CN117349602A - 一种水利设施运行状态预测方法、系统及计算机 - Google Patents
一种水利设施运行状态预测方法、系统及计算机 Download PDFInfo
- Publication number
- CN117349602A CN117349602A CN202311659528.5A CN202311659528A CN117349602A CN 117349602 A CN117349602 A CN 117349602A CN 202311659528 A CN202311659528 A CN 202311659528A CN 117349602 A CN117349602 A CN 117349602A
- Authority
- CN
- China
- Prior art keywords
- sub
- data
- vector
- deformation
- prediction model
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 206010020843 Hyperthermia Diseases 0.000 claims abstract description 22
- 230000036031 hyperthermia Effects 0.000 claims abstract description 22
- 238000012952 Resampling Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 230000000737 periodic effect Effects 0.000 claims abstract description 9
- 230000035772 mutation Effects 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 206010020850 Hyperthyroidism Diseases 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 15
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 239000004480 active ingredient Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
Abstract
本发明提供一种水利设施运行状态预测方法、系统及计算机，方法包括：获取包括形变数据及填充数据的原始数据曲线；对原始数据曲线进行预处理及重采样，以获取包括均值数据的待用数据曲线；对待用数据曲线进行向量分解，以获取周期向量、趋势向量及亢余向量；构建初始神经网络模型，通过周期向量、趋势向量及亢余向量将其优化为最优神经网络模型；将实际采集数据输入最优神经网络模型，以获取形变预测值。通过在进行预测前将数据分解为周期向量及趋势向量，分别通过第一子预测模型及第二子预测模型对其进行预测，可避免趋势性的不稳定特性在预测过程中被弱化，造成预测结构偏离原有的趋势，提高了预测的准确性。
Description
技术领域
本申请涉及数据预测技术领域，特别是涉及一种水利设施运行状态预测方法、系统及计算机。
背景技术
如水库、水闸、大坝、涵洞等水利设施是现代化建设中不可或缺的一环，与人们的日常生产生活息息相关。
水利设施的运行需要通过大量的监测数据来进行科学管理，一般通过多种监测设备来对不同的环境数据进行采集，并依据采集的数据进行运行状态分析，而在不同的环境数据中，形变数据是至关重要的部分，其反应了水力设施的结构变形情况，过大的形变会导致结构体出现渗透甚至坍塌。对形变数据的持续监测，可一定程度反应水利设施的运行趋势。
但用于采集形变数据的监测设备在采集过程中，容易受到多种因素的干扰影响，如在采集过程中发生漏采集或采集到一些脱离真实情况的数据，其数据精度较低，若直接使用采集到的数据进行水利设施运行状态的预测，其准确性较低。
发明内容
本申请实施例提供了一种水利设施运行状态预测方法、系统及计算机，以解决现有技术中直接通过监测设备采集形变数据时，因采集过程中易受多种因素干扰，导致形变数据的采集不够精确，进而导致水利设施运行状态的预测准确性较低的技术问题。
第一方面，本申请实施例提供了一种水利设施运行状态预测方法，包括以下步骤：
获取包括若干个形变数据及若干个填充数据的原始数据曲线；
对所述原始数据曲线进行预处理，并对预处理后的所述原始数据曲线进行重采样，以获取包括若干个均值数据的待用数据曲线；
对所述待用数据曲线进行向量分解，以获取周期向量、趋势向量及亢余向量；
构建包括第一子预测模型、第二子预测模型及第三子预测模型的初始神经网络模型，通过所述周期向量、所述趋势向量及所述亢余向量分别优化所述第一子预测模型、所述第二子预测模型及所述第三子预测模型，以获取所述第一子预测模型、所述第二子预测模型及所述第三子预测模型的最优设置参数，以形成最优神经网络模型；
将实际采集数据处理为实际周期向量、实际趋势向量及实际亢余向量，并将所述实际周期向量、所述实际趋势向量及所述实际亢余向量输入所述最优神经网络模型，以获取形变预测值；
将水利设施划分若干个安全等级，建立与水利设施的运行状态关联的若干个关联因素，其一所述关联因素为形变因素，并相应设置所述关联因素的若干个子安全等级，通过所述形变预测值自所述形变因素的若干个子安全等级中确定当前子安全等级，自水利设施的若干个安全等级中确定当前安全等级。
进一步地，所述获取包括若干个形变数据及若干个填充数据的原始数据曲线步骤包括：
提取以指定采集频率获取的若干个形变数据，并基于所述指定采集频率检测若干个形变数据之间是否存在缺失点；
若若干个所述形变数据之间存在所述缺失点，则通过与所述缺失点相邻的所述形变数据形成填充数据；
将若干个所述形变数据与若干个所述填充数据组合形成原始数据曲线。
进一步地，所述对所述原始数据曲线进行预处理，并对预处理后的所述原始数据曲线进行重采样，以获取包括若干个形变均值数据的待用数据曲线的步骤包括：
对所述原始数据曲线进行突变点替换，并对突变点替换后的所述原始数据曲线进行降噪处理；
以预设间隔时间将降噪处理后所述原始数据曲线区隔为若干个子曲线；
对所述子曲线内的若干个所述形变数据及若干个所述填充数据进行均值化处理，以形成均值数据；
将若干个所述均值数据组合为待用数据曲线。
进一步地，所述对所述原始数据曲线进行突变点替换的步骤包括：
将若干个所述形变数据及若干个所述填充数据进行排序，以获取序列样本；
自所述序列样本内提取上四分位值及下四分位值，并通过所述上四分位值及所述下四分位值获取位距；
通过所述上四分位值及所述位距确定突变上限，并通过所述下四分位值及所述位距确定突变下限，基于所述突变上限及所述突变下限判断若干个所述形变数据及若干个所述填充数据中是否存在突变点；
若存在所述突变点，则基于与所述突变点相邻的所述形变数据或所述填充数据确定替换值，以完成突变点替换。
进一步地，所述通过所述周期向量、所述趋势向量及所述亢余向量分别优化所述第一子预测模型、所述第二子预测模型及所述第三子预测模型，以获取所述第一子预测模型、所述第二子预测模型及所述第三子预测模型的最优设置参数的步骤包括：
以时间序列分别将所述周期向量、所述趋势向量及所述亢余向量均分隔为训练值及真实值；
将所述周期向量的训练值作为所述第一子预测模型的输入值，以获取输出值，将所述输出值与所述真实值之间进行比对，以确定所述第一子预测模型的损失函数；
通过所述损失函数反向迭代优化所述第一子预测模型的设置参数，以获取最优设置参数；
通过所述趋势向量的训练值及真实值获取所述第二子预测模型的最优设置参数，并通过所述亢余向量的训练值及真实值获取所述第三子预测模型的最优设置参数。
进一步地，所述损失函数为：
，
其中，表示损失函数，/>表示样本数量，/>表示第一子预测模型的输出值，/>表示周期向量的真实值。
进一步地，所述自水利设施的若干个安全等级中确定当前安全等级的步骤包括：
以所述形变因素处于所述当前子安全等级的第一先验概率计算水利设施于不同的所述安全等级时的第二先验概率；
比对不同的所述第二先验概率，将与最大的所述第二先验概率对应的所述安全等级确定为当前安全等级。
第二方面，本申请实施例提供了一种水利设施运行状态预测系统，应用于如上述技术方案中的水利设施运行状态预测方法，所述系统包括：
获取模块，用于获取包括若干个形变数据及若干个填充数据的原始数据曲线；
处理模块，用于对所述原始数据曲线进行预处理，并对预处理后的所述原始数据曲线进行重采样，以获取包括若干个均值数据的待用数据曲线；
切分模块，用于对所述待用数据曲线进行向量分解，以获取周期向量、趋势向量及亢余向量；
测试模块，用于构建包括第一子预测模型、第二子预测模型及第三子预测模型的初始神经网络模型，通过所述周期向量、所述趋势向量及所述亢余向量分别优化所述第一子预测模型、所述第二子预测模型及所述第三子预测模型，以获取所述第一子预测模型、所述第二子预测模型及所述第三子预测模型的最优设置参数，以形成最优神经网络模型；
执行模块，用于将实际采集数据处理为实际周期向量、实际趋势向量及实际亢余向量，并将所述实际周期向量、所述实际趋势向量及所述实际亢余向量输入所述最优神经网络模型，以获取形变预测值；
计算模块，用于将水利设施划分若干个安全等级，建立与水利设施的运行状态关联的若干个关联因素，其一所述关联因素为形变因素，并相应设置所述关联因素的若干个子安全等级，通过所述形变预测值自所述形变因素的若干个子安全等级中确定当前子安全等级，自水利设施的若干个安全等级中确定当前安全等级。
第三方面，本申请实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的水利设施运行状态预测方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面所述的水利设施运行状态预测方法。
相比于现有技术，本发明的有益效果在于：在数据采集过程中，通过设置所述填充数据，可避免因通讯故障等原因导致的数据丢失，确保数据的完整性，通过对所述原始数据曲线进行预处理，可有效的剔除采集过程中采集到的异常值，使所述原始数据曲线更为平滑，提高数据精度，而通过进行重采样，可规避不同的采样频率导致的数据分布不均匀现象，进一步提高数据精度，形变数据本身具有周期振荡及趋势性的特点，通过在进行预测前将其分解为所述周期向量及所述趋势向量，并分别通过所述第一子预测模型及所述第二子预测模型对其进行预测，可避免趋势性的不稳定特性在预测过程中被弱化，造成预测结构偏离原有的趋势，更好的提高所述形变预测值的精度，进而为水利设施运行状态的预测提供良好的基础，通过设定所述关联因素，在进行水利设施运行状态预测时，以所述形变因素为某一所述关联因素，对水利设施运行状态进行不同的所述关联因素影响下的综合考量，进一步提高了水利设施运行状态预测的准确性。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
图1为本发明第一实施例中水利设施运行状态预测方法的流程图；
图2为本发明第二实施例中水利设施运行状态预测系统的结构框图；
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
请参阅图1，本发明第一实施例提供的水利设施运行状态预测方法，包括以下：
步骤S10：获取包括若干个形变数据及若干个填充数据的原始数据曲线；
若干个所述形变数据基于监测设备进行获取，在监测设备的获取过程中，容易因监测设备的通讯故障或系统故障等原因，而导致部分时间段下的数据丢失，若使用缺失的数据进行后续预测，其将导致预测的准确度下降。
所述步骤S10包括：
S110：提取以指定采集频率获取的若干个形变数据，并基于所述指定采集频率检测若干个形变数据之间是否存在缺失点；
需要说明的是，所述指定采集频率可进行人为设定，而根据不同的工况需求，所述指定采集频率可相应变化。
若所述指定采集频率为5次/天，则可根据所述指定采集频率下的所述形变数据的数量，确定是否存在缺失点。
S120：若若干个所述形变数据之间存在所述缺失点，则通过与所述缺失点相邻的所述形变数据形成填充数据；
所述填充数据的计算公式为：
，
其中，表示填充数据，/>表示与/>之后相邻的形变数据，/>与/>之间相差个数据，/>表示与/>之前相邻的形变数据，/>与/>之间相差/>个数据。
S130：将若干个所述形变数据与若干个所述填充数据组合形成原始数据曲线；
将所述填充数据分别填充至所述缺失点内，进而形成所述原始数据曲线。
步骤S20：对所述原始数据曲线进行预处理，并对预处理后的所述原始数据曲线进行重采样，以获取包括若干个均值数据的待用数据曲线；
具体地，所述步骤S20包括：
S210：对所述原始数据曲线进行突变点替换，并对突变点替换后的所述原始数据曲线进行降噪处理；
将若干个所述形变数据及若干个所述填充数据进行排序，以获取序列样本；可以理解地，将若干个所述形变数据及若干个所述填充数据自大向小进行排序。
自所述序列样本内提取上四分位值及下四分位值，并通过所述上四分位值及所述下四分位值获取位距；
即取所述序列样本中的第25%、75%处的数据为所述上四分位值及所述下四分位值，将所述上四分位值及所述下四分位值之间的差值作为所述位距。
通过所述上四分位值及所述位距确定突变上限，并通过所述下四分位值及所述位距确定突变下限，基于所述突变上限及所述突变下限判断若干个所述形变数据及若干个所述填充数据中是否存在突变点；
所述突变上限的计算公式为：，所述突变下限的计算公式为，其中，/>表示突变上限，/>表示上四分位值，/>表示突变下限，/>表示下四分位值，/>表示位距。
将全部的所述形变数据及所述填充数据与所述突变上限及所述突变下限进行比对，若所述形变数据或所述填充数据大于所述突变上限，则判定为突变点，若所述形变数据或所述填充数据小于所述突变下限，则判定为突变点。
若存在所述突变点，则基于与所述突变点相邻的所述形变数据或所述填充数据确定替换值，以完成突变点替换。
即在发现所述突变点后，不直接剔除所述突变点，避免影响数据的完整性，且可确保整体数据的平滑性，以相邻的所述形变数据或所述填充数据之间的均值作为所述替换值，进而将所述突变点替换为所述替换值。
所述降噪处理的目的，是避免监测设备受到环境噪声的干扰而导致采集到非真实数据，进而影响后续的预测结果。在本实施例中，通过小波去噪法进行降噪处理，其为较为通用的降噪处理方式，此处不再进行赘述。
S220：以预设间隔时间将降噪处理后所述原始数据曲线区隔为若干个子曲线；
可以理解地，因所述指定采集频率会根据不同需求进行变化，若直接使用降噪处理后的所述原始数据曲线进行后续预测，其将存在数据分布不均匀的现象，进而影响预测结果。因此，以所述预设间隔时间将其处理为若干个所述子曲线后，可统一数据的分布频率。优选地，所述预设间隔时间为12h~36h，在本实施例中，所述预设间隔时间为24h。
S230：对所述子曲线内的若干个所述形变数据及若干个所述填充数据进行均值化处理，以形成均值数据。
即将所述子曲线内全部的所述形变数据及所述填充数据的均值，作为所述预设间隔时间内的采集值。
S240：将若干个所述均值数据组合为待用数据曲线。
步骤S30：对所述待用数据曲线进行向量分解，以获取周期向量、趋势向量及亢余向量；
因所述形变数据为时间序列数据，在本实施例中，通过STL（SeasonalandTrenddecompositionusingLoess）算法对所述待用数据曲线进行向量分解。其具体通过嵌套的双层循环来实现多次迭代，经过内循环可完成向量的分解，而经过外循环可更新用于保障算法的鲁棒性。而所述亢余向量中也存在部分有效成分，因此，在分解后，需保留所述亢余向量。
步骤S40：构建包括第一子预测模型、第二子预测模型及第三子预测模型的初始神经网络模型，通过所述周期向量、所述趋势向量及所述亢余向量分别优化所述第一子预测模型、所述第二子预测模型及所述第三子预测模型，以获取所述第一子预测模型、所述第二子预测模型及所述第三子预测模型的最优设置参数，以形成最优神经网络模型。
所述第一子预测模型、所述第二子预测模型及所述第三子预测模型的设置参数即为其内的神经元及基础学习率。因其可设置范围较宽，若通过常规的搜索法对其进行最优值的确定，则将耗费大量的时间。可以理解地，所述初始神经网络模型还包括组合子模型，所述组合子模型用于将所述第一子预测模型、所述第二子预测模型及所述第三子预测模型的输出值组合为预测值。
具体地，所述步骤S40包括：
S410：以时间序列分别将所述周期向量、所述趋势向量及所述亢余向量均分隔为训练值及真实值；
即将时间序列靠前的部分所述周期向量选定为所述训练值，将时间序列靠后的剩余的所述周期向量选定为所述真实值。同理，所述趋势向量及所述亢余向量均分隔为所述训练值及所述真实值。
S420：将所述周期向量的训练值作为所述第一子预测模型的输入值，以获取输出值，将所述输出值与所述真实值之间进行比对，以确定所述第一子预测模型的损失函数；
所述损失函数为：
，
其中，表示损失函数，/>表示样本数量，/>表示第一子预测模型的输出值，/>表示周期向量的真实值。
S430：通过所述损失函数反向迭代优化所述第一子预测模型的设置参数，以获取最优设置参数；
即将所述真实值与所述输出值之间的误差反向传播至所述第一子预测模型内，进而通过迭代优化的方式，确定所述第一子预测模型的最优设置参数，具体地，将当前设置参数与前一设置参数之间进行比对，若当前设置参数与前一设置参数相同，则将当前设置参数判定为所述最优设置参数。
S440：通过所述趋势向量的训练值及真实值获取所述第二子预测模型的最优设置参数，并通过所述亢余向量的训练值及真实值获取所述第三子预测模型的最优设置参数；
所述第二子预测模型及所述第三子预测模型的最优设置参数的确定方式与所述第一子预测模型的最优设置参数的确定方式一致，此处不再进行赘述。
S50：将实际采集数据处理为实际周期向量、实际趋势向量及实际亢余向量，并将所述实际周期向量、所述实际趋势向量及所述实际亢余向量输入所述最优神经网络模型，以获取形变预测值；
对所述实际采集数据的处理方式与步骤S10~步骤S30相同，此处不再进行赘述，将所述实际周期向量、所述实际趋势向量及所述实际亢余向量分别输入确定所述最优设置参数后的所述第一子预测模型、所述第二子预测模型及所述第三子预测模型后，通过所述组合子模型获取所述形变预测值。基于所述形变预测值，可对水利设施运行状态进行初步预测。
S60：将水利设施划分若干个安全等级，建立与水利设施的运行状态关联的若干个关联因素，其一所述关联因素为形变因素，并相应设置所述关联因素的若干个子安全等级，通过所述形变预测值自所述形变因素的若干个子安全等级中确定当前子安全等级，自水利设施的若干个安全等级中确定当前安全等级；
在本实施例中，将水利设施划分为正常级、轻微级、较重级及严重级，其对应级别数值为0，1，2，3；所述关联因素包括形变因素、材料因素、载荷因素及渗透因素，其对应的子安全等级也为正常级、轻微级、较重级及严重级，对应级别数值也为0，1，2，3。通过确定若干个所述安全等级及若干个所述子安全等级的先验概率，即可基于所述形变预测值，反向推导水利设施所处的安全等级。
具体地，所述步骤S60包括：
S610：以所述形变因素处于所述当前子安全等级的第一先验概率计算水利设施于不同的所述安全等级时的第二先验概率；
所述第二先验概率的计算公式为：
，
其中，表示概率函数，/>表示安全等级，/>表示子安全等级，/>表示与某一安全等级对应的级别数值，/>表示与某一子安全等级对应的级别数值。
即在某一所述关联因素确定为所述当前子安全等级的情况下，随所述安全等级的不同，所述第二先验概率的值也不相同。
S620：比对不同的所述第二先验概率，将与最大的所述第二先验概率对应的所述安全等级确定为当前安全等级；
通过计算水利设施处于不同的所述安全等级的概率，进而通过概率的大小确定所述水利设置的所述当前安全等级。
在数据采集过程中，通过设置所述填充数据，可避免因通讯故障等原因导致的数据丢失，确保数据的完整性，通过对所述原始数据曲线进行预处理，可有效的剔除采集过程中采集到的异常值，使所述原始数据曲线更为平滑，提高数据精度，而通过进行重采样，可规避不同的采样频率导致的数据分布不均匀现象，进一步提高数据精度，形变数据本身具有周期振荡及趋势性的特点，通过在进行预测前将其分解为所述周期向量及所述趋势向量，并分别通过所述第一子预测模型及所述第二子预测模型对其进行预测，可避免趋势性的不稳定特性在预测过程中被弱化，造成预测结构偏离原有的趋势，更好的提高所述形变预测值的精度，进而为水利设施运行状态的预测提供良好的基础，通过设定所述关联因素，在进行水利设施运行状态预测时，以所述形变因素为某一所述关联因素，对水利设施运行状态进行不同的所述关联因素影响下的综合考量，进一步提高了水利设施运行状态预测的准确性。
请参阅图2，本发明第二实施例提供了一种水利设施运行状态预测系统，该系统应用于上述实施例中的所述水利设施运行状态预测方法，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
所述系统包括：
获取模块10，用于获取包括若干个形变数据及若干个填充数据的原始数据曲线；
所述获取模块10包括：
第一单元，用于提取以指定采集频率获取的若干个形变数据，并基于所述指定采集频率检测若干个形变数据之间是否存在缺失点；
第二单元，用于若若干个所述形变数据之间存在所述缺失点，则通过与所述缺失点相邻的所述形变数据形成填充数据；
第三单元，用于将若干个所述形变数据与若干个所述填充数据组合形成原始数据曲线；
处理模块20，用于对所述原始数据曲线进行预处理，并对预处理后的所述原始数据曲线进行重采样，以获取包括若干个均值数据的待用数据曲线；
所述处理模块20包括：
第四单元，用于对所述原始数据曲线进行突变点替换，并对突变点替换后的所述原始数据曲线进行降噪处理；
所述第四单元具体用于将若干个所述形变数据及若干个所述填充数据进行排序，以获取序列样本；
自所述序列样本内提取上四分位值及下四分位值，并通过所述上四分位值及所述下四分位值获取位距；
通过所述上四分位值及所述位距确定突变上限，并通过所述下四分位值及所述位距确定突变下限，基于所述突变上限及所述突变下限判断若干个所述形变数据及若干个所述填充数据中是否存在突变点；
若存在所述突变点，则基于与所述突变点相邻的所述形变数据或所述填充数据确定替换值，以完成突变点替换；
第五单元，用于以预设间隔时间将降噪处理后所述原始数据曲线区隔为若干个子曲线；
第六单元，用于对所述子曲线内的若干个所述形变数据及若干个所述填充数据进行均值化处理，以形成均值数据；
第七单元，用于将若干个所述均值数据组合为待用数据曲线；
切分模块30，用于对所述待用数据曲线进行向量分解，以获取周期向量、趋势向量及亢余向量；
测试模块40，用于构建包括第一子预测模型、第二子预测模型及第三子预测模型的初始神经网络模型，通过所述周期向量、所述趋势向量及所述亢余向量分别优化所述第一子预测模型、所述第二子预测模型及所述第三子预测模型，以获取所述第一子预测模型、所述第二子预测模型及所述第三子预测模型的最优设置参数，以形成最优神经网络模型；
所述测试模块40包括：
第八单元，用于以时间序列分别将所述周期向量、所述趋势向量及所述亢余向量均分隔为训练值及真实值；
第九单元，用于将所述周期向量的训练值作为所述第一子预测模型的输入值，以获取输出值，将所述输出值与所述真实值之间进行比对，以确定所述第一子预测模型的损失函数；
第十单元，用于通过所述损失函数反向迭代优化所述第一子预测模型的设置参数，以获取最优设置参数；
第十一单元，用于通过所述趋势向量的训练值及真实值获取所述第二子预测模型的最优设置参数，并通过所述亢余向量的训练值及真实值获取所述第三子预测模型的最优设置参数；
执行模块50，用于将实际采集数据处理为实际周期向量、实际趋势向量及实际亢余向量，并将所述实际周期向量、所述实际趋势向量及所述实际亢余向量输入所述最优神经网络模型，以获取形变预测值；
计算模块60，用于将水利设施划分若干个安全等级，建立与水利设施的运行状态关联的若干个关联因素，其一所述关联因素为形变因素，并相应设置所述关联因素的若干个子安全等级，通过所述形变预测值自所述形变因素的若干个子安全等级中确定当前子安全等级，自水利设施的若干个安全等级中确定当前安全等级。
所述计算模块60包括：
第十二单元，用于以所述形变因素处于所述当前子安全等级的第一先验概率计算水利设施于不同的所述安全等级时的第二先验概率；
第十三单元，用于比对不同的所述第二先验概率，将与最大的所述第二先验概率对应的所述安全等级确定为当前安全等级。
本发明还提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述技术方案中所述的水利设施运行状态预测方法。
本发明还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述技术方案中所述的水利设施运行状态预测方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种水利设施运行状态预测方法，其特征在于，包括以下步骤：
获取包括若干个形变数据及若干个填充数据的原始数据曲线；
对所述原始数据曲线进行预处理，并对预处理后的所述原始数据曲线进行重采样，以获取包括若干个均值数据的待用数据曲线；
对所述待用数据曲线进行向量分解，以获取周期向量、趋势向量及亢余向量；
构建包括第一子预测模型、第二子预测模型及第三子预测模型的初始神经网络模型，通过所述周期向量、所述趋势向量及所述亢余向量分别优化所述第一子预测模型、所述第二子预测模型及所述第三子预测模型，以获取所述第一子预测模型、所述第二子预测模型及所述第三子预测模型的最优设置参数，以形成最优神经网络模型；
将实际采集数据处理为实际周期向量、实际趋势向量及实际亢余向量，并将所述实际周期向量、所述实际趋势向量及所述实际亢余向量输入所述最优神经网络模型，以获取形变预测值；
将水利设施划分若干个安全等级，建立与水利设施的运行状态关联的若干个关联因素，其一所述关联因素为形变因素，并相应设置所述关联因素的若干个子安全等级，通过所述形变预测值自所述形变因素的若干个子安全等级中确定当前子安全等级，自水利设施的若干个安全等级中确定当前安全等级。
2.根据权利要求1所述的水利设施运行状态预测方法，其特征在于，所述获取包括若干个形变数据及若干个填充数据的原始数据曲线步骤包括：
提取以指定采集频率获取的若干个形变数据，并基于所述指定采集频率检测若干个形变数据之间是否存在缺失点；
若若干个所述形变数据之间存在所述缺失点，则通过与所述缺失点相邻的所述形变数据形成填充数据；
将若干个所述形变数据与若干个所述填充数据组合形成原始数据曲线。
3.根据权利要求1所述的水利设施运行状态预测方法，其特征在于，所述对所述原始数据曲线进行预处理，并对预处理后的所述原始数据曲线进行重采样，以获取包括若干个形变均值数据的待用数据曲线的步骤包括：
对所述原始数据曲线进行突变点替换，并对突变点替换后的所述原始数据曲线进行降噪处理；
以预设间隔时间将降噪处理后所述原始数据曲线区隔为若干个子曲线；
对所述子曲线内的若干个所述形变数据及若干个所述填充数据进行均值化处理，以形成均值数据；
将若干个所述均值数据组合为待用数据曲线。
4.根据权利要求3所述的水利设施运行状态预测方法，其特征在于，所述对所述原始数据曲线进行突变点替换的步骤包括：
将若干个所述形变数据及若干个所述填充数据进行排序，以获取序列样本；
自所述序列样本内提取上四分位值及下四分位值，并通过所述上四分位值及所述下四分位值获取位距；
通过所述上四分位值及所述位距确定突变上限，并通过所述下四分位值及所述位距确定突变下限，基于所述突变上限及所述突变下限判断若干个所述形变数据及若干个所述填充数据中是否存在突变点；
若存在所述突变点，则基于与所述突变点相邻的所述形变数据或所述填充数据确定替换值，以完成突变点替换。
5.根据权利要求1所述的水利设施运行状态预测方法，其特征在于，所述通过所述周期向量、所述趋势向量及所述亢余向量分别优化所述第一子预测模型、所述第二子预测模型及所述第三子预测模型，以获取所述第一子预测模型、所述第二子预测模型及所述第三子预测模型的最优设置参数的步骤包括：
以时间序列分别将所述周期向量、所述趋势向量及所述亢余向量均分隔为训练值及真实值；
将所述周期向量的训练值作为所述第一子预测模型的输入值，以获取输出值，将所述输出值与所述真实值之间进行比对，以确定所述第一子预测模型的损失函数；
通过所述损失函数反向迭代优化所述第一子预测模型的设置参数，以获取最优设置参数；
通过所述趋势向量的训练值及真实值获取所述第二子预测模型的最优设置参数，并通过所述亢余向量的训练值及真实值获取所述第三子预测模型的最优设置参数。
6.根据权利要求5所述的水利设施运行状态预测方法，其特征在于，所述损失函数为：
，
其中，表示损失函数，/>表示样本数量，/>表示第一子预测模型的输出值，/>表示周期向量的真实值。
7.根据权利要求1所述的水利设施运行状态预测方法，其特征在于，所述自水利设施的若干个安全等级中确定当前安全等级的步骤包括：
以所述形变因素处于所述当前子安全等级的第一先验概率计算水利设施于不同的所述安全等级时的第二先验概率；
比对不同的所述第二先验概率，将与最大的所述第二先验概率对应的所述安全等级确定为当前安全等级。
8.一种水利设施运行状态预测系统，应用于如权利要求1~7任一项所述的水利设施运行状态预测方法，其特征在于，所述系统包括：
获取模块，用于获取包括若干个形变数据及若干个填充数据的原始数据曲线；
处理模块，用于对所述原始数据曲线进行预处理，并对预处理后的所述原始数据曲线进行重采样，以获取包括若干个均值数据的待用数据曲线；
切分模块，用于对所述待用数据曲线进行向量分解，以获取周期向量、趋势向量及亢余向量；
测试模块，用于构建包括第一子预测模型、第二子预测模型及第三子预测模型的初始神经网络模型，通过所述周期向量、所述趋势向量及所述亢余向量分别优化所述第一子预测模型、所述第二子预测模型及所述第三子预测模型，以获取所述第一子预测模型、所述第二子预测模型及所述第三子预测模型的最优设置参数，以形成最优神经网络模型；
执行模块，用于将实际采集数据处理为实际周期向量、实际趋势向量及实际亢余向量，并将所述实际周期向量、所述实际趋势向量及所述实际亢余向量输入所述最优神经网络模型，以获取形变预测值；
计算模块，用于将水利设施划分若干个安全等级，建立与水利设施的运行状态关联的若干个关联因素，其一所述关联因素为形变因素，并相应设置所述关联因素的若干个子安全等级，通过所述形变预测值自所述形变因素的若干个子安全等级中确定当前子安全等级，自水利设施的若干个安全等级中确定当前安全等级。
9.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至7中任一项所述的水利设施运行状态预测方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任一项所述的水利设施运行状态预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311659528.5A CN117349602A (zh) | 2023-12-06 | 2023-12-06 | 一种水利设施运行状态预测方法、系统及计算机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311659528.5A CN117349602A (zh) | 2023-12-06 | 2023-12-06 | 一种水利设施运行状态预测方法、系统及计算机 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117349602A true CN117349602A (zh) | 2024-01-05 |
Family
ID=89367133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311659528.5A Pending CN117349602A (zh) | 2023-12-06 | 2023-12-06 | 一种水利设施运行状态预测方法、系统及计算机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117349602A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110124525A (ko) * | 2010-05-11 | 2011-11-17 | 주식회사 삼안 | 하천제방 안전관리를 위한 제방붕괴 예측시스템 |
| CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
| CN113077172A (zh) * | 2021-04-19 | 2021-07-06 | 瑞湖智科数据(苏州)有限公司 | 一种设备状态趋势分析及故障诊断方法 |
| CN113358088A (zh) * | 2021-06-07 | 2021-09-07 | 珠江水利委员会珠江水利科学研究院 | 一种堤防观测断面形变趋势分析方法和系统 |
| CN114169568A (zh) * | 2021-11-03 | 2022-03-11 | 国网浙江省电力有限公司瑞安市供电公司 | 基于Prophet模型的配电线路电流预测与重过载预警及系统 |
| CN114252879A (zh) * | 2021-12-20 | 2022-03-29 | 重庆交通大学 | 基于InSAR反演与多影响因子的大范围滑坡形变预测方法 |
| CN114912807A (zh) * | 2022-05-20 | 2022-08-16 | 中国华能集团清洁能源技术研究院有限公司 | 一种风电机组技改后发电量提升效果评估方法和评估系统 |
| CN115217152A (zh) * | 2022-07-29 | 2022-10-21 | 招商局重庆交通科研设计院有限公司 | 一种沉管隧道管节接头张合变形的预测方法及装置 |
| CN115345661A (zh) * | 2022-08-15 | 2022-11-15 | 广东电网有限责任公司 | 一种电力价格预测方法及系统 |
| CN116205127A (zh) * | 2022-12-01 | 2023-06-02 | 北京航空航天大学 | 一种基于时间序列分解与相似性度量的装备剩余寿命方法 |
| US20230228618A1 (en) * | 2021-10-15 | 2023-07-20 | Southeast University | A dynamic identification method of bridge scour based on health monitoring data |
-
2023
- 2023-12-06 CN CN202311659528.5A patent/CN117349602A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110124525A (ko) * | 2010-05-11 | 2011-11-17 | 주식회사 삼안 | 하천제방 안전관리를 위한 제방붕괴 예측시스템 |
| CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
| CN113077172A (zh) * | 2021-04-19 | 2021-07-06 | 瑞湖智科数据(苏州)有限公司 | 一种设备状态趋势分析及故障诊断方法 |
| CN113358088A (zh) * | 2021-06-07 | 2021-09-07 | 珠江水利委员会珠江水利科学研究院 | 一种堤防观测断面形变趋势分析方法和系统 |
| US20230228618A1 (en) * | 2021-10-15 | 2023-07-20 | Southeast University | A dynamic identification method of bridge scour based on health monitoring data |
| CN114169568A (zh) * | 2021-11-03 | 2022-03-11 | 国网浙江省电力有限公司瑞安市供电公司 | 基于Prophet模型的配电线路电流预测与重过载预警及系统 |
| CN114252879A (zh) * | 2021-12-20 | 2022-03-29 | 重庆交通大学 | 基于InSAR反演与多影响因子的大范围滑坡形变预测方法 |
| CN114912807A (zh) * | 2022-05-20 | 2022-08-16 | 中国华能集团清洁能源技术研究院有限公司 | 一种风电机组技改后发电量提升效果评估方法和评估系统 |
| CN115217152A (zh) * | 2022-07-29 | 2022-10-21 | 招商局重庆交通科研设计院有限公司 | 一种沉管隧道管节接头张合变形的预测方法及装置 |
| CN115345661A (zh) * | 2022-08-15 | 2022-11-15 | 广东电网有限责任公司 | 一种电力价格预测方法及系统 |
| CN116205127A (zh) * | 2022-12-01 | 2023-06-02 | 北京航空航天大学 | 一种基于时间序列分解与相似性度量的装备剩余寿命方法 |
Non-Patent Citations (5)
| Title |
|---|
| CAI ZJ 等: "Improved extreme learning machine-based dam deformation prediction considering the physical and hysteresis characteristics of the deformation sequence", 《JOURNAL OF CIVIL STRUCTURAL HEALTH MONITORING》, vol. 12, no. 5, pages 1173 - 1190 * |
| 唐帅: "基于多源数据融合的水利设施安全状态预测及评估", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2023, no. 1, pages 2 * |
| 李周平 等: "网络数据爬取与分析实务", 30 September 2018, 上海：上海交通大学出版社, pages: 156 - 157 * |
| 胡祚晨: "基于STL-CS-LSTM组合模型的大坝变形预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2022, no. 1, pages 3 * |
| 钱兵 等: "智能运维之道 基于AI技术的应用实践", 31 January 2022, 北京：机械工业出版社, pages: 97 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110570012A (zh) | 一种基于Storm的电厂生产设备故障预警方法及系统 | |
| CN114978956B (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
| CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
| CN117559448B (zh) | 一种用于专变采集终端的用电负荷预测分析方法及系统 | |
| CN115824261B (zh) | 一种控制力矩陀螺仪故障检测方法、装置及相关存储介质 | |
| CN111025041A (zh) | 电动汽车充电桩监测方法及其系统、计算机设备、介质 | |
| CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
| CN115513951A (zh) | 一种基于概念漂移检测的电力负荷预测方法及系统 | |
| US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
| CN116150630A (zh) | 一种数据异常值检测方法及存储介质 | |
| CN118133068A (zh) | 一种电网拓扑自动识别与构建方法及系统 | |
| CN115169089A (zh) | 基于核密度估计和copula的风电功率概率预测方法和装置 | |
| CN117613905B (zh) | 一种基于多维分量分解的电力需求中期预测方法及系统 | |
| CN114239396A (zh) | 一种风机齿轮箱状态预测方法及系统 | |
| CN117349602A (zh) | 一种水利设施运行状态预测方法、系统及计算机 | |
| CN116307709B (zh) | 基于信息增益融合的变电站防汛能力综合评估方法、系统 | |
| CN114971354A (zh) | 一种水质等级评价方法、装置及介质 | |
| CN110751335B (zh) | 一种区域生态质量年景预测评价方法及装置 | |
| CN114152454A (zh) | 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法 | |
| CN113742216B (zh) | 一种检测机器学习引擎的效率的方法、装置和存储介质 | |
| Lai et al. | Estimation of central shapes of error distributions in linear regression problems | |
| CN114154108A (zh) | 一种基于计算层次的嵌套公式计算方法 | |
| CN117892463A (zh) | 一种基于负荷预测的低压配电网设计系统 | |
| CN114296878A (zh) | 一种预测容器资源使用量的方法 | |
| CN116012053A (zh) | 一种区域天然气需求的确定方法、装置以及介质 |
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 |