一种基于混合智能算法的边坡位移预测方法技术

本发明专利技术涉及一种基于混合智能算法的边坡位移预测方法，包括如下步骤：采集边坡的监测信息，根据监测信息建立数据库；剔除数据库中的冗余信息；降低数据库中数据的维数；根据数据库中的数据制作训练样本和测试样本；建立模型，通过训练样本对模型进行训练，得到第一预测模型；通过测试样本对第一预测模型进行修正，得到第二预测模型；通过第二预测模型和目标边坡的实时监测信息对目标边坡的位移进行预测，得到第一预测值；通过马尔科夫方法对第一预测值进行修正，得到最终预测值。本发明专利技术剔除了所采集的信息中的冗余信息，并对其进行降维，使得预测结果更加准确，计算量更低。通过最小二乘支持向量机和粒子群优化算法对边坡位移进行预测。移进行预测。移进行预测。

【技术实现步骤摘要】
一种基于混合智能算法的边坡位移预测方法


[0001]本专利技术涉及一种基于混合智能算法的边坡位移预测方法，属于边坡位移预测


技术介绍

[0002]我国东南沿海地区以丘陵地貌为主，输变电设施建设过程中常常会出现大量的边坡工程，尤其是在经济发达地区，变电站及输电线路的场地条件多为非地形上的最优，不仅场地位置差，而且地址条件也比较差，建设和运用过程中的水土流失和边坡稳定一直是个重点和难点问题之一。尤其是因强台风带来的强降雨，导致严重的水土流失和边坡失稳灾害。因此，对边坡失稳的监测和预警显得尤为重要。
[0003]申请号为201811219468.4的申请文件公开了一种基于QPSO
‑
BP神经网络的滑坡危险性评估方法，该评估方法通过历史滑坡样本对QPSO
‑
BP评估模型进行训练，再通过训练后的评估模型划分滑坡风险区域。没有对边坡位移进行定量的分析，无法准确预测边坡位移量。同时，没有对样本数据进行处理，导致样本存在冗余和维度过高的问题，使得评估结果不准确，且计算量大。

技术实现思路

[0004]为了克服上述问题，本专利技术提供一种基于混合智能算法的边坡位移预测方法，该预测方法剔除了所采集的信息中的冗余信息，并对其进行降维，使得预测结果更加准确，计算量更低。通过最小二乘支持向量机和粒子群优化算法对边坡位移进行预测。
[0005]本专利技术的技术方案如下：
[0006]一种基于混合智能算法的边坡位移预测方法，包括如下步骤：
[0007]在目标边坡特定位置安装若干不同的监测设备，采集边坡的监测信息，根据所述监测信息建立初始数据库；
[0008]剔除所述初始数据库中的冗余信息，得到约简集数据库；
[0009]降低所述约简集数据库中数据的维数，得到综合指标数据库；
[0010]根据所述综合指标数据库中的数据制作训练样本和测试样本；
[0011]建立最小二乘支持向量机模型，通过所述训练样本对所述最小二乘支持向量机模型进行训练，得到第一预测模型；
[0012]通过所述测试样本对所述第一预测模型进行修正，得到第二预测模型；
[0013]通过所述第二预测模型和目标边坡的实时监测信息对目标边坡的位移进行预测，得到第一预测值；
[0014]通过马尔科夫方法对所述第一预测值进行修正，得到最终预测值。
[0015]进一步的，各所述监测设备以时间T1为周期采集监测信息；所述监测信息包括：
[0016]A、时间T1内边坡的表面位移；
[0017]B、时间T1内边坡坡脚不同深度的水平位移、平均正向土压力、平均侧向土压力和
平均孔隙水压力；
[0018]C、时间T1内边坡累积降雨量、降雨天数、连续降雨天数和日降雨最大值。
[0019]进一步的，所述剔除所述初始数据库中的冗余信息，得到约简集数据库，包括如下步骤：
[0020]步骤S1,通过K均值聚类算法对所述初始数据库中的监测信息进行离散化处理；
[0021]步骤S2，根据所述监测信息构造决策表P，决策表P的条件属性集C为所述监测信息的B和C的集合，决策属性D为所述监测信息的A；
[0022]步骤S3，计算决策属性D的条件属性集C正域POS
c
(D)；
[0023]步骤S4，令条件属性集R＝C，从所述条件属性集R中剔除条件属性a，得到条件属性集R
‑
{a}，其中，a为条件属性集C中的任意一个条件属性；
[0024]步骤S5，计算决策属性D的条件属性集R
‑
{a}正域POS
R
‑
{a}
(D)，若POS
C
(D)＝POS
R
‑
{a}
(D)，则令R＝R
‑
{a}；
[0025]步骤S6，重复步骤S4、S5，遍历条件属性集C中每一个条件属性，得到最简的条件属性集R，并根据所述条件属性集R包含的条件属性及其对应的数据，建立约简集数据库。
[0026]进一步的，还包括对所述约简集数据库的离群值进行剔除。
[0027]进一步的，所述降低所述约简集数据库中数据的维数，得到综合指标数据库，包括如下步骤：
[0028]获取所述约简集数据库中的监测信息，得到数据集S＝{x1,x2,...,x
n
,...,x
N
}，其中，x
n
为所述约简集数据库中第n个数据，N为所述约简集数据库中的数据个数；
[0029]通过Z
‑
score法对所述数据S进行标准化处理；
[0030]通过非线性映射函数Φ将数据x
i
从原始空间R
M
映射到高维特征空间F，并通过主成分分析对映射后的数据进行降维，得到综合指标数据库。
[0031]进一步的，所述建立最小二乘支持向量机模型，通过所述训练样本对所述最小二乘支持向量机模型进行训练，得到第一预测模型，包括如下步骤：
[0032]建立最小二乘支持向量机模型，将所述训练样本输入所述最小二乘支持向量机模型，进行训练，得到训练好的最小二乘支持向量机模型；
[0033]通过粒子群算法对训练好的最小二乘支持向量机模型的参数进行优化，得到第一预测模型。
[0034]进一步的，所述通过马尔科夫方法对所述第一预测值进行修正，包括如下步骤：
[0035]根据所述QPSO
‑
LSSVM模型得到的边坡位移预测值与实测值计算残差序列；根据残差序列的分布密度划分n个状态区间，每个状态区间大小相等；
[0036]每个相对误差均有对应的相对误差状态，统计相对误差状态转移时的概率，公式如下：
[0037][0038]其中，P
i,j
(k)为状态E
i
经过k步转移至状态E
j
的概率，m
i,j
(k)为状态E
i
经过k步转移至E
j
的次数，M
j
为状态E
j
在残差序列中出现的次数，k＝1,2,3,4；
[0039]根据所述概率P
i,j
(k)，建立第k步的概率转移矩阵，如下：
[0040][0041]根据公式状态转移向量Q(t)＝{Q1(t),Q2(t),
…
,Q
n
(t)}，马尔科夫测模型表示为Q(t+k)＝Q(t)P
(k)
；其中，Q
i
(t)为第t步残差状态为E
i
的概率；
[0042]所述最终预测值如下：
[0043][0044]其中，为经马尔科夫链模型修正后的预测值序列，即最终预测值；为所述第一预测值序列；q
ik
为当前时刻经k步转移至状态E
i
的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合智能算法的边坡位移预测方法，其特征在于，包括如下步骤：在目标边坡特定位置安装若干不同的监测设备，采集边坡的监测信息，根据所述监测信息建立初始数据库；剔除所述初始数据库中的冗余信息，得到约简集数据库；降低所述约简集数据库中数据的维数，得到综合指标数据库；根据所述综合指标数据库中的数据制作训练样本和测试样本；建立最小二乘支持向量机模型，通过所述训练样本对所述最小二乘支持向量机模型进行训练，得到第一预测模型；通过所述测试样本对所述第一预测模型进行修正，得到第二预测模型；通过所述第二预测模型和目标边坡的实时监测信息对目标边坡的位移进行预测，得到第一预测值；通过马尔科夫方法对所述第一预测值进行修正，得到最终预测值。2.根据权利要求1所述基于混合智能算法的边坡位移预测方法，其特征在于，各所述监测设备以时间T1为周期采集监测信息；所述监测信息包括：A、时间T1内边坡的表面位移；B、时间T1内边坡坡脚不同深度的水平位移、平均正向土压力、平均侧向土压力和平均孔隙水压力；C、时间T1内边坡累积降雨量、降雨天数、连续降雨天数和日降雨最大值。3.根据权利要求2所述基于混合智能算法的边坡位移预测方法，其特征在于，所述剔除所述初始数据库中的冗余信息，得到约简集数据库，包括如下步骤：步骤S1,通过K均值聚类算法对所述初始数据库中的监测信息进行离散化处理；步骤S2，根据所述监测信息构造决策表P，决策表P的条件属性集C为所述监测信息的B和C的集合，决策属性D为所述监测信息的A；步骤S3，计算决策属性D的条件属性集C正域POSc(D)；步骤S4，令条件属性集R＝C，从所述条件属性集R中剔除条件属性a，得到条件属性集R
‑
{a}，其中，a为条件属性集C中的任意一个条件属性；步骤S5，计算决策属性D的条件属性集R
‑
{a}正域POS
R
‑
{a}
(D)，若POS
C
(D)＝POS
R
‑
{a}
(D)，则令R＝R
‑
{a}；步骤S6，重复步骤S4、S5，遍历条件属性集C中每一个条件属性，得到最简的条件属性集R，并根据所述条件属性集R包含的条件属性及其对应的数据，建立约简集数据库。4.根据权利要求3所述基于混合智能算法的边坡位移预测方法，其特征在于，还包括对所述约简集数据库的离群值进行剔除。5.根据权利要求4所述基于混合智能算法的边坡位移预测方法，其特征在于，所述降低所述约简集数据库中数据的维数，得到综合指标数据库，包括如下步骤：获取所述约简集数据库中的监测信息，得到数据集S＝{x1，x2，...，x
n
，......

【专利技术属性】
技术研发人员：李熙，江世雄，陈垚，陈泽钦，王重卿，杨海云，林亚涛，车艳红，吴凡，翁孙贤，程慧青，苏杭，张弛，施华，
申请(专利权)人：国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：