一种高坝多点变形性态联合预报方法技术

本发明专利技术公开了一种高坝多点变形性态联合预报方法，包括以下步骤：(1)选取高坝工程中多个测点的变形监测数据，采用小波软阈值去噪法去噪；(2)确定模型输入因子，对所选因子进行主成分分析，提取主成分；(3)对多测点去噪后数据及各主成分进行归一化处理，分为训练样本、预测样本；(4)依据训练样本，利用改进粒子群算法对支持向量机SVM参数C、σ进行寻优，完成对支持向量机的训练；(5)依据预测样本，用训练好的模型进行样本预测，进行模型预报效果评价。本发明专利技术的一种高坝多点变形性态联合预报方法，解决了传统方法预报精度低、模型大、运行速度慢、计算时间长、单测点预测等问题，具有精度高、处理周期短、多测点时空联合预报等优点。

A joint prediction method for multipoint deformation behavior of high dam

The present invention discloses a joint prediction method of multipoint deformation behavior of high dam, which includes the following steps: (1) select the deformation monitoring data of multiple points in the high dam project, use the wavelet soft threshold de-noising method to denoise; (2) determine the model input factor, analyze the main components of the selected factors, extract the main components, and (3) denoise the multi test points. The post data and the main components are normalized and divided into training samples and prediction samples. (4) according to the training samples, the improved particle swarm optimization algorithm is used to optimize the SVM parameters of support vector machine C and sigma, and the training of support vector machines is completed. (5) the model is predicted by the trained model and the model is used to model the model. Evaluation of forecast effect. A joint prediction method of multi point deformation state of high dam has solved the problems of low prediction precision, large model, slow running speed, long calculation time and single point prediction. It has the advantages of high precision, short treatment period and joint prediction of multi point space-time.

【技术实现步骤摘要】
一种高坝多点变形性态联合预报方法
本专利技术涉及高坝多点变形性态联合预报方法，属于高坝工程安全监测领域。
技术介绍
水利工程，尤其是高坝大库工程，在防洪、发电、航运、供水、灌溉、养殖、旅游等方面带来了巨大的社会经济效益，为国民经济的发展做出了巨大贡献。但是由于人们对自然力量、材料性能、结构机理、施工控制以及人为损坏等影响高坝安全的因素认识不够充分，使得很多大坝都处于带病状态，病变隐患若得不到及时发现和处理，很有可能引发大坝整体或者局部的灾变甚至溃坝失事，给社会造成严重的经济损失、生命财产损失。若能布设齐全的安全监测设施并持续监测，及时对安全监测资料进行处理与分析，重视大坝变形、渗流等监控模型、监控指标等的构建和应用，很多安全隐患可以被发现、灾难性事故能够被避免。变形作为大坝安全状况最直观、最综合的体现，对其变化特征的科学分析、辨识、预报以及评价，一直是大坝安全管理的重点，相关模型、方法等长期被坝工安全科研人员所关注和探研，但由于大坝变形影响因素众多、驱动机制复杂，给精细辨识变形时空特征、精确预报变形变化性态带来了极大的困难。近年来，虽然相关学者通过不断引入模糊数学、灰色理论、小波分析、人工神经网络、支持向量机等理论用于监测资料进行，研究了大坝安全预报方法，但其存在预报精度较低、模型大、运行速度慢、计算时间长、只能单点预测等问题，故急需研发一种大坝变形性态多测点联合预报模型与方法。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种高坝多点变形性态联合预报方法，解决了传统方法预报精度低、模型大、运行速度慢、计算时间长、单测点预测等问题，具有精度高、处理周期短、效率高、多测点时空联合预报等优点。技术方案：为解决上述技术问题，本专利技术的一种高坝多点变形性态联合预报方法，包括以下步骤：(1)选取高坝工程中若干测点的变形监测数据，采用小波软阈值去噪法去噪；(2)确定模型输入因子，对所选因子进行主成分分析，提取主成分；(3)对多测点去噪后数据及各主成分进行归一化处理，分为训练样本、预测样本；(4)依据训练样本，利用改进粒子群算法对支持向量机SVM参数C、σ进行寻优，完成对支持向量机的训练；(5)依据预测样本，用训练好的模型进行样本预测，进行模型预报效果评价。作为优选，所述步骤(1)中小波软阈值去噪法包括以下步骤：(11)根据大坝变形监测数据序列s的特性，选择合适的小波函数和分解层数n；(12)对数据序列s进行小波分解，得各低频、高频子序列的小波系数；(13)计算各高频子序列的噪声标准方差σ；(14)选择一种阈值确定方法，确定各高频子序列的阈值T，对各高频子序列的小波系数进行处理(15)将低频子序列的小波系数与经过阈值去噪处理后的高频子序列小波系数进行重构，即可得去噪后的变形监测数据序列。作为优选，所述步骤(4)步骤以下步骤：(41)对选取的大坝变形测值序列样本进行归一化处理，并确定输入样本，设定粒子个数、种群迭代次数、惯性权重、惩罚因子、核参数的范围、数据分组k、学习因子的初始以及速度因子v与位置因子γ的值，在规定范围内随机生成初始速度及初始位置，初始位置即对应初始C、σ的值，(42)根据当前的C、σ的值，训练支持向量机，并计算适应度函数值CV-MSE，并记忆个体与群体对应最佳适应值的pbest和gbest；(43)对粒子的速度进行更新，若出现dij<γ且vij<ν的情况，则继续步骤(41)，将该粒子的位置重新初始化，否则进行步骤(44)，对粒子的位置进行更新；(44)将粒子当前位置的ppresent与历史最优解pbest做比较，若ppresent>pbest，则令pbest＝ppresent，否则pbest不变，将粒子当前位置的ppresent与种群最优解gbest做比较，若ppresent>gbest，则令gbest＝ppresent，否则gbest不变，若达到最大迭代次数，则终止迭代，输出最优解。作为优选，模型预报效果评价方法的具体量化评价指标为均方根误差(MSE)、平均绝对百分比误差(MAPE)和拟合优度(R2)。其中，均方根误差(MSE)：平均绝对百分比误差(MAPE)：拟合优度(R2)：式中：n为预测值个数；yi为原始测值；为预测值；为原始测值序列平均值；为预测值序列平均值。有益效果：本专利技术的高坝多点变形性态联合预报方法，通过引入多输出支持向量机学习方法，在对其损失函数论述的基础上，构建了基于多输出支持向量机的高坝工程变形性态多测点联合预报模型；为削弱建模因子多重共线性对模型精度的不利影响，专利技术了以模型因子主成分提取结果作为支持向量机输入量的处理方式，解决了传统方法预报精度低、模型大、运行速度慢、计算时间长、单测点预测等问题，具有精度高、处理周期短、效率高、多测点时空联合预报等优点。附图说明图1为本专利技术高坝多点变形性态联合预报技术的流程图；图2为本专利技术步骤(1)小波阈值去噪流程图；图3为本专利技术步骤(4)基于改进PSO算法的SVM参数寻优实现流程图；图4为本专利技术实施例PP2测点测值过程线图；图5为本专利技术实施例PP2测点变形预测结果图。具体实施方式如图1所示，本专利技术一种高坝多点变形性态联合预报技术，具体包括如下步骤：步骤(1)选取多个测点的变形监测数据，例如可以在大坝上均匀的分布若干个测点，采用图2所述小波软阈值去噪法对变形监测数据进行去噪处理，具体子步骤如下：①根据大坝变形监测数据序列s的特性，选择合适的小波函数和分解层数n，对数据序列s进行小波分解，得各低频、高频子序列的小波系数。其中，合适的小波函数和分解层数n是指选择满足小波基函数正交性、正则性、紧支性、对称性性质的小波函数和分解层数。②根据公式σ＝median(|ωj|)/0.6745计算各高频子序列的噪声标准方差σ。σ＝median(|ωj|)/0.6745式中：median(|ωj|)表示小波分解后对应分解层数下小波系数{ω}绝对值的中值；j是小波分解尺度。③选择一种阈值确定方法，优选为无偏似然估计法，确定各高频子序列的阈值T。④选择一种阈值去噪方法，优选为非线性小波变换阈值去噪法，对各高频子序列的小波系数进行处理。⑤将低频子序列的小波系数与经过阈值去噪处理后的高频子序列小波系数进行重构，即可得去噪后的变形监测数据序列。步骤(2)确定模型输入因子，对所选因子进行主成分分析，根据特征值大于1或特征值的累计贡献率超过85％原则提取主成分。步骤(3)对多测点去噪后数据及各主成分进行归一化处理，从中选取模型训练样本、预测样本，以按时间顺序排列的各主成分因子作为支持向量机的输入，以按时间顺序排列的去噪后变形监测数据为支持向量机的输出。步骤(4)依据训练样本，利用改进粒子群算法对支持向量机参数进行寻优，寻优结束后输出最优C、σ的值，完成对支持向量机(SVM)的训练。改进粒子群算法实现支持向量机参数寻优的过程如附图3所示，具体子步骤如下：①对选取的大坝变形测值序列样本进行归一化处理，并确定输入样本。②粒子群相关参数初始化。设定粒子个数、种群迭代次数、惯性权重、惩罚因子、核参数的范围、数据分组k、学习因子的初始以及速度因子v与位置因子γ的值。在规定范围内随机生成初始速度及初始位置。本文档来自技高网...

【技术保护点】
一种高坝多点变形性态联合预报方法，其特征在于，包括以下步骤：(1)选取高坝工程中若干测点的变形监测数据，采用小波软阈值去噪法去噪；(2)确定模型输入因子，对所选因子进行主成分分析，提取主成分；(3)对多测点去噪后数据及各主成分进行归一化处理，分为训练样本、预测样本；(4)依据训练样本，利用改进粒子群算法对支持向量机SVM参数C、σ进行寻优，完成对支持向量机的训练；(5)依据预测样本，用训练好的支持向量机进行样本预测，进行模型预报效果评价。

【技术特征摘要】
1.一种高坝多点变形性态联合预报方法，其特征在于，包括以下步骤：(1)选取高坝工程中若干测点的变形监测数据，采用小波软阈值去噪法去噪；(2)确定模型输入因子，对所选因子进行主成分分析，提取主成分；(3)对多测点去噪后数据及各主成分进行归一化处理，分为训练样本、预测样本；(4)依据训练样本，利用改进粒子群算法对支持向量机SVM参数C、σ进行寻优，完成对支持向量机的训练；(5)依据预测样本，用训练好的支持向量机进行样本预测，进行模型预报效果评价。2.根据权利要求1所述的高坝多点变形性态联合预报方法，其特征在于：所述步骤(1)中小波软阈值去噪法包括以下步骤：(11)根据大坝变形监测数据序列s的特性，选择合适的小波函数和分解层数n；(12)对数据序列s进行小波分解，得各低频、高频子序列的小波系数；(13)计算各高频子序列的噪声标准方差σ；(14)选择一种阈值确定方法，确定各高频子序列的阈值T，对各高频子序列的小波系数进行处理(15)将低频子序列的小波系数与经过阈值去噪处理后的高频子序列小波系数进行重构，即可得去噪后的变形监测数据序列。3.根据权利要求1所述的高坝多点变形性态联合预报方法，其特征在于：所述步骤(4)步骤以下步骤：(41)对选取的大坝变形测值序列样本进行归一化处理，并确定输入样本，设定粒子个数、种群迭代次数...

【专利技术属性】
技术研发人员：苏怀智，杨贝贝，韩彰，杨孟，骆鸿，方正，吴文源，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32