基于时空一体化的特高拱坝变形时空序列预测方法技术

本发明专利技术公开了一种基于时空一体化的特高拱坝变形时空序列预测方法，包括以下步骤：大坝传感器在监测数据时，实测数据中时常带有随机误差项，假设时空过程分解为两部分：确定性时空变化和去除确定趋势后的小规模误差随机变化并且去除确定趋势后的小规模误差随机变化的期望为零。应用简单BP神经网络拟合整体时空趋势；在去除整体时空趋势后得到残差项，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势；引入门限循环神经网络对大坝各测点时间序列进行预测，预测出相关测点变形值，将门限循环神经网络预测出的变形值与BP神经网络预测出的变形值进行对比，如果门限网络的预测值更加精确，那么将预测后的顺河向位移数据作为训练数据优化BP网络。

【技术实现步骤摘要】
基于时空一体化的特高拱坝变形时空序列预测方法
本专利技术涉及高拱坝变形时空序列预测
，具体涉及一种结合BP网络、GRU神经网络以及时空克里格方法对高拱坝变形时空序列进行预测。
技术介绍
随着现代传感器数据种类和数量的快速增长，如何合理有效的利用这些收集的海量信息预测大坝整体的变形值，进而把握高拱坝整体变形状态，已经成为水利工作者亟待解决的问题。只有了解大坝整体的状态，才能做到对发现的异常情况及时处理，防患于未然。才能保证大坝始终运行在安全高效的环境中。大坝变形值通过埋设在坝体内部的位移传感器测量得到，位移传感器限于大坝实际结构，只能布设在有限的几处重点监测位置。由于测点布置相对离散，无法把握大坝空间整体状态。目前常见的做法是将大坝看作由一群三维空间点组成的有机整体，利用空间插值算法插补出未知点位移值。这一方法虽然达到了了解大坝整体状态的目的，但是它的弊端是只能了解当前时间点或历史时间上的变形状态，无法对整体变形状态做出预测。要预测大坝整体变形值，就是在空间插值的基础上加入时间维度，预测构成大坝的任意一点在任一时间的变形值。由于大坝变形的过程本质上是时空过程，所以设计出许多数据收集方法来记录数据中每个测点的空间和时间信息，这些信息被称为时空序列(Spatio-TemporalSeries,ST)数据。本专利技术研究的问题可以理解为通过有限测点的大坝历史变形数据来预测未来任意时间任意位置的变形值，即时空序列预测。时空数据由于在空间和时间两个维度上同时存在依赖关系，这就使得它与经典数据挖掘文献中研究的其他数据不同。许多广泛使用的数据挖掘方法都建立在数据实例独立且分布相同(IndependentIdenticallyDistributed,IID)的假设基础上。然而，该假设在处理时空数据时可能并不成立，这是因为数据实例在空间和时间结构上彼此相关，并且在不同的空间区域或时间段中会显示不同的属性。在数据分析过程中忽略这些依赖关系可能导致预测结果准确性不高，预测结论的可解释性较差。在时空数据研究领域，除限制传统预测算法的有效性之外，空间和时间信息的存在还使得在时空数据挖掘中应用新兴技术成为可能，如人工神经网络(ArtificialNeuralNetwork,ANN)和门限循环神经网络(GatedRecurrentUnit,GRU)等。因此应用神经网络技术，结合时间和空间维度，综合考虑大坝变形整体时空趋势和局部时空趋势，对未观测时空位置变形值进行建模和预测进而展示出大坝整体变形状态，是本专利技术所要解决的问题。
技术实现思路
专利技术目的：基于时空一体化的高拱坝变形时空序列预测方法，解决现有技术中无法综合考虑时空序列预测中的时空相关性的问题。为综合考虑时间和空间因素，将时空演变过程分为整体和局部两部分，应用简单神经网络拟合整体时空趋势，采用传统时空预测模型拟合局部随机过程，构造一种新型时空序列预测算法。由于简单神经网络无法准确捕捉时间序列中的长期依赖性，为解决该问题引入门限循环网络，利用门限循环网络对时间序列数据高精度预测的优势优化简单神经网络。技术方案：一种基于时空一体化的特高拱坝变形时空序列预测方法，包括以下三个方面：(1)大坝传感器在监测数据时，由于各种现实因素，实测数据中时常带有随机误差项，假设时空过程分解为两部分：Zi(t)＝Mi(t)+ei(t)，式中Mi(t)代表确定性时空变化，ei(t)代表去除确定趋势后的小规模随机变化并且满足E(ei(t))＝0，即期望为零。利用简单BP神经网络拟合整体时空趋势；(2)去除整体时空趋势后得到残差项ei(t)，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势；(3)引入门限循环神经网络对大坝各测点时间序列进行预测，预测出相关测点变形值，将预测后的顺河向位移数据作为训练数据优化BP网络。所述利用简单BP神经网络拟合整体时空趋势的具体步骤如下：(1.1)确定BP网路拓扑结构：确定神经网络输入向量和目标输出向量，拟设输入层中神经元数目为4，输入向量分别对应各个移传感器的三维坐标和传感器测得位移时的时间。设输出层的节点数目为1，目标输出向量对应大坝测点顺河向位移值。网络结构中包含多个隐含层，关于隐含层个数、各隐含层中神经元个数设置的问题，目前没有合适的算法直接求出最佳个数，按神经元个数从小到大依次尝试后计算出最佳个数；(1.2)确定网络结构权重系数：神经网络无需深入了解大坝具体受力情况，而是通过训练网络结构中的系数(权重)来达到时空预测的目的。BP网络在初始化时以[-1,1]之间的随机数对权重赋值；(1.3)生成激活后的估计值：网络中的每个神经元可以在输出端使用非线性激活函数，产生到其他神经元的平滑信号。激活函数有很多种类，其中一种常用的非线性激活函数是由逻辑函数定义的S形传递函数；(1.4)多次训练得到理想模型：将输入向量带入神经网络中，经过前向传播和反向传播算法的不断训练，将误差控制在理想范围内。即每次训练后计算期望输出与实际输出误差，误差通过反向传播算法不断调整神经元权重。所述内容(2)去除整体时空趋势后得到残差项ei(t)，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势。拟合局部时空趋势的具体步骤如下：(2.1)残差数据应该尽可能充分，对于残差数据，两两计算时空距离；(2.2)寻找一个拟合曲线拟合距离与时空半方差的关系，从而能根据任意时空距离计算出相应的半方差；半方差函数定义为rij＝0.5*E[(Zi-Zj)2]，根据地理学第一定律，即空间上相近的属性相近。rij表达了属性的相似度，空间上的相似度就用距离dij来表达。时空克里金插值假设rij和dij之间存在着函数关系，这种关系可以是线性、二次函数、指数、对数关系等等。为了确认这种关系，我们需要首先对观测数据集计算任意两个点的距离dij和半方差rij，这样会得到多个(dij，rij)的数据对，得到函数关系r＝r(d)，将所有的d和r绘制成散点图，寻找一个最优的拟合曲线拟合d和r的关系，得到函数关系式r＝r(d)。(2.3)计算出所有已知点之间的时空半方差rij；(2.4)对于未知点Zo，计算它到所有已知点Zi的半方差rio；(2.5)求解代价函数得到最优系数λi；(2.6)使用最优系数对已知点的属性值(顺河向位移值)进行加权求和，得到未知点顺河向位移值的估计值，结束时空克里格方法。所述内容(3)引入门限循环神经网络对大坝各测点时间序列进行预测，预测出相关测点变形值，将预测后的顺河向位移数据作为训练数据优化BP网络。GRU网络进行大坝各测点时间序列预测的具体步骤如下：(3.1)将大坝各测点时间序列预测问题转化为监督学习问题：使用Keras深度学习框架实现GRU网络。Keras中的GRU模型将数据分为两类：输入向量和输出向量。应用到时间序列预测问题上，以上一个时间点(t-1)的观察值作为输入，当前时间点(t)的观察值作为输出来实现问题转换的目的。GRU网络在本次时间序列预测中应用多输入GRUs网络。多输入GRUs网络输入向量中不仅包括测点自身顺河向位移时间序列，还包括环境量数据。具体而言，输入变量中包括滞后时间点(t-1)的观察值，还包括(t-1)时刻环境变量值；(3.2)变换时间序列数据，使其本文档来自技高网...

【技术保护点】
1.一种基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，包括以下三个方面：(1)大坝传感器的实际监测数据分解为真实值和误差项两部分：Zi(t)＝Mi(t)+ei(t)，式中Mi(t)代表确定性时空变化，ei(t)代表去除确定趋势后的小规模误差随机变化并且满足E(ei(t))＝0，期望为零。应用简单BP神经网络拟合整体时空趋势；(2)去除整体时空趋势后得到残差项ei(t)，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势；(3)引入门限循环神经网络(Gated Recurrent Unit,GRU)对大坝各测点时间序列进行预测，预测出相关测点变形值，将预测后的顺河向位移数据作为训练数据优化BP网络。

【技术特征摘要】
1.一种基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，包括以下三个方面：(1)大坝传感器的实际监测数据分解为真实值和误差项两部分：Zi(t)＝Mi(t)+ei(t)，式中Mi(t)代表确定性时空变化，ei(t)代表去除确定趋势后的小规模误差随机变化并且满足E(ei(t))＝0，期望为零。应用简单BP神经网络拟合整体时空趋势；(2)去除整体时空趋势后得到残差项ei(t)，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势；(3)引入门限循环神经网络(GatedRecurrentUnit,GRU)对大坝各测点时间序列进行预测，预测出相关测点变形值，将预测后的顺河向位移数据作为训练数据优化BP网络。2.如权利要求1所述的基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，利用简单BP神经网络拟合整体时空趋势的具体步骤如下：(1.1)确定BP网路拓扑结构：确定神经网络输入向量和目标输出向量，拟设输入层中神经元数目为4，分别对应三维坐标和时间；设输出层的节点数目为1，对应大坝测点顺河向位移值；(1.2)确定网络结构权重系数：BP网络在初始化时以[-1,1]之间的随机数对权重赋值；(1.3)生成激活后的估计值：网络中的每个神经元可以在输出端使用非线性激活函数，产生到其他神经元的平滑信号；非线性激活函数是由逻辑函数定义的S形传递函数；(1.4)多次训练得到理想模型：将输入向量带入神经网络中，经过前向传播和反向传播算法的不断训练，每次训练后计算期望输出与实际输出误差，误差通过反向传播算法不断调整神经元权重。3.如权利要求1所述的基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，所述内容(2)去除整体时空趋势后得到残差项ei(t)，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势；拟合局部时空趋势的具体步骤如下：(2.1)对于残差数据，两两计算时空距离；(2.2)通过拟合曲线拟合距离与时空半方差的关系，从而能根据任意时空距离计算出相应的半方差；(2.3)计算出所有已知点之间的时空半方差rij；(2.4)对于未知点Zo，计算它到所有已知点Zi的半方差rio；(2.5)求解代价函数得到最优系数λi；(2.6)使用最优系数对已知点的属性值进行加权求和，得到未知点的估计值，结束时空克里格方法。4.如权利要求1所述的基于时...

【专利技术属性】
技术研发人员：艾永平，毛莺池，高建，陈豪，李承兵，陈琨，王晓刚，丁玉江，龚友龙，沈凤群，谭彬，余记远，
申请(专利权)人：华能澜沧江水电股份有限公司，河海大学，华能集团技术创新中心有限公司，
类型：发明
国别省市：云南,53