CN117556616A - 一种大坝变形监测量的在线动态预测方法 - Google Patents

一种大坝变形监测量的在线动态预测方法 Download PDF

Info

Publication number
CN117556616A
CN117556616A CN202311539257.XA CN202311539257A CN117556616A CN 117556616 A CN117556616 A CN 117556616A CN 202311539257 A CN202311539257 A CN 202311539257A CN 117556616 A CN117556616 A CN 117556616A
Authority
CN
China
Prior art keywords
dam
prediction
deformation monitoring
term
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
Application number
CN202311539257.XA
Other languages
English (en)
Inventor
覃拓
远近
文宇
谭滔宇
文震宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Yangtze Power Co Ltd
Original Assignee
China Yangtze Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Yangtze Power Co Ltd filed Critical China Yangtze Power Co Ltd
Priority to CN202311539257.XA priority Critical patent/CN117556616A/zh
Publication of CN117556616A publication Critical patent/CN117556616A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种大坝变形监测量的在线动态预测方法，包括下列步骤：S1、构建大坝变形监测量的动态多元线性回归模型；S2、设定大坝变形监测量的预测条件；S3、寻找对预测条件重要的历史条件；S4、确定历史监测量的权重；S5、构建大坝变形监测量的预测模型；S6、大坝变形监测量的预测模型的参数估计；S7、将步骤S6中预测模型的参数估计值代入大坝变形监测量的预测模型中，确定大坝变形监测量的预测模型，预测大坝变形监测量。该预测方法不仅考虑大坝结构可能存在的阶段性演变规律不同，还考虑不同日期的大坝演变规律可能不同，更加符合大坝结构的动态演变规律。

Description

一种大坝变形监测量的在线动态预测方法
技术领域
本发明属于大坝变形监测领域，特别涉及一种大坝变形监测量的在线动态预测方法。
背景技术
大坝的变形，通常与大坝的结构性态密切相关。借助于传感器设备，对大坝的变形进行监测，获得对应的监测数据，进而对其进行数据挖掘，获取所关心的信息，以实现检验设计、施工和服务大坝安全运行的目的。对大坝的变形监测量进行预测，是大坝安全监测研究中的重要内容之一。
现有的大坝变形监测量预测技术，大部分都将大坝的结构变化规律假定为或默认为是稳定的，即考虑大坝变形只是由于外界的影响因素(例如：水位、气温、降雨、风、太阳辐射等)的变化而变化，很少考虑大坝结构本身(例如：弹性模量、几何尺寸、热膨胀系数、热传导系数等)变化的影响，以及很少考虑监测设备的更换所带来的影响。因此，在对大坝变形监测量进行预测时，需要采用动态预测的思路。
与此同时，现有的大坝变形监测量预测技术的通用性(或移植性)差，主要原因在于没有从全局的角度考虑不同的大坝所可能存在的巨大的变化规律的差异性，例如：(1)有些大坝的老化速度可能非常快；(2)有些大坝可能遭受地震；(3)有些大坝进行过明显的除险加固等。因而，现有的大坝变形监测量预测技术，往往只是针对于某一大坝的某一测点，难以推广到其他大坝或其他测点。
另外一方面，一些大坝变形监测量预测技术的复杂度非常高，例如神经网络模型、模糊推理技术、粒子群模型、基于数值仿真的确定性模型等，导致这些技术难以在实际工程中进行采用和推广。
发明内容
本发明所要解决的技术问题是提供一种大坝变形监测量的在线动态预测方法，不仅考虑大坝结构可能存在的阶段性演变规律不同，还考虑不同日期的大坝演变规律可能不同，更加符合大坝结构的动态演变规律。
为解决上述技术问题，本发明所采用的技术方案是：一种大坝变形监测量的在线动态预测方法，包括下列步骤：
S1、构建大坝变形监测量的动态多元线性回归模型；
S2、设定大坝变形监测量的预测条件；
S3、寻找对预测条件重要的历史条件；
S4、确定历史监测量的权重；
S5、构建大坝变形监测量的预测模型；
S6、大坝变形监测量的预测模型的参数估计；
S7、将步骤S6中的预测模型的参数估计值代入大坝变形监测量的预测模型中，确定大坝变形监测量的预测模型，预测大坝变形监测量。
优选的方案中，所述步骤S1中大坝变形监测量的动态多元线性回归模型，采用线性可加模型进行表达，表达式如下：
Y(t)＝L[B(t),X(t)]+μ(t) (1)
其中，Y(t)表示t时刻的大坝变形监测量；X(t)表示t时刻影响Y(t)变化的外部影响因素；B(t)表示t时刻多元线性回归模型的系数；L(·)表示外部和内部因素对Y(t)的可加性线性近似影响关系；μ(t)表示t时刻Y(t)对应误差；
X(t)的表达式如下：
X(t)＝[x0(t)，x1(t),x2(t),…,xk(t)] (2)
其中，x0(t)＝1，xi(t)为大坝变形监测量的第i个外部影响因素，i＝1,2,…,k，其中k为所考虑的影响因素个数；
B(t)的表达式如下：
B(t)＝[β0(t),β1(t),β2(t),…,βk(t)] (3)
其中，βi(t)为与第i个外部影响因素xi(t)对应的影响系数，i＝0,1,2,…,k；
从而，式(1)具体表示为：
根据式(4)，考虑水位、气温、降雨、风、太阳辐射影响的大坝变形监测量模型的具体表达式为：
其中，Y(t)表示t时刻的大坝变形监测量；β0(t)为模型的常数项；H1(t)为大坝的上游水深，β1(t)、β2(t)、β3(t)分别为上游水深的一次项、二次项、三次项所对应的系数；H2(t)为大坝的下游水深，β4(t)为下游水深的一次项所对应的系数；T(t)为大坝的环境气温，β5(t)、β6(t)、β7(t)分别为气温的一次项、二次项、三次项所对应的系数；β8(t)、β9(t)、β10(t)分别为上游水深和气温的乘积项所对应的系数；t0为监测起始日，D(t-t0)表示t时刻距离t0的天数，β11(t)、β12(t)、β13(t)、β14(t)分别表示D(t-t0)的一次项、二次项、指数项、自然对数项所对应的系数；R(t)为大坝区域的降雨量，β15(t)、β16(t)、β17(t)分别为降雨量的一次项、二次项、三次项所对应的系数；W(t)为大坝区域的风速，β18(t)、β19(t)、β20(t)分别为风速的一次项、二次项、三次项所对应的系数；S(t)为大坝区域的太阳辐射量，β21(t)、β22(t)、β23(t)分别为太阳辐射量的一次项、二次项、三次项所对应的系数；μ(t)表示t时刻Y(t)对应误差。
优选的方案中，所述步骤S2中，设定需要预测的时刻，记为：tPre；根据大坝上游水位的预测模型，预测tPre对应的上游水深，记为：根据大坝下游水位的预测模型，预测tPre对应的下游水深，记为：/>根据大坝区域气温的预测模型，预测tPre对应的环境气温，记为：TPre；根据tPre，计算确定tPre距离监测起始日t0的天数：D(tPre-t0)；根据大坝区域降雨量的预测模型，预测tPre对应的降雨量，记为：RPre；根据大坝区域风速的预测模型，预测tPre对应的风速，记为：WPre；根据大坝区域太阳辐射量的预测模型，预测tPre对应的太阳辐射量，记为：SPre。
优选的方案中，所述步骤S2中，各变量X所采用的预测模型均为自回归模型，公式如下：
其中c为常数项；εt被假设为平均数为0，标准差为σ的随机误差值，εt被假设为对于任何的t都不变，p表示自回归模型所设定的最高滞后阶次，为p个自回归模型参数，Xt-i表示t-i时刻的变量值。
优选的方案中，所述步骤S3中，构建如下重要性指标，以度量已有的历史条件与tPre时刻的预测条件之间的密切关系：
其中，CI(tPre,t)表示t时刻的历史条件对于tPre时刻预测条件的相对重要性，最大取值为1、最小取值为0，CI(tPre,t)的取值越大，表示越重要；为预测时刻tPre对应的上游水深；H1(t)为大坝的上游水深；/>为预测时刻tPre对应的下游水深；H2(t)为大坝的下游水深；TPre为预测时刻tPre对应的环境气温；T(t)为大坝的环境气温；D(tPre-t0)为预测时刻tPre距离监测起始日t0的天数；D(t-t0)表示t时刻距离t0的天数；RPre为预测时刻tPre对应的降雨量；R(t)为大坝区域的降雨量；SPre为预测时刻tPre对应的太阳辐射量；S(t)为大坝区域的太阳辐射量；WPre为预测时刻tPre对应的风速；W(t)为大坝区域的风速；M(t)表示扣除年份的日期，M(tPre)表示扣除预测时刻tPre年份的日期；αi,i＝1,…,8分别表示与上游水深、下游水深、环境气温、监测日期、降雨、风速、太阳辐射相关的重要性缩放因子，该因子能够调节各个因素之间的相对重要性。
优选的方案中，所述步骤S4中，根据权重函数的定义，t时刻的历史测值对于预测tPre时刻的变形所对应的权重为：
其中，ω(tPre,t)表示在预测tPre时刻的变形时，t时刻的历史测值所具有的权重；∑CI(tPre,t)表示对所有的历史测值对应的重要性指标求和。
优选的方案中，所述步骤S5中，tPre时刻大坝变形监测量的预测值为：
其中，βi(tPre),i＝0,1,…,23是未知的，需要满足如下条件进行确定：
其中，为在权重为ω(tPre,t)时的历史测值的估计值，具体表达式为：
优选的方案中，所述步骤S6中，定义如下目标函数：
采用最小二乘法，则βi(tPre)，i＝0,1,…,23的估计值为：
其中，X为外部影响因素矩阵，Y为测值矩阵，W为权重矩阵。
优选的方案中，所述步骤S7中，将βi(tPre),i＝0,1,…,23的估计值带入预测模型，从而tPre时刻大坝变形监测量预测值为：
本发明提供的一种大坝变形监测量的预测方法，具有以下有益效果：
1、本发明优势在于综合考虑外界因素对大坝变形的影响，在考虑水位温度和时效等因素影响的基础上，将降雨、风速和太阳辐射等因素考虑在内，建立大坝变形监测量在线动态预测模型。
2、本发明优势在于建立在线动态预测模型。大坝位移变化由于受到外界因素影响，和自身结构性态变化，处于动态变化的过程，常规统计模型预测精度会随着时间推移而降低，本发明能够随着新的检测数据加入实时修正模型参数，引入加权因子，检测数据能够对模型保持一定修正能力，使得预测模型更加适合大坝结构性态变化。
3、本发明优势在于改变了传统的预测思路。传统的预测思路是：先对历史监测数据进行拟合，确定模型，进而基于所拟合的模型进行预测。本发明以“预测”为中心，首先确定预测条件，进而根据预测条件，从历史条件中寻找与其最为密切相关的监测数据，并将这些监测数据赋予较大的权重，从而提高了预测的精度。
4、本发明优势在于考虑了大坝结构可能存在的阶段性演变规律不同，不同日期的大坝演变规律不同，更加符合大坝结构的动态演变规律，改变了传统的预测思路。同时基于多元线性回归理论，容易被工程技术人员理解，易于推广。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为某大坝水平位移监测过程线；
图2为上游水位监测过程线；
图3为上游水位拟合图；
图4为单点预测中权重变化；
图5为单点预测中拟合结果；
图6为常规统计模型和在线动态预测模型结果对比。
具体实施方式
一种大坝变形监测量的预测方法，包括下列步骤：
S1、构建大坝变形监测量的动态多元线性回归模型。
大坝变形监测量的动态多元线性回归模型，采用线性可加模型进行表达，表达式如下：
Y(t)＝L[B(t),X(t)]+μ(t) (1)
其中，Y(t)表示t时刻的大坝变形监测量；X(t)表示t时刻影响Y(t)变化的外部影响因素，例如：水位、气温、降雨、风、太阳辐射等；B(t)表示t时刻多元线性回归模型的系数，具体地反映了大坝结构的内部因素(例如：弹性模量、几何尺寸、热膨胀系数、热传导系数等)对Y(t)的影响；L(·)表示外部和内部因素对Y(t)的可加性线性近似影响关系；μ(t)表示t时刻Y(t)对应误差。
X(t)的表达式如下：
X(t)＝[x0(t),x1(t),x2(t),…,xk(t)] (2)
其中，x0(t)＝1，xi(t)为大坝变形监测量的第i个外部影响因素，i＝1,2,…,k，其中k为所考虑的影响因素个数。
B(t)的表达式如下：
B(t)＝[β0(t),β1(t),β2(t),…,βk(t)] (3)
其中，βi(t)为与第i个外部影响因素xi(t)对应的影响系数，i＝0,1,2,…,k。
从而，式(1)具体表示为：
根据式(4)，考虑水位、气温、降雨、风、太阳辐射影响的大坝变形监测量模型的具体表达式为：
其中，Y(t)表示t时刻的大坝变形监测量；β0(t)为模型的常数项；H1(t)为大坝的上游水深，β1(t)、β2(t)、β3(t)分别为上游水深的一次项、二次项、三次项所对应的系数；H2(t)为大坝的下游水深，β4(t)为下游水深的一次项所对应的系数；T(t)为大坝的环境气温，β5(t)β6(t)、β7(t)分别为气温的一次项、二次项、三次项所对应的系数；β8(t)、β9(t)、β10(t)分别为上游水深和气温的乘积项所对应的系数；t0为监测起始日，D(t-t0)表示t时刻距离t0的天数，β11(t)、β12(t)、β13(t)、β14(t)分别表示D(t-t0)的一次项、二次项、指数项、自然对数项所对应的系数；R(t)为大坝区域的降雨量，β15(t)、β16(t)、β17(t)分别为降雨量的一次项、二次项、三次项所对应的系数；W(t)为大坝区域的风速，β18(t)、β19(t)、β20(t)分别为风速的一次项、二次项、三次项所对应的系数；S(t)为大坝区域的太阳辐射量，β21(t)、β22(t)、β23(t)分别为太阳辐射量的一次项、二次项、三次项所对应的系数；μ(t)表示t时刻Y(t)对应误差。
S2、设定大坝变形监测量的预测条件。
定需要预测的时刻，记为：tPre；根据大坝上游水位的预测模型，预测tPre对应的上游水深，记为：根据大坝下游水位的预测模型，预测tPre对应的下游水深，记为：/>根据大坝区域气温的预测模型，预测tPre对应的环境气温，记为：TPre；根据tPre，计算确定tPre距离监测起始日t0的天数：D(tPre-t0)；根据大坝区域降雨量的预测模型，预测tPre对应的降雨量，记为：RPre；根据大坝区域风速的预测模型，预测tPre对应的风速，记为：WPre；根据大坝区域太阳辐射量的预测模型，预测tPre对应的太阳辐射量，记为：SPre。
其中TPre、RPre、WPre、SPre等各变量X所采用的预测模型均为自回归模型(AR模型)。自回归模型是统计上的一种处理时间序列的方法，其公式如下：
其中c为常数项；εt被假设为平均数为0，标准差为σ的随机误差值，εt被假设为对于任何的t都不变，p表示自回归模型所设定的最高滞后阶次，为p个自回归模型参数，Xt-i表示t-i时刻的变量值。AR模型定阶和自回归参数估计可用FPF定阶准则即最小最终预测误差准则来确定。
S3、寻找对预测条件重要的历史条件。
从时间序列角度来看，大坝的变形监测量，常具有年周期性和临近强相关性。其中，年周期性表示不同年度的大坝变形监测量，在相近或相同的日期时，测值较为相似；临近强相关性表示在大坝动态的演变过程中，在较短的时间范围内，可以认为大坝是稳定的，具有相同的演变规律。因此，为了对tPre时刻的大坝变形监测量进行预测，需要重点依赖于与tPre时刻的预测条件密切相关的历史数据。
据此，为了找到与tPre时刻的预测条件密切相关的历史条件，构建如下重要性指标，以度量已有的历史条件与tPre时刻的预测条件之间的密切关系：
其中，CI(tPre,t)表示t时刻的历史条件对于tPre时刻预测条件的相对重要性，最大取值为1、最小取值为0，CI(tPre,t)的取值越大，表示越重要；为预测时刻tPre对应的上游水深；H1(t)为大坝的上游水深；/>为预测时刻tPre对应的下游水深；H2(t)为大坝的下游水深；TPre为预测时刻tPre对应的环境气温；T(t)为大坝的环境气温；D(tPre-t0)为预测时刻tPre距离监测起始日t0的天数；D(t-t0)表示t时刻距离t0的天数；RPre为预测时刻tPre对应的降雨量；R(t)为大坝区域的降雨量；SPre为预测时刻tPre对应的太阳辐射量；S(t)为大坝区域的太阳辐射量；WPre为预测时刻tPre对应的风速；W(t)为大坝区域的风速；M(t)表示扣除年份的日期，M(tPre)表示扣除预测时刻tPre年份的日期；αi,i＝1,…,8分别表示与上游水深、下游水深、环境气温、监测日期、降雨、风速、太阳辐射相关的重要性缩放因子，该因子能够调节各个因素之间的相对重要性。
S4、确定历史监测量的权重。
根据权重函数的定义，t时刻的历史测值对于预测tPre时刻的变形所对应的权重为：
其中，ω(tPre,t)表示在预测tPre时刻的变形时，t时刻的历史测值所具有的权重；∑CI(tPre,t)表示对所有的历史测值对应的重要性指标求和，通常测值是离散形式的，因此，此处用∑符号表示求和。
S5、构建大坝变形监测量的预测模型。
tPre时刻大坝变形监测量的预测值为：
其中，βi(tPre),i＝0,1,…,23是未知的，需要满足如下条件进行确定：
其中，为在权重为ω(tPre,t)时的历史测值的估计值，具体表达式为：
S6、大坝变形监测量的预测模型的参数估计。
定义如下目标函数：
采用最小二乘法，则βi(tPre),i＝0,1,…,23的估计值为：
其中，X为外部影响因素矩阵，Y为测值矩阵，W为权重矩阵。
S7、将S6中预测模型的参数估计值代入大坝变形监测量的预测模型中，确定大坝变形监测量的预测模型，预测大坝变形监测量。
将βi9tPre),i＝0,1,…,23的估计值带入预测模型，从而tPre时刻大坝变形监测量预测值为：
选取某重力坝某一坝段的水平位移监测序列和对应的上游水位监测序列，如图1和图2所示。
首先构建大坝变形监测量预测模型。以上游水位监测序列为例，按照AR模型的建模方法对上游水位监测序列{yi}进行建模。其建立的AR预测模型如图3所示。
表1模型阶次及其对应方差
从表1中可知，当k＝4时，模型标准差最小，即最佳模型阶次为4阶，此时相对应得到的参数估计值分别为由此可以确定，上游水位预测模型为AR(4)模型。按照该方法将其他位移影响因素分别建立AR模型，预测各个时段的变量。
从时间序列角度来看，大坝的变形监测量，常具有年周期性和临近强相关性。其中，年周期性表示不同年度的大坝变形监测量，在相近或相同的日期时，测值较为相似；临近强相关性表示在大坝动态的演变过程中，在较短的时间范围内，可以认为大坝是稳定的，具有相同的演变规律。因此，对tPre时刻的大坝变形监测量进行预测，需要重点依赖于与tPre时刻的预测条件密切相关的历史数据。
据此，为了找到与tPre时刻的预测条件密切相关的历史条件，构建CI(tPre,t)重要性指标，以度量已有的历史条件与tPre时刻的预测条件之间的密切关系。
为了实现大坝变形监测量预测模型的参数估计，本方法借鉴加权最小二乘法的相关思想和技术，将CI(tPre,t)进行归一化处理，记为ω(tPre，t)。CI(tPre,t)中αi是重要要性缩放因子，该因子能够调节各个因素之间的相对重要性，其范围为[0,1]之间，本发明采用遗传算法，以均方误差(MSE)为目标函数，寻找最优值。
由图4可知，越靠近预测时刻时，权重越大，远离预测时刻时，权重越小，同时权重变化有一定周期性，且周期幅度变化逐渐增加。这是由于大坝变形监测量，具有年周期性和临近强相关性。这表明权重能够较好符合大坝变形监测量的实际情况，在大坝动态演变过程中，有效提取影响大坝变形因素的内在信息。权重序列中极值点表明该点与预测点有较强的相关性，占较高的权重，其他点权重小，表明和预测点相关性较差，因此选取极值点序列进行动态建模，建立大坝变形监测量的预测模型，对预测点进行预测。对由图5可知，相关系数为0.918，其拟合效果较好。
在此基础上，进行在线动态建模并预测，其预测结果如图6所示。采用均方误差(MSE)、相关系数衡量模型精度，其中常规统计模型预测结果与实测位移相比，其均方误差为0.269，相关系数为0.881，而动态预测模型预测结果与实测位移相比，其均方误差为0.137，相关系数为0.953。动态预测模型的精度较高，可作为坝体位移预测的推荐模型使用。
本预测方法是基于多元线性回归理论，容易被工程技术人员理解，易于推广。不仅考虑了大坝结构可能存在的阶段性演变规律不同，还考虑了不同日期的大坝演变规律可能不同，更加符合大坝结构的动态演变规律。改变了传统的预测思路，传统的预测思路是：先对历史监测数据进行拟合，确定模型，进而基于所拟合的模型进行预测。本方法以“预测”为中心，首先确定预测条件，进而根据预测条件，从历史条件中寻找与其最为密切相关的监测数据，并将这些监测数据赋予较大的权重，从而提高了预测的精度。

Claims (9)

1.一种大坝变形监测量的在线动态预测方法，其特征在于，包括下列步骤：
S1、构建大坝变形监测量的动态多元线性回归模型；
S2、设定大坝变形监测量的预测条件；
S3、寻找对预测条件重要的历史条件；
S4、确定历史监测量的权重；
S5、构建大坝变形监测量的预测模型；
S6、大坝变形监测量的预测模型的参数估计；
S7、将步骤S6中的预测模型的参数估计值代入大坝变形监测量的预测模型中，确定大坝变形监测量的预测模型，预测大坝变形监测量。
2.根据权利要求1所述的一种大坝变形监测量的在线动态预测方法，其特征在于，所述步骤S1中大坝变形监测量的动态多元线性回归模型，采用线性可加模型进行表达，表达式如下：
Y(t)＝L[B(t),X(t)]+μ(t) (1)
其中，Y(t)表示t时刻的大坝变形监测量；X(t)表示t时刻影响Y(t)变化的外部影响因素；B(t)表示t时刻多元线性回归模型的系数；L(•)表示外部和内部因素对Y(t)的可加性线性近似影响关系；μ(t)表示t时刻Y(t)对应误差；
X(t)的表达式如下：
X(t)＝[x0(t),x1(t),x2(t),…,xk(t)] (2)
其中，x0(t)＝1，xi(t)为大坝变形监测量的第i个外部影响因素，i＝1,2,…,k，其中k为所考虑的影响因素个数；
B(t)的表达式如下：
B(t)＝[β0(t),β1(t)，β2(t)，…，βk(t)] (3)
其中，βi(t)为与第i个外部影响因素xi(t)对应的影响系数，i＝0,1,2,…,k；
从而，式(1)具体表示为：
根据式(4)，考虑水位、气温、降雨、风、太阳辐射影响的大坝变形监测量模型的具体表达式为：
其中，Y(t)表示t时刻的大坝变形监测量；β0(t)为模型的常数项；H1(t)为大坝的上游水深，β1(t)、β2(t)、β3(t)分别为上游水深的一次项、二次项、三次项所对应的系数；H2(t)为大坝的下游水深，β4(t)为下游水深的一次项所对应的系数；T(t)为大坝的环境气温，β5(t)、β6(t)、β7(t)分别为气温的一次项、二次项、三次项所对应的系数；β8(t)、β9(t)、β10(t)分别为上游水深和气温的乘积项所对应的系数；t0为监测起始日，D(t-t0)表示t时刻距离t0的天数，β11(t)、β12(t)、β13(t)、β14(t)分别表示D(t-t0)的一次项、二次项、指数项、自然对数项所对应的系数；R(t)为大坝区域的降雨量，β15(t)、β16(t)、β17(t)分别为降雨量的一次项、二次项、三次项所对应的系数；W(t)为大坝区域的风速，β18(t)、β19(t)、β20(t)分别为风速的一次项、二次项、三次项所对应的系数；S(t)为大坝区域的太阳辐射量，β21(t)、β22(t)、β23(t)分别为太阳辐射量的一次项、二次项、三次项所对应的系数；μ(t)表示t时刻Y(t)对应误差。
3.根据权利要求1所述的一种大坝变形监测量的在线动态预测方法，其特征在于，所述步骤S2中，设定需要预测的时刻，记为：tPre；根据大坝上游水位的预测模型，预测tPre对应的上游水深，记为：根据大坝下游水位的预测模型，预测tPre对应的下游水深，记为：根据大坝区域气温的预测模型，预测tPre对应的环境气温，记为：TPre；根据tPre，计算确定tPre距离监测起始日t0的天数：D(tPre-t0)；根据大坝区域降雨量的预测模型，预测tPre对应的降雨量，记为：RPre；根据大坝区域风速的预测模型，预测tPre对应的风速，记为：WPre；根据大坝区域太阳辐射量的预测模型，预测tPre对应的太阳辐射量，记为：SPre。
4.根据权利要求3所述的一种大坝变形监测量的在线动态预测方法，其特征在于，所述步骤S2中，各变量X所采用的预测模型均为自回归模型，公式如下：
其中c为常数项；εt被假设为平均数为0，标准差为σ的随机误差值，εt被假设为对于任何的t都不变，p表示自回归模型所设定的最高滞后阶次，为p个自回归模型参数，Xt-i表示t-i时刻的变量值。
5.根据权利要求1所述的一种大坝变形监测量的在线动态预测方法，其特征在于，所述步骤S3中，构建如下重要性指标，以度量已有的历史条件与tPre时刻的预测条件之间的密切关系：
其中，CI(tPre,t)表示t时刻的历史条件对于tPre时刻预测条件的相对重要性，最大取值为1、最小取值为0，CI(tPre,t)的取值越大，表示越重要；为预测时刻tPre对应的上游水深；H1(t)为大坝的上游水深；/>为预测时刻tPre对应的下游水深；H2(t)为大坝的下游水深；TPre为预测时刻tPre对应的环境气温；T(t)为大坝的环境气温；D(tPre-t0)为预测时刻tPre距离监测起始日t0的天数；D(t-t0)表示t时刻距离t0的天数；RPre为预测时刻tPre对应的降雨量；R(t)为大坝区域的降雨量；SPre为预测时刻tPre对应的太阳辐射量；S(t)为大坝区域的太阳辐射量；WPre为预测时刻tPre对应的风速；W(t)为大坝区域的风速；M(t)表示扣除年份的日期，M(tPre)表示扣除预测时刻tPre年份的日期；αi，i＝1，…,8分别表示与上游水深、下游水深、环境气温、监测日期、降雨、风速、太阳辐射相关的重要性缩放因子，该因子能够调节各个因素之间的相对重要性。
6.根据权利要求5所述的一种大坝变形监测量的在线动态预测方法，其特征在于，所述步骤S4中，根据权重函数的定义，t时刻的历史测值对于预测tPre时刻的变形所对应的权重为：
其中，ω(tPre,t)表示在预测tPre时刻的变形时，t时刻的历史测值所具有的权重；∑CI(tPre,t)表示对所有的历史测值对应的重要性指标求和。
7.根据权利要求6所述的一种大坝变形监测量的在线动态预测方法，其特征在于，所述步骤S5中，tPre时刻大坝变形监测量的预测值为：
其中，βi(tPre),i＝0,1,…,23是未知的，需要满足如下条件进行确定：
其中，为在权重为ω(tPre,t)时的历史测值的估计值，具体表达式为：
8.根据权利要求7所述的一种大坝变形监测量的在线动态预测方法，其特征在于，所述步骤S6中，定义如下目标函数：
采用最小二乘法，则βi(tPre),i＝0,1,…,23的估计值为：
其中，X为外部影响因素矩阵，Y为测值矩阵，W为权重矩阵。
9.根据权利要求8所述的一种大坝变形监测量的在线动态预测方法，其特征在于，所述步骤S7中，将βi(tPre),i＝0,1,…,23的估计值带入预测模型，从而tPre时刻大坝变形监测量预测值为：
CN202311539257.XA 2023-11-17 2023-11-17 一种大坝变形监测量的在线动态预测方法 Pending CN117556616A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311539257.XA CN117556616A (zh) 2023-11-17 2023-11-17 一种大坝变形监测量的在线动态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311539257.XA CN117556616A (zh) 2023-11-17 2023-11-17 一种大坝变形监测量的在线动态预测方法

Publications (1)

Publication Number Publication Date
CN117556616A true CN117556616A (zh) 2024-02-13

Family

ID=89814266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311539257.XA Pending CN117556616A (zh) 2023-11-17 2023-11-17 一种大坝变形监测量的在线动态预测方法

Country Status (1)

Country Link
CN (1) CN117556616A (zh)

Similar Documents

Publication Publication Date Title
Su et al. Time-varying identification model for dam behavior considering structural reinforcement
CN109934386B (zh) 热电联供系统热负荷预测方法
CN111597651A (zh) 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法
CN111651708B (zh) 一种大坝安全监测数据异常识别的预警阈值设置方法
CN116738868B (zh) 一种滚动轴承剩余寿命预测方法
CN112001537A (zh) 一种基于灰色模型和支持向量机的短期风电功率预测方法
CN114046456B (zh) 融合模糊推理和神经网络的腐蚀评估方法及系统
CN109523077B (zh) 一种风电功率预测方法
CN111680398A (zh) 一种基于Holt-Winters模型的单机性能退化预测方法
CN114462688A (zh) 一种基于lstm模型和动态阈值确定算法的爆管检测方法
CN110851897A (zh) 一种多因素关联下的渡槽应力应变预测方法
CN102479261A (zh) 一种新型数控机床的热误差最小二乘支持向量机建模方法
CN117556616A (zh) 一种大坝变形监测量的在线动态预测方法
CN111192163B (zh) 基于风电机组运行数据的发电机可靠度中短期预测方法
CN117200223A (zh) 日前电力负荷预测方法和装置
CN117131768A (zh) 考虑滞后影响机理的高拱坝温度场因果预测方法
CN109376957A (zh) 一种火电厂负荷的预测方法
CN107633271B (zh) 电力系统稳态可用度非精确概率计算方法
CN112381380B (zh) 航天器的系统健康检测方法和装置
CN114254904A (zh) 一种风电机组机舱运行健康度评价方法及装置
CN113408076A (zh) 基于支持向量机模型的小样本机械剩余寿命预测方法
CN110322063A (zh) 一种耗电功率仿真预测方法及存储介质
CN117131977B (zh) 一种基于误判风险最小准则的径流预报样本集划分方法
CN117851908B (zh) 一种改进的在线低压台区电能表失准监测方法及装置
AbouOmar et al. Data-Driven Soft Sensors Based on Support Vector Regression and Gray Wolf Optimizer

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