[发明专利]一种水利工程异常检测方法及系统

说明书

本发明提出了一种水利工程异常检测方法及系统。本发明将希尔伯特黄变换与深度森林模型结合的异常点检测方法，首先希尔伯特黄变换对时间序列数据进行初步的分析，确定异常时间序列数据，然后基于深度森林模型对异常时间序列数据进行监测，减少了深度森林模型处理的数据规模，并提高了异常数据检测的准确性，保障了水利工程的安全。

技术领域

本发明涉及水利工程监测技术领域，特别是涉及一种水利工程异常检测方法及系统。

背景技术

随着新时代社会经济的快速发展，对水利工程安全高效运作的要求也随之提高，传统水利工程已经难以满足新时代经济社会发展所需的专业化、信息化、智能化等要求，尽管现在的水利行业已经覆盖数据采集、查询浏览、统计分析等功能，但在时间序列数据异常检测方面，其精确性和全面性还有待提升。而时间序列数据的异常检测在大河的综合治理、病险水库和水闸的除险加固、灌区的节水改造、防洪工程等方面都有重要的应用，所以时间序列数据异常检测对水利工程的安全性具有重要意义。

传统的异常检测的方法主要有以下五类：基于统计的异常检测方法、基于聚类的异常检测方法、基于偏差的异常检测方法、基于距离的异常检测方法和基于密度的异常检测方法。随着机器学习技术的发展，涌现了一些应用机器学习的异常点检测方法，现有的基于机器学习的异常点检测主要有基于神经网络的异常点检测方法和基于支持向量机的异常点检测方法。

基于神经网络的异常点检测主要是利用人工神经网络在处理小规模问题上应用效果好的特点，但是对于大规模的问题，人工神经网络的构造将会非常复杂。而且因为神经网络“黑箱”的性质，使得隐藏层中的理论解释不够严谨，对隐藏层的输出结果与最终的输出结果之间不能完美控制，因此不能很好地往大规模问题上扩展。

基于支持向量机的异常点检测仅具有相同的处理能力，而且在计算效率上也有很大的提高，但是支持向量机在理论建模方面都相对比较复杂，比如核函数的选取等，因此在实际应用中往往难以取得理想的效果，无法提取出比较全面的异常点。

发明内容

本发明的目的是提供一种水利工程异常检测方法及系统，以实现基于大规模数据的水利工程的有效监测。

为实现上述目的，本发明提供了如下方案：

一种水利工程异常检测方法，所述异常检测方法包括如下步骤：

获取水利工程的传感器监测系统的多个时间序列数据；

对每个所述时间序列数据进行希尔伯特黄变换，将每个所述时间序列数据分解成多个固有模态函数和一个残余序列；

对每个所述时间序列数据的固有模态函数进行Hilbert变换，获得每个时间序列数据的Hilbert谱；

根据每个时间序列数据的Hilbert谱的频率性质确定多个时间序列数据对应的监测时间的水利工程的工作状态；所述工作状态为异常工作状态或正常工作状态；

提取异常工作状态的多个时间序列数据的特征数据；

将所述特征数据输入训练后的森林深度模型，获得监测结果。

可选的，所述对每个所述时间序列数据进行希尔伯特黄变换，将每个所述时间序列数据分解成多个固有模态函数和一个残余序列，具体包括：

计算时间序列数据的极大值点和极小值点；

分别根据所述时间序列数据的极大值点和极小值点，利用三次样条函数差值构造所述时间序列数据的上包络线和下包络线；

计算所述上包络线和所述下包络线的均值函数；

判断均值函数是否满足固有模态函数的条件，得到第一判断结果；

若第一判断结果表示均值函数满足固有模态函数的条件，则将所述均值函数设置为第i个固有模态函数；