[发明专利]一种大坝监测自动化比测方法有效

专利信息
申请号: 201510151645.X 申请日: 2015-04-01
公开(公告)号: CN104792350B 公开(公告)日: 2017-08-08
发明(设计)人: 花胜强;陈意;蔡杰;夏智娟;郑慧娟;纪菁;姚驰;高磊 申请(专利权)人: 国网电力科学研究院;南京南瑞集团公司
主分类号: G01D18/00 分类号: G01D18/00
代理公司: 南京纵横知识产权代理有限公司32224 代理人: 董建林
地址: 210003 江*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 大坝 监测 自动化 方法
【权利要求书】:

1.一种大坝监测自动化比测方法,其特征是,包括下列步骤:

1)基于时序的测次对齐:以自动化系统测量数据的时间值为基准,在给定的有效时间范围内,查询与所述时间值最为接近的人工观测值;如果没有查到,则丢弃该自动化测量值,形成两组时序一致、数量相等的样本组;

2)方差分析:人工观测设备的测量精度为ζM,自动化系统设备的测量精度为ζN,自动化测量值与对应的人工观测值的绝对差值Δ应满足如下公式所示:

本步骤可输出超限的测值数量,及所占有效样本数的百分比;

3)差异性及相关性分析:对于同一监测量的一致时序的两组测值序列进行检验,包括两个序列的均值的差异性检验、两个序列的方差的差异性检验及两个序列的相关性检验,如序列具有较高的相关性,则可以认定,虽然监测方式不同,但是二者测量结果一致;

4)规律性分析:将监测量的变化视为随机过程,将二组时间序列数值视为离散信号量,在此基础上,通过基于快速傅里叶变换的谱分析,将二组信号的所包含周期、振幅及相位等特征量输出,并进行对比。

2.根据权利要求1所述的一种大坝监测自动化比测方法,其特征是,所述两个序列的均值的差异性检验为:假设M与N均值无显著性差异,即有:H0:EM=EN,构建检验统计量n如下公式所示:

其中:K为记有效样本数量,M为自动化观测序列,EM为自动化观测序列均值,N为人工观测序列,EN为人工观测序列均值,σN为标准差,H0为假设检验中零假设的标识符;

即符合标准正态分布,如果规定显著性水平为a,则拒绝域为:(-∞,-Za/2)和(Za/2,+∞),Za/2值可由查表得到,这样即可输出在各显著性水平下的接受或拒绝结论。

3.根据权利要求1所述的一种大坝监测自动化比测方法,其特征是,所述两个序列的方差的差异性检验为:假设M与N方差无显著性差异,即有:H0:σ2M=σ2N,构建检验统计量χ2如下公式所示:

χ2=(K-1)*σ2M2N~χ2(K-1)

其中:K为记有效样本数量,M为自动化观测序列,σM为自动化观测序列标准差,N为人工观测序列,σN为人工观测序列标准差,H0为假设检验中零假设的标识符;

即符合卡方分布,如果规定显著性水平为a,可由查表得到其拒绝域,这样即可输出在各显著性水平下的接受或拒绝结论。

4.根据权利要求1所述的一种大坝监测自动化比测方法,其特征是,所述两个序列的相关性检验为:主要研究的是两个序列间的线性相关性大小,如果二者的线性相关性越紧密,则二者相似性和趋同性越高。

5.根据权利要求4所述的一种大坝监测自动化比测方法,其特征是,两个序列间的线性相关性的皮尔逊相关系数c计算公式如下所示:

其中:K为记有效样本数量,M为自动化观测序列,Mi为自动化观测序列中第i个测值,EM为自动化观测序列均值,σM为自动化观测序列标准差,N为人工观测序列,Ni为人工观测序列中第i个测值,EN为人工观测序列均值,σN为人工观测序列标准差;

即可输出二者的线性相关系数。

6.根据权利要求1所述的一种大坝监测自动化比测方法,其特征是,规律性分析使用Cooley-Tukey FFT算法。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国网电力科学研究院;南京南瑞集团公司,未经国网电力科学研究院;南京南瑞集团公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201510151645.X/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top