一种基于CEEMDAN-Self-attention-LSTM的大坝变形预测方法技术

本发明专利技术公开了一种基于CEEMDAN‑Self‑attention‑LSTM的大坝变形预测方法。本发明专利技术包含模型标签生成模块，多层神经网络构成的预测模型。模型标签生成模块利用CEEMDAN算法对大坝变形数据分解重构得到具有多尺度信息的多个固有模态函数(IMF)作为模型训练的标签；并构建由两层LSTM神经网络层，一层自注意力层，一层全连接层构成的Self‑attention‑LSTM神经网络模型，该模型充分利用LSTM神经网络学习时间序列信息的能力，并在此基础上加入自注意力机制增强模型对不规律分布的时间序列的隐藏信息的学习能力。本发明专利技术提高了大坝变形的预测精度，同时提高了变形预测的效率。

【技术实现步骤摘要】

技术介绍

1、大坝是水资源管理的基础设施，具有防洪、灌溉、供水等功能。然而，溃坝会给库区造成财产损失和人员伤亡。因此，为了保证大坝的安全运行，监测大坝变形数据至关重要。用于大坝变形预测的常用统计模型有多元线性回归(mlr)和逐步回归(sr)。这些方法以其简单、可解释和快速的结果在实际水利工程中得到了广泛的应用。然而，大坝是一个复杂的动力系统，其变形值综合反映了大坝的工作状态。因此，由于各种结构和环境因素的影响，大坝具有非线性、不确定性和时滞性。然而，传统的统计模型本质上是线性回归，不适合建立高维关系。这大大降低了统计模型的预测精度和稳健性。

2、随着人工智能算法的不断进步，研究人员逐渐将机器学习与大坝变形预测模型相结合。在许多情况下，与数学统计模型相比，使用机器学习算法构建的预测模型具有显著提高的性能和鲁棒性。然而，大坝变形是一个实时的动态过程，受时间和环境因素的影响。通常，基于机器学习的模型不依赖于时间。因此，将大坝变形预测视为静态回归问题忽略了模型构建过程中时间的影响。深度学习的发展极大地弥补了传统机器学习的不足。与基于机器学习的模型相比本文档来自技高网...

【技术保护点】

1.一种基于CEEMDAN-Self-attention-LSTM的大坝变形预测方法，其特征在于,包括以下这些步骤：

2.根据权利要求1所述的一种基于CEEMDAN-Self-attention-LSTM的大坝变形预测方法，其特征是，所述步骤(1)将大坝变形数据与环境量整理为基于时间序列的大坝变形数据集包括：由于各环境量与大坝变形数据采集频率不同，根据各数据的采集时间序列分布稀疏度得到统一时间尺度下的数据，并整理为数据集。

3.根据权利要求1所述的一种基于CEEMDAN-Self-attention-LSTM的大坝变形预测方法，其特征是，所述步骤对(2)数据集中的...

【技术特征摘要】

1.一种基于ceemdan-self-attention-lstm的大坝变形预测方法，其特征在于,包括以下这些步骤：

2.根据权利要求1所述的一种基于ceemdan-self-attention-lstm的大坝变形预测方法，其特征是，所述步骤(1)将大坝变形数据与环境量整理为基于时间序列的大坝变形数据集包括：由于各环境量与大坝变形数据采集频率不同，根据各数据的采集时间序列分布稀疏度得到统一时间尺度下的数据，并整理为数据集。

3.根据权利要求1所述的一种基于ceemdan-self-attention-lstm的大坝变形预测方法，其特征是，所述步骤对(2)数据集中的所有数据进行标准化处理，标准化处理即为归一化处理，其表达式为：x’＝(x-xmin)/(xmax-xmin)。

4.根据权利要求1所述的一种基于ceemdan-self-attention-lstm的大坝变形预测方法，其特征是，所述步骤(3)构建self-attention-lstm大坝变形预测模型，将多个固有模态函数(imf)作...

【专利技术属性】
技术研发人员：蔡烁，高辉欣，张杰，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：