CN114492168A - 一种动系统下大坝安全监测数据粗差识别方法 - Google Patents

Abstract

本发明涉及动系统下大坝安全监测数据粗差识别方法，包括：分别人工选取两种运行状态下，钢板计测值变化规律性正常的数据序列，记充水状态下测值序列及记放水状态下测值序列，并对数据进行归一化处理；对充水状态下健康的监测数据，利用支持向量机方法，构建综合核函数；建立样本训练集和测试集，构建充水监控模型；对放水状态下健康的监测数据，利用支持向量机方法，选择合适的核函数；建立样本训练集和测试集，构建放水监控模型；设置状态转换开关，实现充水状态调用充水监控模型、放水状态调用放水监控模型；根据拉以达准则识别粗差。本发明能够实现大坝安全监测数据粗差识别。

Description

一种动系统下大坝安全监测数据粗差识别方法

技术领域

本发明涉及大坝安全监测数据处理技术领域，尤其涉及一种动系统下大坝安全监测数据粗差识别方法。

背景技术

水电站大坝安全监测的主要目的是了解大坝坝体及基础的实际工作状况，尽早发现异常现象并进行必要的处理以确保大坝安全运行，大坝安全监测数据在整理整编、分析、归档前，均需对监测数据的准确性和可靠性进行评判，以保证监测数据能够有效反映大坝运行状况。

传统的大坝安全监测数据粗差识别方法有：

①逻辑判别法。测值超过仪器量程或监测物理量测值超出逻辑合理范围，则存在粗差。

②过程线法。通过绘制观测量与时间之间的关系曲线来直接判断测值是否存在异常点的方法。

③统计判别法。将相同工况下的测值作为样本数据，采用统计方法计算观测数据系列的统计特征值，根据一定准则找出异常值。常用的统计判别法使用的准则有：拉依达准则、罗曼诺夫准则、格拉布斯准则、狄克松准则等。

④最小二乘监控模型判别法。在假设监测数据服从正态分布的情况下，利用最小二乘法，计算其方差S，再通过拉以达准则判别。

上述传统方法的弊端有以下几方面：(1)方法①和②多依赖工程经验，处理大量数据不现实；(2)方法③没有结合实际工程中的环境量影响因素，检验成果可能不符合工程实际；(3)方法④监控模型对非线性影响因素(时效因素)的拟合效果一般；(4)以上方法不适用监测物理量受运行工况影响的动系统下的监测点。

发明内容

本发明的目的是提供一种动系统下大坝安全监测数据粗差识别方法，以解决上述技术问题。

本发明提供了一种动系统下大坝安全监测数据粗差识别方法，包括蜗壳周围布设钢板计测值粗差识别，所述蜗壳周围布设钢板计测值粗差识别包括如下步骤：

(1)分别人工选取两种运行状态下，钢板计测值变化规律性正常的数据序列，记充水状态下测值序列为

记放水状态下测值序列为

并对数据进行归一化处理；

其中：

中包含上游水位H、温度T、时间t；

中包含钢板计应力测值；

(2)对充水状态下健康的监测数据，利用支持向量机方法，构建综合核函数，综合核函数表达式如下：

(3)建立样本训练集和测试集，构建充水监控模型，记

为充水监控模型预测值，包括：

①在基础优化目标的情况下，增加惩罚项，优化函数为：

S.t. g_i(ω,b)＝1-y_i(ω^TX_i ¹+b)-ξ_i≤0,ξ_i≥0,i＝1,2...,n

其中，ξ_i为松弛变量，C为惩罚因子；

②构造Lagrange函数，并将其转换为对偶问题

S.t. λ_i≥0μ_i≥0

其中λ_i和μ_i为Lagrange乘子，ω、b和ξ_i是主问题参数；

根据强对偶性，将构造的Lagrange函数转换为

③对上述对偶问题中w、b和ξ_i求偏导数，并令偏导数为0；

C＝λ_i+μ_i

④将过程③所得结果带入Lagrange函数中，得到Lagrange乘子；

⑤将Lagrange乘子带入过程③中等式，求得ω和b,最终求得超平面方程表达式ω^Tx+b＝0，令y＝ω^Tx+b即为充水状态下监控模型；

⑥根据以上SVM理论，编制程序分别形成:SVMtrain[x,y,K(x_i,x_j),C]和SVMpredict[x,y,SVMtrain]函数；其中：x,y为归一化后数据，K(x_i,x_j)为综合核函数，C为惩罚函数的惩罚力度；

⑦调用SVMtrain和SVMpredict函数，计算预测值，并对预测值反归一化，记

为充水监控模型预测值；

(4)对放水状态下健康的监测数据，同充水状态一致，选择综合核函数；

(5)建立样本训练集和测试集，构建放水监控模型，记

为放水监控模型预测值，同充水状态模型建立过程；

(6)设置状态转换开关，实现充水状态调用充水监控模型、放水状态调用放水监控模型；

(7)根据拉以达准则，若钢板计应力测量值y_i所对应的剩余残差

则将该测量值判为粗差；上式中将y_i替换为监控模型预测值

利用贝赛公式计算所得S代替σ；针对某可疑值，若满足：

其中

则y_i含有粗差，予以处理。

借由上述方案，通过动系统下大坝安全监测数据粗差识别方法，能够实现大坝安全监测数据粗差识别，具体包括如下技术效果：

1、本发明基于SVM方法的基础数学理论能摆脱传统依赖工程经验判别监测数据粗差的短板。

2、本发明能考虑影响监测物理量的环境量因素变化对测值变化的影响，基于SVM方法可以自由引入环境量影响因素，且模型鲁棒性强，除考虑常规意义下，上游水位、温度、时间效应外，还可根据情况，增加降雨、下游水位、渗流量、裂缝开合度等多种影响因素。

3、本发明基于SVM方法能较好地描述非线性变化物理量的数学特性，如常规影响因素中的时间效应，能更准确拟合监测物理量测值过程线，更准确找出测值序列中粗差。

4、本发明通过设置模型转换开关，能实现动系统下监测数据的粗差识别。此项技术效果通过设置模型转换开关实现。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1是本发明一实施例中某电厂蜗壳周围钢板计测值变化过程线数据；

图2是本发明一实施例中某电厂蜗壳周围钢板计测值数据粗差识别方法流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例提供了一种动系统下大坝安全监测数据粗差识别方法，该方法可快速有效判别动系统下大坝安全监测数据测量粗差，动系统是相对静系统提出的概念。静系统是指：监测部位测值变化与系统运行工况无关的系统，如：大坝表面位移测量、大坝内部应力测量、挡水坝段渗透压力测量、边坡位移测量等。动系统是指：监测部位测值变化与系统运行工况有关的系统，如：蜗壳充放水时周围监测仪器测量、船闸开闸关闸时周围监测仪器测量、厂房发电与不发电时周围监测仪器测量等。本方法适用于所有动系统下大坝安全监测数据粗差识别，同时关闭开关也适用于静系统下大坝安全监测数据粗差识别。

本实施例以蜗壳周围布设钢板计测值粗差识别为例，介绍动系统下该方法的实现。参图1、图2所示，一种动系统下大坝安全监测数据粗差识别方法，包括如下步骤：

(1)分别人工选取两种运行状态下，钢板计测值变化规律性正常的数据序列，记充水状态下测值序列为

记放水状态下测值序列为

并对数据进行归一化处理；

其中：

中包含上游水位H、温度T、时间t等环境量因素；

中包含钢板计应力测值。

(2)对充水状态下健康的监测数据，利用支持向量机(svm)方法，构建综合核函数；

具体的，SVM方法本质是找到一个最佳分类面或最优超平面(高维)，使得不同样本数据间隔最大。对于非线性问题，可以通过一个非线性映射φ将低维非线性问题映射到高维甚至无穷维空间，使其变为线性问题，从而进行分类或回归。根据泛函分析相关理论，只要在存在一种核函数K(x_i,x_j)满足Mercer条件，就可以将低维非线性问题映射到高维使其线性化，并且此过程不需要知道非线性映射φ的具体形式。核函数选取在SVM方法中至关重要。常用的核函数有：

(1)线性核函数：

K(x_i,x_j)＝x_i·x_j

(2)多项式核函数

K(x_i,x_j)＝[(x_i·x_j)+1]^q

(3)RBF核函数

(4)sigmoid核函数

一般情况下，在不知道数据的先验分布的情况下，通常使用交叉验证的方法，来尝试不同的核函数在升维过程中对原始数据线性化效果，误差最小的即为效果最好的核函数。本发明中为使核函数选取能适用于多种不同数据类型，将拟合效果明显的核函数线性组合组成综合核函数，在保证能将原始数据较好地线性化前提下，使其适用性更加广泛。根据Mercer定理，核函数在Hilbert空间有较好地数学性质，具有线性可加性。因此综合核函数表达式如下：

(3)建立样本训练集和测试集，构建充水监控模型，记

为充水监控模型预测值；

①SVM方法目标是找一个最佳分类面或最优超平面(高维)，高效划分2类或多类特性样本，为能考虑部分样本点不满足约束条件的情况下，样本划分仍能实现，在基础优化目标的情况下，增加惩罚项。优化函数为：

S.t. g_i(ω,b)＝1-y_i(ωTX_i ¹+b)-ξ_i≤0,ξ_i≥0,i＝1,2...,n

其中，ξ_i为松弛变量，C为惩罚因子。

②构造Lagrange函数，并将其转换为对偶问题。

S.t. λ_i≥0μ_i≥0

其中λ_i和μ_i为Lagrange乘子，ω、b和ξ_i是主问题参数

根据强对偶性，可将构造的Lagrange函数转换为

③对上述对偶问题中w、b和ξ_i求偏导数，并令偏导数为0；

C＝λ_i+μ_i

④将过程③所得结果带入Lagrange函数中，得到Lagrange乘子；

⑤将Lagrange乘子带入过程③中等式，求得W和b,最终求得超平面方程表达式ω^Tx+b＝0，令y＝ω^Tx+b即为充水状态下监控模型。

⑥根据以上SVM理论，编制程序分别形成:SVMtrain[x,y,K(x_i,x_j),C]和SVMpredict[x,y,SVMtrain]函数。其中：x,y为归一化后数据，K(x_i,x_j)为综合核函数，C为惩罚函数的惩罚力度。

⑦调用SVMtrain和SVMpredict函数，计算预测值，并对预测值反归一化，记

为充水监控模型预测值。

(4)对放水状态下健康的监测数据，同充水状态一致，选择综合核函数；

(5)建立样本训练集和测试集，构建放水监控模型，记

为放水监控模型预测值(同充水状态模型建立过程)；

(6)设置状态转换开关，实现充水状态调用充水监控模型、放水状态调用放水监控模型；

(7)根据拉以达准则，若钢板计应力测量值y_i所对应的剩余残差

则将该测量值判为粗差。上式中将y_i替换为监控模型预测值

利用贝赛公式计算所得S代替σ。针对某可疑值，若满足：

其中

则y_i含有粗差，予以处理。

该动系统下大坝安全监测数据粗差识别方法，能够实现大坝安全监测数据粗差识别，具体包括如下技术效果：

1、本发明基于SVM方法的基础数学理论能摆脱传统依赖工程经验判别监测数据粗差的短板。

2、本发明能考虑影响监测物理量的环境量因素变化对测值变化的影响，基于SVM方法可以自由引入环境量影响因素，且模型鲁棒性强，除考虑常规意义下，上游水位、温度、时间效应外，还可根据情况，增加降雨、下游水位、渗流量、裂缝开合度等多种影响因素。

3、本发明基于SVM方法能较好地描述非线性变化物理量的数学特性，如常规影响因素中的时间效应，能更准确拟合监测物理量测值过程线，更准确找出测值序列中粗差。

4、本发明通过设置模型转换开关，能实现动系统下监测数据的粗差识别。此项技术效果通过设置模型转换开关实现。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，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型，这些改进和变型也应视为本发明的保护范围。

Claims (1)

1.一种动系统下大坝安全监测数据粗差识别方法，其特征在于，包括蜗壳周围布设钢板计测值粗差识别，所述蜗壳周围布设钢板计测值粗差识别包括如下步骤：

(1)分别人工选取两种运行状态下，钢板计测值变化规律性正常的数据序列，记充水状态下测值序列为

记放水状态下测值序列为

并对数据进行归一化处理；

其中：

中包含上游水位H、温度T、时间t；

中包含钢板计应力测值；

(2)对充水状态下健康的监测数据，利用支持向量机方法，构建综合核函数，综合核函数表达式如下：

(3)建立样本训练集和测试集，构建充水监控模型，记

为充水监控模型预测值，包括：

①在基础优化目标的情况下，增加惩罚项，优化函数为：

S.t.g_i(ω,b)＝1-y_i(ω^TX_i ¹+b)-ξ_i≤0,ξ_i≥0,i＝1,2...,n

其中，ξ_i为松弛变量，C为惩罚因子；

②构造Lagrange函数，并将其转换为对偶问题

S.t.λ_i≥0μ_i≥0

其中λ_i和μ_i为Lagrange乘子，ω、b和ξ_i是主问题参数；

根据强对偶性，将构造的Lagrange函数转换为

③对上述对偶问题中w、b和ξ_i求偏导数，并令偏导数为0；

C＝λ_i+μ_i

④将过程③所得结果带入Lagrange函数中，得到Lagrange乘子；

⑤将Lagrange乘子带入过程③中等式，求得ω和b,最终求得超平面方程表达式ω^Tx+b＝0，令y＝ω^Tx+b即为充水状态下监控模型；

⑥根据以上SVM理论，编制程序分别形成:SVMtrain[x,y,K(x_i,x_j),C]和SVMpredict[x,y,SVMtrain]函数；其中：x,y为归一化后数据，K(x_i,x_j)为综合核函数，C为惩罚函数的惩罚力度；

⑦调用SVMtrain和SVMpredict函数，计算预测值，并对预测值反归一化，记

为充水监控模型预测值；

(4)对放水状态下健康的监测数据，同充水状态一致，选择综合核函数；

(5)建立样本训练集和测试集，构建放水监控模型，记

为放水监控模型预测值，同充水状态模型建立过程；

(6)设置状态转换开关，实现充水状态调用充水监控模型、放水状态调用放水监控模型；

(7)根据拉以达准则，若钢板计应力测量值y_i所对应的剩余残差

则将该测量值判为粗差；上式中将y_i替换为监控模型预测值

利用贝赛公式计算所得S代替σ；针对某可疑值，若满足：

其中

则y_i含有粗差，予以处理。

Images