[发明专利]一种大坝异常监测数据自动识别方法

说明书

本发明公开一种大坝异常监测数据自动识别方法，包括：构建原始监测数据序列的轨迹矩阵，对轨迹矩阵进行奇异值分解得到特征组；将特征组按照特征值从大到小排列，选择累积贡献率大于等于85%的前若干个特征组为主要特征组；计算主要特征组对应的基本矩阵，对基本矩阵进行对角平均化得到数据序列的主要成分；将主要成分累加得到重构数据序列；用重构序列和原数据序列相减得到残差序列，求出残差序列的标准差；根据测值的残差由拉依达准则判断测值是否为异常值。该方法能够自动提取监测数据序列的主要特征，避免人工建立数学模型，不但能保证判断的一致性和准确性，还降低了人力资源投入；当水位、气温等环境量缺失时仍然能够对监测数据进行判别。

技术领域

本发明涉及大坝监控领域，尤其涉及一种大坝异常监测数据自动识别方法。

背景技术

我国共建成100米以上大坝200余座，其中150米以上的高坝40余座。对这些大坝进行监测、监控是保证其安全运行的重要手段。2015年能源局颁布的《水电站大坝运行安全监督管理规定》进一步要求“对于坝高一百米以上的大坝，电力企业应当建立大坝安全在线监控系统”，“大坝中心应当对注册(备案)登记的大坝运行安全进行远程在线技术监督”。由于工作条件复杂，高坝布设的监测点通常远多于一般工程；而对群坝进行管理时，涉及到的测点数目更是巨大。

在线监控的重要任务是识别异常运行状况，其基础为识别异常监测数据。目前，在大坝监控领域可见的异常值识别方法按照其原理可以被分为基于包络域的识别法、基于条件相似性的识别法以及基于数学模型的识别法三类。其中，基于统计回归数学模型的异常值识别方法通常能够达到较高的敏感度，同时也不容易将正常值误判为异常，因此应用最为广泛。但是，回归模型的建立通常需要有丰富数据分析经验的人操作完成。当对监测点极多的高坝或群坝进行监控时，人力成本巨大；同时，不同的操作人员可能出现标准不一致、甚至不准确的情况。此外，统计模型中通常还包括水位、温度等环境量，而在实际工程中经常出现环境量与效应量不同时报送的情况，这时将无法采用统计模型得出效应量预测值，因而也就无法判断实测值是否异常。

发明内容

针对基于统计模型的大坝异常监测数据识别技术中对人工操作以及环境量依赖程度过高的问题，本发明提供一种自动识别异常监测数据的方法，旨在提升大坝安全监控工作中异常测值识别的精度、效率以及鲁棒性，并降低人力资源投入。

为了实现上述目的，本发明公开一种大坝异常监测数据自动识别方法，所述方法包括以下步骤：

1)由原始监测数据序列构建轨迹矩阵，然后对轨迹矩阵进行奇异值分解得到一系列特征组；

2)将特征组按照特征值从大到小排列，选择累积贡献率大于等于85％的前若干个特征组为主要特征组；

3)计算主要特征组对应的基本矩阵，然后对基本矩阵进行对角平均化得到数据序列的前若干个主要成分；

4)将得出的主要成分累加得到重构数据序列；

5)用重构序列和原数据序列相减得到残差序列，求出残差序列的标准差；

6)根据残差序列的标准差由拉依达准则判断测值是否为异常值。

进一步地，在本发明公开的上述步骤中，所述轨迹矩阵X由对监测数据序列f₀,f₁,f₂,...,f_N-1在时间上滞后排列得到，表示为：

其中，N为监测序列数据总数，L为窗口长度，1＜L＜N，K为轨迹矩阵X每行所包含的测值数量，K＝N-L+1；i,j用来标示元素x_ij在轨迹矩阵X中所处的位置是在第i行第j列。