综合重要度分析方法 | |
CN110321650B (zh) | 基于新型试验设计与权重响应面的结构可靠性分析方法 | |
Kashyap et al. | Analysis and ranking of software engineering metrics | |
Zheng et al. | An adaptive exponential smoothing approach for software reliability prediction | |
CN117556616A (zh) | 一种大坝变形监测量的在线动态预测方法 | |
He et al. | Reliability and risk assessment of aircraft electric systems | |
CN113722372A (zh) | 一种用于继电保护装置运行状态感知的方法 | |
Wang et al. | Research on the control chart based on the convergent CEV for censored characteristics of Weibull distribution | |
CN118173296A (zh) | 一回路换水反应性控制方法、装置、电子设备和介质 | |
CN116502517A (zh) | 一种考虑风速的变压器绕组热点温度计算方法 |
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 |