[发明专利]一种大坝变形监测中的粗差判别方法、装置及系统

说明书

本发明公开了一种大坝变形监测中的粗差判别方法、系统及存储介质，所述方法包括：计算出原始测值序列中各测值对应的离差和，进而形成离差和序列；计算所述离差和序列的均值和标准差；基于所述离差和序列的均值和标准差，剔除原始序列中满足粗差判定规则的测值，形成新的测值序列；基于所述新的测值序列，获得对应的第一回归分析模型；基于所述第一回归分析模型计算出原始测值序列中各测值对应的拟合残差；计算出原始测值序列中全体测值的标准差；将原始测值序列各测值对应的拟合残差与原始测值序列中全体测值的标准差进行比较，基于比较结果判断出粗差。本发明能够实现粗差的有效判别与剔除。

技术领域

本发明属于大坝安全监测技术领域，具体涉及一种大坝变形监测中的粗差判别方法、装置及系统。

背景技术

大坝安全是大坝发挥经济、社会等效益的前提和基础，大坝变形监测又是大坝安全监测中具有指标性意义的主要物理量，其异常值会对大坝性态的评价产生较大的影响，因此应对异常值进行综合分析，研究清楚其形成机理，如果异常值是因为系统或者测量等原因造成的，则应将其判为粗差，以便后续将其删除或者做其他特别处理。

所谓粗差，是指与大坝的真实性态及环境因子的变化无实际关联的，而在量值上与临近时序的其他正常测值存在明显差距的测值数据。传统的粗差判别方法基于数理统计原理，包括3σ准则、Dixon准则、Grubbs准则、肖维勒准则、罗曼诺夫斯基准则等，然而大坝的变形监测数值是受到坝体多个环境量因子的共同作用和影响的，如果直接基于监测值序列本身进行判别，易将因环境因子变化引起的监测极值误判为粗差，故不宜采用此种方式；另一方面，如Grubbs准则等基于残差进行判别的方法，虽然排除了上述问题，但是需要预先建立监测量与环境量因子的回归模型，这就导致了其隐含的粗差也不可避免的参与了回归建模，以行业内普遍使用的多元线性回归的统计特性来看，如果粗差的占比或者量值大到一定程度，会使得拟合出来的回归模型严重失真，从而加大了后续使用这些准则时误判或者漏判粗差的风险。

大坝变形监测统计学模型，是基于大坝变形监测成因分析的基础理论来确定因子空间，然后根据历史实测资料，运用统计学分析方法来计算各项因子的系数，从而建立起监测效应量和环境量的映射关系，达到定性、定量分析和估计大坝变形的成因、趋势和期望的目的。模型越逼近实际，则模型拟合值与实测值的残差理应越小，基于残差的粗差判别准则检验和判定粗差的可信度也应越高，反之亦然，由此可以看出，大坝变形监测统计学模型的拟合精度，是大坝变形监测粗差判别的基础和前提。

发明内容

针对上述问题，本发明提出一种大坝变形监测中的粗差判别方法、装置及系统，能够实现粗差的有效判别与剔除。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

第一方面，本发明提供了一种大坝变形监测中的粗差判别方法，包括：

计算出原始测值序列中各测值对应的离差和，进而形成离差和序列；

计算所述离差和序列的均值和标准差；

基于所述离差和序列的均值和标准差，剔除原始序列中满足粗差判定规则的测值，形成新的测值序列；

基于所述新的测值序列，获得对应的第一回归分析模型；

基于所述第一回归分析模型计算出原始测值序列中各测值对应的拟合残差；

计算出原始测值序列中全体测值的标准差；

将原始测值序列各测值对应的拟合残差与原始测值序列中全体测值的标准差进行比较，基于比较结果判断出粗差，完成粗差判别。

可选地，所述各测值对应的离差和的计算方法包括以下步骤：

从去除原始测值序列中去掉某测值，将剩余的n-1个测值与其对应的环境量因子集基于逐步回归算法进行建模，得到第二回归分析模型；