CN115452089A - 一种用于水利水电工程的水位检测装置 - Google Patents
一种用于水利水电工程的水位检测装置 Download PDFInfo
- Publication number
- CN115452089A CN115452089A CN202210782594.0A CN202210782594A CN115452089A CN 115452089 A CN115452089 A CN 115452089A CN 202210782594 A CN202210782594 A CN 202210782594A CN 115452089 A CN115452089 A CN 115452089A
- Authority
- CN
- China
- Prior art keywords
- water level
- data
- hydraulic
- module
- hydroelectric engineering
- 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.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 383
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 99
- 238000005259 measurement Methods 0.000 claims abstract description 88
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012800 visualization Methods 0.000 claims abstract description 27
- 238000012937 correction Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 5
- 230000005856 abnormality Effects 0.000 claims description 35
- 230000000007 visual effect Effects 0.000 claims description 19
- 230000002068 genetic effect Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 238000005215 recombination Methods 0.000 claims description 6
- 230000006798 recombination Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Genetics & Genomics (AREA)
- Fluid Mechanics (AREA)
- Control Of Water Turbines (AREA)
Abstract
本发明属于水位检测技术领域,公开了一种用于水利水电工程的水位检测装置,所述用于水利水电工程的水位检测装置包括:水位采集模块、水位校正模块、主控模块、异常检测模块、风险等级判断模块、警报模块、异常可视化模块、云存储模块。本发明通过异常检测模块使用逆传播神经网络对水利水电工程水位测量数据进行拟合计算残差值,并考虑水利水电工程水位的延续性,对相邻时刻测量数据间的相关性进行分析,纵向检验异常数据,从而可以有效识别独立及成片的异常数据,并提高了异常数据检测准确性;同时,通过异常可视化模块可以快速发现需要重点观察的异常区域并且进一步获取不同时间下水利水电工程水位异常数据变化趋势,大大提高水位数据处理效率。
Description
技术领域
本发明属于水位检测技术领域,尤其涉及一种用于水利水电工程的水位检测装置。
背景技术
水利水电工程主要研究水资源、水工结构、水力学及流体动力学、水利工程技术等方面的基本知识和技能;在维持水利水电工程正常运行的过程中,水位参数是一个重要的监测指标,其能够反映出水利水电工程的蓄水容量、洪峰调节能力等等;然而,现有用于水利水电工程的水位检测装置不能准确检测水位异常;同时在工程测量工作中的主要执行者是测量人员,测量人员自身专业素质不同,测量结果也会有差异,人员的观测水平、原始记录的规范性、前视人员的立尺、立杆的准确性等都会影响测量数据结果精度从而导致水利工程建设的质量出现问题。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有用于水利水电工程的水位检测装置不能准确检测水位异常。
(2)现有测量方法受人为因素影响较大。
(3)现有技术对水位数据处理效率低。
发明内容
针对现有技术存在的问题,本发明提供了一种用于水利水电工程的水位检测装置。
本发明是这样实现的,一种用于水利水电工程的水位检测装置包括:
水位采集模块、水位校正模块、主控模块、异常检测模块、风险等级判断模块、警报模块、异常可视化模块、云存储模块;
水位采集模块,与水位校正模块连接,用于通过水位传感器采集水利水电工程的水位数据,水位传感器将实时的水位信号传送到水位传感器内部的控制器,控制器内的计算程序将实测的水位信号与设定信号进行比较,得出偏差,偏差以电信号的形式得到,然后通过A/D传感器将偏差电信号转换为计算机可以处理的数字信号;
水位校正模块,与水位采集模块、主控模块连接,用于对水利水电工程的水位数据进行校正,首先获取水位采集模块得到的偏差数据,向水位采集模块发送索要数据的请求,请求通过传输线到达水位采集模块,水位采集模块对请求进行解析,将所需要的数据进行打包原路返回至水位校正模块,水位校正模块将数据进行解包,使用水位校正程序对水位数据进行精度为0.001的校正,得到校正后的数据;
主控模块,与水位校正模块、异常检测模块、风险等级判断模块、警报模块、异常可视化模块、云存储模块连接,用于控制各个模块正常工作,主控制器对各模块传输的数据以及请求进行采集,通过分析处理后输出给输出通道;当各模块需要模拟量输出时,主控模块的指令经过D/A转换器转换成标准电信号进行输出;
异常检测模块,与主控模块连接,用于对水利水电工程的水位异常数据进行检测,包括水位监测CPU,水位监测CPU实时监测水位状态,水位状态一旦发生大幅度或者不正常变化,会立刻刺激水位监测CPU产生电信号,若电信号经由CPU分析为异常变化,则立刻向主控模块发送异常信息,异常信息包括当前异常水位数据以及异常前的1小时水位数据;
风险等级判断模块,与主控模块连接,用于对水利水电工程的水位风险等级进行判断,由服务器以及评估程序构成,获取异常检测模块得到的异常数据,直接传送至评估程序,评估程序使用训练过的深度卷积神经网络对异常水位数据进行计算评估,将计算评估的结果传输至服务器端,服务器根据当前的分析数据进行风险等级判断;
警报模块,与主控模块连接,用于通过警报器根据水位异常进行警报通知,首先获取异常检测模块中采集的异常数据与异常前一小时的水位数据,将异常前一小时的水位数据通过计算程序计算出水位平均值,警报器将平均值与异常数据一起进行播报,同时启用声音,闪光的警报模式同时进行;
异常可视化模块,与主控模块连接,用于对水利水电工程的水位异常数据进行可视化处理,主控模块将异常信息以数字信号的形式传送至异常可视化模块,异常可视化模块将数字信号通过DVI接口传入显示屏,以供显示;
云存储模块,与主控模块连接,用于通过云服务器存储水位数据、异常检测结果、风险等级判断结果,使用云存储服务,首先要在本地服务器部署数据中心中创建云存储平台,通过第三方网关来实现存储协议,此存储协议可以实现从NFS到SMB的转换,用户将本地数据通过网线写入云存储网关中,云存储网关将数据传输至边界路由,边界路由通过专线公网将数据传入至云平台,在云平台中发起对象存储的请求,将数据传送至云平台内的云存储网关,云存储网关通过vSwitch将数据发送到云存储可用区中,完成数据云存储。
进一步,所述异常检测模块检测方法如下:
(1)获取待检测的水利水电工程水位测量数据;并对水位测量数据进行校准;分别将各个所述水利水电工程水位测量数据输入到对应训练好的逆传播神经网络中进行拟合,得到各个所述水利水电工程水位测量数据的拟合值,并根据所述拟合值计算各个所述水利水电工程水位测量数据的残差值;
(2)分别计算各个所述水利水电工程水位测量数据所在时刻之前的测量数据的相邻相关系数;分别将各个所述水利水电工程水位测量数据的所述残差值与预设粗差检验阈值比较,将各个所述水利水电工程水位测量数据对应的所述相邻相关系数与预设相关阈值比较,并根据比较结果确定各个所述水利水电工程水位测量数据是否为异常数据。
进一步,所述分别将各个所述水利水电工程水位测量数据输入到对应训练好的逆传播神经网络中进行拟合之前,还包括:
构建所述逆传播神经网络,并基于遗传算法对所述逆传播神经网络进行优化,以得到所述逆传播神经网络的最优权重及最优阈值。
进一步,所述构建所述逆传播神经网络,包括:
针对每个所述水利水电工程水位测量数据,采用去己法确定对应的所述逆传播神经网络的训练样本数据,以使用所述训练样本数据对所述逆传播神经网络进行训练;
所述基于遗传算法对所述逆传播神经网络进行优化,以得到所述逆传播神经网络的最优权重及最优阈值,包括:
初始化所述逆传播神经网络,并将所述逆传播神经网络的权重和阈值编码为遗传算法染色体,记为初始种群;
将完成编码后的所述逆传播神经网络代入对应的所述训练样本数据中进行交叉重组和变异,以形成新种群;
根据染色体编码及神经网络误差函数建立适应度函数,若所述适应度函数的结果满足预设适应度条件,则终止遗传算法,并挑选最佳个体解码得到所述最优权重及所述最优阈值,若所述适应度函数的结果不满足预设适应度条件,则继续进行交叉重组和变异,直至满足。
进一步,所述分别将各个所述水利水电工程水位测量数据输入到对应训练好的逆传播神经网络中进行拟合之前,还包括:
根据所述水利水电工程水位测量数据的高度对所述水利水电工程水位测量数据进行分段,并分别采用多项式拟合方法将各段数据中偏差大于预设偏差阈值的所述水利水电工程水位测量数据剔除;
所述分别采用多项式拟合方法将各段数据中偏差大于预设偏差阈值的所述水利水电工程水位测量数据剔除,包括:
针对每段数据,对其中的所述水利水电工程水位测量数据进行多项式拟合,得到系数矩阵和拟合多项式,并计算得到相应的拟合值序列及拟合残差值序列;
根据所述拟合残差值序列,若所述水利水电工程水位测量数据的残差值小于预设门限值,则判定所述水利水电工程水位测量数据为正常数据,若所述水利水电工程水位测量数据的残差值大于等于所述预设门限值,则判定所述水利水电工程水位测量数据为异常数据,并使用所述水利水电工程水位测量数据所在时刻之前的测量数据的中位值替代所述水利水电工程水位测量数据。
进一步,所述根据比较结果确定各个所述水利水电工程水位测量数据是否为异常数据之后,还包括:
若确定所述水利水电工程水位测量数据为异常数据,则将所述水利水电工程水位测量数据剔除,并采用多项式插值法对正常数据进行逐时拟合,以对剔除的所述水利水电工程水位测量数据进行修复补偿。
进一步,所述异常可视化模块可视化方法如下:
1)构建水位数据库,获取原始水利水电工程水位数据与原始影响因素数据;将获取的水位数据存入水位数据库;对所述原始水利水电工程水位数据与所述原始影响因素数据进行处理,得到精确水利水电工程水位数据与精确影响因素数据;
2)根据所述精确水利水电工程水位数据构建第一隐喻图形;根据所述精确影响因素数据构建第二隐喻图形;根据所述第一隐喻图形与所述第二隐喻图形构建水利水电工程水位数据异常的可视化图形。
进一步,所述对所述原始水利水电工程水位数据与所述原始影响因素数据进行处理,得到精确水利水电工程水位数据与精确影响因素数据的步骤包括:
剔除所述原始水利水电工程水位数据与所述原始影响因素数据中的错误数据,并对错误数据的位置进行标记;
根据所述错误数据的位置进行数据填充,并对数据填充的时间进行标记,得到精确水利水电工程水位数据与精确影响因素数据。
进一步,所述根据所述精确水利水电工程水位数据构建第一隐喻图形的步骤包括:
计算所述精确水利水电工程水位数据内的异常情况数据,得到水利水电工程水位数据异常情况的总体异常程度;
根据所述数据填充的时间与所述总体异常程度对所述精确水利水电工程水位数据进行可视化映射,得到精确水利水电工程水位数据的初步图形;
对所述总体异常程度进行排序,结合所述精确水利水电工程水位数据的初步图形进行可视化映射,得到第一隐喻图形;
所述水利水电工程水位数据异常情况的总体异常程度E表示为:
Eti表示为水利水电工程水位数据异常水平发生的持续时间,
Wgi表示为不同的水利水电工程水位数据异常水平所代表的权重数据,
k表示为水利水电工程水位异常等级的分布数量。
进一步,所述根据所述精确影响因素数据构建第二隐喻图形的步骤包括:
计算所述精确影响因素数据内的异常情况数据,得到影响因素的影响力;
根据所述数据填充的时间与所述影响因素的影响力对所述精确影响因素数据进行可视化映射,得到精确影响因素数据的初步图形;
对所述影响因素的影响力进行排序,结合所述精确影响因素数据的初步图形进行可视化映射,得到第二隐喻图形;
所述当前影响因素的影响力Ei表示为:Ei=Wei*Evi*Edi*Eqi,其中,
Wei表示为当前影响因素对水利水电工程水位数据的影响程度,
Evi表示为归一化后的影响因素数值,
Edi表示为当前影响因素对水利水电工程水位的影响方向,
Eqi表示为当前影响因素所定义的权重大小;
n表示为影响因素的样本数量,
x表示为原始水利水电工程水位数据,
y表示为原始影响因素数据,
表示为原始水利水电工程水位数据的平均值,
σx表示为原始水利水电工程水位数据的标准差,
表示为原始影响因素数据的平均值,
σy表示为原始影响因素数据的标准差。
结合上述的技术方案和解决的技术问题,请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明通过对水位测量数据的异常进行模块化的管理以及控制,解决了由于人为因素导致的异常发现过晚,水位异常时间长导致的损失过大,通过水位异常多重监测以及多重测量,保证了水位检测装置可以及时准确的检测到水位的异常情况,并及时发出报警,减少相应的损失,通过对水位数据的多重处理以及分析提高了对水位数据的处理效率,同时可以深度提取出水位数据隐藏的异常情况。
第二,把技术方案看作一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明通过异常检测模块使用逆传播神经网络对水利水电工程水位测量数据进行拟合计算残差值,并考虑水利水电工程水位的延续性,对相邻时刻测量数据间的相关性进行分析,纵向检验异常数据,从而可以有效识别独立及成片的异常数据,并提高了异常数据检测准确性;同时,通过异常可视化模块可以通过视图快速了解长时间下的水利水电工程水位异常数据整体分布情况,快速发现需要重点观察的异常区域并且进一步获取不同时间下的水利水电工程水位异常数据变化趋势,大大提高水位数据处理效率。
附图说明
图1是本发明实施例提供的用于水利水电工程的水位检测装置结构框图。
图2是本发明实施例提供的异常检测模块检测方法流程图。
图3是本发明实施例提供的异常可视化模块可视化方法流程图。
图1中:1、水位采集模块;2、水位校正模块;3、主控模块;4、异常检测模块;5、风险等级判断模块;6、警报模块;7、异常可视化模块;8、云存储模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本发明实施例提供的用于水利水电工程的水位检测装置包括:水位采集模块1、水位校正模块2、主控模块3、异常检测模块4、风险等级判断模块5、警报模块6、异常可视化模块7、云存储模块8。
水位采集模块1,与水位校正模块2连接,用于通过水位传感器采集水利水电工程的水位数据,水位传感器将实时的水位信号传送到水位传感器内部的控制器,控制器内的计算程序将实测的水位信号与设定信号进行比较,得出偏差,偏差以电信号的形式得到,然后通过A/D传感器将偏差电信号转换为计算机可以处理的数字信号;
水位校正模块2,与水位采集模块1、主控模块3连接,用于对水利水电工程的水位数据进行校正,首先获取水位采集模块得到的偏差数据,向水位采集模块发送索要数据的请求,请求通过传输线到达水位采集模块,水位采集模块对请求进行解析,将所需要的数据进行打包原路返回至水位校正模块,水位校正模块将数据进行解包,使用水位校正程序对水位数据进行精度为0.001的校正,得到校正后的数据;
主控模块3,与水位校正模块2、异常检测模块4、风险等级判断模块5、警报模块6、异常可视化模块7、云存储模块8连接,用于控制各个模块正常工作,主控制器对各模块传输的数据以及请求进行采集,通过分析处理后输出给输出通道;当各模块需要模拟量输出时,主控模块的指令经过D/A转换器转换成标准电信号进行输出;
异常检测模块4,与主控模块3连接,用于对水利水电工程的水位异常数据进行检测,包括水位监测CPU,水位监测CPU实时监测水位状态,水位状态一旦发生大幅度或者不正常变化,会立刻刺激水位监测CPU产生电信号,若电信号经由CPU分析为异常变化,则立刻向主控模块发送异常信息,异常信息包括当前异常水位数据以及异常前的1小时水位数据;
风险等级判断模块5,与主控模块3连接,用于对水利水电工程的水位风险等级进行判断,由服务器以及评估程序构成,获取异常检测模块得到的异常数据,直接传送至评估程序,评估程序使用训练过的深度卷积神经网络对异常水位数据进行计算评估,将计算评估的结果传输至服务器端,服务器根据当前的分析数据进行风险等级判断;
警报模块6,与主控模块3连接,用于通过警报器根据水位异常进行警报通知,首先获取异常检测模块中采集的异常数据与异常前一小时的水位数据,将异常前一小时的水位数据通过计算程序计算出水位平均值,警报器将平均值与异常数据一起进行播报,同时启用声音,闪光的警报模式同时进行;
异常可视化模块7,与主控模块3连接,用于对水利水电工程的水位异常数据进行可视化处理,主控模块将异常信息以数字信号的形式传送至异常可视化模块,异常可视化模块将数字信号通过DVI接口传入显示屏,以供显示;
云存储模块8,与主控模块3连接,用于通过云服务器存储水位数据、异常检测结果、风险等级判断结果,使用云存储服务,首先要在本地服务器部署数据中心中创建云存储平台,通过第三方网关来实现存储协议,此存储协议可以实现从NFS到SMB的转换,用户将本地数据通过网线写入云存储网关中,云存储网关将数据传输至边界路由,边界路由通过专线公网将数据传入至云平台,在云平台中发起对象存储的请求,将数据传送至云平台内的云存储网关,云存储网关通过vSwitch将数据发送到云存储可用区中,完成数据云存储。
如图2所示,本发明提供的异常检测模块4检测方法如下:
S101,获取待检测的水利水电工程水位测量数据;并对水位测量数据进行校准;分别将各个所述水利水电工程水位测量数据输入到对应训练好的逆传播神经网络中进行拟合,得到各个所述水利水电工程水位测量数据的拟合值,并根据所述拟合值计算各个所述水利水电工程水位测量数据的残差值;
S102,分别计算各个所述水利水电工程水位测量数据所在时刻之前的测量数据的相邻相关系数;分别将各个所述水利水电工程水位测量数据的所述残差值与预设粗差检验阈值比较,将各个所述水利水电工程水位测量数据对应的所述相邻相关系数与预设相关阈值比较,并根据比较结果确定各个所述水利水电工程水位测量数据是否为异常数据。
本发明提供的在所述分别将各个所述水利水电工程水位测量数据输入到对应训练好的逆传播神经网络中进行拟合之前,还包括:
构建所述逆传播神经网络,并基于遗传算法对所述逆传播神经网络进行优化,以得到所述逆传播神经网络的最优权重及最优阈值。
本发明提供的构建所述逆传播神经网络,包括:
针对每个所述水利水电工程水位测量数据,采用去己法确定对应的所述逆传播神经网络的训练样本数据,以使用所述训练样本数据对所述逆传播神经网络进行训练;
所述基于遗传算法对所述逆传播神经网络进行优化,以得到所述逆传播神经网络的最优权重及最优阈值,包括:
初始化所述逆传播神经网络,并将所述逆传播神经网络的权重和阈值编码为遗传算法染色体,记为初始种群;
将完成编码后的所述逆传播神经网络代入对应的所述训练样本数据中进行交叉重组和变异,以形成新种群;
根据染色体编码及神经网络误差函数建立适应度函数,若所述适应度函数的结果满足预设适应度条件,则终止遗传算法,并挑选最佳个体解码得到所述最优权重及所述最优阈值,若所述适应度函数的结果不满足预设适应度条件,则继续进行交叉重组和变异,直至满足。
本发明提供的在所述分别将各个所述水利水电工程水位测量数据输入到对应训练好的逆传播神经网络中进行拟合之前,还包括:
根据所述水利水电工程水位测量数据的高度对所述水利水电工程水位测量数据进行分段,并分别采用多项式拟合方法将各段数据中偏差大于预设偏差阈值的所述水利水电工程水位测量数据剔除;
所述分别采用多项式拟合方法将各段数据中偏差大于预设偏差阈值的所述水利水电工程水位测量数据剔除,包括:
针对每段数据,对其中的所述水利水电工程水位测量数据进行多项式拟合,得到系数矩阵和拟合多项式,并计算得到相应的拟合值序列及拟合残差值序列;
根据所述拟合残差值序列,若所述水利水电工程水位测量数据的残差值小于预设门限值,则判定所述水利水电工程水位测量数据为正常数据,若所述水利水电工程水位测量数据的残差值大于等于所述预设门限值,则判定所述水利水电工程水位测量数据为异常数据,并使用所述水利水电工程水位测量数据所在时刻之前的测量数据的中位值替代所述水利水电工程水位测量数据。
本发明提供的在所述根据比较结果确定各个所述水利水电工程水位测量数据是否为异常数据之后,还包括:
若确定所述水利水电工程水位测量数据为异常数据,则将所述水利水电工程水位测量数据剔除,并采用多项式插值法对正常数据进行逐时拟合,以对剔除的所述水利水电工程水位测量数据进行修复补偿。
如图3所示,本发明提供的异常可视化模块7可视化方法如下:
S201,构建水位数据库,获取原始水利水电工程水位数据与原始影响因素数据;将获取的水位数据存入水位数据库;对所述原始水利水电工程水位数据与所述原始影响因素数据进行处理,得到精确水利水电工程水位数据与精确影响因素数据;
S202,根据所述精确水利水电工程水位数据构建第一隐喻图形;根据所述精确影响因素数据构建第二隐喻图形;根据所述第一隐喻图形与所述第二隐喻图形构建水利水电工程水位数据异常的可视化图形。
本发明提供的对所述原始水利水电工程水位数据与所述原始影响因素数据进行处理,得到精确水利水电工程水位数据与精确影响因素数据的步骤包括:
剔除所述原始水利水电工程水位数据与所述原始影响因素数据中的错误数据,并对错误数据的位置进行标记;
根据所述错误数据的位置进行数据填充,并对数据填充的时间进行标记,得到精确水利水电工程水位数据与精确影响因素数据。
本发明提供的根据所述精确水利水电工程水位数据构建第一隐喻图形的步骤包括:
计算所述精确水利水电工程水位数据内的异常情况数据,得到水利水电工程水位数据异常情况的总体异常程度;
根据所述数据填充的时间与所述总体异常程度对所述精确水利水电工程水位数据进行可视化映射,得到精确水利水电工程水位数据的初步图形;
对所述总体异常程度进行排序,结合所述精确水利水电工程水位数据的初步图形进行可视化映射,得到第一隐喻图形;
所述水利水电工程水位数据异常情况的总体异常程度E表示为:
Eti表示为水利水电工程水位数据异常水平发生的持续时间,
Wgi表示为不同的水利水电工程水位数据异常水平所代表的权重数据,
k表示为水利水电工程水位异常等级的分布数量。
本发明提供的根据所述精确影响因素数据构建第二隐喻图形的步骤包括:
计算所述精确影响因素数据内的异常情况数据,得到影响因素的影响力;
根据所述数据填充的时间与所述影响因素的影响力对所述精确影响因素数据进行可视化映射,得到精确影响因素数据的初步图形;
对所述影响因素的影响力进行排序,结合所述精确影响因素数据的初步图形进行可视化映射,得到第二隐喻图形;
所述当前影响因素的影响力Ei表示为:Ei=Wei*Evi*Edi*Eqi,其中,
Wei表示为当前影响因素对水利水电工程水位数据的影响程度,
Evi表示为归一化后的影响因素数值,
Edi表示为当前影响因素对水利水电工程水位的影响方向,
Eqi表示为当前影响因素所定义的权重大小;
n表示为影响因素的样本数量,
x表示为原始水利水电工程水位数据,
y表示为原始影响因素数据,
表示为原始水利水电工程水位数据的平均值,
σx表示为原始水利水电工程水位数据的标准差,
表示为原始影响因素数据的平均值,
σy表示为原始影响因素数据的标准差。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明工作时,首先,通过水位采集模块1利用水位传感器采集水利水电工程的水位数据;通过水位校正模块2对水利水电工程的水位数据进行校正;其次,主控模块3通过异常检测模块4对水利水电工程的水位异常数据进行检测;通过风险等级判断模块5对水利水电工程的水位风险等级进行判断;通过警报模块6利用警报器根据水位异常进行警报通知;然后,通过异常可视化模块7对水利水电工程的水位异常数据进行可视化处理;最后,通过云存储模块8 利用云服务器存储水位数据、异常检测结果、风险等级判断结果。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
本发明通过异常检测模块使用逆传播神经网络对水利水电工程水位测量数据进行拟合计算残差值,并考虑水利水电工程水位的延续性,对相邻时刻测量数据间的相关性进行分析,纵向检验异常数据,从而可以有效识别独立及成片的异常数据,并提高了异常数据检测准确性;同时,通过异常可视化模块可以通过视图快速了解长时间下的水利水电工程水位异常数据整体分布情况,快速发现需要重点观察的异常区域并且进一步获取不同时间下的水利水电工程水位异常数据变化趋势,大大提高水位数据处理效率。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种用于水利水电工程的水位检测装置,其特征在于,所述用于水利水电工程的水位检测装置包括:
水位采集模块、水位校正模块、主控模块、异常检测模块、风险等级判断模块、警报模块、异常可视化模块、云存储模块;
水位采集模块,与水位校正模块连接,用于通过水位传感器采集水利水电工程的水位数据,水位传感器将实时的水位信号传送到水位传感器内部的控制器,控制器内的计算程序将实测的水位信号与设定信号进行比较,得出偏差,偏差以电信号的形式得到,然后通过A/D传感器将偏差电信号转换为计算机可以处理的数字信号;
水位校正模块,与水位采集模块、主控模块连接,用于对水利水电工程的水位数据进行校正,首先获取水位采集模块得到的偏差数据,向水位采集模块发送索要数据的请求,请求通过传输线到达水位采集模块,水位采集模块对请求进行解析,将所需要的数据进行打包原路返回至水位校正模块,水位校正模块将数据进行解包,使用水位校正程序对水位数据进行精度为0.001的校正,得到校正后的数据;
主控模块,与水位校正模块、异常检测模块、风险等级判断模块、警报模块、异常可视化模块、云存储模块连接,用于控制各个模块正常工作,主控制器对各模块传输的数据以及请求进行采集,通过分析处理后输出给输出通道;当各模块需要模拟量输出时,主控模块的指令经过D/A转换器转换成标准电信号进行输出;
异常检测模块,与主控模块连接,用于对水利水电工程的水位异常数据进行检测,包括水位监测CPU,水位监测CPU实时监测水位状态,水位状态一旦发生大幅度或者不正常变化,会立刻刺激水位监测CPU产生电信号,若电信号经由CPU分析为异常变化,则立刻向主控模块发送异常信息,异常信息包括当前异常水位数据以及异常前的1小时水位数据;
风险等级判断模块,与主控模块连接,用于对水利水电工程的水位风险等级进行判断,由服务器以及评估程序构成,获取异常检测模块得到的异常数据,直接传送至评估程序,评估程序使用训练过的深度卷积神经网络对异常水位数据进行计算评估,将计算评估的结果传输至服务器端,服务器根据当前的分析数据进行风险等级判断;
警报模块,与主控模块连接,用于通过警报器根据水位异常进行警报通知,首先获取异常检测模块中采集的异常数据与异常前一小时的水位数据,将异常前一小时的水位数据通过计算程序计算出水位平均值,警报器将平均值与异常数据一起进行播报,同时启用声音,闪光的警报模式同时进行;
异常可视化模块,与主控模块连接,用于对水利水电工程的水位异常数据进行可视化处理,主控模块将异常信息以数字信号的形式传送至异常可视化模块,异常可视化模块将数字信号通过DVI接口传入显示屏,以供显示;
云存储模块,与主控模块连接,用于通过云服务器存储水位数据、异常检测结果、风险等级判断结果,使用云存储服务,首先要在本地服务器部署数据中心中创建云存储平台,通过第三方网关来实现存储协议,此存储协议可以实现从NFS到SMB的转换,用户将本地数据通过网线写入云存储网关中,云存储网关将数据传输至边界路由,边界路由通过专线公网将数据传入至云平台,在云平台中发起对象存储的请求,将数据传送至云平台内的云存储网关,云存储网关通过vSwitch将数据发送到云存储可用区中,完成数据云存储。
2.如权利要求1所述用于水利水电工程的水位检测装置,其特征在于,所述异常检测模块检测方法如下:
(1)获取待检测的水利水电工程水位测量数据;并对水位测量数据进行校准;分别将各个所述水利水电工程水位测量数据输入到对应训练好的逆传播神经网络中进行拟合,得到各个所述水利水电工程水位测量数据的拟合值,并根据所述拟合值计算各个所述水利水电工程水位测量数据的残差值;
(2)分别计算各个所述水利水电工程水位测量数据所在时刻之前的测量数据的相邻相关系数;分别将各个所述水利水电工程水位测量数据的所述残差值与预设粗差检验阈值比较,将各个所述水利水电工程水位测量数据对应的所述相邻相关系数与预设相关阈值比较,并根据比较结果确定各个所述水利水电工程水位测量数据是否为异常数据。
3.如权利要求2所述用于水利水电工程的水位检测装置,其特征在于,所述分别将各个所述水利水电工程水位测量数据输入到对应训练好的逆传播神经网络中进行拟合之前,还包括:
构建所述逆传播神经网络,并基于遗传算法对所述逆传播神经网络进行优化,以得到所述逆传播神经网络的最优权重及最优阈值。
4.如权利要求3所述用于水利水电工程的水位检测装置,其特征在于,所述构建所述逆传播神经网络,包括:
针对每个所述水利水电工程水位测量数据,采用去己法确定对应的所述逆传播神经网络的训练样本数据,以使用所述训练样本数据对所述逆传播神经网络进行训练;
所述基于遗传算法对所述逆传播神经网络进行优化,以得到所述逆传播神经网络的最优权重及最优阈值,包括:
初始化所述逆传播神经网络,并将所述逆传播神经网络的权重和阈值编码为遗传算法染色体,记为初始种群;
将完成编码后的所述逆传播神经网络代入对应的所述训练样本数据中进行交叉重组和变异,以形成新种群;
根据染色体编码及神经网络误差函数建立适应度函数,若所述适应度函数的结果满足预设适应度条件,则终止遗传算法,并挑选最佳个体解码得到所述最优权重及所述最优阈值,若所述适应度函数的结果不满足预设适应度条件,则继续进行交叉重组和变异,直至满足。
5.如权利要求2所述用于水利水电工程的水位检测装置,其特征在于,所述分别将各个所述水利水电工程水位测量数据输入到对应训练好的逆传播神经网络中进行拟合之前,还包括:
根据所述水利水电工程水位测量数据的高度对所述水利水电工程水位测量数据进行分段,并分别采用多项式拟合方法将各段数据中偏差大于预设偏差阈值的所述水利水电工程水位测量数据剔除;
所述分别采用多项式拟合方法将各段数据中偏差大于预设偏差阈值的所述水利水电工程水位测量数据剔除,包括:
针对每段数据,对其中的所述水利水电工程水位测量数据进行多项式拟合,得到系数矩阵和拟合多项式,并计算得到相应的拟合值序列及拟合残差值序列;
根据所述拟合残差值序列,若所述水利水电工程水位测量数据的残差值小于预设门限值,则判定所述水利水电工程水位测量数据为正常数据,若所述水利水电工程水位测量数据的残差值大于等于所述预设门限值,则判定所述水利水电工程水位测量数据为异常数据,并使用所述水利水电工程水位测量数据所在时刻之前的测量数据的中位值替代所述水利水电工程水位测量数据。
6.如权利要求2所述用于水利水电工程的水位检测装置,其特征在于,所述根据比较结果确定各个所述水利水电工程水位测量数据是否为异常数据之后,还包括:
若确定所述水利水电工程水位测量数据为异常数据,则将所述水利水电工程水位测量数据剔除,并采用多项式插值法对正常数据进行逐时拟合,以对剔除的所述水利水电工程水位测量数据进行修复补偿。
7.如权利要求1所述用于水利水电工程的水位检测装置,其特征在于,所述异常可视化模块可视化方法如下:
1)构建水位数据库,获取原始水利水电工程水位数据与原始影响因素数据;将获取的水位数据存入水位数据库;对所述原始水利水电工程水位数据与所述原始影响因素数据进行处理,得到精确水利水电工程水位数据与精确影响因素数据;
2)根据所述精确水利水电工程水位数据构建第一隐喻图形;根据所述精确影响因素数据构建第二隐喻图形;根据所述第一隐喻图形与所述第二隐喻图形构建水利水电工程水位数据异常的可视化图形。
8.如权利要求7所述用于水利水电工程的水位检测装置,其特征在于,所述对所述原始水利水电工程水位数据与所述原始影响因素数据进行处理,得到精确水利水电工程水位数据与精确影响因素数据的步骤包括:
剔除所述原始水利水电工程水位数据与所述原始影响因素数据中的错误数据,并对错误数据的位置进行标记;
根据所述错误数据的位置进行数据填充,并对数据填充的时间进行标记,得到精确水利水电工程水位数据与精确影响因素数据。
9.如权利要求8所述用于水利水电工程的水位检测装置,其特征在于,所述根据所述精确水利水电工程水位数据构建第一隐喻图形的步骤包括:
计算所述精确水利水电工程水位数据内的异常情况数据,得到水利水电工程水位数据异常情况的总体异常程度;
根据所述数据填充的时间与所述总体异常程度对所述精确水利水电工程水位数据进行可视化映射,得到精确水利水电工程水位数据的初步图形;
对所述总体异常程度进行排序,结合所述精确水利水电工程水位数据的初步图形进行可视化映射,得到第一隐喻图形;
所述水利水电工程水位数据异常情况的总体异常程度E表示为:
Eti表示为水利水电工程水位数据异常水平发生的持续时间,
Wgi表示为不同的水利水电工程水位数据异常水平所代表的权重数据,
k表示为水利水电工程水位异常等级的分布数量。
10.如权利要求7所述用于水利水电工程的水位检测装置,其特征在于,所述根据所述精确影响因素数据构建第二隐喻图形的步骤包括:
计算所述精确影响因素数据内的异常情况数据,得到影响因素的影响力;
根据所述数据填充的时间与所述影响因素的影响力对所述精确影响因素数据进行可视化映射,得到精确影响因素数据的初步图形;
对所述影响因素的影响力进行排序,结合所述精确影响因素数据的初步图形进行可视化映射,得到第二隐喻图形;
所述当前影响因素的影响力Ei表示为:Ei=Wei*Evi*Edi*Eqi,其中,
Wei表示为当前影响因素对水利水电工程水位数据的影响程度,
Evi表示为归一化后的影响因素数值,
Edi表示为当前影响因素对水利水电工程水位的影响方向,
Eqi表示为当前影响因素所定义的权重大小;
n表示为影响因素的样本数量,
x表示为原始水利水电工程水位数据,
y表示为原始影响因素数据,
表示为原始水利水电工程水位数据的平均值,
σx表示为原始水利水电工程水位数据的标准差,
表示为原始影响因素数据的平均值,
σy表示为原始影响因素数据的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210782594.0A CN115452089A (zh) | 2022-07-05 | 2022-07-05 | 一种用于水利水电工程的水位检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210782594.0A CN115452089A (zh) | 2022-07-05 | 2022-07-05 | 一种用于水利水电工程的水位检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115452089A true CN115452089A (zh) | 2022-12-09 |
Family
ID=84296175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210782594.0A Withdrawn CN115452089A (zh) | 2022-07-05 | 2022-07-05 | 一种用于水利水电工程的水位检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115452089A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116718249A (zh) * | 2023-08-08 | 2023-09-08 | 山东元明晴技术有限公司 | 一种水利工程液位检测系统 |
-
2022
- 2022-07-05 CN CN202210782594.0A patent/CN115452089A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116718249A (zh) * | 2023-08-08 | 2023-09-08 | 山东元明晴技术有限公司 | 一种水利工程液位检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5313250B2 (ja) | バッテリーの長期特性予測システム及び方法 | |
CN110059894A (zh) | 设备状态评估方法、装置、系统及存储介质 | |
CN111104736B (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
JP2019159604A (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
CN116125361B (zh) | 电压互感器误差评估方法、系统、电子设备及存储介质 | |
CN112581719B (zh) | 基于时序生成对抗网络的半导体封装过程预警方法和装置 | |
US8010468B2 (en) | Method for wafer analysis with artificial neural network and system thereof | |
CN110008096A (zh) | 数据监测方法、装置、电子设备及计算机可读存储介质 | |
CN115452089A (zh) | 一种用于水利水电工程的水位检测装置 | |
CN112632179A (zh) | 模型构建方法、装置、存储介质及设备 | |
CN118095813B (zh) | 基于bim技术的地基沉降的可视化监测方法及系统 | |
CN117791856B (zh) | 一种基于巡检机器人的电网故障预警方法及装置 | |
CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
CN114417741B (zh) | 一机一档设备数据管理及处理系统 | |
CN115203810A (zh) | 一种cm三维高强复合地基沉降预测方法及系统 | |
CN115293735A (zh) | 一种无人工厂工业互联网平台监测管理方法及系统 | |
CN114997271A (zh) | 一种水电机组故障的智能诊断方法及系统 | |
CN114580766A (zh) | 泥浆浓度预测模型的构建方法和挖泥船泥浆浓度监测方法 | |
CN111176931A (zh) | 一种运营监控方法、装置、服务器及存储介质 | |
CN112613632B (zh) | 功率预测模型建立方法、预测方法、装置及电子设备 | |
CN115936166B (zh) | 一种电能表检定误差分析预测方法 | |
CN117782558B (zh) | 一种架空管道的检测方法、装置及电子设备 | |
CN110135763B (zh) | 电能消耗的监控方法、可读存储介质和电子设备 | |
CN117648568B (zh) | 基于物联网的水表计量大数据优化处理方法及系统 | |
CN117880162B (zh) | 一种智能物联电能表的通信性能测试方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221209 |
|
WW01 | Invention patent application withdrawn after publication |