[发明专利]贫信息条件下的大坝异常监测数据自动识别方法

权利要求书

1.一种贫信息条件下的大坝异常监测数据自动识别方法，其特征在于，包括以下步骤：

S01、对历史监测数据序列进行分析，计算各个历史测值的局部邻近距离；

S02、根据历史测值的局部邻近距离数据序列计算正常局部邻近距离阈值，作为对历史测值序列的分组标准；

S03、根据分组标准对历史监测数据序列进行分组；

S04、剔除由连续突跳数据形成的分组，更新历史监测数据序列；

S05、重复步骤S01至S04，对更新后的历史数据进行分析，直至无法查找到包含连续突跳数据的分组；

S06、选择距离当前时间最近的数据分组作为基准数据序列，计算基准数据序列的正常局部邻近距离阈值；

S07、根据基准数据序列的正常局部邻近距离阈值判别新测值是否为异常，当新测值与基准数据序列的局部邻近距离大于基准数据序列的正常局部邻近距离阈值时，该新测值为异常值。

2.根据权利要求1所述的贫信息条件下的大坝异常监测数据自动识别方法，其特征在于，所述局部邻近距离D_i由下式计算得到：

其中，y_i为第i个历史测值，t_i为测值y_i的获取时刻；为计算所选定的时段，根据监测频次和数据序列内数据总数确定；dt为所选定时段的时长；k为所定时段内的历史测值个数；y_j为第j个历史测值，t_j为测值y_j的获取时刻。

3.根据权利要求2所述的贫信息条件下的大坝异常监测数据自动识别方法，其特征在于，所述正常局部邻近距离阈值D₀按照下式计算：

D₀＝max(AD+3σ_D,10AD,λ_D)

其中，AD为局部邻近距离D_i数据序列的均值，σ_D为部邻近距离D_i数据序列的标准差，λ_D为部邻近距离D_i数据序列的第95百分位数。

4.根据权利要求3所述的贫信息条件下的大坝异常监测数据自动识别方法，其特征在于，所述根据分组标准对历史监测数据序列进行分组，包括：

由最接近当前时间的测值开始回溯历史数据，计算每个测值与之前分组末尾的k'个数据的局部邻近距离D_i'，每当测值的D_i'≥D₀时就形成一个新的分组；否则认为该测值属于这个分组；

当分组中的数据总数小于k时，k'取组内数据总数；否则k'＝k。

5.根据权利要求4所述的贫信息条件下的大坝异常监测数据自动识别方法，其特征在于，所述剔除由连续突跳数据形成的分组，包括：

计算各个分组内测值的数量，若测值数小于k，则认为该组内所有点为偶然突跳的数值，将其剔除，更新历史监测数据序列。

6.一种贫信息条件下的大坝异常监测数据自动识别装置，其特征在于包括：

局部邻近距离计算模块，用于对历史监测数据序列进行分析，计算各个历史测值的局部邻近距离；

正常阈值计算模块，用于根据历史测值的局部邻近距离数据序列计算正常局部邻近距离阈值，作为对历史测值序列的分组标准；

分组模块，用于根据分组标准对历史监测数据序列进行分组；

历史数据更新模块，用于剔除由连续突跳数据形成的分组，更新历史监测数据序列；

数据持续更新模块，用于通过局部邻近距离计算模块、正常阈值计算模块分组模块和历史数据更新模块对更新后的历史数据进行分析，直至无法查找到包含连续突跳数据的分组；

基准阈值计算模块，用于选择距离当前时间最近的数据分组作为基准数据序列，计算基准数据序列的正常局部邻近距离阈值；

异常值判断模块，用于根据基准数据序列的正常局部邻近距离阈值判别新测值是否为异常，当新测值与基准数据序列的局部邻近距离大于基准数据序列的正常局部邻近距离阈值时，该新测值为异常值。