[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

说明书

本发明涉及一种贫信息条件下的大坝异常监测数据自动识别方法。本发明的目的是提供一种贫信息条件下的大坝异常监测数据自动识别方法，以提升短监测数据序列异常识别的精度和效率。本发明的技术方案是：该自动识别方法包括以下步骤：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。本发明适用于大坝监控领域。

技术领域

本发明涉及一种贫信息条件下的大坝异常监测数据自动识别方法。适用于大坝监控领域。

背景技术

我国已建成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，涉及到的测点数量更是巨大。

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。但是,采用上述方法进行异常值识别时，都要求当前时间之前有较长的数据序列才能得出可靠的评判结果，即需要大量的先验信息。对工程投入运行时间较短或仪器检修后重新开始使用的情况，由于数据序列较短，属于“贫信息条件”，常见的异常值识别方法很难进行有效的判别。

发明内容

本发明要解决的技术问题是：针对上述存在的问题，提供一种贫信息条件下的大坝异常监测数据自动识别方法，以提升短监测数据序列异常识别的精度和效率。

本发明所采用的技术方案是：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。

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。

所述正常局部邻近距离阈值D₀按照下式计算：